Universidad Central

Facultad de Ingeniería y Ciencias Básicas

Departamento de Ingeniería
Carrera de Ingeniería Ambiental
Modelamiento y Simulación
Bogotá, octubre de 2017

Análisis de anomalías y correlación presentes en 2 estaciones

meteorológicas en los municipios de Mocoa (Putumayo) y San
Rafael (Antioquía) durante el periodo de 1986 a 2011

a
Hernández Moreno Loani Lorena , López Giraldo Manuela ,
b
Rodríguez Calvo Jonathan Alexander
c

1. Indagación del Problema a Modelar

En los últimos años ha tomado una mayor importancia el análisis de los desastres generados por los
cambios extremos en el clima de una determinada región. A estos cambios extremos ya sea de precipitación,
temperatura u otra variable climática se le conoce como variabilidad climática. Dado que Colombia se
encuentra en un lugar del planeta donde el régimen del clima está determinado por factores como la
zona de convergencia intertropical (ZCIT), por la dinámica de los océanos pacíco y atlántico y por la
dinámica de las cuencas del amazonas y Orinoco. Todos estos factores junto a los factores determinantes
del clima (temperatura, precipitación, humedad relativa, entre otros) hacen que el país presente una
alta vulnerabilidad a los fenómenos extremos como la niña y el niño (Guarín Giraldo - Poveda, 2013).
Uno de los más recientes casos de desastres producto de las fuertes precipitaciones y de un ineciente
ordenamiento territorial se produjo en Mocoa donde una avenida torrencial arraso con miles de viviendas
dejando grandes pérdidas económicas y de vidas.

2. Resúmen

El objetivo de este trabajo es analizar las anomalías presentes en dos estaciones meteorológicas (en
este caso Mocoa, Acueducto de Mocoa, Putumayo y Las Violetas, San Rafael, Antioquia) a través de
un análisis estadístico multivariado con los factores que intervienen en el clima. Las precipitaciones y la
temperatura (mínima, media y alta) haciendo una correlación que permita medir la relación entre estas
variables mediante el coeciente de correlación de Pearson, el cual es una medida del ajuste del modelo
y representa la porción de la variación (Marquínez et al., 2003; Yang, 2004).

3. Introducción

El Clima como la suma de todos aquellos factores que intervienen en el comportamiento o estado del
tiempo atmosférico de una región modica el ambiente dentro de un lapso de tiempo. Es la interacción de
las diferentes variables dentro del contexto que determina las características particulares de la región; las

a Código: 1015453508. E-mail: lhernandezm7@ucentral.edu.co

b Código: 1032473249. E-mail: mlopezg1@ucentral.edu.co
c Código: 1016033179. E-mail: jrodriguezc33@ucentral.edu.co

1
Plantilla 2

variables a considerar en un análisis climático lo constituyen: la posición geográca, (latitud y Longitud),

la precipitación o pluviosidad, brillo solar, la evaporación, humedad relativa, circulación de los vientos y
nalmente la topografía y morfología del lugar (Signicados).

Los factores perturbadores más destacados son la proximidad o lejanía del mar, la altitud, la orien-
tación y las formas del relieve, así como fenómenos naturales ocasionales como el Fenómeno del Pacico
comúnmente denominado ?Fenómeno del Niño? y los producidos por la intervención del hombre. La in-
teracción de estos factores se distingue en una serie de áreas de Clima más o menos homogéneas que con
el nombre de Zonas Climáticas, son diferenciadas y clasicadas (Esquema de Ordenamiento Territorial,
1999).

Los procesos climáticos presentan irregularidades que son fuente de incertidumbre en la mayoría de
los casos por lo tanto la estadística nos permite: describir los datos, cuanticar la incertidumbre y realizar
inferencias entre otras aplicaciones;La aplicación de métodos adecuados debe ayudar a la comprensión
de los fenómenos físicos subyacentes, a una valoración de hipótesis, también puede sugerir la existencia
(o no) de relaciones entre variables y por ende la descripción de los datos observados puede ayudar a
la predicción, lo cual buscamos con el caso de estudio de las estación de Mocoa acueducto (Estación
meteorológica secundaria) y estación las violetas en el municipio de San Rafael Antioquia (Estación
meteorológica principal) (Alvaro Diaz, 2015) .

4. Marco Teórico

En los últimos años el clima permaneció estable, sin embargo, los patrones han empezado a cambiar.
El principal indicador de cambio es el incremento de la temperatura del planeta, lo cual parece ser que
esta incrementado de una manera acelerada (JOMMLA, 2010). Este cambio climático es un fenómeno
natural que se desarrolla en el planeta y que debido al uso excesivo de combustibles fósiles que producen
más contaminación de lo que el ecosistema podría soportar, ha tenido una aceleración peligrosa afectando
el equilibrio del clima.

Los sistemas más sensibles al cambio climático son los recursos hídricos, agrícolas, zonas marinas,
zonas costeras y los sistemas relacionados con la salud humana. El nivel de vulnerabilidad va a depender
de la localización geográca y las condiciones ambientales de cada región. En Colombia los efectos son
variados, las zonas costeras serán afectadas por el aumento en el nivel del mar, las coberturas vegetales
serán menos húmedas y con desplazamientos a alturas mayores al nivel del mar (Mesa, s.f.).

En regiones como Mocoa, Putumayo el clima es Tropical, al ser una ciudad con precipitaciones signi-
cativas, incluso en el de sequía (diciembre) hay mucha lluvia (Climate ). Está situado en el sur del país
en la región de la Amazonia. Su estación meteorológica secundaria es denominada Mocoa Acueducto.
Al igual que en el Putumayo, San Rafael (Antioquia) también es de clima Tropical y las lluvias están
presentes aun en el mes de sequía (enero). Su principal estación meteorológica es Las Violetas (IDEAM,
s.f.).

Las uctuaciones del clima durante determinados periodos de tiempo se denominan variabilidad cli-
mática. Durante un año en particular, se registran valores por encima o por debajo de lo normal en
cualquier variable meteorológica. La normal climatológica o valor normal, se utiliza para denir y com-
parar el clima y generalmente representa el valor promedio de una serie continua de mediciones de una
variable climatológica durante un periodo de por lo menos 30 años. A la diferencia entre el valor registrado
de la variable y su promedio se le conoce como anomalía (Montealegre Bocanegra, 2009).

Modelamiento y Simulación (2017)

Plantilla 3

5. Objetivos

5.1. Objetivo General

Identicar anomalías o irregularidades de las estaciones meteorológicas Mocoa Acueducto (en Mocoa,
Putumayo) y Las Violetas (San Rafael, Antioquia) mediante los factores que intervienen en el clima, en
este caso precipitaciones y temperaturas para determinar de qué manera están relacionadas.

5.2. Objetivos Especpicos

- Hacer una correlación entre las estaciones meteorológica Mocoa Acueducto y Las Violetas e identicar
anomalías en los factores que intervienen en el clima.

- Analizar de qué manera están correlacionadas las dos estaciones meteorológicas, Mocoa acueducto
y las violetas: Si es positiva, positiva moderada, positiva fuerte, positiva débil, negativa, negativa fuerte,
negativa moderada, negativa débil, o si no existe una relación lineal entre ellas.

- Utilizar MATLAB para simular la situación y dar respuesta al objetivo general.

6. Metodología

Se analizarán los registros de los factores climáticos que suministra el IDEAM, de 2 estaciones meteo-
rológicas en los últimos 20 años debido a que se han obtenido resultados satisfactorios en modelamiento
de precipitación y temperatura con series de 15 a 25 años (Marquínez et al., 2003; Ninyerola et al., 2005).
A partir de éstos se calcularon los valores anuales de precipitación y temperatura, la oscilación de la
temperatura y los tipos climáticos para cada una de las estaciones, en este caso; las estaciones meteoro-
lógicas de estudio son: Acueducto de Mocoa, Putumayo y Las Violetas, San Rafael; que son dos regiones
en donde el comportamiento climático es muy similar. Para realizar el análisis estadístico, se elaborara
una matriz de datos en el programa Mathlab realizando un análisis de correlación múltiple, el cual es
una medida de la relación que existe entre dos o más variables, mediante el uso de los coecientes de
correlación (R2) de acuerdo con la ecuación 1 (ver ecuación (1)):

P P rX P P
X x y ( x)2 X 2 ( y)2
R1 = xy − / ( x2 − )( y − )(1)
n n n
En donde X y Y son la variables a correlacionar y n son las observaciones. Existe una relación
lineal exacta entre las dos variables cuando la relación es 1 o ?1, dependiendo de si las variables están
relacionadas positiva o negativamente; en caso de que no exista relación lineal la correlación tiende a 0
(ver tabla 1): (Rosa Rodríguez Huertas, 2005).

6.1. Modelo de Regresión

Los coecientes de correlación de Pearson son utilizados para estimar las relaciones entre las variables
climáticas y las variables geográcas independientes (Touazi et al., 2004). Los datos de las estaciones
meteorológicas se complementa con la información de las variables geográcas necesarias para desarrollar
el análisis de regresión múltiple (nombre de la estación, coordenadas geográcas, altitud, temperatura
media, precipitación anual, oscilación de la temperatura y exposición de ladera).

La regresión es calculada con base en la siguiente función (ver ecuación (2)):

Z(x) = b0 + b1 P1 + b2 P2 + ... + bn Pn (2)

En donde Z es el valor a predecir en un punto X1, b0... bn los coecientes de regresión, y P1... Pn
son los valores de las diferentes variables independientes en el punto X (Johnson, 2000).

Modelamiento y Simulación (2017)

Plantilla 4

Tabla 1: Interpretación coeciente de correlación de PearsonI.

Coeciente
Interpretación r=1
Correlación muy alta
0.8 <r<1 Muy Alta
0.6<r<0.8 Alta
0.4<r<0.6 Moderada
0.2<r<0.4 Baja
0<r<0.2 Muy Baja
r=0 Nula

El análisis de regresión multivariado permite conocer los coecientes que indican el peso que debe
tener cada variable y explicar su relación con la temperatura, para predecir el valor climático en un
determinado punto del territorio, mediante la aplicación de la ecuación obtenida de la relación de la
variable climática con las geográcas en un SIG (Hartkamp et al., 1999; Spellman, 2000; Xu y Singh,
2001; Marquínez et al., 2003; Diodato, 2005; Ninyerola et al., 2005).

Para la evaluación de la conabilidad de los distintos modelos de regresión, se utiliza el coeciente de

determinación (R2).

7. Desarrollo estructural del modelo

7.1. Manual del usuario

Lo que se quiere lograr con esta simulación es que el usuario pueda determinar la relación existente
entre ambas estaciones meteorológicas en determinado periodo de tiempo. La idea es que el usuario al
abrir el programa, disponga de una interfaz que le permita elegir el año y el mes o meses en los que
quiera comparar las temperaturas y las precipitaciones de ambas estaciones meteorológicas. La interfaz
preliminar del programa en matlab puede ser apreciada en la gura 1

Figura 1: Diseño preliminar de la Interfaz en Matlab

Modelamiento y Simulación (2017)

Plantilla 5

Ejemplo: Supongamos que el usuario quiere analizar la relación entre las dos estaciones meteorológicas
del año 1998 al 2000 en los meses de Enero a marzo. A continuación se indican los pasos a seguir:

1. El usuario elige el año en el botón ?Año inicial? y ?Año nal?, los años en los que desea analizar
las estaciones meteorologicas como se puede apreciar en la gura 2

Figura 2: Selección de año inicial y nal

2. Selecciona el mes en el botón ?Mes inicio? y?Mes nal? es donde elegirá el intervalo de tiempo en
meses a ser estudiados como se puede apreciar en la gura 3

Figura 3: Selección de mes inicial y nal

3. Dar click en el botón ?Cargar datos?. Este botón carga al programa el documento de Excel, en el
cual tenemos los datos para realizar la correlación como se puede apreciar en la gura 4

Figura 4: Botón cargar datos

Modelamiento y Simulación (2017)

Plantilla 6

4. Calcule el coeciente de correlación de Pearson dando en el botón Calcular  como se puede apreciar
en la gura 5

Figura 5: Botón calcular correlación

Siga los mismos pasos para utilizar el panel de la estación meteorológica Las Violetas. Compare ambas
variables (precipitación y temperatura) para ambas estaciones y determine que tan correlacionadas están
para ambos casos.

7.2. Formulas necesarias para el modelo

La correlación de dos variables es el grado de asociación entre las mismas. Este es expresado por
un único valor llamado coeciente de correlación (r), el cual puede calcularse fácilmente en base a una
serie de pares de datos de ?x? e ?y? (Deposito de documentos de la FAO). El método plantea uso de las
siguientes formulas matemáticas para realizar el cálculo de r:

- Medias aritméticas: Valores obtenidos al sumar todos los datos y dividir el resultado entre el numero
total de datos. Se utilizara la utiliza para calcular un valor representativo de los valores que se están
promediando:

P
x
x̄ = (3)
N
P
y
ȳ = (4)
N
- Covarianza: Es un valor que indica el grado de variación conjunta de dos variables aleatorias respecto
a sus medias:

P
xy
Sxy = − xy
¯ (5)
N
- Desviaciones tipicas: Es una medida de dispersión para variables de razón (variables cuantitativas o
cantidades racionales) y de intervalo:

r P
( x)2
Sx = ( − x̄)(6)
n
r P
( y)2
Sy = ( − ȳ)(7)
n
- Coeciente de correlación: Medida de la relación lineal entre dos variables aleatorias cuantitativas:

Modelamiento y Simulación (2017)

Plantilla 7

P
xy
rxy = − xy/S
¯ x Sy (8)
n
Tomamos el coeciente de pearson para el análisis de datos debido a que con esta formula podremos
determinar la relación lineal que hay entre 2 variables aleatorias cuantitativas, para nuestro caso las
variables a analizar seran la precipitacion y la temperatura presentes en los municipios de mocoa y de san
rafael. Una de las ventajas de este coeciente es que entre mayor sea el numero de datos que tengamos
mas exacta podemos obtener la estimación que es el objetivo nal de nuestro proyecto.

7.3. Recopilación de datos

Para llevar a cabo la presente simulación, se obtuvieron los datos reportados por el IDEAM para
las 2 estaciones meteorológicas analizadas en el presente trabajo, las cuales contienen los valores medios
mensuales de temperatura y precipitación para el periodo comprendido entre 1986 y 2011 (25 años). Es
importante que para realizar el estudio y obtener un buen resultado, la toma de una muestra representativa
de datos debe estar comprendida en un periodo de tiempo entre 15 a 25 años, debido a que en los
escenarios climaticos actuales la variabilidad climatica promedio vienen sufriendo mayores alteraciones
por el aumento de la temperatura media del planeta, entre otras variables (Marquínez et al., 2003;
Ninyerola et al., 2005).

8. Referencias

Climate . (s.f.). Recuperado el 25 de Agosto de 2017, de https://es.climate-data.org/location/180203/

Guarín Giraldo, G., Poveda, G. (Marzo de 2013). Scielo. Recuperado el 2017, de http://www.scielo.org.co

IDEAM. (s.f.). Recuperado el 25 de Agosto de 2017, de http://www.ideam.gov.co/web/tiempo-yclima/

clima

JOMMLA. (Enero de 2010). Recuperado el 23 de Agosto de 2017, de http://www3.inecol.edu.mx

Mesa, J. B. (s.f.). El cambio Climatico en Colombia. Recuperado el 25 de Agosto de 2017, de

http://repository.urosario.edu.co/bitstream/handle/10336/1052/80087794.pdf

Montealegre Bocanegra, J. (2009). Estudio de la variaiblidad climatica de la precipitación en colombia

asociada a procesos oceanicos y atmosféricos de meso y gran escala. Obtenido de http://www.ideam.gov.co/

Suarez, R. H. (09 de Julio de 2015). CERTSI. Recuperado el 23 de Agosto de 2017, de https://www.certsi.es/blog

Yang, X. (2004), Modelling the spatial distribution of Tricholoma matsuta, tesis de Maestría, Geo?information
Science and Earth Observation (Environmental Systems Analyses and Management).

Ninyerola M., X. Pons y J.M. Roure (2005), Atlas Climático Digital de la Península Ibérica. Metodolog
ía y aplicaciones en bioclimatología y geobotánica, Universidad Autónoma de Barcelona, Bellaterra.

Rosa Rodríguez Huertas, A. G. (2005). Estadistica industrial.

Touazi, M., J. L. Pierre and N. Bhiry (2004), "Modelling rainall?discharge at a mean inter?yearly
scale in northern Algeria", Journal of Hydrology, 296, pp. 179?191. Johnson, E. D. (2000), Métodos
multivariados aplicados al análisis de datos, International Tomson Publishing, México.

Hartkamp, A. D., K. De Beurs, A. Stein and J. W. White (1999), Ïnterpolation techniques for climate
variables", NRG?GIS Series, 99?01, Mexico, CIMMYT.

Alvaro Diaz, R. T. (2015). Analisis Estadistico de Datos Climaticos. Recuperado el 01 de Septiembre

de 2017, de AEDC: http://meteo.sica.edu.uy

Esquema de Ordenamiento Territorial. (1999). Recuperado el 01 de Septiembre de 2017, de http://cdim.esap.edu.co/

Signicados. (s.f.). Recuperado el 02 de Septiembre de 2017, de https://www.signicados.com/clima/

Socha Rincon, L. M. (2014). Repository. Recuperado el 02 de Octubre de 2017|, de Unimilitar:

http://repository.unimilitar.edu.co/bitstream/10654/11999/1/ANALISIS

Modelamiento y Simulación (2017)