autora: ing. mariannis berovides hernández. tutor: dr.c

Santa Clara, Villa Clara Julio, 2013

Tesis presentada en opción al título académico de

Máster en Informática para la Gestión Medioambiental.

AUTORA: Ing. Mariannis Berovides Hernández.

TUTOR: Dr.C. Luis B. Lecha Estela.

“La alegría de ver y entender,

es el más perfecto don de la naturaleza”

Albert Einstein

DEDICATORIA

A mi angelito: Lis Paula, por ser mi alicente y moción sobre todas las

cosas.

A mi mamá por ser mi luz en la oscuridad, aún lejos iluminas mi camino.

A mi familia por ser cimiento resistente aún bajo tormenta.

A Maritza, por apoyarme como una madre.

A mis amigos verdaderos e inciertos, que de una forma u otra han traido

una verdad instructora a mi vida.

A los que me han herido y amado por demostrarme que siempre existen

cosas maravillosas por las cuales sobreponerse, y es esta, una en un

millón.

Y a todos los que han hecho posible este sueño.

AGRADECIMIENTOS

A Dios por tener qué y a quién agradecer, por siempre ser más y no

menos,

A mi familia: Anmaris, Lino, abuela y todos que de una forma u otra

aportan algo singnificativo a mi vida.

A mis amigos por su apoyo.

A mis compañeros de trabajo.

A las muchachas de meteorología por su paciencia y cooperación sincera.

A Lisbey e Ivón, por ayudarme en mis dudas, por complejas e inciertas

que parecieran.

Danilo por presentarme a Lecha, que me brindó todo el apoyo,

conocimiento e información para este trabajo.

A Luis Lecha por ser mi tutor y ahora amigo, por su paciencia y

experiencia.

A los profesores de la UCLV y de la MIGM, por la oportunidad de cursar

con ellos.

A todos, mencionados o no, cuya quimera ha sido proveerme de un feliz

momento, pues el mayor éxito no ha sido para su persona, sino para mi

recompensa profesional, no existe pago ni agradecimiento mejor que sus

propias satisfacciones compartidas en este trabajo. A todos GRACIAS.

I

RESUMEN

El trabajo tiene como objetivo diseñar, programar y aplicar un sistema informático para

el procesamiento y gestión básica de datos meteorológicos, específicamente para las

temperaturas extremas diarias del aire proveniente de las observaciones realizadas en

todas las estaciones meteorológicas de Cuba durante el período 1979 a 2008 que se

refieren por tanto a 30 años.

Se implementan algoritmos estadísticos no paramétricos para la detección de faltas de

homogeneidad y la presencia de discontinuidad climática o saltos en las series,

asociados a cambios de emplazamiento, así como la utilización de la regresión y otros

métodos para detectar la ocurrencia de posibles valores aberrantes y para la estimación

y rellenado de los datos faltantes.

Aunque existe un gran número de técnicas para tratar cada uno de los pasos

anteriores, en este trabajo se hace énfasis en aquellas técnicas estadísticas que

puedan ser fácilmente entendidas y aplicadas en los Centros Meteorológicos

Provinciales y sus departamentos de redes meteorológicas. Los programas se realizan

en lenguaje “C#” utilizando como plataforma “Visual Studio.Net”.

Palabras claves: Meteorología, Climatología, Datos Climáticos, Variables.

II

ABSTRACT

The work aims to design, develop and implement a system for the processing and basic

management of meteorological data, specifically for daily air temperature extremes from

of Cuba weather stations for the period 1979-2008 that it refers 30 years.

Implemented nonparametric statistical algorithms for detecting inhomogeneity’s and the

presence of jumps in the series associated with changes in the position, and the use of

regression and other methods to detect the occurrence of possible outliers and

estimation and filling of missing data.

Although there are a number of techniques to address each of the above steps, this

paper emphasizes those statistical techniques that can be easily understood and

applied in Provincial Meteorological Centers and departments meteorological networks.

The programs are implemented in "C #" using as a platform "Visual Studio.Net".

Key words: Meteorology, Climatology, Meteorological data, Variable.

ÍNDICE

RESUMEN ....................................................................................................................................................... I

ABSTRACT ...................................................................................................................................................... II

INTRODUCCIÓN ............................................................................................................................................. 1

CAPÍTULO I: Aspectos teórico-conceptuales relacionados con la gestión y archivo de los datos

meteorológicos. ............................................................................................................................................. 6

1.1 Métodos de predicción ................................................................................................. 6

1.2 Fuentes de informaciones geográficas .......................................................................... 7

1.3 Colección de datos, análisis e interpretación ................................................................ 8

1.4 Procesamiento y análisis de datos Climatológicos ...................................................... 14

1.5 Predicciones del tiempo, matemáticas-estadística ..................................................... 16

1.6 Sistemas para el estudio estadístico de las variables climatológicas .......................... 17

1.6.1 SAROM: Sistema automatizado de revisiones de las observaciones meteorológicas ........ 18

1.7 Control de calidad ....................................................................................................... 18

1.8 Generalidades sobre la variable de temperatura ....................................................... 21

1.9 Estudios climáticos sobre el aumento de la temperatura........................................... 22

1.10 Generalidades de una serie cronológica temporal ..................................................... 23

1.11 Clima y régimen térmico en Cuba ............................................................................... 24

CAPÍTULO II: Métodos de análisis y revisión aplicados a las series climatológicas. Temperaturas extremas

diarias del aire ............................................................................................................................................. 28

2.1 Criterios de detección y evaluación de los datos de temperaturas ............................ 28

2.1.1 Desviación estándar ............................................................................................................ 29

2.1.2 Varianza y Media ................................................................................................................. 30

2.1.3 Coeficiente de variación ...................................................................................................... 30

2.2 Procedimiento para la solución de datos faltantes en una serie ................................ 31

2.2.1 Rellenar datos aislados de una serie continua .................................................................... 31

2.2.2 Rellenar grupos de datos faltantes hasta el 20 % del total de casos de una serie.............. 32

2.2.3 Rellenar datos faltantes en más del 20 % del total de casos de una serie .......................... 36

2.3 Análisis con las variables ............................................................................................. 37

2.4 Homogeneidad de datos climáticos ............................................................................ 37

2.4.1 Series homogéneas y no homogéneas ................................................................................ 38

2.4.2 Criterio de las Rachas o Carreras: Aleatoriedad de una muestra........................................ 39

2.4.3 El criterio de Abbe ............................................................................................................... 42

2.4.4 Criterio de Helmert .............................................................................................................. 42

2.5 Procesamiento de la variable de temperaturas extremas del aire. ............................ 42

CAPÍTULO III:................................................................................................................................................ 44

2.6 Generalidades sobre el SISREP .................................................................................... 44

2.6.1 Autentificación SISREP ......................................................................................................... 44

2.6.2 Módulo de Gestión de Datos ............................................................................................... 46

2.6.3 Módulo Identificación de Errores ........................................................................................ 47

2.6.4 Módulo de Métodos Estadísticos ........................................................................................ 48

2.7 Configuración del SISREP ............................................................................................. 48

2.8 Base de datos de temperaturas. ................................................................................. 49

2.8.1 Presentación de datos en SISREP ........................................................................................ 50

2.9 Revisión de datos de las temperaturas máximas del aire con SISREP ........................ 52

2.9.1 Errores encontrados por clasificación en las máximas ....................................................... 57

2.10 Revisión de datos de las temperaturas mínimas del aire con SISREP ......................... 61

2.10.1 Errores encontrados por clasificación en las mínimas ........................................................ 63

2.11 Revisión de datos de las temperaturas mínimas y máximas del aire con SISREP ....... 65

2.12 Procesamiento de datos de las temperaturas con SISREP .......................................... 66

CONCLUSIONES ........................................................................................................................................... 70

RECOMENDACIONES ................................................................................................................................... 72

GLOSARIO DE TÉRMINOS ............................................................................................................................ 73

ÍNDICE DE ILUSTRACIONES, ECUACIONES Y TABLAS

Ilustración 1: Consideraciones para el control de la calidad. ..................................................................................................... 20

Ilustración 2: Relaciones no lineales entre las variables. ............................................................................................................ 34

Ilustración 3: Distribución de la normal y la media para la variable temperatura. ......................................................... 40

Ilustración 4: Generalidad del uso del SISREP. ................................................................................................................................. 45

Ilustración 5: Diagrama de Caso de Uso. ............................................................................................................................................. 46

Ilustración 6: Edición y filtrado de datos. ........................................................................................................................................... 47

Ilustración 7: Identificación de errores para temperaturas extremas del aire. ................................................................. 47

Ilustración 8: Configuración regional interpretada por el sistema. ........................................................................................ 48

Ilustración 9: Configuración de los parámetros de revisión y procesamiento. .................................................................. 49

Ilustración 10: Base de datos. ................................................................................................................................................................... 50

Ilustración 11: Leyenda de estaciones meteorológicas. ............................................................................................................... 50

Ilustración 12: Representación de datos SISREP............................................................................................................................. 51

Ilustración 13: Menú principal. ............................................................................................................................................................... 52

Ilustración 14: Interfaz de inicialización de datos. ......................................................................................................................... 53

Ilustración 15: Revisión de datos. .......................................................................................................................................................... 54

Ilustración 16: Identificación de errores. ............................................................................................................................................ 55

Ilustración 17: Completamiento a partir de la matriz de correlación. ................................................................................... 56

Ilustración 18: Completamiento de datos. .......................................................................................................................................... 56

Ilustración 19: Revisión personalizada a temperaturas............................................................................................................... 57

Ilustración 20: Error decimal. .................................................................................................................................................................. 62

Ilustración 21: Tipo de revisión y solución. ....................................................................................................................................... 63

Ilustración 22: Estructura anual del régimen térmico en Santa Clara. .................................................................................. 69

Ecuación 1: Varianza y media. .................................................................................................................................................................. 30

Ecuación 2: Cálculo de dato aislado. ...................................................................................................................................................... 32

Ecuación 3: Estimación del coeficiente de correlación. ................................................................................................................ 33

Ecuación 4: Ecuación de regresión lineal. ........................................................................................................................................... 35

Ecuación 5: Mínimos cuadrados para la ecuación de regresión lineal................................................................................... 35

Ecuación 6: Ecuación lineal de ejemplo. .............................................................................................................................................. 36

Ecuación 7: Definición de la media. ....................................................................................................................................................... 41

Ecuación 8: Desviación estándar. ........................................................................................................................................................... 41

Ecuación 9: Nuevas series de datos. ...................................................................................................................................................... 42

Tabla 1: Datos de las estaciones existentes en Cuba. 11

Tabla 2. Matriz de correlación de la temperatura del aire entre distintas estaciones. 36

Tabla 3: Patrones del régimen térmico del aire en Cuba. 43

Tabla 4: Valor constante para VCL000001.Máximas. 58

Tabla 5: Valor constante para VCL000002. Máximas. 59



Tabla 8: Valor constante para VCL000001. Mínimas. 63




Tabla 12: Valor superior a más menos 10 en 24 horas. Mínimas. 65

Tabla 13: Tabla de contingencia para la clasificación del complejo temperatura máxima y mínima del aire. 67

Tabla 14: Estructura del complejo temperatura máxima – mínima en Santa Clara. 68

1

INTRODUCCIÓN

La tierra, a lo largo de millones de años, ha experimentado alteraciones de su clima en

diversas escalas del tiempo y sobre todos los parámetros climáticos, como la

temperatura, las precipitaciones, la nubosidad y otras. Dicha escala de tiempo se vuelve

cada vez menor por la acción del hombre sobre el medio ambiente. Es por tanto tarea

del hombre estudiar sus varianzas, comportamiento y consecuencias, en aras de

contrarrestar los cambios de temperatura, los períodos glaciales y los calentamientos

globales, pues cada uno de estos cambios o variaciones producen alteraciones en el

medio ambiente que ponen en riesgo a las generaciones futuras.

Un informe del 2001 hecho por el Panel Intergubernamental del Cambio Climático

(IPCC) sugiere que:

La retirada glacial, el deshielo de las plataformas como el deshielo de la plataforma de

Larsen, el aumento del nivel de las aguas del océano, cambios en los patrones de las

precipitaciones y el aumento, tanto en intensidad como en frecuencia, de los ciclones

tropicales son atribuibles en parte al calentamiento global.

Otros efectos incluyen la escasez de agua en algunas regiones y el aumento de las

precipitaciones en otros, los cambios en la cota de nieve de las montañas y efectos

adversos para la salud en los lugares de temperaturas cálidas. (IPCC, 2001)

El cambio climático es hoy uno de los temas científicos que más impacto tiene sobre el

conjunto de la sociedad y ha convertido al clima en el gran protagonista de los retos y

problemas ambientales de la actualidad, dentro de ello la Meteorología y Climatología,

de ahí que el estudio del comportamiento del mismo es vital para su mitigación.

La Meteorología es el estudio de los fenómenos de la atmósfera, esto incluye no sólo la

física, la química y la dinámica de la atmósfera, sino también a muchos de los efectos

directos de la atmósfera sobre la superficie terrestre, los océanos y la vida en general.

Los tópicos adjudicados fuertemente a la Meteorología son el conocimiento completo, la

predicción acertada y el control artificial de los fenómenos atmosféricos.

2

La Climatología está relacionada principalmente con los promedios de las condiciones

atmosféricas que caracterizan una región y no con las condiciones instantáneas o

inmediatas, siendo esta su principal diferencia con la Meteorología.

El clima abarca fundamentalmente los valores de temperatura, humedad, presión,

viento y precipitaciones en la atmósfera. De todos los componentes físicos del medio

natural, el clima es el que ejerce una acción más directa sobre los ecosistemas y el

hombre. Los grandes vacíos demográficos; como son los desiertos y las áreas polares,

están condicionados por el exceso de frío o calor y actividades esenciales; como la

producción de alimentos, dependen de las condiciones climáticas. Es, además, el

componente más difícil de controlar por el hombre y ante las adversidades climáticas, la

única acción posible es la prevención y adaptación para evitar los efectos negativos del

mismo.

Las temáticas climatológicas son inherentes a las actividades diarias de la vida, y a

pesar que en la sociedad industrial, la dependencia con el clima, es menor que en una

sociedad agrícola, su influencia en el modo de vivir y en las costumbres actuales es

probablemente tan grande como en un inicio. Otro elemento a tener en cuenta es la

forma en que se recopila la información del clima de forma histórica, sistemática y

homogénea, generándose, lo que se conoce como información meteorológica. Esta

información meteorológica, se considera representativa y útil cuando sus períodos son

superiores a 30 años.

Los factores naturales que afectan al clima son las estaciones del año, la latitud y

altitud, el relieve, la continentalidad y las corrientes marinas, lo que deriva el interés de

recopilar y analizar la información en diferentes posiciones geográficas, conociendo

bien el entorno en que se encuentra enmarcado, así como la forma en que se agrupan

sus variables. La única fuente de información directa con la que cuenta la Climatología

es la observación de los diferentes parámetros meteorológicos. La cantidad y calidad de

los datos disponibles condiciona la representatividad de los estudios climáticos.

Los datos son observaciones y las medidas científicas que; una vez que han sido

analizados e interpretados, pueden ser desarrollados como evidencia para tratar una

3

situación determinada. Los datos ocupan el centro de las investigaciones científicas y

todos los científicos recogen datos de una u otra manera.

El pronóstico meteorológico es una interpretación realizada por un especialista que

analiza los datos recogidos por los satélites. Cuando se desea comprender un suceso

natural, se considera una variedad de datos como la época del año o el pronóstico

meteorológico. Después se analiza la lógica del comportamiento de los datos, vital en la

determinación de la acción más óptima a seguir para la toma de decisiones sobre la

interpretación de la información, haciendo que la fiabilidad de los datos meteorológicos

sea primordial para todas las aplicaciones afines: modelos agronómicos y estudios

científicos que de ellos dependen, por citar un ejemplo.

Por tanto, la recolección de datos demanda un alto cuidado debido a que los científicos

construyen su propio trabajo sobre el de otros y viceversa, es importante ser

sistemáticos y consistentes en los métodos de reserva de datos y que se hagan

registros detallados para que los usuarios puedan ver y usar los datos que se acumulan

en los archivos climatológicos.

La recolección de datos debe sus inicios a los navíos comerciales, limitada a predicción

de los vientos y tormentas para asegurar el viaje de los mercantes, este interés

aumentó hacia cambios a largo plazo sobre la temperatura. Sin embargo, los mismos

datos contribuyen fácilmente a responder ambas cuestiones.

Uno de los progresos más emocionantes en la actualidad es el desarrollo de la

información científica. De ahí la importancia de que cada estación meteorológica

registre datos en forma horaria, y en base a estos calcular los datos diarios para cada

variable: temperatura del aire y del suelo, dirección y velocidad del viento, precipitación,

humedad, presión y radiación solar, con sus máximos, mínimos y acumulados

respectivamente. Esta vasta reserva de información está considerada como datos

“crudos”, los cuales por sí mismos son fuente importante para diversos estudios como

se ha referido antes, pero para ello se requiere que los mismos estén correctos,

completos y certificados.

4

En el caso de Cuba los datos se recogen en papel con la información de las

observaciones, luego se procede a la transmisión de los mismos, para su posterior

almacenamiento en las bases de datos. Esta recopilación suele suceder cada tres horas

para cada una de las 73 estaciones ubicadas a lo largo del país y se han ido

almacenando desde inicios de los años 60 del siglo pasado, por lo que el número de

posibles errores a la hora de utilizar dichos datos son muy altos y la identificación

manual de los problemas u omisiones se hace muy compleja.

Dado que los registros climáticos largos constituyen la base de las investigaciones

científicas sobre el clima y la vida humana y a la frecuencia, diversidad y magnitud de

las afectaciones y errores de las series de datos, se reflejan cambios artificiales que

atentan contra un resultado real y acertado de los estudios, siendo necesario el control

sobre los mismos, lo cual enfrenta el siguiente problema:

La complejidad del proceso de gestión y control de calidad de los datos

meteorológicos en los Centros Meteorológicos Provinciales de Cuba,

específicamente Villa Clara.

Objetivo General

Desarrollar un sistema informático para la revisión y procesamiento básico de variables

meteorológicas, con énfasis en las temperaturas extremas diarias del aire.

Objetivos específicos

Analizar aspectos teórico-conceptuales relacionados con la gestión de los datos

meteorológicos y sus aplicaciones.

Implementar algunos de los métodos de análisis de datos recomendados por la

OMM para asegurar el control de calidad, la homogeneidad y la

representatividad de los datos meteorológicos.

Establecer para las condiciones climáticas de Cuba los criterios umbrales para la

detección de errores y procesamiento básico de las temperaturas máximas y

mínimas del aire.

5

Desarrollar un sistema automatizado que permita garantizar la calidad de los

datos meteorológicos que se utilizarán para el Atlas Climático de Cuba y otras

investigaciones afines.

Capítulos de la tesis.

Capítulo 1: “Aspectos teórico-conceptuales relacionados con la gestión y archivo de los

datos meteorológicos”

Capítulo 2: Descripción de los métodos de análisis y revisión aplicados a las series

climatológicas. Fundamentar los métodos escogidos, desde el punto de vista

estadístico, informático y meteorológico.

Capítulo 3: Resultados de la implementación y puesta en marcha de la revisión y

procesamiento básico de los datos de temperaturas extremas del aire.

En último lugar se documentan las conclusiones y recomendaciones generales

derivadas de la iniciación e implementación del sistema, así como la bibliografía referida

en la tesis.

La facilidad de integrar, personalizar y automatizar complejos métodos y herramientas

existentes para la revisión manual de complejos ficheros constituye el principal aporte

del presente trabajo, unido a la revisión y procesamiento a efectuar con el mismo, con el

cual se pretende disminuir considerablemente el complejo trabajo de un año a un

tiempo más modesto y humano.

Además la posibilidad de su extensión como herramienta sistemática de los

especialistas meteorológicos, mejora la calidad de los datos conservados para su

posterior estudio, indispensable en las condiciones actuales y bajo los efectos de un

cambio climático atroz. Su valor práctico radica en la factibilidad y personalización

concebida a la hora de implementar el procedimiento de revisión actual, dando soporte

a la solución de los errores humanos que pueden de una forma u otra afectar el estudio

real, comprometiendo a las generaciones futuras sobre bases inciertas.

6

CAPÍTULO I: Aspectos teórico-conceptuales relacionados

con la gestión y archivo de los datos meteorológicos.

La sociedad es influenciada fuertemente por el tiempo desde miles de años atrás,

cuando los individuos recibían predicciones de cómo se comportaba el tiempo por un

día y hasta por una estación. En 650 a. C., los Babilonios predecían el tiempo de

acuerdo a patrones de nubes, en el 340 a. C. ya Aristóteles describía patrones del

tiempo y los chinos predecían el tiempo al menos desde 300 a. C, todo ello ha

conllevado a seguir patrones, pautas de gestión y archivo de datos meteorológicos que

han ayudado a concluir importantes investigaciones siendo la gestión un proceso

histórico e importante a analizar.

1.1 Métodos de predicción

Los antiguos métodos de predicción del tiempo usualmente tomaban en cuenta la

experiencia de señalar patrones de eventos, si el amanecer era particularmente de cielo

rojizo, se desarrollaba un mal tiempo. La experiencia acumulada por generaciones

generaba un pronóstico previo. De todos modos, estas predicciones no eran acertadas

y tampoco se probaban a través de disciplinas físicas, matemáticas y estadísticas,

como en la actualidad.

Con la invención de la telegrafía en 1837, comienza la era moderna del pronóstico del

tiempo. Antes, no era posible llevar información sobre el estado del tiempo a distancias

alejadas, y si había, se transportaba a la velocidad de un ferrocarril a vapor, así el

telégrafo dio reportes de las condiciones del tiempo de una gran área

instantáneamente. De este modo se perfeccionaban los pronósticos desde el punto de

vista de las condiciones regionales y actualización de la información, el vertiginoso

desarrollo de las técnicas y tecnologías de la información ha acelerado aún más el

acierto actualizado sobre las condiciones del tiempo. (Maury, 2012)

Desde entonces los volúmenes de información referentes al clima han ayudado a

comprender las tendencias del medio ambiente, aunque es válido señalar que ello

requiere toda la pericia y habilidad de los especialistas del campo, dado al cúmulo de

7

datos y su significado en las investigaciones científicas sobre el conocimiento, no todas

las observaciones constituyen un dato útil.

Al criterio de la autora, un dato útil para el tema que se estudia es aquel que refleja el

comportamiento de las principales variables atmosféricas y se observan regularmente

en las redes nacionales de observación, y abarcan los valores de temperatura,

humedad, presión, viento, lluvia, fenómenos eléctricos, etc. Además se archivan

mediante la recopilación sistemática y homogénea de las diferentes variables

meteorológicas, y la cantidad y calidad de los datos disponibles condiciona la

representatividad de los estudios climáticos y meteorológicos.

1.2 Fuentes de informaciones geográficas

El clima es el resultado del funcionamiento de un sistema dinámico y abierto,

alimentado por una energía procedente del sol y constituido por cinco elementos

relacionados e interdependientes, como son: la atmósfera, los océanos, la criosfera o la

superficie cubierta por los hielos, la superficie terrestre y la biosfera o conjunto de seres

vivos entre los que se incluye el hombre. El conocimiento y comprensión del clima exige

tener muy claras cuatro ideas fundamentales:

La diferenciación entre tiempo y clima.

Los factores condicionantes.

Los elementos.

La escala

El clima por tanto es un estado medio entre la razón y la realidad que se define por

unos valores estadísticos deducidos de series largas. (Infante et al., 2007)

Treinta años es el período que la Organización Mundial de Meteorología (OMM) toma

como referencia para definir los climas y a este intervalo temporal se le denomina

“período internacional”. El primero comenzó en 1901 y finalizó en 1930, el segundo se

extiende desde 1931 a 1960, el tercero se extiende desde 1961 a 1990 y, en la

actualidad está en un cuarto que comenzó en 1991 y finalizará en 2020. (GIL, N. 2012)

8

La principal fuente de información procede de observatorios situados sobre la superficie

terrestre y la obtenida por sensores remotos instalados sobre satélites o aviones.

La principal fuente de información climática son las redes meteorológicas, formadas por

un número indeterminado de estaciones u observatorios distribuidos en los diferentes

sectores de un territorio. Generalmente esta información constituye una serie temporal

larga que admite un análisis estadístico más o menos complejo, suficiente para definir

los rasgos esenciales del clima, tanto los denominados valores normales, como la

variabilidad y la frecuencia de casos extremos. Se utilizan instrumentos convencionales

de características técnicas similares y situación parecida a fin de poder comparar las

mediciones entre puntos distantes. Recientemente se han introducido importantes

modificaciones como la automatización de la red y el uso de los radares lo que ha

contribuido a mejorar sustancialmente la información.

Las observaciones procedentes de sensores remotos, que generalmente se

encuentran instalados sobre satélites o aviones, se caracterizan por el carácter global

de la información, referida a una superficie, aunque la información corresponde a un

momento concreto, el del paso del avión o satélite. Se emplean instrumentos de

tecnología muy avanzada y la información exige un complejo tratamiento antes de ser

utilizada.

La única fuente de información directa con la que cuenta la Climatología es la

observación de los diferentes parámetros meteorológicos. La cantidad y calidad de los

datos disponibles condiciona la representatividad de los estudios climáticos a realizar.

1.3 Colección de datos, análisis e interpretación

Muchos inventos han existido para la colección de datos del clima, aunque se produjo

una gran laguna científica que duró aproximadamente 1.800 años, hasta que en 1643,

el físico y matemático italiano Evangelista Torricelli, hizo un importante salto con el

barómetro de mercurio, descubriendo la presión atmosférica y determinando su valor,

constituyendo un hecho determinante también para que se iniciara el proceso de

monitoreo del estado del tiempo.

9

La invención del primer termómetro de mercurio estandarizado, en 1714 por Gabriel

Fahrenheit, facilitó la medición acertada de la temperatura del aire durante los períodos

próximos a esa fecha. (García, 2012). La temperatura del aire, la velocidad y la

dirección del viento constituyen información marítima crítica de esa época, porque a

medida que las expediciones marítimas se hacían más comunes, se hacía más

necesario y difícil obtener esta información, de donde el superintendente del Depósito

de Mapas e Instrumentos de la Marina de Estados Unidos, Matthew Fontaine Maury,

movido por la preocupación de la falta de datos fidedignos organizó la primera

Conferencia internacional marítima en 1853, dando origen a los estándares

internacionales para medir el clima en los barcos y sistemas para compartir dicha

información entre los países.

Ambos instrumentos, termómetro y barómetro, constituían así importantes apoyos para

la medición de dos elementos climáticos fundamentales, como son la temperatura y la

presión atmosférica, ayudando a definir estándares para la recopilación de datos, paso

importante en la producción de un conjunto de datos de la información meteorológica

verdaderamente global, permitiendo que los datos recopilados por mucha gente en

diferentes lugares del mundo pudiesen reunirse en un único conjunto de datos.

Basados parcialmente en los estándares establecidos por Matthew Maury en 1855 los

datos climáticos acumulados desde los años cincuenta han sido un caudal valioso,

porque dieron origen a las pautas para la recopilación y el registro de datos, que

aseguraron la consistencia de los mismos. En ese momento, los capitanes navieros

pudieron utilizar los datos para determinar las rutas más fiables para navegar los

océanos, aún en la actualidad es de vital importancia, pues permiten estudiar

fenómenos tan importantes como es el cambio climático sobre este mismo conjunto de

datos, facilitando el entendimiento de cómo la temperatura global ha cambiado en el

pasado reciente. En ninguno de estos casos se puede simplemente mirar la tabla de

números, observaciones y contestar la pregunta de qué ruta tomar o cómo la

temperatura global ha cambiado. Ambas preguntas requieren el análisis y la

interpretación variada de los datos.

10

En el año 1986, los climatólogos Phil Jones, Tom Wigley, y Peter Wright publicaron uno

de los primeros intentos para evaluar los cambios en la temperatura promedio global

desde 1861 a 19841. Las técnicas de procesamiento que usaron para corregir los

problemas e inconsistencias en los datos históricos, no están relacionados con el clima,

pero en realidad se deben a cambios en los procedimientos de prueba, los autores

notan que las primeras temperaturas de la superficie marítima se medían usando agua

recogida en baldes de tela no impermeables, mientras que los datos más recientes

provenían de baldes impermeables con medidas tomadas de agua fría, considerada

entre 0.3-0.7° C más cálida que las medidas de baldes no impermeables. Corregir este

sesgo parecería sencillo, solamente haría falta añadir aproximadamente 0.5° C a las

primeras medidas de los baldes de tela, pero es más complicado que eso, porque

según los autores, la mayoría de las temperaturas de superficie marina no incluye una

descripción de qué tipo de balde o sistema se usó. Por tanto, aunque pudiese sonar

sencillo tomar el registro acumulativo de la temperatura de 150 años para describir

cómo ha cambiado el clima global, el proceso de analizar e interpretar estos datos es

bastante complejo.

Sentirse confiado a la hora de trabajar con variables climatológicas es vital, diferenciar

un error de un cambio significativo es vital en una investigación y podría afirmarse que

el éxito de la misma depende del control que se pueda tener sobre dichos datos. Un

método común para analizar los datos que ocurren en una serie, como las medidas de

la temperatura a través del tiempo, es observar las anomalías o las diferencias con un

valor de referencia predefinido.

Algo similar ha sucedido con las mediciones de temperatura ambiente en Cuba,

¿cómo?, ¿cuándo? y ¿dónde?, medir la temperatura, a lo largo de estos años, ha sido

un tema versátil, polémico y no solo se ha invertido recursos en ello sino horas de

disertación. En la actualidad las redes se encuentran distribuidas a lo largo del país en

diferentes posiciones, tal como se muestra en la siguiente tabla.

1

http://www.siame.gov.co/siame/documentos/documentacion/mdl/03_VF_Bibliografia/Cambio%20Climatico%20y%20Desarrollo/CClimatico1.pdf)

11

Tabla 1: Datos de las estaciones existentes en Cuba.

Código BD

Nro. Nombre Latitud Longitud Altitud (m)

PDR00001 310 Cabo San Antonio 21,866 -84,951 8,0

PDR00002 311 Radar de La Bajada 21,921 -84,478 12,0

PDR00003 312 Santa Lucía 22,683 -83,978 23,6

PDR00004 313 Isabel Rubio 22,149 -84,114 27,5

PDR00005 314 San Juan y Martínez 22,278 -83,829 30,0

PDR00006 315 Pinar del Río 22,404 -83,654 56,5

PDR00007 316 La Palma 22,766 -83,561 47,4

PDR00008 317 Paso Real de San Diego

22,563 -83,308 44,0

PDR00009 318 Bahía Honda 22,933 -83,171 3,1

CDH00001 325 Casablanca 23,143 -82,342 50,8

CDH00002 373 Santiago de las Vegas 22,978 -82,388 77,5

HAB00001 s/n Artemisa 22,817 -82,751 47,0

HAB00002 320 Güira de Melena 22,779 -79,488 11,3

HAB00003 322 Batabanó 22,739 -82,294 7,2

HAB00004 323 Güines 22,852 -82,039 55,2

HAB00005 374 Jamaica (Tapaste) 22,998 -82,140 120,0

HAB00006 375 Melena del Sur 22,781 -82,115 25,0

HAB00007 376 Bauta 22,982 -82,538 65,0

HAB00008 340 Bainoa 23,002 -81,938 80,0

HAB00009 s/n La Sabana 22,850 -82,517 45,0

IDJ00001 s/n Nueva Gerona 21,867 -82,812 7,6

IDJ00002 321 Santa Fé 21,733 -82,767 31,7

IDJ00003 324 Radar de Punta del Este

21,550 -82,533 9,8

IDJ00004 309 Amistad Cuba - Francia 21,833 -82,950 30,4

MAT00001 327 U. Reyes (Pto. Rico Libre)

22,768 -81,545 30,0

MAT00002 329 Indio Hatuey 22,818 -81,010 19,1

MAT00003 330 Jovellanos 22,796 -81,185 25,3

MAT00004 331 Jaguey Grande 22,644 -81,269 5,0

MAT00005 332 Colón 22,684 -80,925 35,0

MAT00006 333 Playa Girón 22,071 -81,032 5,0

MAT00007 s/n Matanzas (A. Reinoso) 23,050 -81,578 54,1

MAT00008 s/n Salinas Bido 22,980 -80,802 1,3

MAT00009 328 Varadero 23,159 -81,231 4,8

CFG00001 335 Aguada de Pasajeros 22,373 -80,826 27,4

CFG00002 344 Cienfuegos 22,190 -80,444 42,0

CFG00003 336 Radar de Pico San Juan

21,984 -80,144 1156,0

VCL00001 338 Sagua la Grande 22,806 -80,092 22,2

VCL00002 343 El Yabú 22,461 -79,991 116,4

VCL00003 348 Caibarién 22,497 -79,471 5,5

VCL00004 326 Santo Domingo (INIVIT) 22,586 -80,226 116,3

VCL00005 308 La Piedra 22,114 -79,980 230,0

SSP00001 337 Trinidad 21,783 -79,989 53,9

12

SSP00002 341 El Jíbaro 21,739 -79,233 30,2

SSP00003 342 Topes de Collantes 21,919 -80,014 771,2

SSP00004 349 Sancti Spíritus 21,970 -79,449 96,6

CAV00001 345 Júcaro 21,624 -78,855 1,0

CAV00002 346 C. de Ávila (Venezuela) 21,760 -78,798 26,4

CAV00003 347 Morón (Camilo Cfgos) 22,164 -78,770 15,8

CAV00004 339 Cayo Coco (CIEC) 22,539 -78,369 10,0

CAM00001 350 Florida 21,518 -78,251 57,7

CAM00002 351 Santa Cruz del Sur 20,738 -78,001 2,0

CAM00003 352 Esmeralda 21,841 -78,119 31,0

CAM00004 353 Nuevitas 21,560 -77,248 19,0

CAM00005 354 Palo Seco (Güaimaro) 21,146 -77,321 95,6

CAM00006 355 Camagüey (aerop.) 21,423 -77,850 124,0

CAM00007 s/n Radar de Camagüey 21,384 -77,845 149,0

TUN00001 357 Las Tunas 20,945 -76,944 105,7

TUN00002 358 Puerto Padre 21,209 -76,616 13,0

HOL00001 362 La Jíquima 20,934 -76,541 105,0

HOL00002 365 Cabo Lucrecia 21,072 -75,621 4,0

HOL00003 370 Mayarí (Güaro) 20,673 -75,783 20,0

HOL00004 371 Pinares de Mayarí 20,487 -75,791 646,0

HOL00005 378 Velasco (Gibara) 20,718 -76,345 35,0

HOL00006 372 ISP Holguín 20,885 -76,221 152,0

HOL00007 s/n Radar El Paraiso 20,921 -76,236 253,7

GRA00001 359 Manzanillo 20,179 -77,151 10,0

GRA00002 360 Cabo Cruz 19,840 -77,722 10,0

GRA00003 361 Jucarito (Vado del Yeso)

20,695 -76,901 11,8

GRA00004 377 Veguitas 20,347 -76,733 30,0

GRA00005 379 Radar de Pilón 19,926 -77,407 595,0

STG00001 363 Contramaestre 20,295 -76,266 100,0

STG00002 364 Univ. Sgo. de Cuba 20,044 -75,817 38,0

STG00003 366 La Gran Piedra 20,013 -75,635 1130,0

GTO00001 368 Tecn. Guantánamo 20,134 -75,234 55,1

GTO00002 369 Punta de Maisí 20,242 -74,146 10,3

GTO00003 319 Valle de Caujerí 20,148 -74,841 160,0

GTO00004 334 Palenque de Yateras 20,351 -74,954 440,0

GTO00005 356 Jamal 20,297 -74,413 40,0

La provincia de Villa Clara, en especial el municipio de Santa Clara, es pionero en la

Meteorología, donde se destaca la figura de Julio Jover, quien con sus publicaciones

del promedio atmosférico en la revista villaclareña de esa época, comenzara a

organizar las bases sobre el intercambio de información meteorológica, a partir de la

creación y aplicación de los primeros instrumentos en la localidad central calificaba

nubes, realizaba las primeras anotaciones que constituyen, hoy día, una base sobre las

variables de temperatura, presión, humedad y viento. Este científico, afirmaba desde

13

ese entonces, informaciones importantes sobre huracanes y ciclones que aún hoy son

efectivas. (Ramos, 1999)

Julio Jover fundó en 1894 una estación agronómica en el municipio de Santa Clara,

ubicada la carretera a Camajuaní. Después de su muerte, queda en silencio hasta 1936

la Meteorología, cuando Agustín Anido despierta esta disciplina con la activación de

esta red meteorológica, reubicándola donde está localizado hoy la biblioteca provincial:

“José Martí”. En el año 1951, se crea la Universidad Central de las Villas (UCLV), y con

ella el único departamento de Meteorología que ha tenido una universidad en Cuba,

archivándose desde entonces las observaciones sistemáticas. A finales de 1977 se

traslada para la localidad del Yabú, situada en la carretera a Sagua la Grande, kilómetro

cuatro y medio en el reparto “La Estrella”, destinada a efectuar evaluaciones de distintos

elementos agros meteorológicos y estudios climáticos.

En la provincia de Villa Clara existen actualmente 5 estaciones ubicadas en los

municipios de Santo domingo, Caibarién, Sagua la Grande, Manicaracua, y Santa

Clara.

En el caso de particular de Sagua la Grande, se puede resumir que la misma está

ubicada desde el 2004 en la carretera circuito norte, kilómetro uno y medio, aunque en

anterior a esa fecha estuvo radicada en una aula de una secundaria municipal y en la

carretera Uvero. Entre sus funciones está evaluar los distintos elementos

meteorológicos. El instrumental con el que cuenta, al igual que la mayoría de las

estaciones está conformado por: hidrotermógrafo, helígrafo, que en la actualidad no se

está utilizando, termómetros de distintos fines, evaporímetro y pluviómetro.

La estación de Caibarién está situada en las alturas de San Felipe, cerca al aeropuerto

municipal desde 1987 y efectúa evaluaciones de distintos elementos meteorológicos.

La red meteorológica de Santo Domingo, ubicada en el en centro INIVIT del municipio,

está destinado a efectuar evaluaciones de distintos tipos meteorológicos, así como la

medición de elementos agros meteorológicos, los cuales se utilizan para las

elaboraciones de predicciones a partir de modelos numéricos, estudios climáticos y

14

agros meteorológicos, con la finalidad de validar los trabajos del centro desde su

creación en 1978.

La estación “La piedra”, ubicada en el asentamiento que lleva dicho nombre en el

municipio de Manicaragua, es una de las más recientes, ubicada en carretera a

Jibacoa, kilómetro cuatro desde el 2006.

1.4 Procesamiento y análisis de datos Climatológicos

Algunas veces se malinterpreta el procesamiento y análisis de datos como una

manipulación de los mismos, para alcanzar los resultados deseados, pero en realidad,

la meta del procesamiento es aclararlos mediante el uso de métodos estadísticos.

El debate sobre la interpretación de los datos relacionados con el cambio climático y el

interés sobre las consecuencias de las variaciones, ha conducido a un aumento en el

número de estudios e investigaciones científicas en el campo. Sobre esta temática, en

el cuarto reporte de evaluación (AR4) del IPCC (IPCC, 2007), se hizo pública la relación

entre distintos conjuntos de datos que arriban a una misma conclusión, sobre esto el

equipo de científicos contribuyentes escribió : "El calentamiento del sistema climático es

inequívoco, tal y como se evidencia en las observaciones respecto al aumento de las

temperaturas promedio globales del aire y del océano, el derretimiento generalizado del

hielo y la nieve, y el aumento global del promedio del nivel del mar.” La corta frase “se

evidencia ahora” manifiesta las conclusiones respecto a la acumulación de datos hasta

el 2007.

Para una mayor interpretación de los datos es importante entender las verdaderas

razones del aumento en la temperatura, en este sentido el AR4 plantea además que “la

mayoría de los aumentos observados en las temperaturas promedio globales desde la

mitad del siglo XX son probablemente debidos al aumento observado en las

concentraciones antropogénicas de los gases de invernadero.” Este planteamiento se

apoya en muchas de las fuentes de datos, además de los datos de temperatura, que

incluye datos tan diversos como el cronometraje de la primera aparición de los retoños

15

de los árboles en primavera, la concentración de gases de invernadero en la atmósfera

y las medidas de isótopos de oxígeno e hidrógeno de los centros de hielo.

Analizar e interpretar una gama tan diversa de conjuntos de datos requiere la maestría

combinada de muchos científicos que contribuyen al informe IPCC. La amplia síntesis e

interpretación de datos es crítica para el proceso y progreso científico, y muestra como

el resultado de un científico en particular, está construido sobre la responsabilidad de

otros e inspiran subvenciones para investigaciones posteriores entre los científicos de

diferentes disciplinas.

La interpretación de datos no es una actividad sin lógica, ni todas las interpretaciones

son igualmente válidas. La interpretación consiste en construir un argumento científico

lógico que explique los datos. Estas interpretaciones científicas, no son ni verdades

absolutas, ni opiniones personales, son inferencias, sugerencias o hipótesis sobre lo

que significan los datos, basadas en el conocimiento científico y la maestría individual

de los aplicados al tema.

Cuando los científicos interpretan los datos utilizan su conocimiento personal y

colectivo, usualmente discutiendo los resultados con un colega en el pasillo o en otro

continente mediante las TIC. Para ello usan la experiencia, la lógica y parsimonia para

construir una o más explicaciones plausibles de los datos. Como en cualquier empresa

humana, los científicos pueden errar o hasta intencionalmente engañar a sus colegas,

pero la gran mayoría de los científicos presentan interpretaciones que ellos creen son

razonables y confirmadas por los datos, ayudando al entendimiento y a la toma de

medidas para contrarrestar al efecto negativo sobre el medio ambiente sin variar la

originalidad de los datos.

El procesamiento de análisis de datos, a groso modo, pasa por diferentes fases, en el

caso particular de Cuba, en la provincia de Villa Clara la colección de datos

climatológicos se toman en las estaciones antes descritas, las cuales pasan al

Departamento y Grupo de Atención a las Redes de Estaciones(GARE), allí son

revisados por los especialistas a través de un sistema denominado SAROM, del que se

hablará más delante, pasando después al departamento de meteorología aplicada, aquí

16

se hace una revisión final y son archivados en esta estructura para cualquier estudio

climático con variados fines, dado que toda empresa, persona u organismo que desee

hacer un estudio que requiera de estar variables se presenta en el local.

1.5 Predicciones del tiempo, matemáticas-estadística

Desde un tiempo anterior a la invención del termómetro, ya se consideraba un

fenómeno meteorológico observado y se intentaba explicarlo de acuerdo a las leyes de

la física. Uno de los artífices mencionados en este sentido es Julius Hann que en 1866

explicó el viento Föhn de los Alpes utilizando la termodinámica, y esto está vinculado a

que por la propia naturaleza del sistema climático y su complejidad, el estudio del

mismo se apoya y necesita el empleo de métodos, técnicas y disciplinas muy variados,

donde tiene un papel muy importante el lenguaje matemático.

Aunque son distintas las actividades teóricas a las empíricas, no dan como resultado

dos comunidades de investigadores completamente separadas, pues los físicos

aplicados no se oponen a descubrimientos de regularidades por métodos inductivos, ni

los empíricos objetan la aplicación de las leyes de la física a la atmósfera. Para muchos

de ellos la diferencia sólo es una cuestión de conveniencia, trabajar desde el punto de

vista físico o desde los datos como fuente de análisis. Por tanto, la bibliografía no refiere

divorcio entre los resultados teóricos y los datos experimentales, se puede afirmar que

la teoría y las observaciones estaban relacionadas, y que cuantitativamente eran

iguales.

Las condiciones meteorológicas de una posición geográfica consideradas a lo largo del

tiempo describen su climatología, y el análisis estadístico de las mismas permite

conocer las variaciones que en el clima se producen. La información climatológica

procedente del Atlas de Cuba, recoge parámetros tales como nivel de precipitaciones,

grado de humedad, grado de irradiación o temperatura media.

La información se difunde desde las estaciones meteorológicas, permitiendo tanto la

comparación con los parámetros de otras posiciones geográficas como planificar y

optimizar los recursos generales de una comunidad. Todos los datos exhiben

17

variabilidad, y es rol de las estadísticas cuantificar esta variabilidad y permitirles a los

científicos realizar declaraciones más exactas sobre sus datos.

Las estadísticas proveen una medida de la probabilidad de observar cierto resultado y

un error muy común, es afirmar que las estadísticas proveen una prueba de que algo es

verdadero, pero en realidad lo que hace, es argumentar, con criterios, el

comportamiento de una variable a lo largo del tiempo.

1.6 Sistemas para el estudio estadístico de las variables

climatológicas

El mundo actualmente avanza a pasos agigantados desde el punto de vista tecnológico,

día a día surgen nuevas propuestas para el desarrollo de aplicaciones, lo que implica

que exista una gran gama de opciones, en las búsquedas efectuadas de la existencia

de herramientas de apoyo en el procesamiento de los datos, se encontraron robustos

sistemas aceptados por los especialistas de estadística y aislados casos de

meteorólogos, la más reconocida es el SPSS limitado por su licencia y forma de

obtención para la adaptabilidad que se necesita.

Otra potente herramienta, y de software libre es el sistema R, el cual debe su nombre al

lenguaje R bajo el cual está fundamentalmente implementado, aunque se pueden

encontrar bibliotecas y módulos desarrollados con otros lenguajes como c++, phyton y

java, la autora del trabajo basada en criterios cognoscitivos de plataformas no alcanzó a

integrar el sistema que se desea desarrollar al R, enfrentando con la limitante de que en

los centros meteorológicos, todos los sistemas corren de forma restringida sobre la

plataforma de Windows, y en la actualidad no han podido migrar por la complejidad e

integridad entre los mismos.

Ambos sistemas constituyen herramientas complejas para los técnicos de climatología

en la gestión y procesamiento básico de datos de temperaturas extremas del aire es por

ello que se decide no reutilizar ninguno de los existentes sino implementar uno propio,

ya que es una tarea más a medio-largo plazo que una tarea de resultados inmediatos, y

aunque consume tiempo a que las personas involucradas se adapten al proceso

(nuevos estilos de trabajo, nuevos puntos de vista, etc.), una vez superada la

18

transformación se recupera con creces. Casi siempre, no tiene sentido ajustarse a un

proceso al pie de la letra sino que hay que adaptarlo a las necesidades y características

de cada disciplina, equipo de trabajo o incluso casi a cada variable.

1.6.1 SAROM: Sistema Automatizado de Revisiones de las Observaciones

meteorológicas

El SAROM es un sistema implementado en MS-DOS, el cual se encuentra limitado a la

búsqueda y revisión de valores inconsecuentes al tipo de variable que se procesa, es

sumamente complejo, basado en anticuados modelos, arquitecturas y lenguajes,

aunque en la actualidad constituye una herramienta estandarizada en el instituto.

Los sistemas descritos constituyen complejas herramientas para la revisión y

procesamiento básico de temperaturas extremas del aire, y aunque constituyen una

importante fuente de apoyo sobre los cálculos que realizan, no es menos cierto que su

complejidad atrasa la eficacia en el control de los datos.

El estudio profundo de los mismos podría desviar el curso de la presente investigación,

por ello se menciona solo el trabajo que realizan los especialistas interesados en el

sistema que se desarrolla para considerar su implementación o no, dado a que no es

interés ni objetivo del presente trabajo sustituir estas herramientas sino complementar el

trabajo de los meteorólogos de villa clara con un sistema para la revisión de las

temperaturas extremas del aire.

1.7 Control de calidad

Se ha hecho mención a la importancia del almacenamiento o existencia en sí de valores

históricos del clima, pero humana y lamentablemente en una serie de observaciones del

clima faltan datos, o sea existen fechas en las que, por alguna razón, las observaciones

no fueron realizadas, un dato que falta es información perdida y aunque con frecuencia

se hacen estimaciones para reemplazar los faltantes, es importante tener en cuenta que

un dato estimado es uno que nunca sucedió, los datos contienen lo que se denomina

valores sospechosos ya que no cumplen con el comportamiento habitual de la variable

observada, es incluso posible que los valores sospechosos se deban a errores

inherentes tanto al proceso de medición o a la digitación de los datos, como a los

19

sistemáticos problemas eventuales con los instrumentos de medición: bien por

recalibrar, por reemplazo de los instrumentos o cambio de localización geográfica de la

estación de medición. Sin embargo, no todos son errores necesariamente, algunos de

ellos pueden ser registros verídicos de la ocurrencia de eventos meteorológicos

extremos.

En este sentido, la ocurrencia de eventos extremos a años de distancia, es

indeterminable sin consultar la historia del dato. Se recomienda por tanto resaltar

cualquiera de las siguientes condiciones: identificación del indicativo de la fecha y hora,

errores de la forma y valores faltantes, consecuencia interna de una observación (error

instrumental) o error en la consecuencia geográfica o en la consecuencia de la

secuencia temporal de un conjunto de observaciones determinadas por comparación de

observaciones de estaciones cercanas (Ilustración 1). Esto se argumentará a mayor

profundidad en el próximo capítulo, así como la necesidad de la estructura y diseño del

fichero, relacionado a lo mencionado arriba.

Los datos con los que se dispone hoy, fueron tomados de tarjetas perforadas, y aún

sometidos a un control de la calidad compatible con los recursos y tecnologías en ese

momento disponible, persisten los errores, de ahí que en la actualidad se realicen

revisiones sobre datos tan antiguos respecto a errores de sintaxis, coherencia interna,

coherencia temporal y espacial, estos errores son inherentes al observador y a los

datos que requieren siempre un control de la calidad. Por todo esto la OMM recomienda

marcar primeramente los mismos y ser luego revisadas por el especialista autorizado y

capacitado para determinar su validez. (OMM, 1983)

En el proceso de control de calidad tiene lugar la validación de cuestiones como:¿los

descensos de temperatura, ya sean muy fuertes o de valores altísimos de precipitación,

son datos sospechosos o son registros de eventos reales?, ¿son eliminables,

reemplazables o insustituibles? Estas consideraciones se vuelven delicadas, en

especial cuando las investigaciones en las que se utilizarán los datos tienen por objetivo

detectar tendencias o cambio climático.

20

Ilustración 1: Consideraciones para el control de la calidad.

Marcha Anual

Datos Faltantes Valores

Sospechosos

Comportamiento

Sospechoso

Sobre el control de la calidad de la información climatológica, se hace necesario el uso

de algunos criterios y métodos estadísticos, así como la necesidad de incorporar el

conocimiento de expertos del clima local o regional para definir si un valor sospechoso

es ocurrente o no, pero de forma general las verificaciones recomendables por los

especialistas en Villa Clara para el control de calidad son:

Verificar los errores lógicos.

Comprobar la base de datos de los registros originales

Marcar los valores que exceden un límite predeterminado como valores

sospechosos y verificarlos en dependencia de la variable de estudio o del

conocimiento del especialista que realiza la revisión.

Realizar una cuidadosa inspección visual de las gráficas de la serie de tiempo.

Recurrir, en el caso de valores extremos, a fuentes de información alternas para

ver si existe evidencia física que justifique los datos.

Cotejar los valores sospechosos de una fecha en particular con las

observaciones de la misma estación de medición en fechas adyacentes.

Comparar las observaciones de una estación en particular con las de otras

estaciones cercanas en la misma fecha.

Homogeneidad y aleatoriedad de una serie climatológica.

21

La Cooperación Europea en Ciencia y Tecnología (COST) es un marco

intergubernamental para la cooperación europea en ciencia y tecnología, el cual se ha

destacado por su aporte científico e intelectual a la Climatología.

Entre las acciones de la COST está implantado un enfoque integrado de métodos de

homogeneización de series climáticas para el estudio y validación de las series

temporales. Para ello se deben escoger series de estaciones múltiples y homogéneas

dentro de la red de datos de las estaciones que ocurran simultáneamente.

1.8 Generalidades sobre la variable de temperatura

Las nociones comunes de caliente o frío son dadas a partir de una magnitud conocida

como temperatura. Por lo general, un objeto más "caliente" tendrá una temperatura

mayor, y “frío” tendrá una temperatura menor. Físicamente es una magnitud escalar

relacionada con la energía interna de un sistema termodinámico, definida por el

principio cero de la termodinámica.

El desarrollo de técnicas para la medición de la temperatura ha pasado por un largo

proceso histórico, ya que es necesario darle un valor numérico a una idea intuitiva como

es lo frío o lo caliente.

Multitud de propiedades fisicoquímicas de los materiales o las sustancias varían en

función de la temperatura a la que se encuentren, como por ejemplo su estado (sólido,

líquido, gaseoso, plasma), su volumen, la solubilidad, la presión de vapor, su color o la

conductividad eléctrica. Así mismo es uno de los factores que influyen en la velocidad a

la que tienen lugar las reacciones químicas.

La temperatura se mide con termómetros, los cuales pueden ser calibrados de acuerdo

a una multitud de escalas que dan lugar a unidades de medición de la temperatura. En

el Sistema Internacional de Unidades, la unidad de temperatura es el kelvin (K), y la

escala correspondiente es la escala Kelvin o escala absoluta, que asocia el valor "cero

kelvin" (0 K) al "cero absoluto", y se gradúa con un tamaño de grado igual al del grado

Celsius. Sin embargo, fuera del ámbito científico el uso de otras escalas de temperatura

es común. La escala más extendida es la escala Celsius (antes llamada centígrada); y,

22

en mucha menor medida, y prácticamente sólo en los Estados Unidos, la escala

Fahrenheit. También se usa a veces la escala Rankine(°R) que establece su punto de

referencia en el mismo punto de la escala Kelvin, el cero absoluto, pero con un tamaño

de grado igual al de la Fahrenheit, y es usada únicamente en Estados Unidos, y sólo en

algunos campos de la ingeniería.

La temperatura como variable de interés hace referencia a los fenómenos del

calentamiento global, y aunque es muy complicado relacionar los fenómenos concretos

y separar el rol de las temperaturas ambientes al respecto, se conoce que un

incremento en las temperaturas globales de la Tierra puede causar a su vez otros

cambios severos: el retroceso de los glaciares, el deshielo de los polos, y el aumento

del nivel de las aguas marinas; otros efectos pueden incluir cambios en los rendimientos

agrícolas, reducción del flujo de la radiación solar, extinción de especies, e incrementos

del rango de los vectores de enfermedades. Algunos efectos sobre el medio natural y la

vida humana son, en una parte, atribuidos al papel de la temperatura en el

calentamiento global y cambio climático. De ahí la importancia de conocer, y verificar

estos datos para generar conclusiones ciertas.

1.9 Estudios climáticos sobre el aumento de la temperatura

El cambio climático es hoy uno de los temas científicos que más impacto tiene sobre el

conjunto de la sociedad y ha convertido al clima en el gran protagonista de los retos y

problemas ambientales de la actualidad: unas veces como indicador de los daños, que

un modelo de desarrollo basado en el uso indiscriminado de los recursos naturales

puede provocar sobre el planeta; otros como exponente de las consecuencias

negativas que tales cambios pueden tener sobre la sociedad y la vida humana.

El calentamiento global, resultado del aumento de los gases de efecto de invernadero

vertidos a la atmósfera por el hombre, es un buen ejemplo de lo primero; los desastres

asociados a eventos climáticos extraordinarios, como huracanes, tornados,

inundaciones, olas de frío y calor, son los mejores ejemplos de las consecuencias de un

cambio en el sistema natural sobre la sociedad.

23

Los informes del IPCC, se han convertido en el referente de la política ambiental actual,

con implicaciones en todos los sectores económicos, sociales y ambientales del mundo

actual. Los tres grupos de trabajo que lo forman, tienen un marcado carácter

interdisciplinar y sus miembros son los encargados de recopilar, depurar y publicar los

principales avances científicos en tres aspectos fundamentales como son: primero, el

estudio del sistema climático, su variabilidad y tendencias; segundo, los impactos del

clima sobre la sociedad y los ecosistemas y, tercero, las medida de adaptación y

mitigación que se deberían tomar para minimizar los efectos negativos.

En el campo científico se han producido importantes avances en el conocimiento del

clima, debido a la posibilidad de integrar el enorme cúmulo de variables que conforman

el sistema climático y realizar complejos cálculos, gracias al avance en la ciencia y

técnica de la computación. Los modelos climáticos son los grandes consumidores de

este producto y con ello se ha avanzado de forma considerable en el conocimiento de

los mecanismos, las interrelaciones y las respuestas que cualquier cambio en una

variable produce en el resto: las retroalimentaciones y las interconexiones son la clave

de la teoría del cambio climático

1.10 Generalidades de una serie cronológica temporal

Una serie de tiempo o serie temporal es una colección de observaciones tomadas a lo

largo del tiempo cuyo objetivo principal es describir, explicar, predecir y controlar algún

proceso. Las observaciones están ordenadas respecto al tiempo y constituyen

observaciones sucesivas que generalmente son dependientes. Esta dependencia entre

las observaciones juega un papel importante en el análisis de la serie. Los

componentes principales que caracterizan una serie de tiempo son: la tendencia, la

estacionalidad y aleatoriedad.

Las series muestran la evolución general en el tiempo y tienden a un movimiento de

larga duración, permitiendo observar la tendencia de dicha serie. En la práctica es difícil

distinguir la tendencia del comportamiento cíclico. Una gráfica, puede indicar que existe

o no, una tendencia ascendente o descendente en un período determinado. El

componente estacional es un patrón de cambio, que se repite a sí mismo, año tras año.

24

Una variación en una serie está dada por diferentes razones, y la más natural está dada

por el propio comportamiento de la temperatura de acuerdo a las estaciones del año, el

comportamiento de la variable, en una época o un período es particular. Ejemplo de ello

es que las temperaturas máximas de agosto en Cuba, no son las mismas que las

máximas de diciembre, se podrían calificar entonces su comportamiento en máximas de

invierno y máximas del verano.

Cuando aparecen hechos imprevistos, repentinos, calificados como factores extremos

aleatorios, tiene lugar una variación residual que afecta a la variable. Por ejemplo un día

lluvioso y frío durante el verano es difícil de predecir y aunque perturbaría actividades

diarias, no afectaría significativamente la serie.

1.11 Clima y régimen térmico en Cuba

Según la clasificación de Köppen, el clima predominante es del tipo cálido tropical, con

estación lluviosa en el verano. En general es bastante aceptado expresar que el clima

de Cuba es tropical, estacionalmente húmedo, con influencia marítima y rasgos

semicontinentales. En el país se reporta también la presencia de otros tipos climáticos

como en las zonas más altas de los principales sistemas montañosos o el observado en

la franja costera sur de las provincias de Santiago de Cuba y Guantánamo, el cual

clasifica como tropical relativamente seco con pocas lluvias.

Como factores determinantes en la formación del clima de Cuba se identifican la

cantidad de radiación solar que se recibe, las particularidades de la circulación

atmosférica sobre el país, y la diferente influencia de las características físico-

geográficas propias del territorio nacional, influyendo directamente en el

comportamiento de las variables climatológicas como las temperaturas máximas y

mínimas, así como en el valor de las mismas.

El Atlas de Cuba, incluye registros históricos de la red climatológica nacional de 74

estaciones, red sinóptica de superficie y altura, con registros desde fines del siglo

pasado hasta la fecha.

25

Las variables muestran los valores de temperatura media, máxima y mínima, y el

promedio mensual de estas temperaturas para las estaciones en el período 1951-1980.

Por la posición geográfica de Cuba, situada en una latitud muy próxima al Trópico de

Cáncer, condiciona la recepción de altos valores de radiación solar durante todo el año,

determinando el carácter cálido de su clima. Además, se halla en la frontera, entre las

zonas de circulación tropical y extra tropical, recibiendo la influencia de ambas con

carácter estacional. En la temporada que va aproximadamente de noviembre a abril, las

variaciones del tiempo y el clima se hacen más notables, con cambios bruscos en el

tiempo diario, asociados al paso de sistemas frontales, a la influencia anticiclónica de

origen continental y de centros de bajas presiones extra tropicales. De mayo a octubre,

por el contrario, se presentan pocas variaciones en el tiempo, con la influencia más o

menos marcada del Anticiclón del Atlántico Norte Los cambios más importantes se

vinculan con la presencia de disturbios en la circulación tropical (ondas del este y

ciclones tropicales).

Todo lo antes descrito hace que las estaciones climáticas de Cuba se identiquen

preferentemente por el comportamiento del régimen pluviométrico, ya que la variabilidad

anual es muy marcada y permite establecer claramente las diferencias entre las épocas

lluviosas y poco lluviosas, así como las consecuencias de este comportamiento sobre la

vida del hombre, los animales y los ecosistemas. Dando entonces lugar a que la

variabilidad del régimen térmico también haya sido utilizada para identificar la

estacionalidad del clima local. La oscilación media anual de la temperatura del aire

apenas alcanza los 6°C y no tiene suficiente poder discriminante desde el punto de

vista aplicado, y la oscilación térmica media diaria es el doble de la oscilación media

anual de esta variable; por esta razón (Lecha, 1984) propone el uso del índice complejo

Máxima-Mínima, formado por las temperaturas extremas diarias del aire como base

para caracterizar el régimen térmico tropical y evaluar sus peculiaridades en las

diferentes estaciones del año, especialmente al ser utilizado como el fundamento

metodológico para la clasificación de los estados del tiempo diarios. De ahí que el

análisis realizado sobre las características climáticas del régimen térmico del aire

(Lecha et al., 1994) presenta entre sus principales resultados, que los valores de 10, 20

26

y 30°C para las temperaturas extremas diarias tienen especial interés por su poder

discriminante e impacto aplicado sobre diferentes actividades socioeconómicas.

Las temperaturas mínimas inferiores a 10°C y las máximas inferiores a 20°C denotan la

ocurrencia de días muy fríos, que producen diversos efectos biotrópicos, con

consecuencias generalmente perceptibles sobre los seres vivos. En el otro extremo, la

ocurrencia de máximas superiores a 30°C y mínimas superiores a 20°C indican la

presencia de días muy cálidos, durante los cuales se incrementan significativamente las

sensaciones de calor sofocante y el estrés por calor, incluso durante el período

nocturno del día en cuestión.

Por tanto, al determinar las fechas de paso de las temperaturas máximas por encima y

por debajo de 30°C, así como las fechas de paso de las temperaturas mínimas por

encima y por debajo de 20°C, puede disponer de un indicador climatológico muy útil

para estudiar y definir la estacionalidad del clima local y la duración de cada época del

año.

Sistematizar este conocimiento para elaborar programas que automaticen el

procesamiento de los datos diarios de temperaturas extremas favorece el

establecimiento descriptivo del régimen térmico en Cuba y su actualización en el Atlas

Climático del país. En este sentido es conveniente calcular año tras año las fechas de

paso de las temperaturas extremas por encima y por debajo de ciertos valores críticos,

y después tratar de establecer su comportamiento promedio en las diferentes

localidades y regiones del país.

Queda explicado en este capítulo que una serie climatológica está dada por un conjunto

de observaciones realizadas en el tiempo, y sus valores reglamentarios o no, dados por

su posición geográfica, las cuales pueden representar el cambio de una variable en el

transcurso de ese intervalo. El análisis que se le realiza a una serie facilita el

entendimiento y estudio de su comportamiento, facilitando así, la prevención en el futuro

cercano, suponiendo que las condiciones no variarán significativamente.

27

El análisis de la variable de temperatura, los métodos y algoritmos a utilizar para dicho

análisis es dependiente al tipo de control que se desea efectuar sobre la variable de

estudio. La presente investigación para control y análisis de las temperaturas extremas

del aire fundamenta el comportamiento de la misma en el país y su importancia, para el

contexto del cambio climático y estudios afines del medio ambiente.

28

2 CAPÍTULO II: Métodos de análisis y revisión aplicados a las

series climatológicas. Temperaturas extremas diarias del

aire

El clima local se define por el comportamiento medio o predominante de un conjunto de

elementos meteorológicos medidos u observados en un punto determinado de la

superficie terrestre los cuales se almacenan para su posterior estudio, en dicho proceso

existen errores, e identificar las verdaderas razones de los mismos requiere de un

estudio sobre los datos, a través de la ciencia estadística, garantizando un control de

calidad mediante el uso de su métodos a las variables de temperaturas extremas y

diarias del aire en Cuba.

2.1 Criterios de detección y evaluación de los datos de temperaturas

Cuando las series de datos presentan una falta de homogeneidad, se les deben hacer

ajustes que garanticen las estimaciones estadísticas, o sea, que el resultado de la serie

esté lo más cerca posible de los parámetros originales que se observaron. Por ello es

importante, antes de determinar la homogeneidad de una serie, revisar la ausencia de

errores, la existencia de vacíos o datos faltantes, si contiene valores aberrantes o posee

errores como los que se describen a continuación.

Durante el proceso de preparación, análisis y archivo de una base de datos es posible

encontrar errores que dan como resultado valores no esperados, que de ser

verdaderos, constituyen extremos absolutos o records del comportamiento de la

variable. Por tanto, es necesario establecer la revisión y búsqueda de los valores

extremos de las series de datos, y definir criterios umbrales para establecer si un valor

puede pertenecer o no a una serie dada, según las características de la variable. Por

ejemplo, para Cuba los umbrales extremos absolutos de la temperatura del aire pueden

ser desde 0°C hasta 40C, pues estos límites nunca han sido sobrepasados, por lo que

revisar las fechas de ocurrencia y condiciones del entorno de otras estaciones, cuando

se encuentran temperaturas superiores a 35C o inferiores a 5C, siempre será muy

conveniente.

29

Sin embargo, las variables tienen una marcha anual, con máximos en una época del

año y mínimos en otra. Luego, valores diurnos de la temperatura del aire entre 30C y

35C pueden ser normales en los meses de verano, pero muy raros en los meses

invernales; y si se detectan deben ser verificados. De igual forma temperaturas

nocturnas entre 10C y 15C pueden ser normales en los meses invernales, pero no en

el verano; y así sucesivamente, sucede con casi todas las variables meteorológicas.

Otros posibles errores en las series de datos de temperaturas, máximas y mínimas son

los siguientes:

Valor mínimo superior al valor máximo para un mismo día.

Diferencia entre la máxima y la mínima del día menos o igual a cero coma cinco

grados Celsius.

Valor constante durante tres o más días sucesivos.

Diferencia en 24 horas superior a más menos diez grados Celsius.

Valor superior o inferior al record absoluto de la variable para el mes en cuestión.

Además, es necesario establecer sistemáticamente el cálculo de los valores medios

mensuales de las variables climáticas a tratar en la base de datos, calculando sus

índices de variabilidad (desviación estándar, coeficiente de variación, varianza, etc.) y

establecer los umbrales de referencia por variables, localidades y según la época o mes

del año.

2.1.1 Desviación estándar

La desviación estándar está definida con el símbolo: σ, y denota la variabilidad de una

serie perteneciente a unan estación meteorológica.

El mismo se calcula como la raíz cuadrada de la varianza (Ecuación 1: Varianza y

media.Ecuación 1). Junto con este valor, la desviación típica es una medida cuadrática,

que informa de la media de las distancias, que tienen los datos respecto a su media

aritmética, esto es expresado en las mismas unidades que la variable.

30

2.1.2 Varianza y Media

Mide la dispersión de los valores respecto a la media, y es el cuadrado de las

desviaciones, que se determina como demuestra la Ecuación 1, donde n representa la

cantidad de valores, X i-ésima cada uno de los valores de la serie. La media es el

conjunto finito de números y es igual a la suma de todos sus valores dividida entre el

número de sumandos.

Ecuación 1: Varianza y media.

2.1.3 Coeficiente de variación

El coeficiente de variación se establece entre series, dadas por una relación causal, y

expresa la desviación estándar como porcentaje de la media aritmética, mostrando una

mejor interpretación porcentual del grado de variabilidad que la desviación típica o

estándar. A mayor valor, mayor heterogeneidad de los valores de la variable; y a menor

heterogeneidad, entonces mayor homogeneidad en la serie, tema que se explica en los

epígrafes que prosiguen. Este representa los valores más o menos permisibles en la

detección de error.

En general, la manera más simple de detectar valores aberrantes es visualizando la

serie de datos y buscar por simple inspección aquellos que se apartan

significativamente del resto. También la visualización se puede hacer considerando el

comportamiento de varias estaciones cercanas, de forma que cualquier comportamiento

diferente de una de ellas con relación al resto puede indicar la presencia de errores en

la serie de datos.

Si se aplican criterios numéricos, los umbrales de confianza para definir si un valor dado

puede o no ser aberrante, cambian con la variable y la época del año. Se ha

mencionado en el capítulo anterior el comportamiento del clima cubano, por tanto el

método de revisión que se aplique debe dejar abierta esta opción para que sea

especificada por el usuario al inicio del análisis de los datos.

31

En este trabajo, donde se toma la variable temperatura del aire como ejemplo, se

considera que los valores de la misma que exceden ± 3 veces la desviación estándar

deben ser revisados como posibles datos aberrantes en la serie y para ello se emite

una lista impresa de las fechas correspondientes.

El arreglo de los datos identificados como aberrantes no es sencillo, porque pueden ser

muy variadas las causas del error y no siempre se pueden consultar las fuentes

originales de la información, especialmente cuando se trata de series climáticas muy

largas. En general, es preferible referir el dato estimado al comportamiento sincrónico

de las estaciones vecinas, y si no están disponibles, entonces se pueden buscar varias

alternativas de análisis: revisar los informes técnicos, pronósticos y mapas del tiempo

disponibles del día en cuestión, revisar fuentes documentales como periódicos y

revistas con fechas concordantes con el reporte dudoso, verificar las cronologías de

eventos meteorológicos peligrosos o notables en la localidad; y por último, hacer una

estimación subjetiva basada en la experiencia del especialista. Esta última acción es

preferible a dejar un espacio vacío o valor aberrante en la serie climática.

2.2 Procedimiento para la solución de datos faltantes en una serie

Las faltas de información son habituales en las series de observaciones meteorológicas,

debido a las roturas temporales de los instrumentos, ausencias del personal o por

dificultades en los sistemas de comunicación. Por ello, al realizar el control de calidad

primario de los datos climáticos una de las primeras cuestiones a resolver es la

detección y completamiento de los datos faltantes. Para ello se aplican diferentes

procedimientos.

2.2.1 Rellenar datos aislados de una serie continua

La presencia de faltas de información aisladas se resuelve, generalmente, en las

variables continuas (temperatura del aire, presión atmosférica, humedad, etc.)

calculando el promedio del valor precedente y siguiente al dato faltante, o sea, si el dato

faltante sigue una secuencia temporal dada por: Da, Df, Ds; donde Da es el dato

32

antecedente, Df es el dato faltante y Ds es el dato siguiente, el dato faltante se calcula

como se muestra en la ecuación siguiente.

Ecuación 2: Cálculo de dato aislado.

Df =

En el caso de variables discretas se puede aplicar un criterio semejante, pero es

necesario que se verifique la concordancia del valor faltante estimado con los valores

homólogos y sincrónicos correspondientes a estaciones cercanas o vecinas, con

características geográficas similares del entorno. Este procedimiento no es

recomendable cuando el dato aislado faltante está relacionado con la ocurrencia de

precipitaciones u otro tipo de variable discreta o vectorial.

2.2.2 Rellenar grupos de datos faltantes hasta el 20 % del total de casos de

una serie

Cuando la cantidad de datos faltantes es grande, hasta el 20% del total de casos de la

serie climática, es necesario consumar y referirse a procedimientos estadísticos más

complejos: matriz de correlación lineal, desviación estándar, coeficiente de correlación,

ecuación lineal.

La lógica del proceso está originada en el análisis del comportamiento espacial de la

variable en las condiciones del entorno geográfico inmediato o circundante de la

estación con problemas. Para ello se selecciona un período sincrónico de datos diarios

con una longitud temporal mínima de un año y un máximo de 5 años de la estación con

problema, más, al menos, dos estaciones cercanas a ésta. Esta agrupación puede

tenerse preparada previamente, a partir de considerar las condiciones físico y

geográficas similares de las diferentes regiones o provincias bajo estudio.

Una vez que se tienen los datos sincrónicos, se procede a calcular la matriz de

correlación lineal de la variable entre todas las estaciones consideradas por el

especialista (Ecuación 3). La correlación es aquello que indica la fuerza y la dirección

lineal que se establece entre dos variables aleatorias, de manera que existe correlación

si al aumentar los valores de una de las estaciones lo hacen también las otras, lo cual

http://www.monografias.com/trabajos12/eleynewt/eleynewt.shtml

http://www.monografias.com/trabajos15/direccion/direccion.shtml

http://www.monografias.com/trabajos12/guiainf/guiainf.shtml#HIPOTES

33

fundamenta las condiciones del espacio geográfico. El análisis de correlación emplea

métodos para medir la significación del grado o intensidad de asociación entre dos o

más variables.

La propiedad fundamental es que su valor está en el intervalo de menos uno a uno,

pero en caso de ser cero implica que no están correlacionadas, o sea, que son

variables independientes. La estimación del coeficiente de correlación se obtiene y se

evalúa en la muestra. Donde n representa el número de valores de la serie, y

constituyen cada uno de los valores de las series para las cuales se calcula la

correlación de las series X y Y.

Ecuación 3: Estimación del coeficiente de correlación.

∑

∑ ∑

√

(

∑

(∑

)

)

(

∑

(∑

)

)

Se considera como buena correlación un resultado superior a 0.75, aunque es válido

señalar que por las características de las variables de temperaturas, una variable noble,

esto siempre se cumple, dependiendo entonces del criterio de selección que prosigue.

Estos datos se representan y visualizan en un diagrama de dispersión, y si existe un

parámetro que aumenta o disminuye de forma sistemática, se le denomina parámetro

de control o variable independiente, la cual se ubica en el eje de abscisas,

habitualmente representado a lo largo del eje horizontal, mientras que la variable

medida o dependiente se representa en el eje de ordenadas, usualmente representada

a lo largo del eje vertical.

Un diagrama de dispersión puede sugerir varios tipos de correlaciones entre los datos

de la variable, con un intervalo de confianza determinado. La correlación puede ser

positiva (aumento), negativa (descenso), o nula (las variables no están

correlacionadas). Además se puede dibujar una línea de ajuste o línea de tendencia,

34

con el fin de estudiar la correlación entre las variables. Una ecuación para la correlación

entre las variables puede ser determinada por procedimientos de ajuste. Para una

correlación lineal, como es el caso de estudio, el procedimiento de ajuste es conocido

como regresión lineal y garantiza una solución correcta en un tiempo finito.

Uno de los aspectos más poderosos de un gráfico de dispersión (Ilustración 2), sin

embargo, es su capacidad para mostrar las relaciones no lineales entre las variables

como se muestra en las figuras.

Ilustración 2: Relaciones no lineales entre las variables.

Scatterplot of El Yabú against Sagua G.

Spreadsheet1 10v*1096c

El Yabú = 1.583+0.9514*x

14 16 18 20 22 24 26 28 30 32 34 36

Sagua G.

16

18

20

22

24

26

28

30

32

34

36

38

El Y

ab

ú

Scatterplot of El Yabú against Sto. Dgo.

Spreadsheet1 10v*1096c

El Yabú = 0.2953+0.9607*x

16 18 20 22 24 26 28 30 32 34 36 38

Sto. Dgo.

16

18

20

22

24

26

28

30

32

34

36

38

El Y

ab

ú

El diagrama de dispersión es una de herramientas básicas en el control de calidad y en

conjunto con el histograma, la hoja de verificación, los gráficos de control y el diagrama

de flujo facilitan el control.

Una matriz de correlación se construye sobre cada una de las series de temperatura de

las estaciones que se evalúan, encabezando las posiciones horizontal y vertical la

misma lista de series, luego se llena cada celda con el coeficiente de correlación

correspondiente, y previamente calculado entre cada estación. La Tabla 2 muestra la

matriz de correlación, una vez disponibles los coeficientes de correlación lineal entre

todas las estaciones, se selecciona aquella estación que tenga la mejor o más alta

correlación estadística con los datos de la estación-problema.

Aunque se desconoce un porciento de los valores de la serie, es posible calcular el

coeficiente, a partir de los datos disponibles y originales, siendo necesario para ello

35

conocer la cantidad de iteraciones a sumar en una serie, dependiendo de este número

de valores conocidos.

Con dos estaciones, la estación con problemas y la de mayor correlación lineal, se

determina la ecuación de regresión, que no es más que la relación entre el valor

esperado o faltante, y se expresa como una función lineal común (Ecuación 4). Donde

es el dato faltante y es el dato sincrónico de la estación de mayor correlación

lineal.

Ecuación 4: Ecuación de regresión lineal.

Existiendo para ello diferentes métodos matemáticos, se utiliza el de los mínimos

cuadrados (Ecuación 5), donde X y Y representan los valores de las estaciones

seleccionadas.

Ecuación 5: Mínimos cuadrados para la ecuación de regresión lineal.

∑

∑ ∑

∑ ∑

∑

∑

En el ejemplo de la Tabla 2 la mejor correlación para rellenar datos faltantes en la

estación de Santa Clara, ubicada en el Yabú, serían los datos de las estaciones de La

Piedra, Sagua la Grande o Santo Domingo, con coeficiente de correlación superior a

0.95, por lo que el proceso puede realizarse con cualquiera de las tres estaciones.

36

El valor de temperatura de El Yabú es igual a la temperatura de la Piedra, multiplicada

por la correlación lineal entre ellas, sumado 0.29 obtenido de la Ecuación 5, de acuerdo

a la Ecuación 4 la temperatura del Yabú es el dato faltante, , y la Piedra, Sagua la

Grande o Santo Domingo representan las de mayor correlación ( .

Ecuación 6: Ecuación lineal de ejemplo.

El Yabú= 0.29+1.0000 x (La Piedra)

El Yabú= 1.58+0.9514 x (Sagua la Grande)

El Yabú= 0.29+0.99607 x (Santo Domingo)

Por tanto donde falte el valor de la estación Yabú se completa con el resultado de las

ecuaciones anteriores.

Tabla 2. Matriz de correlación de la temperatura del aire entre distintas estaciones.

Estaciones Aguada de Pasajeros

Cienfuegos Sagua la Grande

El Yabú Caibarién Santo Domingo

La Piedra

Aguada de Pasajeros

1.000000 0.882320 0.831028 0.847935 0.742478 0.847473 0.847935

Cienfuegos 0.882320 1.000000 0.889318 0.905633 0.831228 0.897552 0.905633

Sagua la Grande 0.831028 0.889318 1.000000 0.956587 0.931886 0.938968 0.956587

Santa Clara (El Yabú)

0.847935 0.905633 0.956587 1.000000 0.888285 0.953723 1.000000

Caibarién 0.742478 0.831228 0.931886 0.888285 1.000000 0.863542 0.888285

Sto. Domingo 0.847473 0.897552 0.938968 0.953723 0.863542 1.000000 0.953723

La Piedra 0.847935 0.905633 0.956587 1.000000 0.888285 0.953723 1.000000

2.2.3 Rellenar datos faltantes en más del 20 % del total de casos de una

serie

Cuando en una serie climática falta más del 20 % de los datos originales se debe ser

muy cuidadoso en el proceso de completar los datos faltantes, porque el dato estimado

siempre introduce un sesgo o peculiaridad inherente a la estación de referencia

37

utilizada, aspecto que puede modificar la cualidad de la serie original. En general, no se

recomienda completar los datos faltantes de una serie climática cuando el período sin

datos excede el 30 % del total de casos de la serie.

Tampoco es correcto rellenar los datos faltantes de una estación con los datos de otra

estación que ya habían sido rellenados previamente. En ese caso, aunque la

correlación entre ambas series de datos sea satisfactoria, lo indicado es seleccionar

otra estación de referencia con sus datos originales.

2.3 Análisis con las variables

Para ayudar en la toma de decisiones o para explicar condiciones regulares o

irregulares de algún fenómeno o estudio aplicado, de ocurrencia en forma aleatoria o

condicional se aplican a las variables climatológicas distintos criterios, algunos definidos

por los especialistas del país y otros por organizaciones autorizadas para ello,

permitiendo llevar a cabo el proceso relacionado con la investigación científica sobre los

datos a estudiar, lo cual está estrictamente relacionado con lo que se espera de una

variable o no.

2.4 Homogeneidad de datos climáticos

Para estudiar la variabilidad climática y sus cambios, los registros climáticos son los

instrumentos disponibles, dado que estos conjuntos de datos son las evidencias físicas

del comportamiento del sistema climático en su conjunto, y constituyen la base para

evaluar las tendencias, así como la validación de los modelos climáticos, la detección

del cambio climático a escalas regional y local, así como el diseño y aplicación

consecuente de planes de acción para la mitigación y adaptación de la población a sus

efectos. El valor de estos conjuntos de datos depende de la homogeneidad de las

series, y es necesario, en este sentido, descartar los errores a través de las soluciones

matemáticas ya descritas.

38

Las pruebas para demostrar que una serie de tiempo, es razonablemente homogénea,

tiene por objetivo garantizar que las variaciones contenidas en las observaciones

corresponden sólo a los procesos climáticos o meteorológicos y no a otros factores.

2.4.1 Series homogéneas y no homogéneas

Una serie numérica que representa las variaciones temporales de un elemento climático

es considerada homogénea si dichas variaciones son producidas únicamente por la

variabilidad del clima o del estado del tiempo

Si la serie de datos presenta cambios bruscos en los valores, que pueden mantenerse o

no, o si sufren cambios en su variabilidad o sufren de una modificación progresiva pero

sistemática, entonces se afirma que la serie es no homogénea. Mas cuando la serie de

datos presenta una no homogeneidad se le deben hacer ajustes, de manera que las

estimaciones estadísticas estén lo más cerca posible de los parámetros que se

observaron.

Los registros instrumentales largos, casi nunca son homogéneas, esto tiene su

explicación en la diversidad de registros climáticos, que indican que las series no

homogéneas son detectadas en series de temperatura media y ocurren a una

frecuencia de aproximada de 15 a 20 años. Además el tamaño típico de las pausas, a

menudo, es del mismo orden que la señal de cambio climático durante el siglo 20. (Auer

15 et al, 2007)

Las series no homogéneas son por lo tanto una fuente significativa de incertidumbre

para la estimación de las tendencias seculares y la variabilidad en escala.

Por otro lado, autores como Menne (2010), Brunetti (2006) y Begert (2005) indican que

la falta de homogeneidad no es independiente, pero en conjunto puede conducir a

sesgos artificiales en las tendencias del clima a través de grandes regiones.

El método más común para detectar y eliminar los efectos artificiales, es el enfoque de

homogeneización relativa, en revisión de la calidad de los datos, que supone que las

39

estaciones cercanas, están expuestas casi a la misma señal climática y por lo tanto, las

diferencias entre ellas pueden ser utilizadas para detectar las faltas de homogeneidad.

Se recomienda entonces, el uso de criterios adicionales, para probar la homogeneidad

de serie, tratando la sucesión alternativa de signos algebraicos a partir de criterios:

Helmert y Abbe. El primero para pares de estaciones y el segundo, que se ha descrito

como herramienta adecuada desde 1940 para una serie de valores. (Conrad, 1944)

La homogeneidad de los datos climáticos de cada serie de tiempo, incide de forma

directa en la posibilidad o no de calcular tendencias. Este aspecto es de especial

relevancia al realizar estudios de detección de cambios en el clima (Alexanderson et al.,

1997). Varias pruebas han sido desarrolladas hasta la fecha y la OMM ha publicado

guías para realizar los estudios de homogeneidad de los datos climáticos (Aguilar et al.,

2003; Brunet et al., 2008).

Las pruebas para demostrar que una serie de tiempo de una variable climática es

razonablemente homogénea tienen por objetivo garantizar que las variaciones del clima

contenidas en las observaciones correspondan sólo a los procesos climáticos y no a

otros factores; por ejemplo, algunas de las causas de que una serie climática sea no

homogénea son los cambios en la ubicación geográfica de la estación de medición, la

renovación o cambio de instrumentos, el reemplazo de una estación antigua por una

nueva o automática, cambios en el ambiente o la altitud donde se realizan las

mediciones, etcétera. La homogeneización de los datos climáticos es una tarea

especializada y recomendable para los expertos en el tema, o al menos asistidos por

expertos climatólogos de la región a analizar.

2.4.2 Criterio de las Rachas o Carreras: Aleatoriedad de una muestra

A veces al realizar un muestreo, puede llegar a influir el orden temporal o espacial en

que las muestras han sido elegidas, con lo cual no se está en condiciones de un

muestreo aleatorio simple, ya que la ley de probabilidad varía de una observación a

otra.

40

En general, se recomienda utilizar la media o la mediana de la serie de datos como

elemento de referencia, asignándole la letra “A” (arriba) a los valores por encima de ella,

y la letra “B” (bajo) a los valores inferiores a la media o mediana de la serie. Entonces:

η1 es el número de sucesos “A”, η2 es el número de sucesos “B” y U es el número total

de rachas.

De ahí que se tome una muestra de tamaño n, dividida en dos categorías ¨A¨ y ¨B¨ con

n1 y n2 observaciones cada una. Identificando para ello una racha que no es más que

una sucesión de valores de la misma categoría, o sea de ¨A¨ y ¨B¨.

Si las observaciones son cantidades numéricas, estas pueden ser divididas en dos

categorías que poseen aproximadamente el mismo tamaño (n1=n2 ), si consideramos

la media de las observaciones como el valor que sirve para dividir a la muestra: dado a

que las variables de temperatura están estandarizadas como que tienden a una

distribución normal y la media y mediana coinciden, como se muestra la figura,

entonces se asigna:

“A” inferior a la media

“B” superior a la media.

Ilustración 3: Distribución de la normal y la media para la variable temperatura.

41

Luego, la media y la desviación estándar se definen (Ecuación 7 y Ecuación 8), donde

n1 y n2 representan el total de valores de las sub series A y B.

Ecuación 7: Definición de la media.

Ecuación 8: Desviación estándar.

A menos que η1 y η2 sean muy pequeños, se puede demostrar que el número total de

rachas (U) se aproxima a una distribución normal, y entonces es válido suponer que

siendo Z =

:

a) Se rechaza la hipótesis de aleatoriedad si: Z < 1.96 ó Z > 1.96

b) Aceptar la hipótesis si: -1.96 ≤ Z ≤ 1.96

Este criterio ofrece una prueba de dos extremos a un nivel de significación de 0.05.

Para aumentar este nivel de significación a 0.01 basta sustituir el valor de 1.96 por 2.58.

Una serie climática es relativamente homogénea con respecto a una serie sincrónica

en otro lugar, si las diferencias (o proporciones) de los pares de promedios homólogos

constituyen una serie de números aleatorios que satisfacen la ley de errores. Por tanto

se establece una relación entre dos puntos poco alejados y ubicados en situaciones

topográficas parecidas. Dado a que los valores de los elementos climáticos son

bastantes parecidos, las diferencias o los cocientes de los valores correspondientes a

un mismo elemento, de un año al otro, varían mucho menos que los valores en sí.

De donde se hace necesario estudiar la aleatoriedad de los pares de promedios

homólogos, existiendo para ello el criterio de Abbe y el criterio de Helmert.

42

2.4.3 El criterio de Abbe

Si di representa la diferencia i-ésima entre cada elemento de una serie de datos

climáticos y la media aritmética, se definen dos nuevas series de datos (Ecuación 9) a

saber.

Ecuación 9: Nuevas series de datos.

La serie A = (di)2 y la serie B = (di – di+1)

2

Y el criterio de aleatoriedad de los miembros de la serie se cumple sólo cuando:

O sea, se debe cumplir que:

En caso que el criterio se aplique a series con datos de precipitación, la sucesión será

de cocientes en lugar de diferencias. Se procede igual con los cálculos restantes.

2.4.4 Criterio de Helmert

Si di representa la diferencia entre ambas series término a término, y d la diferencia

promedio de di, y D la diferencias entre d i y d.

Se define S cuando no existe cambio de signo entre un valor y el siguiente de D, y C

cuando hay cambio de signo entre el valor y el siguiente. Y el criterio de aleatoriedad se

cumple sólo cuando:

2.5 Procesamiento de la variable de temperaturas extremas del aire.

Entre otras cuestiones de interés a analizar en las variables de temperaturas extremas

del aire, es la frecuencia de ocurrencia de cada valor, a partir de las tablas de

contingencias.

Las tablas de contingencia se emplean para registrar y analizar la relación entre dos o

más variables, habitualmente de naturaleza cualitativa (nominales u ordinales). Ello

43

constituye un elemento principal para la clasificación de los patrones del régimen

térmico del aire en Cuba como se muestra en la siguiente tabla.

Tabla 3: Patrones del régimen térmico del aire en Cuba.

Mínimas Máximas

≤ 15.0 ≤ 20.0 ≤ 25.0 ≤ 30.0 ≤ 35.0 > 35.0

> 25.0 No se observan A4 A5 A6

≤ 25.0 B3 B4 B5 B6

≤ 20.0 C2 C3 C4 C5 C6

≤ 15.0 D1 D2 D3 D4 D5 D6

≤ 10.0 E1 E2 E3 E4 E5 E6

≤ 5.0 F1 F2 F3 F4 F5 F6

Es necesario calcular la cantidad de cada uno de estos intervalos de interconexión, que

aparecen en la tabla anterior como B5, C6, D2, etc. En cada estación de referencia,

estos se ordenan de forma descendente, para después considerar como el patrón de

distribución es formado sólo por aquellos intervalos cuya frecuencia sea superior al diez

porcientos. El proceso se debe realizar por estaciones meteorológicas, para la muestra

anual y por meses.

En conclusión, los métodos estadísticos, ayudan en la comprensión e interpretación los

datos, de ahí la necesidad de aplicarlos durante la revisión y procesamiento básico de

los datos de las temperaturas máximas y mínimas del aire, ajustándolos al

comportamiento general de las mismas. Por la complejidad de las ecuaciones

presentadas, se sobrentiende lo engorroso y complejo del proceso actual en la revisión

de las series de esta variable.

La implementación pretende automatizar dichos cálculos a través de funciones y

estructuras de datos, que provee la programación orientada a objetos (POO), en un IDE

como Microsoft Visual Studio, siendo altamente posible como se describe a

continuación, encapsulando todos estos métodos matemáticos y estadísticos en un

sistema de ventanas, respetando la estructura establecida en el área a la que se aplica

el sistema.

44

CAPÍTULO III: Desarrollo del sistema para la revisión y

procesamiento básico de variables meteorológicas.

SISREP v1.0

En este capítulo se describen las herramientas fundamentales para el desarrollo del

Sistema para la Revisión y Procesamiento básico de variables meteorológicas

(SISREP), se describen sus principales funcionalidades, módulos y clases, así como la

estructura y diseño de la base de datos, la cual contiene las temperaturas diarias del

aire, en un período superior a 30 años, para un total de 73 estaciones a lo largo del

país.

2.6 Generalidades sobre el SISREP

El SISREP se concibe con la idea de apoyar a los especialistas territoriales en su

trabajo manual de revisión y procesamiento de datos a través de complejos métodos

estadísticos, así como calcular la frecuencia de ocurrencia de cada uno de los intervalos

de temperatura para ayudar a determinar y caracterizar el régimen térmico en Cuba,

todo ello basado en los conceptos explicados a lo largo del trabajo.

SISREP es una aplicación escritorio, y ello se debe a la complejidad y extensión de los

datos, además, a su uso limitado por y para los especialistas, con conocimientos sobre

el área a la que se aplica. SISREP no está diseñado para sustituir a los especialistas,

sino de servir de herramienta unificada para la revisión y procesamiento básico de los

datos meteorológicos, un usuario que no posea los conocimientos meteorológicos e

históricos no podrá darle tratamiento a los errores, pues ello requiere al menos noción

sobre las posibles causas del error.

2.6.1 Autentificación SISREP

Para acceder al sistema, es necesario autentificarse, porque como se ha hecho

mención, el uso del sistema está destinado a los especialistas de la climatología o

meteorología.

Se ha establecido un especialista por defecto, pero una vez autentificado se pueden

editar estos datos.

45

Una vez autentificado, accede al archivo de datos que desea: Original, Temporal o

Validado, clasificaciones implementadas (Ilustración 4), y una vez allí, solicita a través

del controlador de datos, la información sobre la que desea trabajar dentro del directorio

o archivo mostrado. Las funciones con las que cuenta cada ventana están relacionadas

a los módulos.

Ilustración 4: Generalidad del uso del SISREP.

El SISREP, en su primera versión y actual, cuenta con tres módulos fundamentales:

Gestión de Datos.

Identificación de errores.

Métodos estadísticos.

Cada uno de estos módulos encapsula un conjunto de funcionalidades que se ejecutan

de acuerdo a las fases por las que pasa la revisión y procesamiento básico de los datos

meteorológicos de forma general (Ilustración 5).

46

Ilustración 5: Diagrama de Caso de Uso.

2.6.2 Módulo de Gestión de Datos

El módulo de Gestión de datos es el encargado de todo el tratamiento de los datos en

cada uno de sus directorios: Original, Temporal y Validado. El término de tratamiento se

refiere a todas las acciones de edición, filtrado, inserción y eliminación de los datos

mostrados al especialista.

La edición de datos altera la calificación sobre los ficheros, un dato original es la fuente

de datos que proviene de las redes meteorológicas, y una vez modificado solo se puede

47

archivar en el directorio:\Temporal, una vez ahí puede editare disímiles de ocasiones,

hasta que el usuario determine que ya está lista para validar con los criterios de

homogeneidad y se archivan en :\Validados.

Cada proceso de edición genera un nuevo fichero, que necesita guardarse en el

directorio correspondiente: \Temporal o: \Validado, de acuerdo al nivel completamiento

y revisión que haya hecho el especialista.

Ilustración 6: Edición y filtrado de datos.

2.6.3 Módulo Identificación de Errores

Este módulo encapsula las funcionalidades de visualización, a través del señalamiento

de distintas tonalidades a los valores que se identifican como resultado de la revisión

del usuario.

Ilustración 7: Identificación de errores para temperaturas extremas del aire.

El sistema identifica los errores explicados a lo largo del trabajo, y que los solicita el

usuario a través de los menús disponibles (Ilustración 7), siendo necesario calcular el

porciento de faltantes previamente.

48

2.6.4 Módulo de Métodos Estadísticos

Este módulo es el más amplio y se extiende al de edición de datos al proveer un nuevo

resultado, ya sea como un dato aislado o de ecuación lineal. Contiene las

funcionalidades de análisis de homogeneidad y contingencia de las variables. La

aplicabilidad del mismo se profundiza en otro epígrafe.

2.7 Configuración del SISREP

El sistema se desarrolla con .NET Framework 4.0, la cual es una versión reciente de

esta plataforma, y uno de los mayores logros de la versión 2010 del Visual Studio es

incluir las herramientas para el desarrollo de aplicaciones de Windows 7, permitiendo

que el programa corra correctamente en arquitecturas de x86 y x64, siempre y cuando

se cumplan con los requisitos y configuraciones pertinentes.

Ilustración 8: Configuración regional interpretada por el sistema.

49

El sistema posee otra ventana de configuración para determinar los parámetros de

revisión y procesamiento que desee el especialista (Ilustración 9).

Ilustración 9: Configuración de los parámetros de revisión y procesamiento.

2.8 Base de datos de temperaturas.

La base de datos que se dispone, tiene un formato conocido por Comma Separated

Values (CSV), el cual constituye un formato abierto y sencillo para representar datos en

forma de tabla, las columnas separadas por comas y las filas por saltos de línea. Los

campos que contengan una coma, un salto de línea o una comilla doble, deben ser

encerrados o diferenciado de alguna forma.

El formato CSV es muy sencillo y no indica un juego de caracteres concreto, estos

puntos se indican al controlar el fichero. Para la implementación de la clase

controladora se tuvo en cuenta que:

1. CSV es un fichero uniformado compatible con las clases de Visual Studio 2010.

2. Procesar documentos CSV es altamente personalizable.

3. El número de rasgos opcionales debe reducirse al mínimo.

4. Estructura de datos preparada previamente.

5. El diseño formal y conciso de lectura.

50

El formato está delimitado por una primera fila donde se recogen los encabezados de

de la variable, y representa las columnas de los datos, o sea dispone el nombre de la

estación en abreviatura, indicando que a partir de la tercera, cada columna implica una

serie secuencial de datos de temperaturas (Ilustración 10).

Ilustración 10: Base de datos.

Los tres primeros valores proveen la fecha de cada valor por estación, día, mes y año

consecutivamente. Para la localización de las mismas el sistema dispone de una

leyenda configurable (Ilustración 11) como cualquier otro tipo de dato captado por el

sistema.

Ilustración 11: Leyenda de estaciones meteorológicas.

2.8.1 Presentación de datos en SISREP

Uno de los objetivos de procesar los datos a través de una herramienta, es facilitarle al

especialista, el entendimiento y visualización, porque razonar sobre un fichero inmenso

de temperaturas (Ilustración 10), puede parecer una hazaña, sin embargo, representarlo

en SISREP le confiere un gran sentido (Ilustración 12).

Dado a que algunos valores contienen comas es aconsejable usar un delimitador. De

esta manera se diferencian los separadores de las columnas al de las comas del valor

de temperatura. Para ello se implementa un conversor, delimitando “.” en las comas

decimales, y cambio de celda por la coma: “,”.

La presentación de los datos es independiente al tipo de variable, por lo que la

visualización en la interfaz mantiene su estructura.

51

Ilustración 12: Representación de datos SISREP.

El trabajo con datos en un formato fichero, puede acarrear desacuerdo en su efectividad

para las alternativas eficientes de gestión y almacenamiento de la información

existentes en la actualidad, pero el hecho de que se analizan datos existentes desde

1970, dirigen los propósitos hacia la optimización de las funcionalidades en el

tratamiento de los datos y no en su formato, aprovechando los componentes de la

plataforma es posible el manejo efectivo de los mismos.

Dado que CSV es el formato de almacenamiento de los datos meteorológicos en Cuba,

cualquier componente del control de la calidad debe reconocer y gestionar dicha

extensión a modo de proporcionar interoperabilidad.

Durante el trabajo con el sistema, es posible hacer cambios modestos, pero rara vez, se

intentan cambios importantes en la estructura de los ficheros, así que cuando crezca la

carga de rendimiento de la aplicación, los recursos del sistema pueden escasear y el

tiempo de respuesta y rendimiento pueden resentirse, siendo necesario ser

consecuentes en este sentido en prestaciones de hardware.

52

Para sistemas desconectados, como es el caso, se ofrecen ventajas de rendimiento, a

modo de minimizar la limitante anterior, paralelo al hecho de que la aplicación tiene un

suministro limitado de usuarios.

La gestión de los datos, no sucede inmediatamente, una vez que el fichero es cargado,

se procesa en memoria hasta que el especialista o usuario, decide hacer salva de los

datos disponibles en la interfaz, esto garantiza la originalidad del dato a través de las

facilidades de los “listView”.

La aplicación utiliza un acceso desunido a los datos, por lo que no retienen bloqueos ni

conexiones activas durante largos períodos de tiempo, limitándose exclusivamente a la

copia para su proceso de gestión.

2.9 Revisión de datos de las temperaturas máximas del aire con

SISREP

Una vez que se accede a la ventana principal o raíz, se observa un menú que orienta el

archivo de datos, si es primera vez que se trabaja con este tipo de variable, o sea que

los datos nunca han sido importados al sistema, se importa el fichero de datos de

temperaturas máximas del aire desde la ventana “Nueva Variable” disponible en el

menú principal (Ilustración 13).

Ilustración 13: Menú principal.

Una vez importada, se almacena en el directorio: \Originales, por lo que se debe

redirigir el usuario a la ventana correspondiente a estos datos, una vez en la interfaz

“Datos originales o sin procesar”, se listan, a la derecha de la ventana, los ficheros de

datos originales que ya han sido importados y están listos para inicializarlos, dando

doble el de interés.

53

Cuando se están cargando los datos, se hace una revisión por detrás del sistema, para

sustituir valores nulos, colocándole el patrón de rellenado por los especialistas con -88,

para diferenciarlo de los que traen incorporados los ficheros en su mayoría con 99999 o

88888. Independiente al valor nulo de la variable en cuestión, se tratan además errores

de fechas nulas, haciendo un completamiento también.

Durante este acápite se hace referencia a las temperaturas máximas del aire en la

provincia de Villa Clara, se inicializa el fichero de datos “TMáxima”, porque bajo ese

nombre fue archivada la variable de temperatura máxima del aire en el SISREP.

Por tanto, se proceden a analizar los valores de las series, para el período de 1970 al

2000, mostrando o analizando consecutivamente las pertenecientes a una misma

región o provincia, dado a que entre las cercanas existe mayor correlación.

Pudiese ser interés del especialista, revisar la serie a pequeños intervalos, por

economizar tiempo y recursos computacionales, ello es posible a través de los filtros de

tiempo y/o estaciones (Ilustración 14). En resumen, como primer paso es vital cargar el

fichero original, pero una vez iniciada su presentación se puede disminuir el tamaño de

la serie a gusto y/o planificación del especialista.

Ilustración 14: Interfaz de inicialización de datos.

54

Cuando se visualizan los valores, paralelamente se cargan en memoria, dando inicio a

la revisión. Siempre es recomendable analizar el porciento de datos faltantes, para

conocer si es aconsejable o no completar y arreglar los valores señalados. Como se

observa en la Ilustración 14, se seleccionaron 4 estaciones cercanas a Villa Clara para

listarlas, de ellas dos tenían un porciento faltante superior al recomendado y se

eliminaron las series, para eliminar las estaciones que no son de interés, basta con un

clic derecho en la columna objeto de eliminación.

Una forma de garantizar la salva de los cambios efectuados sobre los datos, en

Temporales o Validados, porque los originales nunca se modifican, es haciendo salvas

para cada tipo de error que se va revisando y procesando, esto constituye una

recomendación, cada especialista crea sus técnicas personales de acuerdo a su

manejo y conocimiento sobre el sistema.

Para las temperaturas máximas del aire, se especificó un intervalo de 10 a 40 grados

Celsius, (Ilustración 15).

Ilustración 15: Revisión de datos.

,

55

De las cuatro estaciones activas de Villa Clara, es posible, a partir de la identificación de

valores no válidos, su completamiento, dado a que el porciento de los datos faltantes en

el intervalo especificado es inferior al 20 %. Esto se simboliza en el sistema a través de

una coloración amarilla (Ilustración 16).

Ilustración 16: Identificación de errores.

Para solucionar los valores detectados, se especifica la vía de solución por parte del

usuario que está efectuando la revisión, una vez procesada la orden del especialista, se

actualiza el valor en la vista con una nueva tonalidad, azul, como se muestra en la

leyenda de revisión a la derecha de la tabla (Ilustración 16).

Cuando los datos concurrentes para las estaciones o series listadas son defectuosos al

unísono, el trabajo se torna más lento. En el período de Enero de 1994 a Mayo de ese

mismo año, faltaban los datos para las cuatro estaciones que se estaban revisando, en

esa caso es necesario trabajar con las estaciones vecinas, en este ejemplo son válidas

las estaciones de Cienfuegos y Sancti Spíritus, seleccionando la que por ubicación

geográfica esté más cercana a la que se esté revisando, específicamente, el usuario

puede apoyarse de la leyenda de códigos y direcciones de estaciones. Luego se

selecciona las fechas concurrentes, originales y las estaciones que el especialista

desea correlacionar, esto último también depende de la experiencia.

El nuevo valor tarda unos segundos tomando una coloración distinta y un “flag” o

categoría, a modo de indicarle al sistema que ese valor no es original y por tanto no se

debe usar en otro completamiento. Esta forma corresponde al método de regresión

lineal, de ahí que el usuario deba completar todos los pasos previos para proveer al

sistema la información que necesita.

56

Ilustración 17: Completamiento a partir de la matriz de correlación.

Ilustración 18: Completamiento de datos.

Para la facilidad de los especialistas se pueden usar herramientas conjuntas como

puede ser el histograma para cada estación listada y específica de acuerdo al de interés

del que hace la revisión, el uso de gráficos apoya la revisión visual, mostrando la

variabilidad, y cuanto pudiese faltar por completar y revisar en cuestión.

57

En resumen para la variable de temperatura máxima del aire, se listaron 191,529

valores para un total de 7,769 días de 10 estaciones, contando las de Villa Clara y

adyacentes, encontrando un total de 568 valores errados para un intervalo definido de

10 a 40 grados Celsius, siendo posible resolver como datos aislados 295 que

representa un 52% y el resto a partir de la matriz de correlación (48%).

2.9.1 Errores encontrados por clasificación en las máximas

El primer tipo de error revisado fue el de valor constante, durante 3 o más días

sucesivos, una vez culminada la revisión, aparece un listado a la derecha presentando

información correspondiente a valores constantes, fecha y estación, aunque se puede

observar a simple vista en la tabla, señalada con una tonalidad de color salmón.

Ilustración 19: Revisión personalizada a temperaturas.

En este tipo de error aberrante, se encontraron 146 días, nunca superior a cuatro, lo

que representa una modificación o valoración para 48 valores.

A continuación se presenta un resumen en tablas, agrupadas por estación, presentando

el valor con problema y la cantidad de repeticiones.

58

Tabla 4: Valor constante para VCL000001.Máximas.

Estación Fecha Temperatura

(◦C)

Repeticiones

VCL000001 19/05/1983 29.5 3

VCL000001 25/08/1983 32.5 3

VCL000001 20/10/1983 30.5 3

VCL000001 10/07/1985 31.4 3

VCL000001 25/11/1987 32.4 3

VCL000001 27/03/1988 28 4

VCL000001 25/09/1988 30.5 3

VCL000001 24/01/1989 26.1 3

VCL000001 02/05/1991 31 3

VCL000001 22/05/1992 28.9 3

VCL000001 15/09/1993 32.1 3

VCL000001 05/02/1997 28 3

VCL000001 24/07/1999 33 3

59

Tabla 5: Valor constante para VCL000002. Máximas.


(◦C)

Repeticiones

VCL000002 04/06/1983 32 3

VCL000002 11/11/1983 25.9 3

VCL000002 28/11/1983 30.1 3

VCL000002 16/06/1984 30.5 3

VCL000002 16/08/1984 32.1 3

VCL000002 02/05/1985 32 3

VCL000002 07/07/1985 32 3

VCL000002 02/08/1985 32 3

VCL000002 01/04/1990 30.9 3

VCL000002 27/10/1990 27.4 3

VCL000002 09/08/1991 32.5 3

VCL000002 03/08/1994 33.4 3

VCL000002 15/09/1995 32 3

VCL000002 12/06/1996 31 3

VCL000002 25/08/1997 32.5 3

60



(◦C)

Repeticiones

VCL000003 04/07/1983 31.5 3

VCL000003 30/11/1984 27.2 3

VCL000003 30/12/1984 25.9 3

VCL000003 09/04/1987 26 3

VCL000003 27/04/1987 25.4 3

VCL000003 02/02/1988 26 4

VCL000003 29/09/1988 30 3

VCL000003 16/04/1990 28.9 3

VCL000003 15/10/1990 30.5 3

VCL000003 06/10/1991 30.5 3

VCL000003 16/02/1992 27.6 3

VCL000003 05/09/1992 31.4 3

VCL000003 25/05/1993 27.7 3

VCL000003 23/10/1996 28.6 3

VCL000003 23/11/1999 26.6 3

61



(◦C)

Repeticiones

VCL000004 05/04/1986 33.9 3

VCL000004 26/07/1987 30.1 3

VCL000004 26/10/1988 30.7 3

VCL000004 08/12/1988 28.4 3

VCL000004 15/05/1997 33.2 3

VCL000004 06/01/1998 30.7 3

Se encontraron 48 valores de 31,076 que pertenecían a la provincia de Villa Clara,

cuyos valores de temperatura se repetía por tres o más días, lo que representa un

porciento de 0.15, donde un 0.01 porcientos de cuatro días de repetición, y el resto

(0.14) para tres días.

2.10 Revisión de datos de las temperaturas mínimas del aire con

SISREP

El procedimiento para revisar las mínimas es muy parecido al explicado con

anterioridad, la diferencia está en la búsqueda de valores y el resultado para este tipo

de variable, pasado a través de lo que en el SISREP se define por el especialista como

un intervalo bueno o de interés.

Para las mínimas: “TMínimas”, se listaron los valores de 0 a 40 grados, pudiese no

concebir la razón de este intervalo, pero el ejemplo que se expone incluye tanto las

mínimas del verano como las del invierno, porque es un estudio general, a modo de

certificación del sistema. Si el especialista estuviese interesado en minimizar este

intervalo entonces puede ir disminuyendo los datos con la herramienta de filtro.

62

De 100,192 valores de temperatura mínimas listada de 7,769 días pertenecientes 10

estaciones, se encontraron 1,481 valores fuera del intervalo (0-40) para la provincia

central. De ese total, se encontraron siete valores con temperatura de cero grado

Celsius, en fechas invernales. La estación más crítica fue VCL0004, que corresponde a

la 326 ubicada en el municipio de Santo Domingo, con un porciento faltante inferior al

20%. De las estaciones vecinas concebidas inicialmente, se eliminó la de Matanzas,

Bainoa, por su lejanía y falta de información superior al 30%.

Se encontraron temperaturas en las que faltaba la coma decimal, para ese caso existe

en el menú la opción “Décimas”, que corre la coma solo un valor decimal por cada

ejecución, y esto constituye un error frecuente que vale señalar.

Ilustración 20: Error decimal.

Se resolvieron como datos aislados 410 que representa el 28% y el resto a partir de la

matriz de correlación, dado a que la mayoría de los faltantes eran concurrentes para

para las cuatro estaciones que se revisan.

63

Ilustración 21: Tipo de revisión y solución.

2.10.1 Errores encontrados por clasificación en las mínimas

Durante la revisión se encontraron 7769 valores de temperaturas mínimas del aire, que

se mantenían constante durante 3, lo cual representa un 0.21 %.

Tabla 8: Valor constante para VCL000001. Mínimas.


(◦C)

Repeticiones

VCL000001 06/10/1980 22.5 3

VCL000001 18/09/1982 22.0* 3

VCL000001 19/06/1984 21.2 3

Los valores que están marcados con asterisco (*), significan que al día siguiente de la

repetición, o sea, el cuarto día, la temperatura no excedía a los 0.1 grados de

diferencia.

64



(◦C)

Repeticiones

VCL000002 04/08/1983 21.9 3

VCL000002 02/10/1985 21.0 3

VCL000002 26/06/1994 23.3 3

VCL000002 01/09/1995 24.0 3

VCL000002 03/11/1997 20.0 3

VCL000002 16/06/1999 21.5 3



(◦C)

Repeticiones

VCL000003 04/04/1981 23.5* 3

VCL000003 24/04/1983 21.5 3

VCL000003 27/05/1990 22.5 3

VCL000003 17/07/1996 23.4 3



(◦C)

Repeticiones

VCL000004 21/08/1981 22.0 3

VCL000004 19/05/1996 22.0 3

VCL000004 30/06/1999 21.0 3

Para el caso de las mínimas se encontraron otros valores aberrantes con una diferencia

en 24 horas superior a más menos diez grados Celsius en las fechas mostradas en la

Tabla 12. Estos valores representan un 0, 07 % de error del total de valores detectados.

65

Tabla 12: Valor superior a más menos 10 en 24 horas. Mínimas.

Fecha De A

20/12/1980 8.3 19.4

20/01/1983 9.9 20.4

28/02/1989 5.6 18.1

12/01/1996 6.3 16.6

20/02/1996 6.0 17.0

2.11 Revisión de datos de las temperaturas mínimas y máximas del

aire con SISREP

Se ha explicado que uno de los errores de ocurrencia, está dado por el comportamiento

entre las máximas y mínimas. Por lo que la relación ellas, requiere de un tratamiento

especializado, exponiéndose a continuación los resultados obtenido de su revisión.

Una vez inicializado los datos de las temperaturas máximas del aire o las mínimas, se

debe cargar la variable contraria, a través del menú :\Temperaturas\Análisis\Máximas-

Mínimas/Variable Concurrente, esto inicializa en memoria los datos ya listados a la vista

del usuario, para el procesamiento interno, una vez hecho esto desaparece la opción

del menú.

Cuando están cargadas en memoria las temperaturas máximas y mínimas del aire, se

buscan errores de acuerdo a:

La diferencia entre la máxima y la mínima del día concurrente menos o igual 0.5C.

Al valor superior o inferior al record absoluto de la variable para el mes en cuestión

personalizado para un usuario en la ventana de Configuración.

Para las temperaturas extremas del aire de Villa Clara no se encontraron errores

referidos a estos.

Una vez completados y arreglados los valores detectados, se validaron las series de

máximas y mínimas de Villa Clara con los criterios de homogeneidad disponibles en la

66

ventana: \Validados, concluyendo en que las series eran homogéneas y sellando así su

revisión para procesar las tablas de contingencia.

2.12 Procesamiento de datos de las temperaturas con SISREP

Una de las acciones de procesamiento de datos contenida en el programa SISREP

permite el análisis diferencial de dos variables meteorológicas cualesquiera

seleccionadas por el usuario, cuya interacción se analiza mediante una tabla de

contingencia con doble entrada que permite calcular la relación o interdependencia de

una de las variables con respecto a la otra. Este tipo de análisis es muy útil y necesario

para diferentes aplicaciones de la meteorología, por ejemplo: el análisis de las

temperaturas extremas diarias de aire para conocer los intervalos de bienestar o de

estrés por calor o frío que experimenta la población de un lugar en el transcurso del día

y en el transcurso del año, en las diferentes áreas del país. También se aplica al

análisis del complejo temperatura del aire vs rapidez del viento o al estudio del complejo

temperatura vs humedad relativa del aire.

En todos los casos antes mencionados, lo común en el proceso de datos es conocer el

comportamiento de una variable con relación a los intervalos críticos que presenta la

otra variable, por lo que Lecha y Florido (1989) definieron para el clima tropical una

tabla de clasificación del complejo temperatura máxima y temperatura mínima, con

cuyos resultados se logró una clasificación bioclimática muy relevante en el estudio de

los efectos del clima y el tiempo sobre la salud de la población cubana (Tabla 13).

Dicho procedimiento se aplicó originalmente para los datos diarios de 54 estaciones

meteorológicas de Cuba en el período 1987-1991, pero ahora como parte de la

validación del programa SISREP se pudo hacer un trabajo mucho más amplio y

riguroso, basado en la mejor calidad del dato utilizado, la ampliación del período de

observación (1979-2008) y para más estaciones meteorológicas (73) distribuidas por

todo el territorio nacional.

67

Tabla 13: Tabla de contingencia para la clasificación del complejo temperatura máxima y mínima del aire.

Máximas

Mínimas

<= 15 <= 20 <= 25 <= 30 <= 35 > 35

1 2 3 4 5 6

> 25 A A4 A5 A6

<= 25 B B3 B4 B5 B6

<= 20 C C2 C3 C4 C5 C6

<= 15 D D1 D2 D3 D4 D5 D6

<= 10 E E1 E2 E3 E4 E5 E6

<= 5 F F1 F2 F3 F4 F5 F6

Leyenda Características, zonas típicas y procesos sinópticos asociados.

Muy cálidos, con sensaciones intensas de calor sofocante. Predominan

en todo el país y durante la mayor parte del año.

Cálidos, con pequeña oscilación térmica. Característicos de las zonas

costeras y cayos. Asociados al estado del tiempo nublado o lluvioso.

Cálidos con marcada oscilación térmica. Típicos de las regiones

interiores, con rasgos de continentalidad y a la influencia anticiclónica.

Confortables o frescos, son característicos del invierno; pero por efecto

del relieve, predominan en el verano en las montañas bajas y medias.

Fríos y muy fríos. Típicos del invierno. Cambio contrastante del estado

del tiempo por la influencia de procesos invernales y bajas temperaturas.

Categorías no observadas por definición: pues las mínimas no pueden

superar el valor de las máximas.

68

Como se aprecia, los valores de las temperaturas extremas diarias del aire se han

subdividido en intervalos de cinco grados Celsius, comparándose la ocurrencia

simultánea de ellos durante todos los días del período 1979-2008 (10,957 casos) y para

cada intervalo de interconexión entre ambas variables se ha asignado un código de

identidad, dado por letras para los intervalos de la temperatura mínima y números para

los intervalos de las temperaturas máximas. Por ejemplo, el intervalo A5 identifica a los

días que hubo temperaturas mínimas superiores a 25 °C y máximas entre 30.1 °C y

35.0 °C; y así sucesivamente.

En las tabla se muestra los resultados del proceso de datos realizado para un grupo de

estaciones meteorológicas situadas en condiciones físico-geográficas diferentes entre

sí, de manera que se pueden apreciar con claridad las diferencias en la estructura del

complejo máxima – mínima y su relación con factores formadores del clima como el

relieve, la distancia a las costas, etc., (Tabla 14). Estructura del complejo temperatura

máxima – mínima en Santa Clara.

Tabla 14: Estructura del complejo temperatura máxima – mínima en Santa Clara.

<= 15 <= 20 <= 25 <= 30 <= 35 > 35

> 25 0 0 0 0 4 0

<= 25 0 0 54 1147 4755 35

<= 20 0 10 274 2293 1345 7

<= 15 2 16 332 566 35 0

<= 10 0 12 55 12 0 0

<= 5 0 1 0 0 0 0

A partir de estos resultados para cada estación meteorológica es posible representar

gráficamente la estructura predominante del régimen térmico de la localidad, lo que

constituye el objetivo final del proceso realizado como se muestra en la siguiente

gráfica. Esta información se utilizó para la elaboración de la nueva versión del Atlas

Climático de Cuba, obra científica en preparación por el Centro del Clima del Instituto de

Meteorología y en la que participan especialistas del Centro de Estudios y Servicios

Ambientales de Villa Clara.

69

Ilustración 22: Estructura anual del régimen térmico en Santa Clara.

El programa SISREP puede elaborar múltiples análisis de complejos simples como el

caso de las temperaturas máximas y mínimas diarias del aire, lo que tiene mucha

importancia en el trabajo operativo de la Meteorología y la Climatología aplicada.

70

3 CONCLUSIONES

Se logró hacer un análisis de los aspectos teórico-conceptuales relacionados con la

gestión de los datos meteorológicos y la climatología. Se trataron todos los tipos de

errores y métodos recomendados por la Organización Meteorológica Mundial para

revisar las variables meteorológicas, haciendo un énfasis más detallado en el

tratamiento de las temperaturas extremas del aire.

Ha sido posible desarrollar un sistema automatizado para hacer la revisión y

procesamiento de los miles de datos meteorológicos que se generan diariamente por la

red de estaciones meteorológicas de Cuba, asegurando así la calidad de los mismos y

la confiabilidad de las investigaciones y servicios que se realizan con esta información.

Como parte del desarrollo de un sistema automatizado capaz de ejecutar con rapidez y

eficiencia los procedimientos seleccionados en función del control de calidad y uso

posterior de los datos meteorológicos, se definió la arquitectura del sistema,

consiguiendo una correcta estructura del contenido, un mejor flujo de los datos tratados,

un ambiente amigable y fácil de utilizar para el usuario y una presentación amena y

rápida de los datos solicitados.

Se implementaron todas las funcionalidades del sistema, logrando no alejar al

especialista de su flujo de trabajo, acoplándose a los diversos procesos dentro

establecidos por organizaciones internacionales y nacionales. Se logró estructurar el

manejo de datos sobre los puntos críticos de edición a través de gráficas, revisión y

procesamiento.

La validación del sistema y sus componentes, se realizó con la información del Centro

Meteorológico de Villa Clara y los datos de las temperaturas máximas y mínimas del

aire, utilizados para la preparación del Nuevo Atlas Climático de Cuba. Los resultados

fueron muy satisfactorios y se logró resolver exitosamente el problema científico que dio

origen al presente trabajo.

Se diseñaron y se describieron todos los componentes de la aplicación, logrando una

mejor interpretación del sistema para una futura implementación. Se organizó de forma

71

modular quedando estructurado en tres módulos contenedores de las principales

funcionalidades, sin alterar el contenido representativo. Se describieron las prestaciones

y características de la herramienta utilizada y las propiedades del formato de datos

utilizados por los especialistas en la provincia.

Se realizaron experimentos y prácticas a las variables de temperaturas del aire

máximas y mínimas obteniéndose resultados interesantes sobre la revisión y

procesamiento de las mismas.

Los ejemplos que se procesan en el trabajo demuestran que el sistema fue capaz de

procesar las Tablas de Contingencia del complejo máxima – mínima, facilitando

grandemente el análisis de la estacionalidad e individualidad del régimen térmico del

país, resultados que se obtienen en forma paralela a la presente tesis.

Por último, los resultados obtenidos y la futura aplicación operativa del sistema

aseguran el archivo confiable y rápido de la información meteorológica que generan las

estaciones meteorológicas del país y que se guarda en los Centros Provinciales para

garantizar los servicios de la vigilancia meteorológica, servicios climáticos de muy

diversa índole y otras investigaciones.

De esta forma se ha dado cumplimiento cabal a los objetivos fundamentales del trabajo

y se logra una ejecución satisfactoria del trabajo indicado por el tutor.

72

4 RECOMENDACIONES

Aplicar el Sistema de Revisión y Procesamiento básico de variables meteorológicas a

todos los procesos donde sea aplicable y que se realizan en el Instituto de Meteorología

para el control de calidad y archivo de los datos meteorológicos.

Adicionar módulos nuevos personalizados para las variables de humedad, presión y

viento.

Diseñar una estructura de almacén de datos para la preservación de la información

meteorológica operativa, al menos al nivel de los Centros Meteorológicos Provinciales,

una vez que haya sido asegurada la calidad, confiabilidad y representatividad de los

mismos.

Presentar las estadísticas referentes a la calidad de los datos revisados para el resto de

estaciones meteorológicas.

73

5 GLOSARIO DE TÉRMINOS

Meteorología: Es la ciencia interdisciplinaria, fundamentalmente una rama de la Física

de la atmósfera, que estudia el estado del tiempo, el medio atmosférico, los fenómenos

allí producidos y las leyes que lo rigen.

Climatología: Se ocupa del estudio del clima y sus variaciones a lo largo del tiempo

cronológico.

Variables: Es uno de los elementos, que puede adquirir o ser sustituido por un valor

cualquiera dentro de su universo. Los valores que una variable es capaz de recibir,

pueden estar definidos dentro de un rango, y/o estar limitados por razones o

condiciones de pertenencia, al universo que les corresponde (en este caso al universo

de temperatura).

Datos Climáticos: Cualquiera de las propiedades o condiciones de la atmósfera que,

tomadas en conjunto, particularizan el estado físico del tiempo o del clima en un lugar y

en un momento o período cronológicos determinados.

Archivos climatológicos: Almacenaje centralizado de registros climatológicos

nacionales en su forma original, digital para un medio ambiente controlado.

Atlas climático: Atlas formado principalmente por mapas climáticos. En particular están

representadas las características mensuales y anuales de los principales elementos

climáticos de una región determinada durante un período cronológico de considerable

duración.

Cambio climático: En un sentido más generalizado, el término de cambio climático

abarca todas las formas de inconsistencia climática, haciendo caso omiso de su

naturaleza estadística o sus causas físicas. Se usa frecuentemente para señalar un

cambio a otro estado climático caracterizado por diferentes promedios de las variables

atmosféricas.

74

Clima: Síntesis de las condiciones meteorológicas correspondientes a un área dada,

caracterizada por las estadísticas basadas en un período largo de las variables

referentes al estado de la atmósfera en dicha área.

Climatología: Estudio de los climas (causas, variaciones, distribuciones, tipos, etc.).

Discontinuidad climática: Un cambio climático que consiste en un cambio bastante

abrupto y permanente durante el período de un valor medio al otro.

Documentación de la estación: Información geográfica y de tipo administrativo, tal

como el nombre oficial de la estación, su latitud, longitud y elevación, nombre y

dirección postal del observador o de la institución que coopera en el servicio

observacional (disponible en la leyenda de SISREP), el programa oficial de observación

incluyendo las horas en las que se efectúan normalmente las observaciones e

indicaciones acerca de la homogeneidad con relación a estaciones cercanas.

Estación climatológica: Estación que facilita datos climatológicos.

Homogeneidad: Propiedad existente en una serie de temperaturas cuando los cambios

se deben solo a fenómenos naturales enmarcados en la normalidad.

Datos aislados: Valor faltante o con error señalado que está enmarcado entre valores

correctos, definidos por la temperatura del día anterior y día posterior al faltante en

cuestión.

75

6 BIBLIOGRAFÍA

AGUILAR, E. 2005. Changes in precipitation and temperature extremes in Central

America and northern South America, 1961-2003. Journal of Geophysical

Research-Atmospheres, 15, 110.

ALEXANDERSSON, A. 2012. Temperaturas extremas del 2012 rompen récords

[Online]. Available: http://temperaturasextrema2012noticias.terra.com [Accessed

20 de marzo 2012].

ALEXANDERSSON, H. 2001. Homogenisation of climate data, difficult but necessary.

Detecting and Modelling Regional Climate Change. Journal of Geophysical

Research-Atmospheres, 3, 36.

ALFARO. 2000. Aplicación de algunos métodos de relleno a series anuales [Online].

www.imn.ac.cr. Available:

http://www.imn.ac.cr/publicaciones/revista/2000/Julio/4-RAlfaro-Julio00.pdf-

2011].

ANDRADE, E. 2011. El manejo de la información [Online]. Available:

http://civilgeeks.com/tag/cuales-son-las-principales-fuentes-de-informacion-

geografica/ [Accessed 17 de marzo 2012].

AUDUBON. 2012. Benchmarking homogenisation algorithms for monthly data [Online].

Available: http://www.audubonvenezuela.org/ [Accessed 12 de marzo 2012].

AULAFÁCIL. 2012. CursoEstadistica [Online]. Available:

http://www.aulafacil.com/CursoEstadistica/CursoEstadistica.htm [Accessed 5 de

junio 2012].

BADAGIAN, J. 2012. Homogeneidad de series.

BAETCKER, J. 2012. Cuarto Informe de Evaluación sobre cambio climático del IPCC

[Online]. Available: http://voscambiaselfuturo.blogspot.com/2008/07/ciencia-

cuarto-informe-de-evaluacin.html [Accessed 26 de abril 2012].

BARREIRO, M. 2003. Estadística básica.

BRINTON, L. A., HOOVER, R. N., SZKLO, M. & FRAUMENI, J. F. J. 1981. Menopausal

estrogen use and risk of breast cancer. Cancer, Vol. 47, p.p 2517-2522.

BRUNETTI, M. 2012. Cambio climático: El mundo al revés. National Geographic, p.p 12

- 46.

76

BURGOS, Y. & GONZÁLEZ, I. 2012. Análisis de indicadores de extremos climáticos en

la isla de Cuba. [Online]. Available: http://webs.ono.com/reclim/.

CANCER), C. G. O. H. F. I. B. 1997. Breast cancer and hormone replacement therapy:

collaborative reanalysis of data from 51 epidemiological studies of 52,705 women

with breast cancer and 108,411 women without breast cancer. Cancer, Vol.350,

p.p. 1047-1059.

CIOMTA. 2012. Sistema de Validación [Online]. Argentina. Available:

http://www.ciomta.com.ar/sistemaValidacion.html [Accessed 12 de marzo 2012].

CMP. 2012. Análisis de la homogeneidad de las series de precipitación [Online]. Santa

Clara. Available: http://www.cmp.vcl.cu/ [Accessed 17 de marzo 2012].

CNR. 2012. Variables [Online]. Camagüey. Available:

http://www.cnr.camaguey.cu/index.php?rid=lbj.

CONRAD, V. & POLLACK, L. W. 1950. Methods in Climatology, Harvard Univ. Press.

DEXTER, P. & PARKER, P. 2012. Meteorología y transporte marítimo- [Online].

Available:

http://www.wmo.int/pages/publications/bulletin_es/archive/58_2_es/58_2_dexter_

es.html [Accessed 19 de marzo 2012].

DROZDOV, O. A. 1957. Métodos para el procesamiento de los datos meteorológicos,

Leningrado, Hidrometeorológica.

EGGER, A. E. & CARPI, A. 2012. Data Analysis and Interpretation [Online]. Available:

http://www.visionlearning.com/library/module_viewer.php?mid=154&l=s

[Accessed 12 de marzo 2012].

ESCARDO, A. L. 2012. Clima y cambio climático [Online]. Available:

http://www.tiempo.com/ram/7772/clima-y-cambio-climtico [Accessed 27 de abril

2012].

EUSKADI.NET. 2012. Climatología 2008 [Online]. Available:

http://www.euskadi.net/s07-5893/es [Accessed 20 de marzo 2012].

FABREGAT, N. G. S. Y. Y. L. 2012. Cuba-Venezuela [Online]. Available:

http://portalcuba-venezuela.cuba.cu/noticia.php?archivo_noticia&id=2029


FREITAS, L., PEREIRA, M. G., CARAMELO, L., MENDES, M. & NUNES, L. F. 2012.

77

Homogeneity of monthly air temperature in Portugal with HOMER and MASH.

FREUND, J. E. 1972. Estadística elemental moderna, La Habana, Inst. Cubano del

Libro.

GARCÍA, J. E. B. 2012. Meteorología [Online]. Available:

http://www.ecured.cu/index.php/EcuRed:Enciclopedia_cubana [Accessed 15 de

marzo 2012].

GCOS. 2012. Available: https://www.wmo.int/pages/prog/gcos/Publications/GCOS-

144_es.pdf [Accessed 12 de abril 2012].

GIL, N. 2012. Homogenization [Online]. Available: http://www.homogenization.org

[Accessed 9 de junio 2012].

HOEL, P. G. 1969. Elementary statistics, La Habana, Revolucionarias.

IMPULSOVERDE. 2008. Las temperaturas extremas suben [Online]. Available:

http://cambioclimatico.wordpress.com/2008/04/03/las-temperaturas-extremas-

suben/ [Accessed 19 de marzo 2008].

INFANTE, S., ORTEGA, J. & CEDEÑO, F. 2007. Atmospheres. Journal of Geophysical

Research-Atmospheres, p.p. 37-48.

INFOAGUA. 2010. Estandarización y homogeneización de datos [Online]. Available:

http://www.infoagua-guayllabamba.ec [Accessed 14 de junio 2012].

INFOANDINA. 2011. Metodología para generar y utilizar información meteorológica. A

nivel subnacional y local frente al cambio climático. Available:

http://www.infoandina.org/recursos/metodolog%C3%ADa-para-generar-y-utilizar-

informaci%C3%B3n-meteorol%C3%B3gica-nivel-subnacional-y-local

INRS. 2012. Meteorología [Online]. Available: http://www1.ete.inrs.ca/ [Accessed 14 de

junio 2012].

INSMET. 2012. Estadística aplicada a la meteorología [Online]. Available:

http://www.insmet.cu/index.asp [Accessed 15 de marzo 2012].

INSMET. 2012. Introducción a la Meteorología [Online]. La Habana. Available:

http://www.insmet.cu/sometcuba/_private [Accessed 15 de marzo 2012].

IPCC. 2001. Cambio Climático 2001 [Online]. Available: http://www.ipcc.ch/pdf/climate-

changes-2001 [Accessed 20 de marzo 2012].

IPCC 2007. The Physical Science Basis. Contribution of Working Group I to the Fourth

78

Assessment Report of the Intergovernmental Panel on Climate Change. Climate

Change 2007, p.p 12- 23.

IPCC. 2012. IPCC Fourth Assessment Report: Climate Change 2007 (AR4) [Online].

Available:

http://www.ipcc.ch/publications_and_data/publications_and_data_reports.shtml

[Accessed 21 de abril 2012].

IPCC. 2012. Panel Intergobernamental sobre el Cambio Climático [Online]. Available:

http://www.ipcc.ch/home_languages_main_spanish.shtm [Accessed 20 de marzo

2012].

IPS. 2012. IPS Noticias [Online]. Available:

http://ipsnoticias.net/nota.asp?idnews=41678 [Accessed 15 de marzo 2012].

JONES, P. D., WIGLEY, T. M. L. & WRIGHT, P. B. 1986. Global temperature variations

between 1861 and 1984. Nature, p.p 430-434.

KAUFMAN, D. W., MILLER, D. R., ROSENBERG, L., HELMRICH, S. P., STOLLEY, P.,

SCHOTTENFELD, D. 1984. Noncontraceptive estrogen use and the risk of breast

cancer. JAMA, 1, p.p 63-67.

KIRCHHOFER, W. 2012. Temperaturas extremas, consecuencia de cambio climático

[Online]. Available: http://climanoticias.blogspot.com.

LECHA, L. B., ORTÍZ, P. L., PÉREZ, A. E., RIVERO, A. & PÉREZ, A. 2012. La

variabilidad y el cambio climático en Cuba: potenciales impactos en la salud

humana [Online]. Available:

http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S0864-34662008000100008


LINDZEN, R. S. 1990. Some Coolness Concerning Global Warming. Bulletin of the

American Meteorological Society, Vol. 71, p.p. 288-299.

LÓPEZ, B. F. 2011. Uso de herramientas estadísticas para la predicción estacional del

campo de precipitación en América Central como apoyo a los Foros Climáticos

Regionales. [Online]. Available: http://webs.ono.com/reclim/ [Accessed 2011.

MANN, M. E., BRADLEY, R. S. & HUGHES, M. K. 1998. Global-scale temperature

patterns and climate forcing over the past six centuries. Nature, Vol. 392, p.p.

779-787.

79

MAURY, F. 2012. Available:

http://www.history.navy.mil/library/online/maury_mat_bene.htm-Matthew


MAURY, M. F. 2012. Available: http://www.nndb.com/people/393/000166892/ [Accessed

27 de marzo 2012].

MEADEN, G. J. 2012. Geographical information systems and remote sensing in inland

fisheries and aquaculture [Online]. Available:

http://www.fao.org/docrep/003/T0446E/T0446E00.HTM [Accessed 17 de marzo

2012].

MET. 2012. Methods in Climatology [Online]. Available: http://www.met.inf.cu [Accessed

20 de marzo 2012].

METOFFICE. 2012. Temperaturas extremas confirman el cambio climático [Online].

Available: http://www.bionero.org [Accessed 19 de marzo 2012].

MORMENEO, I. 2012. Agrometeorología [Online]. Departamento de Agronomía -

Universidad Nacional del Sur. Available: http://agrometeorologia.criba.edu.ar/


N.A. Las investigaciones y logros del gran científico italiano, Gran Atlas de la Ciencia

National Geographic [Online]. Available:

http://www.portalplanetasedna.com.ar/torrielli.htm.

N.A. 2008. Meteorología de Buenos Aires. Available: http://met-

ba.blogspot.com/2008/10/domingo-26102008-pronostico-capital.htm [Accessed

27 de marzo 2012].

N.A. 2009. OMM pide implementar sistemas de alerta temprana [Online]. Available:

http://www.un.org/spanish/News/story.asp?newsID=15557#.UdW6XYHZyZQ


N.A. 2011. Who is Gabriel Fahrenheit y Anders Celsius [Online]. guidewhois.com:

. Available: http://guidewhois.com/quienes-eran-gabriel-fahrenheit-y-anders-celsius

2012].

N.A. 2012. Bases de datos con valores medios o extremos de variables atmosféricas

[Online]. Available: http://www.alu.ua.es/j/jmdo/datos.htm.

N.A. 2012. Creative Commons Attribution - NonCommercia l- NoDerivs 2.5 License

80

[Online]. Instituto de Tecnologías Educativas. Available:

http://fjferrer.webs.ull.es/Apuntes3/Leccion06/1__complejidad_de_la_informacin_

ambiental_relativa_al_clima.html.

N.A. 2012. DSD Publications. [Online]. Available: http://www.oas.org/dsd/publications


N.A. 2012. El Tiempo [Online]. Available: http://www.vorseo.com/el-tiempo/ [Accessed

28 de abril 2012].

N.A. 2012. Glosario de terminología normalizada utilizada en Climatología [Online].

Available: http://www.clubdelamar.org/terminologia.htm [Accessed 28 de abril

2012].

N.A. 2012. Interpretación de variables meteorológicas [Online]. Huescar, Granada.

Available: http://datosclimaticoshuescar.blogspot.com [Accessed 27 de abril

2012].

N.A. 2012. Maritime Conference [Online]. Available: http://daccess-ods.un.org


N.A. 2012. Ocean Motion an surface current [Online]. Available:

http://oceanmotion.org/html/background/timeline1800.htm [Accessed 3 de abril

2012].

N.A. 2012. Simposium OMM sobre metodos estadisticos. Revista de Geografía [Online].

Available: http://www.raco.cat/index.php/RevistaGeografia/article.

N.A. 2012. Temperatura, humedad, presión [Online]. Available:

http://www.astromia.com/tierraluna/elemclima.htm [Accessed 27 de marzo 2012].

N.A. Facultad de Ciencias Económicas y Empresariales Universidad Autónoma de

Madrid. Predicción por descomposición de series [Online]. Available:

http://www.uam.es personal pdi economicas jpg pdf componentes.ppt [Accessed

29 de abril 2012].

NOTIMEX. 2012. Available: http://www.radioformula.com.mx/notas.asp?Idn=336461


PALAZZESI, A. ¿Cómo se realizaban los primeros pronósticos del tiempo? [Online].

Available:

http://www.tecnologiahechapalabra.com/ciencia/miscelanea/articulo.asp?i=4677

81


ROCCA, S. L. 2012. Available:

http://www.tutiempo.net/silvia_larocca/Temas/Historia.htm [Accessed 27 de

marzo 2012].

SANCHO, B. 2012. Medio Ambiente [Online]. Available:

www.blogdemedioambiente.com/ [Accessed 17 de marzo 2012].

SOMET. 2012. Meteorología [Online]. Available: http://www.met.inf.cu/sometcuba


TORRICELI, E. 2012. Available:

http://fluidos.eia.edu.co/hidraulica/articuloses/historia/biograf%C3%ADas/Evangel

ista%20Torricelli.htm [Accessed 12 de marzo 2012].

UDEA 2010. Curso de Estadística Básica, UDEA.

UMA 2003. Bioestadística.

UNAL. 2010. Cursos [Online]. Available:

http://www.virtual.unal.edu.co/cursos/sedes/palmira/5000134/contenido/cap10/lec

3.htm [Accessed 28 de junio 2012].

UNGEROVICH, M. 2012. Temperature and precipitation variability in Italy in the last two

centuries from homogenized instrumental time series.

WIERINGA, J. 2012. Homogenization of monthly and annual [Online]. Available:

http://variable-variability.blogspot.com/2012/01/homogenization-of-monthly-and-

annual.html [Accessed 5 de junio 2012].

WIKIPEDIA. 2012. Calentamiento Global. Datos del IPCC en su tercer Informe [Online].

Available:

http://es.wikipedia.org/wiki/Calentamiento_global#Datos_del_IPCC_en_su_tercer

_informe_.282001.29 [Accessed 12 de marzo 2012].

WIKIPEDIA. 2012. Clasificación Climática [Online]. Available:

http://es.wikipedia.org/wiki/Clasificaci%C3%B3n_clim%C3%A1tica_de_K%C3%B

6ppen [Accessed 28 de abril 2012].

WIKIPEDIA. 2012. Effects of global warming [Online]. Available:

http://en.wikipedia.org/wiki/Effects_of_global_warming [Accessed 2012 2012].

WIKIPEDIA. 2012. Homogenization and climate [Online]. Available:

82

http://en.wikipedia.org/wiki/Homogenization_%28climate%29 [Accessed 5 de

junio 2012].

WIKIPEDIA. 2012. Organización Meteorológica Mundial [Online]. Available:

http://es.wikipedia.org/wiki/Organizaci%C3%B3n_Meteorol%C3%B3gica_Mundial


WILDLIFETRUST. 2012. Wildlifetrust News [Online]. Available:

http://www.wildlifetrust.org/news/releases/30.shtml [Accessed 12 de marzo 2012].

autora: ing. mariannis berovides hernández. tutor: dr.c

Documents