MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA...

MODELO DE CLASIFICACIÓN DE HIDROMETEOROS

PARA ZONAS ECUATORIALES A PARTIR DE

OBSERVABLES DE RADAR METEOROLÓGICO

Autora

Laura Angélica Cadena Contreras

Tutor

Ernesto Gómez Vargas

Doctor en Ingeniería

Magister en Ciencias de la Información y las Comunicaciones

Ingeniero Electrónico

UNIVERSIDAD DISTRITAL FRANCISCO JOSÉ DE CALDAS

Maestría en Ciencias de la Información y las Comunicaciones

Énfasis en Geomática

Bogotá, Colombia

Diciembre de 2017

MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A

PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO

Página | 2

AGRADECIMIENTOS

Quiero agradecer a todas aquellas personas que me han inspirado y apoyado para

cumplir uno de mis proyectos de vida, indirectamente cada tropiezo se convirtió en

una experiencia que me llevó a escoger este camino, en donde, encontré a seres

maravillosos capaces de mostrarme todo el potencial que tengo como profesional

e investigadora.

Quiero expresar un especial agradecimiento al Dr. Ernesto Gómez Vargas,

director y coordinador de esta investigación, por la orientación, el seguimiento y la

supervisión continúa, pero sobre todo por la motivación.

Y finalmente quiero agradecer a mi mamá por su guía y ejemplo, puesto que es

ella quien, con su profundo amor y dedicación, moldeó a la persona que soy. En

cada noche que tenía como compañía a la investigación era ella quien me

motivaba para no decaer ante los brazos de Morfeo.



Página | 3

TABLA DE CONTENIDO

CAPITULO 1. INTRODUCCIÓN A LA INVESTIGACIÓN ..................................... 9

1. INTRODUCCIÓN ......................................................................................... 10

1.1 PROBLEMA DE INVESTIGACIÓN ........................................................ 11

1.2 OBJETIVOS .......................................................................................... 15

1.3 JUSTIFICACIÓN ................................................................................... 16

1.4 METODOLOGÍA .................................................................................... 17

CAPITULO 2. ESTADO DEL ARTE ................................................................... 20

2.1. MARCO TEÓRICO ................................................................................ 21

2.2. MARCO CONCEPTUAL ........................................................................ 30

2.3. MARCO ESPACIAL ............................................................................... 34

CAPITULO 3. ANÁLISIS DE DATOS ................................................................. 35

3.1. ANÁLISIS Y LECTURA DE DATOS ...................................................... 36

3.2. INTERPRETACIÓN DEL CLASIFICADOR DE HIDROMETEOROS ..... 44

3.3. ANÁLISIS DE LOS DATOS DE LOS EVENTOS DE PRECIPITACIÓN DEL RADAR DE COROZAL ............................................................................ 46

CAPITULO 4. DISEÑO DEL MODELO CONCEPTUAL ..................................... 64

4.1. DEFINICIÓN DEL OBJETIVO DEL MODELO ....................................... 65

4.2. DEFINICIÓN DE LOS LÍMITES DEL SISTEMA .................................... 65

4.3. CLASIFICACIÓN DE LOS COMPONENTES DEL SISTEMA DE INTERÉS ......................................................................................................... 67

4.4. IDENTIFICACIÓN DE LAS RELACIONES ENTRE LOS COMPONENTES DEL SISTEMA .................................................................... 68

4.5. REPRESENTACIÓN FORMAL DEL MODELO ..................................... 69

CAPITULO 5. MODELO FINAL DEL CLASIFICADOR ....................................... 71

5.1. CLASIFICADOR DE PROPAGACIONES ANÓMALAS, ECOS BIOLÓGICOS, LLUVIA LIGERA, LLUVIA MODERADA, LLUVIA PESADA, GOTAS GRANDES, GRANIZO ....................................................................... 73

5.2. PONDERACIÓN DE LAS VARIABLES POLARIMÉTRICAS ................. 75

CAPITULO 6. VALIDACIÓN Y RESULTADOS .................................................. 79



Página | 4

6.1. VALIDACIÓN A PARTIR DE DATOS SIMULADOS .............................. 80

6.2. VALIDACIÓN A PARTIR DE DATOS REALES ..................................... 81

CAPITULO 7. CONCLUSIONES ........................................................................ 86

7.1. TRABAJOS FUTUROS ......................................................................... 89

REFERENCIAS ..................................................................................................... 90

ANEXOS ................................................................................................................ 95

ANEXO 1. TABLA DE CLASIFICACIONES DE HIDROMETEOROS ................. 96

ANEXO 2. TABLAS DE RESULTADOS DEL CLASIFICADOR .......................... 99



Página | 5

LISTA DE TABLAS

Tabla 1. Aplicaciones y ventajas de los observables polarimétricos. ..................... 32

Tabla 2. Información general del radar meteorológico ubicado en Corozal. .......... 36

Tabla 3. Eventos de precipitación del radar de Corozal seleccionados para el

estudio. .................................................................................................................. 36

Tabla 4. Información general de los archivos netCDF para el radar ubicado en

Corozal .................................................................................................................. 37

Tabla 5. Listado de variables almacenadas por el radar de Corozal de los archivos

netCDF, con su identificador y los atributos almacenados por cada variable. ....... 38

Tabla 6. Resumen de los archivos netCDF del radar de Corozal con la información

de las variables que contienen los observables polarimétricos, la reflectividad y un

hidroclasificador creado por el fabricante .............................................................. 40

Tabla 7. Interpretación de los clasificadores del software IRIS. ............................ 45

Tabla 8. Resultados del análisis estadístico de datos de los eventos de

precipitación del radar de Corozal. ........................................................................ 59

Tabla 9. Análisis Clasificador C2 para cada uno de los 5 eventos de Corozal ...... 61

Tabla 10. Análisis Clasificador C1 para cada uno de los 5 eventos de Corozal .... 62

Tabla 11. Análisis Clasificador C0 para cada uno de los 5 eventos de Corozal .... 62

Tabla 12. Valores típicos que toman los ecos de retrodisperción para las variables

polarimétricas que se utilizarán en el estudio ........................................................ 67

Tabla 13. Clasificación de los componentes (entradas y salidas) del modelo ....... 68

Tabla 14. Afectación de las fuentes de incertidumbre a las variables polarimétricas

............................................................................................................................... 68

Tabla 15 Variables de entrada para la clasificación ............................................... 73

Tabla 16. Valores de las constantes a,b,c y d para las Funciones de pertenecía. 74

Tabla 17. Matriz A normalizada para propagaciones anómalas (PA) .................... 76

Tabla 18. Matriz A normalizada para ecos biológicos (EB) .................................... 76

Tabla 19. Matriz A normalizada para lluvia ligera (LL) ........................................... 76

Tabla 20. Matriz A normalizada para lluvia moderada (LM) ................................... 77

Tabla 21. Matriz A normalizada para lluvia pesada (LP) ........................................ 77



Página | 6

Tabla 22. Matriz A normalizada para gotas grandes (GG) ..................................... 77

Tabla 23. Matriz A normalizada para granizo (G) .................................................. 77

Tabla 24. Matriz de pesos para el clasificador difuso ............................................ 78

Tabla 25. Resultados del clasificador propuesto con los datos obtenidos a partir

del simulador.......................................................................................................... 80

Tabla 26. Resultados del clasificador propuesto comparado con el clasificador C0

de IRIS para el evento COR2 ................................................................................ 81







Página | 7

LISTA DE FIGURAS

Figura 1. Diagrama de flujo de la transformación de los datos .............................. 41

Figura 2. Estructura Clasificador del IRIS. ............................................................. 45

Figura 3. Escala de intensidades para la reflectividad (Z) medido en dBZ ............ 46

Figura 4. Visualización de la reflectividad (Z) para el evento 1: Corozal

(25/06/2013) (COR 1) Fuente: Elaboración propia ................................................ 47


(28/06/2013) (COR 2) Fuente: Elaboración propia ................................................ 47


(11/07/2013) (COR 3) ............................................................................................ 48

Figura 7 Visualización de la reflectividad (Z) para el evento 4: Corozal (29/07/2013)

(COR 4) Fuente: Elaboración propia ...................................................................... 48

Figura 8 Visualización de la reflectividad (Z) para el evento 5: Corozal (30/07/2013)

(COR 5) Fuente: Elaboración propia ...................................................................... 49

Figura 9. Histograma de la reflectividad Z para el evento 1: Corozal (25/06/2013)

(COR 1) ................................................................................................................. 49


(COR 2) ................................................................................................................. 50


(COR 3) ................................................................................................................. 50


(COR 4) ................................................................................................................. 51

Figura 10. Histogramas de la reflectividad Z para el evento 5: Corozal (30/07/2013)

(COR 5) ................................................................................................................. 51

Figura 9. Histogramas de ZDR (dB) para el evento 1: Corozal (25/06/2013) (COR

1) ............................................................................................................................ 52


(COR 2) ................................................................................................................. 52


3) ............................................................................................................................ 53



Página | 8


4) Fuente: Elaboración propia. ............................................................................... 53


5) ............................................................................................................................ 54

Figura 9. Histogramas de diferencial especifico de fase KDP (°/km ) para el evento

1: Corozal (25/06/2013) (COR 1) ........................................................................... 54

Figura 10. Histogramas de diferencial especifico de fase KDP (°/km ) para el

evento 2: Corozal (28/06/2013) (COR 2) ............................................................... 55

Figura 10. Histogramas de diferencial especifico de fase KDP (°/km ) evento 3:

Corozal (11/07/2013) (COR 3) ............................................................................... 55





Figura 9. Histogramas del coeficiente de correlación rohv para el evento 1: Corozal

(25/06/2013) (COR 1) ............................................................................................ 57


(28/06/2013) (COR 2) ............................................................................................ 57


(11/07/2013) (COR 3) ............................................................................................ 58


(29/07/2013) (COR 4) ............................................................................................ 58

Figura 28. Histogramas del coeficiente de correlación rohv para el evento 5:

Corozal (30/07/2013) (COR 5) ............................................................................... 59

Figura 14. Mapa Conceptual del Modelo de clasificación de hidrometeoros ......... 69

Figura 15. Esquema general del clasificador propuesto ........................................ 70

Figura 16. Funciones de pertenecia para todas las variables del clasificador

(propagaciones anómalas, ecos biológicos, lluvia ligera, lluvia moderada, lluvia

pesada, gotas grandes, granizo. ............................................................................ 73

Figura 17. Esquema básico del clasificador difuso propuesto ............................... 75



Página | 9

CAPITULO 1. INTRODUCCIÓN A LA

INVESTIGACIÓN



Página | 10

1. INTRODUCCIÓN

Colombia es un país que se encuentra ubicado en la zona ecuatorial. Esta zona

se caracteriza por la presencia de clima húmedo y lluvias frecuentes; la nieve y

graupel no son un tipo de precipitación de esta región, mientras que el granizo es

un tipo de hidrometeoro que se presenta en menor frecuencia. El conocimiento

sobre el tipo de precipitación que ocurre en un determinado territorio, así como la

cantidad del mismo, puede traer múltiples beneficios asociados a sistemas de

alerta temprana y predicción del clima. Es así como el conocimiento y la predicción

de los fenómenos climatológicos ha sido una de las áreas que ha despertado

mayor interés durante toda la historia y, en la actualidad la investigación continúa

con la ayuda de técnicas y herramientas modernas que ofrecen mejores

potencialidades al respecto. En Colombia no se cuenta con un modelo de

clasificación de hidrometeoros diseñado específicamente para la región y, en la

actualidad, los radares adquiridos por las diferentes entidades gubernamentales,

utilizan como algoritmo de clasificación los desarrollados por investigaciones

científicas basadas en regiones climáticas diferentes a las ecuatoriales.

Adicionalmente, los modelos presentados a la fecha, parten de unas clases de

hidrometeoros previamente definidos de acuerdo a un conocimiento de experto y,

los modelos propuestos, utilizan datos simulados de radar, lo que puede conllevar

a errores significativos al momento de su aplicación en regiones ecuatoriales.

Teniendo en cuenta las circunstancias anteriormente mencionadas, se evidencia

la necesidad de desarrollar una investigación orientada a la construcción de un

modelo de clasificación de hidrometeoros, basado en las características de

precipitación de la región ecuatorial, y, que proponga nuevos enfoques y

herramientas de clasificación, en la búsqueda de mejorar el desempeño actual de

los algoritmos implementados en los radares que se han adquirido. El presente

trabajo es una propuesta que busca dar respuesta a la problemática expuesta.



Página | 11

1.1 PROBLEMA DE INVESTIGACIÓN

1.1.1 Planteamiento del problema

El ser humano ha buscado permanentemente el conocimiento del entorno que lo

rodea como un mecanismo de supervivencia ante las distintas adversidades que la

naturaleza le ha presentado. Es así como el conocimiento y la predicción de los

fenómenos climatológicos ha sido una de las áreas que ha despertado mayor

interés durante toda su historia y, en la actualidad, la investigación continúa con la

ayuda de técnicas y herramientas modernas que ofrecen mejores potencialidades

al respecto.

Los fenómenos climáticos tienen asociados riesgos que pueden ser mitigados, si

se reacciona oportunamente, a través de un adecuado sistema de alerta temprana

que sea capaz de identificar correctamente el tipo precipitación presentado en una

zona determinada. De esta manera, eventos considerados como posible amenaza,

serán informados en el instante en que se presenten, para que se tomen las

medidas necesarias que eviten pérdidas humanas y minimicen la cantidad de

daños materiales.

La clasificación de los hidrometeoros que caracterizan las precipitaciones en una

región específica, así como la intensidad de las mismas en un intervalo de tiempo

dado, son un elemento fundamental para predicción de fenómenos climáticos de la

zona observada y sus áreas vecinas.

Los modelos de clasificación de hidrometeoros se han convertido en una

herramienta esencial para el desarrollo de investigaciones relacionadas con la

microfísica de las lluvias, la detección de granizadas, el ajuste de algoritmos de

estimación de la precipitación, la asistencia en vuelos y el pronóstico del tiempo.

(Marzano, Scaranari, and Vulpiani 2007)

El radar meteorológico es un instrumento de medición utilizado para la detección

de la precipitación y otros fenómenos meteorológicos como viento, granizo y

nieve. En los últimos años ha evolucionado y su tecnología incluye el manejo de



Página | 12

ondas polarizadas horizontal y verticalmente. Se fundamenta en la información

que obtiene de la potencia de los ecos de retrodispersión de los hidrometeoros, la

cual es convertida a través de la ecuación del radar en reflectividad radiárica.

(Gómez Vargas 2015)

Para el cálculo y clasificación de los diferentes hidrometeoros presentes en el

radio inspeccionado, el radar entrega una serie de medidas denominadas

observables de radar polarimétrico. Estos observables se obtienen de la señal

reflejada y que caracterizan a cada uno de los tipos de hidrometeoros sobre los

cuales incide el rayo transmitido por el radar. Los más importantes observables de

radar son: reflectividad diferencial (ZDR), tasa de despolarización lineal (LDR),

Diferencial específico de fase (KDP), coefiente de correlación (HV) (Rinehart 2007).

Estos constituyen algunas de las variables independientes de esta investigación.

Dentro de las investigaciones realizadas hasta la fecha, existen dos que vale la

pena destacar, por los óptimos resultados de los modelos de clasificación

desarrollados:

Park et al. en el 2009 desarrollaron un algoritmo de clasificación de hidrometeoros

para el radar polarimétrico WSR-88D, el cual fue probado con datos de Oklahoma

arrojando resultado satisfactorios. Los tipos de hidrometeoros que incluía son:

nieve agregada seca, nieve húmeda, cristales de diversas orientaciones, graupel,

y otras.

Marzano, Scaranari, and Vulpiani en el 2007 desarrollaron un clasificador de

hidrometeoros con lógica difusa supervisada usando un radar meteorológico

banda C. Este algoritmo fue probado con datos de radares localizados en

Gattatico y S, Pietro en el norte de Italia. Al igual que el de Park utiliza dentro de

sus categorías de clasificación nieve y graupel entre otros.

También es importante mencionar los trabajos realizados por Liu y Chandrasekar

en el 2000, los cuales constituyen las investigaciones preliminares sobre

clasificación de hidrometeoros. La tabla comparativa que sintetiza las variables



Página | 13

polarimétricas utilizadas y los tipos de hidrometeoros que se tuvieron en cuenta en

cada estudio se podrá encontrar en el anexo 1.

En los últimos años el estado colombiano ha realizado importantes esfuerzos en la

adquisición de cuatro radares meteorológicos Banda C de similares características

técnicas ubicados en los siguientes sitios: Medellín (Santa Elena), Subachoque (El

tablazo), Corozal (Aeropuerto de Brujas) y San Andrés Islas. No obstante la

inversión realizada, los beneficios recibidos por la misma no son los óptimos, ya

que en la actualidad no se cuenta con estudios ni investigaciones tendientes a

desarrollar un algoritmo que permita clasificar los Hidrometeoros que caracterizan

las diferentes precipitaciones que se presentan en las regiones clombianas sobre

las cuales existe cobertura del barrido de radar.

Los radares meteorológicos instalados en Colombia tienen incorporado dentro de

su lógica de procesamiento algoritmos de hidroclasificación que han sido

desarrollados y probados para condiciones meteorológicas diferentes a las zonas

ecuatoriales; las categorías predefinidas y puestas a punto incluyen: granizo

blando, nieve, nieve húmeda y otras que no corresponden a los tipos de

precipitación de la región ecuatorial.

Por lo anterior, es necesario definir las firmas de hidrometeoros para las zonas

ecuatoriales y diseñar un modelo de clasificación acorde a esta región, ya que de

continuar utilizándo el modelo de Park que está incorporado en los radares

adquiridos, la estimación cuantitativa de la precipitación va a estar más distante de

la realidad. Un correcto modelo ajustado de manera adecuada, debe procesar

estas entradas y generar como resultado o variable dependiente la clasificación

del hidrometeoro de acuerdo al tipo de precipitación al que pertenezca.

Teniendo en cuenta que los dos algoritmos mencionados anteriormente fueron

probados en sus respectivas regiones, obteniendo resultados satisfactorios en lo

que a eficacia de clasificación se refiere, es importante conocer el grado de

eficacia que es posible lograr en la clasificación de hidrometeoros, aplicando los



Página | 14

algoritmos de Park y Marzano a datos de radar con lecturas propias de la región

colombiana.

El problema de la clasificación de hidrometeoros requiere que el modelo a utilizar

tenga en cuenta que las observaciones para los diferentes tipos de clasificación no

son mutuamente excluyentes (Gorgucci, Baldini y Chandrasekar 2006), razón por

la cual a la fecha, la opción más fácil que han definido los investigadores es la

utilización de técnicas de lógica difusa y redes Bayesianas. No obstante lo

anterior, es conocido que existen otras técnicas algorítmicas de clasificación,

supervisadas y no supervisadas que no han sido abordadas dentro de las

investigaciones realizadas a la fecha.

1.1.2 Formulación del problema

Teniendo en cuenta que ya se han descrito las circunstancias que dan origen al

problema, es necesario expresarlo de forma clara y concreta a través de una

pregunta cuya respuesta se obtenga con la realización de la investigación.

1.1.2.1 Pregunta de Investigación

¿Cómo representar y clasificar los hidrometeoros en zonas ecuatoriales a partir de

datos de radares polarimétricos?

1.1.2.2 Hipótesis Planteada

Los resultados de la clasificación de hidrometeoros en zonas ecuatoriales, pueden

ser mejorados si se desarrolla un nuevo modelo, que contemple en su análisis y

diseño, datos de lecturas de radar propios de las mencionadas zonas, teniendo en

cuenta que los algoritmos utilizados en las investigaciones realizadas a la fecha,

se han construido a partir de datos capturados de regiones diferentes a las

ecuatoriales.



Página | 15

1.1.3 Sistematización del problema

La pregunta anterior puede dar origen a varias subpreguntas, con el fin de reducir

un problema de características complejas en un conjunto de problemas menos

complejos:

¿Cómo extraer información de los datos de radar ubicados en la región

Colombiana?

¿Cómo se decodifican los datos del radar?

¿Qué variables polarimétricas serán tenidas en cuenta en el modelo?

¿Qué técnicas pueden aportar un mejor desempeño en el modelo de clasificación

a diseñar?

¿Cómo realizar la validación del modelo de clasificación de hidrometeoros

propuesto?

Por lo anterior, se considera que el diseño e implementación de un algoritmo

clasificador de hidrometeoros para la región colombiana, permitirá pronósticos

más acertados y una efectiva caracterización de los eventos relacionados con la

precipitación impactando positivamente y de manera importante sobre los

sistemas de alerta temprana, sistemas de vigilancia de embalses, sistemas de

información para el tráfico aéreo, pronóstico del clima para proyectos agrícolas,

información al ciudadano, etc.

1.2 OBJETIVOS

1.2.1 Objetivo general

Diseñar un clasificador de hidrometeoros para zonas ecuatoriales a partir de

datos de los observables polarimétricos de radares meteorológicos.

1.2.2 Objetivos específicos

Decodificar y analizar estadísticamente los datos de los observables

polarimétricos de radares meteorológicos ubicados en Colombia.



Página | 16

Diseñar el modelo conceptual del clasificador definiendo a partir del análisis

de datos las variables polarimétricas que deben ser consideradas.

Implementar el modelo propuesto seleccionando las técnicas y

herramientas que puedan entregar los mejores resultados en la

clasificación.

Diseñar y desarrollar un protocolo de validación y pruebas al modelo de

clasificación propuesto.

1.3 JUSTIFICACIÓN

1.3.1 Justificación teórica

Las investigaciones realizadas sobre clasificación de hidrometeoros no incluyen

técnicas de clasificación no supervisadas desaprovechándo las ventajas que

dichas técnicas podrían ofrecer a esta problemática. Un modelo de clasificación de

hidrometeoros que incorpore nuevas técnicas, traerá consigo un nuevo

conocimiento, que podrá servir inclusive para mejorar los clasificadores

actualmente desarrollados.

El resultado esperado del presente trabajo es un nuevo modelo aplicable a zonas

ecuatoriales, teniendo en cuenta que todos los estudios realizados se han

desarrollado en zonas donde hay estaciones.

1.3.2 Justificación metodológica

Existen muchas aplicaciones asociadas a la observación y predicción del clima,

dentro de estas se pueden mencionar: los sistemas de alerta temprana ante

desastres naturales, el pronóstico del tiempo como servicio a la ciudadanía, la

generación de modelos para la planeación de actividades agrícolas, la proyección

del comportamiento de los embalses, etc. Un adecuado modelo de clasificación de

hidrometeoros permitirá registrar continuamente todos los sucesos

meteorológicos, crear una completa base de conocimiento y predecir con un

importante grado de exactitud los eventos de precipitación que se puedan



Página | 17

presentar en una región determinada que se encuentre permanentemente

monitoreada.

1.3.3 Justificación práctica

La Aerocivil ha realizado una inversión importante de dinero para la adquisición de

tres radares polarimétricos Banda C, los cuales traen incorporado dentro de su

software el algoritmo de Park, el cual fue diseñado para las condiciones

medioambientales de países regidos por estaciones, por lo que el grado de

exactitud de la clasificación disminuye considerablemente para zonas ecuatoriales.

Teniendo en cuenta que los radares en mención, ofrecen la posibilidad de entregar

los datos en crudo de las lecturas realizadas sobre los observables polarimétricos,

se hace necesario desarrollar un modelo que lea estos datos de radar y realice la

respectiva clasificación del tipo de precipitación presentada.

Si se cuenta con un algoritmo que, tomando las lecturas de radar clasifique

correctamente los hidrometeoros presentados durante una precipitación, es

posible mejorar el estimado de la cantidad de dicha precipitación presentada

durante un determinado evento.

La clasificación de los hidrometeoros presentados en toda la región colombiana, a

través de lectura de radar, permite registrar los fenómenos presentados en todas

las zonas cubiertas por los radares dispuestos para tal fin, almacenando

información valiosa que permitirá generar conocimiento sobre el comportamiento y

las características de las precipitaciones observadas.

1.4 METODOLOGÍA

1.4.1 ETAPA 1: Decodificación de datos

Teniendo en cuenta que los datos entregados por el radar polarimétrico se

encuentran en el formato natural que entrega el fabricante, es necesario realizar

una serie de actividades en esta etapa, con el fin de adecuar los datos a los

requerimientos.

Transformar la información cruda a formato netCDF.



Página | 18

Desarrollar e implementar rutinas en MATLAB que permitan leer el formato

netCDF.

Convertir la información netCDF a formato plano, organizando las

características adecuadas para que puedan ser utilizadas ágilmente en las

etapas siguientes.

1.4.2 ETAPA 2: Análisis de los datos

Una vez se tiene la información en un formato plano, se interpreta el contenido de

cada una de las variables de interés, por lo cual es necesario visualizar:

La reflectividad de cada evento que se estudiará.

Pruebas de tendencia central e histogramas de las variables polarimetricas

para cada variable.

Una vez realizadas las pruebas, se procede a seleccionar que variables se

utilizaran como variables de entrada en el modelo conceptual.

Análisis del clasificador que trae por defecto la información del radar.

1.4.3 ETAPA 3: Diseño de modelo conceptual propuesto

Para este diseño se deben establecer los parámetros y datos adicionales a tener

en cuenta como los pesos de variables para cada tipo de hidrometeoro, y demás

aspectos que puedan afectar la exactitud de la clasificación. Esta etapa se

desarrolla en los siguientes pasos:

Definir los objetivos del modelo.

Definir los límites del sistema de interés.

Clasificar los componentes del sistema de interés.

Identificar las relaciones entre los componentes del sistema.

Representación formal del modelo conceptual.



Página | 19

1.4.4 ETAPA 4: Modelo final del clasificador

Una vez definido el modelo conceptual de la clasificación y teniendo establecido

claramente las variables polarimétricas a utilizar, se selecciona un método

supervisado como herramienta a utilizar en el proceso.

Para presentar el clasificador se deben obtener la siguiente información:

Funciones de pertenencia para todas las variables.

Ponderación de las variables polarimetricas

Creación de las matrices A normalizadas.

Creación de la matriz de pesos para el clasificador difuso.

1.4.5 ETAPA 5: Validación y resultados del modelo propuesto

Para la validación se diseña un simulador de datos de radar.

Se aplica el modelo de clasificación para los datos simulados.

Se aplican datos reales al modelo clasificador propuesto.



Página | 20

CAPITULO 2. ESTADO DEL ARTE



Página | 21

2.1. MARCO TEÓRICO

2.1.1. Tipos de clasificación de hidrometeoros

2.1.1.1. Supervisados

2.1.1.1.1. Basados en lógica difusa y redes neuronales

Los primeros en explorar las funcionalidades de la lógica difusa para los

algoritmos de clasificación, fueron Straka y Znirc (1993) y Straka (1996), a partir

de entonces otros como Vivekanandan et al. (1999), Zrnic et al. (2001), Le Bouar,

Testud y Keenan (2001), Schuur et al. (2003), Lim y Chandrasekar (2004) y

Marzano et al. (2008), han refinado dichos procesos en rutinas mucho más

sofisticadas (Park et al. 2009). Liu y Chandrasekar en el 2000, desarrollaron una

investigación denominada “Clasificación de hidrometeoros basada en medidas de

radar polarimétrico”, la solución algorítmica utilizó un sistema de lógica difusa y

lógica neuro-difusa, donde, la primera se usó para inferir el tipo de hidrometeoro y

la red neuronal para ajustar automáticamente los parámetros del conjunto difuso

en el sistema de lógica difusa. Las medidas de radar utilizadas fueron:

Reflectividad horizontal (ZH), Reflectividad Diferencial (ZDR), Fase diferencial de

propagación (KDP), Coeficiente de correlación (HV(0)), Relación de

Despolarización Lineal (LDR) y la correspondiente altitud. Las posibles salidas del

sistema neuro-difuso corresponden a los hidrometeoros definidos de manera

supervisada así: 1) llovizna, 2) lluvia, 3) nieve de densidad seca y baja 4) cristales

secos y de alta densidad, 5) humedad y fusión de nieve 6) graupel seco, 7)

graupel mojado, 8) granizo pequeño, 9) granizo grande, y 10) mezcla de lluvia y

granizo. En su estudio, justifican la utilización de la lógica difusa como técnica de

solución, debido a que esta es capaz de identificar hidrometeoros que están

traslapados con otros y con medidas contaminadas por el ruido. El sistema

propuesto, tiene tres componentes que son: Fuzificación, inferencia y

defuzificación, sin embargo, en cada uno de ellos se realizaron modificaciones. En

la etapa de inferencia se utilizó una combinación del método de producto con el

método aditivo. La importancia de la medida de radar puede ser diferente de



Página | 22

acuerdo al tipo de hidrometeoro, como es el caso de la lluvia donde ZDR y KDP

juegan un papel más importante para su identificación que las otras medidas, por

eso este algoritmo aplica una configuración de pesos para las medidas de radar

de acuerdo al tipo de hidrometeoro. Para la detección de la capa de fusión

“Melting Layer” (ML) (Nieve derretida por las gotas de lluvia durante la caída),

antes se detectaba por el mínimo de coeficiente de correlación (HV), lo cual

funcionaba en regiones estratiformes, sin embargo, para regiones convectivas

arrojaba resultados no satisfactorios. En el nuevo algoritmo propuesto se utilizan

ZH y ZDR en lugar de HV para la detección del ML. (Gorgucci, Baldini, and

Chandrasekar 2006).

Marzano, Scaranari y Vulpiani en el 2007 realizaron una investigación denominada

“Clasificación supervisada de Hidrometeoros con lógica difusa usando radar

meteorológico banda C”, esta fue una de las primeras investigaciones que utilizan

esta banda de radar ya que, para el 2007, la mayoría de la literatura científica

existente sobre técnicas de clasificación, estaban diseñadas para radares

meteorológicos de polarización dual en la banda S; las firmas polarimétricas de los

hidrometeoros pueden depender en su mayoría de la frecuencia que utilice el

sistema de radar polarimétrico. La respuesta ante precipitaciones con radares de

polarización dual banda S difieren considerablemente de los de banda C, debido a

que desde el punto de vista electromagnético las ondas banda C se ven afectadas

por el efecto de resonancia MIE. Abordar el tema de la clasificación de

hidrometeoros para radares banda C, es de especial interés debido a que la

mayoría de los radares meteorológicos operan en esta banda, ya que ofrecen

ventajas como: mayor sensibilidad, reducción de tamaño, menor tamaño de

antena y menor costo total con respecto un sistema banda S de características

similares. (Scarchilli et al. 1993).

A diferencia de los radares banda S, los radares banda C tienen una característica

que debe ser tenida en cuenta durante las mediciones y es la relacionada con la

atenuación por trayecto de la precipitación. El radar meteorológico de polarización



Página | 23

dual ofrece la ventaja de diversas polarizaciones y medidas de desplazamiento de

fase diferencial para corregir los efectos de la atenuación del trayecto de la

precipitación de una manera bastante efectiva.

Marzano, Scaranari, y Vulpiani (2007) en su estudio presentaron un método de

clasificación de lógica difusa. Las clases son definidas previamente de manera

arbitraria, y la respuesta de radar es derivada de un modelo de dispersión. El

enfoque de clasificación puede ser etiquetado como supervisado y basado en un

modelo difuso. Esta investigación extendió a banda C el algoritmo de clasificación

utilizado para radares banda S, manejando medidas de fase y potencia, evaluando

el impacto del PIA (Atenuación de camino integrada) y corrigiéndolo, utilizando

para ello una red de dos radares, con el objetivo de comparar las dos

observaciones y aplicar el procedimiento de corrección del PIA basado en un

algoritmo de compensación de la atenuación.

En el 2009 Park et al. desarrollaron un algoritmo de clasificación de

hidrometeoros para el radar polarimétrico WSR-88D. Teniendo en cuenta la

importancia e impacto de este algoritmo se realizará una descripción un poco más

profunda de la investigación realizada:

A diferencia de los clasificadores previos basados en lógica difusa como los

publicados por Hubbert et al. (1993), Liu y Chandrasekar (2000), Straka, Zrnić y

Ryzhkov (2000), Zrnic et al. (2001), Keenan (2003), Schuur et al. (2003), Lim y

Chandrasekar (2004), Baldini, Gorgucci y Petersen (2005) y Gourley, Tabary y

Parent du Chatelet (2007), este incluye la estimación de los factores de confianza

que caracterizan los impactos de todas las fuentes de error en las medidas de

radar, la asignación de una matriz de pesos que caracteriza el poder que va a

tener cada variable en la clasificación con respecto a cada eco de radar, y la

implementación de un sistema de designación de clase basado en la distancia del

radar y el parámetro ML. Lo que permitió una flexibilidad considerable y mejoría en

la discriminación entre hidrometeoros líquidos y congelados. En esta clasificación

se diferencian 10 tipos diferentes de ecos de radar que fueron dispersión en tierra,



Página | 24

incluyendo la ocasionada por propagaciones anómalas, dispersores biológicos,

nieve agregada seca, nieve húmeda, cristales de varias orientaciones, graupel,

gotas grandes, lluvia ligera y moderada, lluvia fuerte y una mezcla de lluvia y

granizo. Los datos que se utilizaron corresponden a un evento del 13 de Mayo de

2005 medido con el prototipo de radar de Norman, Oklahoma.

Se implementaron seis variables polarimétricas para la discriminación, estas son:

el factor de reflectividad del radar en la polarización horizontal (Z), el diferencial de

la reflectividad (ZDR), el coeficiente de correlación cruzada (HV) entre la

polarización horizontal y vertical, el diferencial de fase específico (KDP), el

parámetro de textura SD(Z) de Z, el parámetro de textura SD(φDP) del diferencial

de fase φDP. Los parámetros de textura caracterizan las magnitudes de las

fluctuaciones en pequeñas escalas de Z y φDP. Para calcular cada uno se hace

de manera similar; en el caso de SD(Z), se promedian los datos obtenidos en una

ventana de 1km, es decir, se toman 4 datos espaciados a 0,25 km para realizar el

promedio, esto permite suavizar la estimación de Z de los valores originales, y

calcular la raíz media cuadrática del valor residual. En el caso de SD(φDP ), se

toma una ventana de 2km. Dado el rango de la variable KDP, se tomaron sus

valores en una escala logarítmica. Por lo cual se introdujo el parámetro LKDP.

Para determinar la clase a la que cada hidrometeoro pertenece se implementó un

proceso denominado agregación. Dicho proceso requiere tener las funciones de

pertenencia o rangos que asume cada variable, la matriz de pesos asignados a

cada variable y clase, y el elemento de confianza asignado a las variables. La

decisión de la clasificación se basa en el valor que tenga el mayor valor de

agregación. Para el caso de este artículo en la agregación se utilizó una rutina de

agregación basada en sumatorias, sin embargo, se pueden implementar

multiplicaciones o combinaciones de ambas. Según los autores, los esquemas

híbridos son vulnerables a muchos más errores ya sea por calibración o

atenuación.



Página | 25

Se asumen funciones de pertenencia trapezoidales debido a que se aproximan a

la forma simétrica y asimétrica de las distribuciones de probabilidad de las

variables del radar, lo cual no ocurre con otras funciones de pertenencia como

Gaussiana y Beta que asumen la forma simétrica, sin embargo estas dos también

han sido usadas como es el caso de los estudios realizados por Liu y

Chandrasekar (2000), Keenan (2003), Baldini, Gorgucci y Petersen (2005),

Gourley, Tabary y Parent du Chatelet (2007), Chandrasekar et al. (2013) y

Thompson et al.(2014).

La matriz de pesos permite discriminar de manera eficiente cada variable con

respecto a una clase en particular. Esta matriz es determinada subjetivamente,

por lo cual se sugiere tomar los criterios propuestos por Park et al. 2009 para

lograr un mejor resultado, puesto que esta metodología considera el grado de

solapamiento entre las funciones de densidad probabilística de cada variable para

cada clase, es decir, a mayor solapamiento menor será el peso.

El vector de confianza se tiene en cuenta de acuerdo al rango de la celda, puesto

que se asume teniendo en cuenta que existen diversos factores de error en las

medidas como lo son: mala calibración del radar, atenuación, llenado parcial del

haz, bloqueo parcial del haz, la magnitud de HV y el receptor del ruido. En caso de

que la calidad de la variable se encuentre comprometida, se le dará un menor

peso en la clasificación. Para la corrección de estos errores se han publicado

diversos estudios como los presentados por Dolan y Rutledge (2007), Vulpiani et

al. (2008), Gourley, Illingworth y Tabary (2009) y Gu et al. (2011) en donde se

evidencia una mejoría notable con respecto a las mediciones sin ningún tipo de

corrección.

Para la asignación de las clases según las funciones de pertenencia se tuvo que

implementar primero un algoritmo para la detección de ML debido a que la función

de pertenencia de algunas clases de hidrometeoros líquidos o congelados, se

traslapan fuertemente, la clasificación de estos elementos puede ser

significativamente mejorada teniendo en cuenta su localización con respecto a la



Página | 26

capa de fusión. El algoritmo de detección de capa de fusión (MLDA) determina el

ancho y alto de la capa de fusión en función del azimut para cualquier exploración

de un radar dado. (Park et al. 2009). Una vez se determinaron los límites de ML,

se aplicó la agregación por lógica difusa y el procedimiento para la clasificación

con dos restricciones con respecto a la capa brillante. La detección de ML se ha

implementado desde 1994 con el estudio realizado por Höller et al. y por Liu y

Chandrasekar en el 2000.

Adicional a la rutina se separan los ecos convectivos y estratiformes con el fin de

mejorar la discriminación entre la nieve húmeda y el graupel derritiéndose en ML,

verificando siempre si los resultados son razonables, para hacerlo se utilizan

umbrales, es decir, se comprueba que en caso de que un hidrometeoro no pueda

ser clasificado por causa de alguna regla, el algoritmo permita asignar dicho

hidrometeoro al siguiente valor de agregación más alto, permitiendo una

disminución del ruido en el resultado.

Siguiendo a Ryzhkov, Giangrande y Schuur 2005 se realizó la calibración de Z

verificando la consistencia con las medidas de KDP en áreas con lluvia moderada a

pesada con Z>40 dBZ, se calibro el diferencial de la reflectividad utilizando

medidas de ZDR en nieve seca agregada un poco arriba de la capa brillante en las

partes estratiformes.

Los resultados de los factores de confianza se determinaron teniendo en cuenta

los errores causados bajo nivel de HV y el llenado parcial del haz. Determinando

que los factores de confianza de tres variables polarimetricas se ven

principalmente afectados por estos dos factores. Por esta razón la mayor caída en

el factor de confianza para ZDR,KDP y HV se observa en áreas del mayor gradiente

de ɸDP y a lo largo de ML donde los valores intrínsecos de los coeficientes de la

correlación cruzada son bajos. Todos los factores de confianza disminuyen a lo

largo del perímetro del área debido a la reducción en la relación señal/ruido. La

reflectividad del radar es menos afectada por esta reducción comparada con las



Página | 27

variables polarimetricas y por tanto es el mejor parámetro de clasificación en áreas

donde el eco de radar es débil.

Una vez se determinaron y computaron los valores de agregación, se estimaron

los límites inferior y superior de ML. Determinando que según Giangrande, Krause

y Ryzhkov 2008, el límite superior de ML derivado de las medidas polarimetricas

se aproxima a la altura de una temperatura de 0° del bulbo húmedo con un error

medio cuadrático de aproximadamente 0,2km en la mayoría de los casos. Sin

embargo, en el estudio se encontró que en promedio el límite superior de la capa

brillante se encontraba cerca de los 2° C, justificando que dicha discrepancia se

atribuye a una humedad relativamente baja, pero evidenciando que el

descongelamiento inicia donde la temperatura del bulbo mojado excede los 0° C.

Los resultado de la clasificación, aunque no se pudieron comparar con medidas in

situ, se ajustan a los modelos de la microfísica conceptual (Houze et al. 1989).

2.1.1.1.2. Basados en enfoques bayesianos, arboles de decisión y otros

Las investigaciones expuestas anteriormente utilizan la lógica difusa y las redes

neuronales como técnicas de clasificación. Sin embargo existen otros estudios que

han explorado las redes bayesianas, de los cuales se resaltan los aspectos más

sobresalientes a continuación:

En el 2008 Marzano et al. introdujeron un enfoque de estadística bayesiana para

la clasificación de hidrometeoros. En este método el hidrometeoro clasificado

correctamente se determina por la máxima probabilidad a posteriori. El algoritmo

bayesiano propuesto utiliza un vector de tres entradas para cada dato de radar a

ser clasificado así: reflectividad, reflectividad diferencial y temperatura. Aunque

presenta también resultados utilizando la variable KDP. La regla de la MAP

(máxima probabilidad a posteriori) es bastante intuitiva, ya que la clase de

hidrometeoro es provista por un índice el cual maximiza la PDF (Función de

densidad de probabilidad) P(Ci/X), relaciona por el teorema de Bayes a la a priori



Página | 28

PDF P(Ci) y la verosimilitud (P(X/Ci). La verosimilitud es asumida como un PDF

Gaussiana y multidimensional. Se considera que las firmas polarimétricas son

hiper-elipsoides en el espacio de observación tridimensional. (Marzano, Scaranari,

and Vulpiani 2007).

La investigación anterior fue desarrollada para radares banda X y banda S, por lo

que para la banda X fue necesario incorporar el concepto de atenuación.

Posteriormente en el 2008 Marzano et al. extendieron el algoritmo a radares

banda C. Tanto la verosimilitud como la PDF a priori, deben ser expresados para

evaluar la regla de inferencia. Este es uno de los aspectos más críticos del

enfoque Bayesiano ya que debe mezclar un conocimiento a priori y un análisis

numérico para que, con la combinación de los resultados obtenidos, se seleccione

la apropiada expresión. (García 2013).

Además del enfoque bayesiano se han implementado estudios que utilizan rboles

de decisión como el realizado por Höller en 1994 que valida los resultados con

conocimientos teóricos y observaciones en campo y que adicionalmente tiene en

cuenta la distancia a ML, o el realizado por Schuur (2012) que involucra la

temperatura y un modelo termodinámico validado con datos en tierra.

2.1.1.2. Semisupervisados

La mayoría de los esquemas de clasificación de hidrometeoros se basan en lógica

difusa de manera supervisada. Sin embargo, en 2015 Bechini y Chandrasekar

aclararon que cuando las observaciones de entrada del radar son ruidosas, la

clasificación de salida también puede ser ruidosa, ya que el proceso se basa en un

intervalo y tiene en cuenta la información de los datos vecinos; es por esto que

emplearon un análisis por conjuntos o conglomerados, en combinación con la

lógica difusa, para mejorar la clasificación de hidrometeoros de los radares de

polarización dual utilizando un enfoque de pasos múltiples. El primer paso implica

la optimización de los datos del radar basado en un perfil de temperatura a partir



Página | 29

de datos auxiliares. Luego, un primer procesamiento de lógica difusa genera la

clasificación para iniciar un análisis de conjuntos con restricciones de contigüidad

generando una penalización. El resultado del análisis se procesa para identificar

las regiones pobladas con grupos adyacentes asignados a la misma clase de

hidrometeoros. Finalmente, el conjunto de regiones conectadas se pasa al

algoritmo de lógica difusa para la clasificación final, implementando la muestra

estadística compuesta por la distribución de la polarización y las observaciones de

temperatura dentro de las regiones. Después de esto se analizó la sensibilidad al

ruido y al sesgo en las variables de entrada. Una de las principales ventajas de

este estudio fue el análisis espacial, ya que una clasificación basada en regiones

tiene varias ventajas. Las regiones se identifican a partir del análisis

semisupervisado, capaz de reducir la distancia dentro de las regiones y aumentar

la distancia entre grupos lo que permite una separación más clara entre los

diferentes hidrometeoros. La clasificación final de la lógica difusa aplicada a las

regiones conectadas es muy robusta, ya que se basa en una muestra estadística

más que en mediciones de un solo punto. Además, la clasificación es adaptativa

localmente, en el sentido de que explota automáticamente y se adapta a las firmas

espaciales más marcadas en las observaciones polarimétricas.

Otro clasificador semisupervisado fue publicado por Besic et al. en 2016, quienes

encontraron que el inconveniente principal de los métodos de clasificación

supervisados, basados principalmente en lógica difusa, es una dependencia

significativa de un presunto comportamiento electromagnético de diferentes tipos

de hidrometeoros. A saber, los resultados de la clasificación dependen en gran

medida de la calidad de las simulaciones de dispersión. Cuando se trata del

enfoque no supervisado, carece de las limitaciones relacionadas con la microfísica

hidrometeorológica. La idea del método propuesto fue compensar estos

inconvenientes combinando los dos enfoques de forma que las hipótesis

microfísicas puedan, hasta cierto punto, ajustar el contenido de las clases

obtenidas estadísticamente a partir de las observaciones. Esto se hace por medio

de un enfoque iterativo, realizado fuera de línea, que, en un marco estadístico,



Página | 30

examina observaciones polarimétricas representativas agrupadas al compararlas

con las presuntas propiedades polarimétricas de cada clase de hidrometeoros.

Además de comparar, una rutina altera el contenido de los grupos fomentando la

agrupación estadística adicional en caso de la no identificación. Al fusionar todos

los grupos identificados, se obtienen las firmas polarimétricas multidimensionales

de diversos tipos de hidrometeoros para cada uno de los conjuntos de datos

representativos estudiados. Estos se representan mediante conjuntos de

centroides que luego se emplean en la clasificación de diferentes hidrometeoros.

2.2. MARCO CONCEPTUAL

2.2.1. Generalidades del radar meteorológico

2.2.1.1. El radar meteorológico

Las ondas electromagnéticas se caracterizan por poseer amplitud, frecuencia y

estado de polarización. Cuando este tipo de ondas son emitidas por un radar y

chocan con partículas en movimiento en la atmosfera, las características de la

onda que se dispersan son modificadas. A través del monitoreo de estos cambios

es posible inferir el tamaño, la velocidad radial, la forma y la orientación de las

partículas sobre las que se impacta. (Bringi, Thurai y Hannesen 2007)

Los primeros radares manejaban estado de polarización simple. (Hubbert et al.

1993). De esta forma solo se podía medir la potencia de la onda dispersada al

chocar con las partículas. Luego fue incorporado el principio de Doppler

introduciendo la velocidad radial de las partículas como medida. Posteriormente

se desarrolló el radar polarimétrico el cual permitió utilizar el componente

horizontal y vertical de las ondas, ofreciendo mayor información sobre la partícula

impactada. (Scarchilli et al. 1993)

El radar polarimétrico es una herramienta útil para el estudio de tormentas

microfísicas. En los últimos años se han desarrollado varias técnicas de

clasificación de tipos de hidrometeoros basada en medidas de radares



Página | 31

polarimétricos. Esta clasificación presenta una variedad de aplicaciones como

interpretación de los datos de radar polarimétrico, estudio de la formación de las

precipitaciones y su ciclo de vida y selección del algoritmo correcto, para la

estimación de la precipitación. (Liu y Chandrasekar 2000)

2.2.1.2. Ecuación de Radar

Todos los radares hacen uso de la denominada ecuación de rango de radar para

obtener la reflectividad de una dispersión distribuida en un volumen de pulso de

radar. Para un sistema de radar pulsado con una duración de pulso T(0) y una

potencia recibida desde un volumen de pulso en una distancia r(0), la ecuación

está dada por:

𝑃�̅� (𝑟0) =𝑐𝜏0

2+

𝑃𝑡𝐺02

𝜆2(4𝜋)3

𝜋𝜃1𝜑1

8 𝑙𝑛 2

𝜋5|𝐾𝑤|2

𝑟02 𝑍𝑒(𝑟0) Ecuación 1

Donde Pt es la potencia transmitida, G0 es la ganancia de la antena de radar, c es

la velocidad de la luz y y son el ancho del rayo en los planos azimut y

elevación. El factor Kw depende de la constante dieléctrica del agua a la

frecuencia del radar. Ze es el factor de reflectividad, que es la suma de las

contribuciones de todas las dispersiones. Esta depende no solo de la forma y el

tamaño, sino además del tipo de hidrometeoro presente en el volumen de pulso.

(Rinehart 2007).

2.2.1.3. Observables Polarimétricos del radar:

Son las posibles mediciones que se pueden obtener con el radar y que brindaran

información relacionada con los hidrometeoros y demás partículas sobre las que

impacta el rayo del radar. A continuación se presentan las ventajas y atributos de

los observables (tabla 1) y se realiza un breve resumen (según la teoría de Bringi,

Thurai y Hannesen 2007), de los observables polarimétricos más relevantes para

la presente investigación.



Página | 32

Reflectividad Diferencial (ZDR):

El achatamiento de los hidrometeoros genera una diferencia entre las

polarizaciones vertical y horizontal de la señal retrodispersada. Esta medida es

llamada reflectividad diferencial ZDR, la cual es definida en la escala de DB como:

𝑍𝐷𝑅 = 10 𝑙𝑜𝑔10 (𝑍𝐻

𝑍𝑉) Ecuación 2

Diferencial específico de fase (KDP)

El achatamiento de las gotas también causa diferencias de amplitud y fase de la

señal propagada, causando que la onda polarizada horizontalmente sufra alta

atenuación y retraso de fase con respecto a la onda polarizada verticalmente.Esta

dada por:

𝐾𝐷𝑃 =2𝜋

𝑘0∫ 𝑅𝑒[ℎ̂ ∙ 𝑓 ∙ 𝑣 ∙ 𝑓]𝑁(𝐷)𝑑𝐷 Ecuación 3

Coeficiente de Correlación (co)

Es la correlación entre la señal que retorna polarizada verticalmente y la

polarizada horizontalmente. Está definida como (Sachidananda and Zrnic,1985):

𝜌𝐶𝑂 =⟨𝑆𝑉𝑉𝑆𝐻𝐻

∗ ⟩

√[⟨|𝑆𝐻𝐻|2⟩⟨|𝑆𝑉𝑉|2⟩] Ecuación 4

Tabla 1. Aplicaciones y ventajas de los observables polarimétricos.

PARÁMETRO

VENTAJAS ZH ZDR KDP/DP CO LDR δ pH

X, pH

v

Mejorar los estimadores de

rangos de precipitación X X X

Clasificación de hidrometeoros X X X X X

Determinar las alturas del nivel

de fusión X

X X X

Corregir la atenuación y/o

fenómenos aleatorios X

Verificación de auto consistencia

de la calibración Z X X X



Página | 33

Identificar dispersión en tierra

y/o propagaciones anómalas X X X

Discriminar efectos de la

dispersión en mar y

propagaciones anómalas sobre

el mar

X X X

Identificar ecos biológicos como

pájaros e insectos X X

X

Superar problemas del bloqueo

del haz X

Identificar regiones de cristales

de varias orientaciones en nubes X

X

Independiente de la calibración

absoluta del radar X X X X

Inmune a los efectos de la

propagación X X

Inmune al sesgo que produce el

ruido

X X

Independiente de la

concentración X X X

Fuente: Bringi, Thurai y Hannesen (2007) y Dusan S. Zrnic y Ryzhkov (1998)

Meteoro e hidrometeoro

Según un informe de la Organización Meteorológica Mundial (OMM 1993), un

meteoro “es un fenómeno observado en la atmósfera o sobre la superficie de la

tierra, que consiste en una suspensión, una precipitación, o un depósito de

partículas líquidas, acuosas o no, o de partículas sólidas, o un fenómeno de la

naturaleza de manifestación óptica o eléctrica.” Mientras que un hidrometeoro “es

un meteoro que consiste en un conjunto de partículas de agua líquida o sólida,

suspendidas en la atmósfera o cayendo a través de ella, o que son empujadas por

el viento desde la superficie de la tierra, o depositadas sobre objetos que se

encuentran sobre el suelo o en el aire libre. Los hidrometeoros que consisten en

una suspensión de partículas en la atmósfera son: nubes, niebla ("niebla" y



Página | 34

"neblina") y niebla helada. Los hidrometeoros que consisten en la caída de un

conjunto de partículas (precipitación) son: Lluvia, llovizna, nieve, cinarra, nieve

granulada, polvo de diamante, hielo granulado y granizo... Los hidrometeoros que

consisten en partículas precipitantes se producen, ya sea en forma de

precipitación más o menos uniforme (intermitente o continua), o como

chaparrones. Los chaparrones se caracterizan por sus comienzos y finalizaciones

bruscas, y por su variación en la intensidad de la precipitación, generalmente

rápida y a veces violenta. Las gotas y las partículas sólidas que se precipitan en

un chaparrón son habitualmente mayores que aquellas que caen en una

precipitación de otro tipo. Los chaparrones caen de nubes convectivas, la

precipitación que no cae en forma de chaparrón habitualmente lo hace desde

nubes estratiformes”.

2.3. MARCO ESPACIAL

El desarrollo de la investigación se realiza para los tipos de hidrometeoros

presentados en la región ecuatorial. Esta zona de la tierra, ocupa toda la extensión

del planeta que va de los 0 a los 20 grados de latitud, lo que corresponde a la

mayoría de selvas y sabanas del planeta. Es una zona con temperaturas muy

altas, como en la zona tropical, sin embargo, lo que la diferencia de ella son las

abundantes precipitaciones que presenta. Este hecho es causado debido a que el

aire en el ecuador asciende, transportando de esta manera el vapor de agua que

se condensa a determinada altura formando nubes que precipitan. (Benavides

Ballesteros y León Aristizabal 2007)

http://landscapeprimaryclass.blogspot.com.es/2012/04/zona-tropical.html



Página | 35

CAPITULO 3. ANÁLISIS DE DATOS



Página | 36

3.1. ANÁLISIS Y LECTURA DE DATOS

Los datos que se tuvieron en cuenta en el presente estudio corresponden a un

radar banda C ubicado en Corozal-Sucre, Colombia. En la tabla 2 se especifican

las características generales del radar utilizado:

Tabla 2. Información general del radar meteorológico ubicado en Corozal.

UBICACIÓN COROZAL-SUCRE

Banda C

Numero de PPI 10

Longitud -75,2829999290407

Latitud 9,33099998161197

Altitud 143 metros

Frecuencia 5,6246241e+09

PRF 0,0020000001

Tamaño de Celda 450 metros

Numero de rayos 360

Total Celdas 239040

Fuente: Elaboración propia.

Los eventos de precipitación seleccionados para el presente estudio se describen

a continuación en la tabla 3, de aquí en adelante se referirá a los eventos por su

ID Evento:

Tabla 3. Eventos de precipitación del radar de Corozal seleccionados para el estudio.

RADAR COROZAL

No. ID Evento Fecha Evento Celdas con

Precipitación

% de celdas con

Precipitación

Evento 1 COR 1 25/06/2013 Lluvia 93.079 38,93

Evento 2 COR 2 28/06/2013 Lluvia y granizo

116.420 48,7

Evento 3 COR 3 11/07/2013 Lluvia 131.210 54,89


78.632 32,89


91.912 38,45




Página | 37

EL formato de los datos obtenidos a partir del software IRIS (software diseñado

por el fabricante de los radares VAISALA) es netCDF, para su decodificación e

interpretación se utilizó el software Matlab. A continuación se describen los

comandos generales con los cuales se trabajó:

3.1.1. Lectura de datos netCDF en Matlab

El comando usado para abrir el archivo netCDF es “netcdf.open()”, dentro del

paréntesis se especifica la ruta física donde se encuentra el archivo, tal como se

muestra a continuación:

x = netcdf.open('E:\datos\399BOG-20170301-182038-PPIVol.nc','nc_nowrite');

x es la variable que va almacenar el archivo netCDF.

Para obtener la información general del archivo se utiliza la siguiente estructura:

[numdims, numvars, numglobalatts, unlimdimID] = netcdf.inq(x);

numdims= entrega el número dimensiones.

numvars= entrega el número de variables.

numglobalatts= entrega el número de atributos globales.

x es la variable que almacena el archivo netCDF.

Para el caso puntual del radar objeto de estudio, la información se muestra en la

tabla 4.

Tabla 4. Información general de los archivos netCDF para el radar ubicado en Corozal

CARACTERÍSTICA COROZAL

Número dimensiones 9

Número de variables 101

Atributos globales 26


El listado general de variables del radar de Corozal se muestra en la tabla 5:



Página | 38

Tabla 5. Listado de variables almacenadas por el radar de Corozal de los archivos netCDF, con su identificador y los atributos almacenados por cada variable.

RADAR COROZAL

ID Variable Atr ID Variable Atr

0 volume_number 3 50 r_calib_base_dbz_1km_hc 4

1 platform_type 2 51 r_calib_base_dbz_1km_vc 4

2 primary_axis 2 52 r_calib_base_dbz_1km_hx 4

3 status_xml 1 53 r_calib_base_dbz_1km_vx 4

4 instrument_type 3 54 r_calib_sun_power_hc 4

5 radar_antenna_gain_h 4 55 r_calib_sun_power_vc 4

6 radar_antenna_gain_v 4 56 r_calib_sun_power_hx 4

7 radar_beam_width_h 4 57 r_calib_sun_power_vx 4

8 radar_beam_width_v 4 58 r_calib_noise_source_power_h 4

9 radar_rx_bandwidth 4 59 r_calib_noise_source_power_v 4

10 time_coverage_start 2 60 r_calib_power_measure_loss_h 4

11 time_coverage_end 1 61 r_calib_power_measure_loss_v 4

12 frequency 4 62 r_calib_coupler_forward_loss_h 4

13 grid_mapping 6 63 r_calib_coupler_forward_loss_v 4

14 latitude 3 64 r_calib_dbz_correction 4

15 longitude 3 65 r_calib_zdr_correction 4

16 altitude 4 66 r_calib_ldr_correction_h 4

17 altitude_agl 4 67 r_calib_ldr_correction_v 4

18 sweep_number 3 68 r_calib_system_phidp 4

19 sweep_mode 2 69 r_calib_test_power_h 4

20 polarization_mode 3 70 r_calib_test_power_v 4

21 prt_mode 3 71 r_calib_receiver_slope_hc 4

22 follow_mode 3 72 r_calib_receiver_slope_vc 4

23 fixed_angle 3 73 r_calib_receiver_slope_hx 4

24 target_scan_rate 3 74 r_calib_receiver_slope_vx 4

25 sweep_start_ray_index 3 75 time 5

26 sweep_end_ray_index 3 76 range 5

27 rays_are_indexed 1 77 ray_n_gates 3

28 ray_angle_res 3 78 ray_start_index 3

29 r_calib_time 2 79 ray_start_range 3

30 r_calib_pulse_width 4 80 ray_gate_spacing 3

31 r_calib_xmit_power_h 4 81 azimuth 3

32 r_calib_xmit_power_v 4 82 elevation 4

33 r_calib_two_way_waveguide 4 83 pulse_width 4

34 r_calib_two_way_waveguide_loss_v 4 84 prt 4



Página | 39

35 r_calib_two_way_radome_loss_h 4 85 prt_ratio 4

36 r_calib_two_way_radome_loss_v 4 86 nyquist_velocity 4

37 r_calib_receiver_mismatch_loss 4 88 antenna_transition 4

38 r_calib_radar_constant_h 4 89 n_samples 4

39 r_calib_radar_constant_v 4 90 r_calib_index 4

40 r_calib_antenna_gain_h 4 91 measured_transmit_power_h 5

41 r_calib_antenna_gain_v 4 92 measured_transmit_power_v 4

42 r_calib_noise_hc 4 93 scan_rate 4

43 r_calib_noise_vc 4 94 DBZ 7

44 r_calib_noise_hx 4 95 VEL 7

45 r_calib_noise_vx 4 96 ZDR 7

46 r_calib_receiver_gain_hc 4 97 KDP 7

47 r_calib_receiver_gain_vc 4 98 PHIDP 7

48 r_calib_receiver_gain_hx 4 99 RHOHV 7

49 r_calib_receiver_gain_vx 4 100 HIDRO_CLASS_ID_55 7


Para obtener información de una variable en particular se utiliza el siguiente

comando:

[varname, xtype, varDimIDs, varAtts] = netcdf.inqVar(x,0);

varname= Nombre de la variable.

xtype=Tipo de variable.

varDimIDs=Dimensiones de la variable.

varAtts= Atributos de la variable.


Para obtener el número de la variable se hace de la siguiente manera:

varid = netcdf.inqVarID(x,varname);

varid= Número de la variable.

varname= Nombre de la variable.


Para obtener información de los atributos de las variables se utiliza el siguiente

comando:



Página | 40

attname = netcdf.inqAttName(x,varid,0);

attval = netcdf.getAtt(x,varid,attname);

attname=Nombre del atributo.

attval= Valor del atributo.

varid= Número de la variable.

x es la variable que va almacena el archivo netCDF.

A continuación, en la tabla 6, se muestra un resumen con información de los

atributos de las variables polarimétricas de interés:

Tabla 6. Resumen de los archivos netCDF del radar de Corozal con la información de las variables que contienen los observables polarimétricos, la reflectividad y un

hidroclasificador creado por el fabricante

RADAR COROZAL

ID Variable units FillValue Scale.

factor add_offset grid_mapping coordinates

94 DBZ dBZ -128 0,5000 32 grid_mapping time range

95 VEL m/s -128 0,0525 0 grid_mapping time range

96 ZDR dB -128 0,0625 0 grid_mapping time range

97 KDP deg/km -128 1 128 grid_mapping time range

98 PHIDP deg -128 0,7087 90 grid_mapping time range

99 RHOHV * -128 0,0040 0,5059 grid_mapping time range

100 UNKNOWN_I

D_55 * -128 1 128 grid_mapping time range




Página | 41

Para capturar los datos específicos de una variable en particular y sus

dimensiones, se utiliza el siguiente código:

data = netcdf.getVar(x,varid);

[F C]=size(data);

data= aquí se almacenan la matriz con los datos

F=Número de Filas de la matriz de datos

C=Número de las Columnas de la matriz de datos

3.1.2. Transformación de las variables polarimétricas

Tal como se observó en la tabla 6, las variables polarimétricas de interés son

almacenadas por facilidad del procesador de datos del radar con una

transformación numérica, por lo tanto se requiere de una modificación de estos

datos para su correcta interpretación. El valor nativo almacenado por el radar se

debe multiplicar por un factor de escala y sumarle un offset.

En la ecuación 5 se muestra el formato utilizado para la trasformación de los

datos.

𝑉𝑎𝑟𝐶𝑜𝑛𝑣𝑒𝑟𝑡𝑖𝑑𝑎 = (𝑉𝑎𝑟𝑂𝑟𝑖𝑔𝑖𝑛𝑎𝑙 ∗ 𝑆𝑐𝑎𝑙𝑒𝐹𝑎𝑐𝑡𝑜𝑟) + 𝑂𝑓𝑓𝑠𝑒𝑡 Ecuación 5

Cuando aparece un valor de relleno este no se convierte permaneciendo en -128.

En la figura 1 se observa el algoritmo de trasformación de los datos.

Figura 1. Diagrama de flujo de la transformación de los datos Fuente: Elaboración propia.



Página | 42

A continuación se muestra el código en Matlab para la transformación de las

variables de interés:

Reflectividad (Valor de Relleno -128, Factor de escala 0.5, 0ffset=32)

x = netcdf.open('E:\Cor\corm\Cor20130625_102504.nc','nc_nowrite');

[numdims, numvars, numglobalatts, unlimdimID] = netcdf.inq(x);


varid = netcdf.inqVarID(x,varname);

data = netcdf.getVar(x,varid);

Z=data;

[F C]=size(Z);

for ff=1:F;

if(Z(ff,1)==-128)

Z(ff,1)= Z(ff,1);

else

Z(ff,1)=(Z(ff,1)*0.5)+32;

end

end

ZDR (Valor de Relleno -128, Factor de escala 0.0625, 0ffset=0)


data3 = netcdf.getVar(x,varid);

ZDR=data3;

for ff=1:F;

if(ZDR(ff,1)==-128)

ZDR(ff,1)=ZDR(ff,1);

else

ZDR(ff,1)=(ZDR(ff,1))*0.0625;

end

end



Página | 43

KDP (Valor de Relleno -128, Factor de escala 1, 0ffset=128)



KDP=data2;

for ff=1:F;

if(KDP(ff,1)==-128)

KDP(ff,1)= KDP(ff,1);

else

KDP(ff,1)=(KDP(ff,1))+128;

end

end

Fase (Valor de Relleno -128, Factor de escala 0.708661, 0ffset=90)



PHV=data4;

for ff=1:F;

if(PHV(ff,1)==-128)

PHV(ff,1)= PHV(ff,1);

else

PHV(ff,1)=((PHV(ff,1))*0.708661)+90;

end

end

Coeficiente de correlación (Valor de Relleno -128, Factor de escala 0.004,

0ffset=0.505929)





Página | 44

ROHV=data5;

for ff=1:F;

if(ROHV(ff,1)==-128)

ROHV(ff,1)=ROHV(ff,1);

else

ROHV(ff,1)=((ROHV(ff,1))*0.00395257)+0.505929;

end

end

Clasificador (Valor de Relleno -128, Factor de escala 1, 0ffset=128)



HC=data6;

for ff=1:F;

if(HC(ff,1)==-128)

HC(ff,1)=HC(ff,1);

else

HC(ff,1)=(HC(ff,1))+128 ;

end

end

3.2. INTERPRETACIÓN DEL CLASIFICADOR DE HIDROMETEOROS

Anteriormente se mencionó que en el software IRIS, de los radares distribuidos

por VAISALA, se incluyó una variable denominada HIDRO_CLASS, que

corresponde a un clasificador de hidrometeoros ubicado en el listado de variables

(tabla 5) en el ID 100. Una vez realizada la respectiva corrección con el factor de

escala y sumando el offset el clasificador da como resultado un número entero

entre 0 y 255, el cual es necesario decodificar para interpretar.



Página | 45

Lo primero que se realiza es la conversión de base 10 a binario obteniendo un

código binario de 8 bits. Los dos primeros bits corresponden a una clasificación

(C2), los siguientes tres a otra (C1) y los últimos tres a otra (C0).

La estructura del clasificador del IRIS se muestra en la figura 2.

Figura 2. Estructura Clasificador del IRIS.

Fuente: VAISALA 2014

En la tabla 7 se muestran las diferentes clases de los tres clasificadores del IRIS,

el primero de ellos es para temporadas de invierno (C1), el segundo para

temporadas de verano (C2) y el tercero discrimina entre eventos de precipitación

convectivos y estratiformes.

Tabla 7. Interpretación de los clasificadores del software IRIS.

C0 C1 C2

VALOR CLASE VALOR CLASE VALOR CLASE

000(0) No disponible 000(0) No disponible 00(0) Estratiforme

001(1) Blanco no meteorológico

001(1) Eco de tierra propagación anómala

01(1) Convectiva

010(2) Lluvia 010(2) Eco biológico 10(2) No usado

011(3) Nieve Húmeda 011(3) Precipitación 11(3) Prohibido

100(4) Nieve 100(4) Gotas largas

101(5) Graupel 101(5) Precipitación liviana

110(6) Granizo 110(6) Precipitación moderada

111(7) No usado 111(7) No usado

Fuente: VAISALA 2014



Página | 46

3.3. ANÁLISIS DE LOS DATOS DE LOS EVENTOS DE PRECIPITACIÓN

DEL RADAR DE COROZAL

3.3.1. Visualización de la reflectividad de los eventos seleccionados

Teniendo en cuenta que el radar de Corozal tiene las siguientes características:

10 PPI (Plan Position Indficator)

360 ángulos de rayos

664 celdas de 450 metros,

239040 celdas de cobertura.

De acuerdo con lo anterior para cada PPI el formato de los datos tiene una

dimensión de 360*664 en coordenadas polares, de tal forma que para visualizar la

reflectividad básicamente se divido la imagen en cuatro cuadrantes y se convirtió

a coordenadas rectangulares, posteriormente se asignó a cada pixel un color

según el valor de la reflectividad teniendo en cuenta el código estándar de colores

para la reflectividad que se describe en la figura 3.

Figura 3. Escala de intensidades para la reflectividad (Z) medido en dBZ

Fuente: (Pozas Pérez n.d.)



Página | 47

En las figuras 4 a 8 se observa la gráfica de la reflectividad para los eventos

estudiantes en Corozal.

Figura 4. Visualización de la reflectividad (Z) para el evento 1: Corozal (25/06/2013) (COR 1)

Fuente: Elaboración propia

Figura 5. Visualización de la reflectividad (Z) para el evento 2: Corozal (28/06/2013) (COR 2) Fuente: Elaboración propia



Página | 48

Figura 6. Visualización de la reflectividad (Z) para el evento 3: Corozal (11/07/2013) (COR 3) Fuente: Elaboración propia

Figura 7 Visualización de la reflectividad (Z) para el evento 4: Corozal (29/07/2013) (COR 4) Fuente: Elaboración propia



Página | 49

Figura 8 Visualización de la reflectividad (Z) para el evento 5: Corozal (30/07/2013) (COR 5) Fuente: Elaboración propia

3.3.2. Análisis estadístico de los datos

En las figuras 5 a 8 se pueden observar los histogramas de las variables

polarimétricas de interés para los 5 eventos de Corozal, a partir de las cuales se

hacen algunas consideraciones interesantes que serán tenidas en cuenta.

Figura 9. Histograma de la reflectividad Z para el evento 1: Corozal (25/06/2013) (COR 1) Fuente: Elaboración propia.



Página | 50





Página | 51


Figura 13. Histogramas de la reflectividad Z para el evento 5: Corozal (30/07/2013) (COR 5) Fuente: Elaboración propia.



Página | 52

Figura 14. Histogramas de ZDR (dB) para el evento 1: Corozal (25/06/2013) (COR 1) Fuente: Elaboración propia.




Página | 53





Página | 54


Figura 19. Histogramas de diferencial especifico de fase KDP (°/km ) para el evento 1: Corozal (25/06/2013) (COR 1)




Página | 55



Figura 21. Histogramas de diferencial especifico de fase KDP (°/km ) evento 3: Corozal (11/07/2013) (COR 3)




Página | 56







Página | 57

Figura 24. Histogramas del coeficiente de correlación rohv para el evento 1: Corozal (25/06/2013) (COR 1)






Página | 58







Página | 59



3.3.3. Consideraciones radar corozal

En la tabla 8 se resumen algunos valores estadísticos de interés para las

diferentes variables polarimétricas de los eventos de precipitación del radar de

Corozal.

Tabla 8. Resultados del análisis estadístico de datos de los eventos de precipitación del radar de Corozal.

Evento 1-Corozal

(COR1) Zh ZDR hv dp Kdp

Media 24,5284 2,8526 0,8801 56,7108 0,086

Mediana 25,5 3,1875 0,9939 52,4389 0

Moda 28 4 1,0099 -0,7136 0

Desviación

Estándar

10,8503 2,3167 0,2864 33,9008 22,7865

Varianza 117,7284 5,3671 0,082 1149,262 519,2242

Curtosis 0,581 6,6265 5,1905 1,5439 40,5585

Coef. Asimetria -0,4691 -1,8089 -2,6119 0,7819 1,1187



Página | 60

Evento 2-Corozal

(COR2) Zh ZDR hv dp Kdp

Media 25,1259 2,291 0,8727 45,2824 0,1219

Mediana 24,5 2 0,9939 41,0997 0

Moda 23 1,3125 1,0019 -0,7136 0

Desviación

Estándar 9,7648 2,0929 0,305 29,11 20,1055

Varianza 95,3509 4,3801 0,093 847,3948 404,231

Curtosis 0,7056 7,7997 4,16 5,3095 50,527

Coef. Asimetria -0,1035 -1,5314 -2,4365 1,6103 1,383

Evento 3-Corozal Zh ZDR hv dp Kdp

Media 25,663 3,0447 0,8854 51,5903 0,1105

Mediana 26,5 3,0625 0,9939 48,1867 0

Moda 28 2,25 1,0019 -0,7136 0

Desviación

Estándar 7,5893 2,1522 0,2793 31,2986 21,9198

Varianza 57,5981 4,6321 0,078 979,6016 480,4774

Curtosis 1,2616 8,9818 5,7441 4,1663 45,3377

Coef. Asimetria -0,5427 -1,9304 -2,7072 1,5071 0,9983


Media 22,5246 2,1034 0,7968 47,896 0,1957

Mediana 23,5 1,875 0,9779 43,2258 0

Moda 27 1,3125 -0,0061 -0,7136 0

Desviación

Estándar 13,0999 2,461 0,3602 35,6689 23,6094

Varianza 171,608 6,0564 0,1297 1272,2702 557,4016

Curtosis -0,2003 5,496 0,9544 2,1802 38,4054

Coef. Asimetria -0,1711 -1,3762 -1,6571 1,1388 1,2172


Media 22,2944 2,2735 0,8618 45,5842 0,2152

Mediana 23,5 2,3125 0,9899 41,8084 0

Moda 25 1,25 1,0019 -0,7136 0

Desviación

Estándar 10,8616 2,2891 0,3078 32,4435 22,0556

Varianza 117,9745 5,24 0,0947 1052,5786 486,4486

Curtosis 0,3645 6,6752 3,6848 4,6762 45,6116

Coef. Asimetría -0,275 -1,6153 -2,3226 1,8233 1,4821


Las variables ZDR y HV, en la mayoría de los eventos, tienen una distribución

leptocúrtica, teniendo un alto grado de concentración en valores centrales de cada



Página | 61

variable. Z, ZDR y HV tienen una distribución asimétrica negativa

(Moda>Mediana>Media), mientras que DP y KDP tienen una distribución asimétrica

positiva (Media>Mediana>Moda). Además los valores de todas las variables

polarimétricas se encuentran entre los rangos estándar.

3.3.4. Análisis de los clasificadores de los fabricantes del radar

Teniendo en cuenta que entre los datos almacenados por el radar ya viene un

producto con tres clasificadores de hidrometeoros como se explicó anteriormente,

se procedió a analizar los 5 eventos desde este punto de vista.

El primer caso es el clasificador C2, el cual discrimina entre precipitación

convectiva y estratiforme, lo resultados para los cinco eventos de Corozal (COR1,

COR2, COR3, COR4, COR5) se muestran en la siguiente tabla.

Tabla 9. Análisis Clasificador C2 para cada uno de los 5 eventos de Corozal

C2 COR 1 COR 2 COR 3 COR 4 COR 5 TOTAL

%

Convectiva

76.442 94.977 111.263 55.635 74.673 412.990 81%

Estratiforme

16.401 19.694 17.181 18.946 16.332 88.554 17%

No usado

236 1.749 2.766 4.051 907 9.709 2%

Prohibido

0 0 0 0 0 0 0%

Total

93.079 116.420 131.210 78.632 91.912 511.253 100%


Como se puede apreciar en la tabla 9, la mayoría de celdas (81%) corresponden

a eventos convectivos, mientras el 17 % a eventos estratiformes y un 2 % no fue

clasificado.

Para el caso del clasificador C1, los resultados se muestran en la tabla 10.



Página | 62



%

No disponible 0 0 9 0 0 9 0%

Eco de tierra/PA

8.793 12.131 7.832 9.537 8.397 46.690 9%

Dispersión biológica

7.608 7.563 9.340 9.409 7.935 41.855 8%

Precipitación 0 0 0 0 0 0 0%

Gotas Grandes 0 0 0 0 0 0 0%

Precipitación suave

65.265 83.875 10.5464 48.533 68.622 371.759 73%

Precipitación moderada

9.829 11.255 8.101 8.747 5.763 43.695 9%

No usada 1.584 1.596 464 2.406 1.195 7.245 1%

Total 93.079 116.420 131.210 78.632 91.912 511.253 100%


En este caso se aprecia que en la mayoría de eventos predomina la precipitación

suave (lluvia moderada). 371759 celdas de 211253 fueron clasificadas como de

este tipo correspondiendo a un 73 % del total. En este caso también se observa

una población significativa de celdas clasificadas como dispersiones biológicas y

propagaciones anómalas para todos los eventos.

Para el caso del clasificador C0 descrito anteriormente, los resultados se muestran

en la tabla 10.



%

No disponible 0 0 0 0 0 0 0%

Objetivo no meteorológico

16.401 19.694 17.181 18.946 16.332 88.554 17%

Lluvia 72.877 87.597 103.685 46.987 70.346 381.492 75%

Nieve Húmeda 1.109 1.984 2.629 1.059 1.305 8.086 2%



Página | 63

Nieve 933 3.136 5.173 4.967 2.590 16.799 3%

Graupel 614 2.689 2.348 4.876 749 11.276 2%

Granizo 1.145 1.320 194 1.797 590 5.046 1%

No usada 0 0 0 0 0 0 0%

Total 93.079 116.420 131.210 78.632 91.912 511.253 100%


En este caso puntual se puede apreciar que una muestra significativa de celdas

(7%) ,en los diferentes eventos, fue clasificada como nieve húmeda, nieve y

graupel hidrometeoros que, debido a las condiciones ambientales del territorio,

son casi imposibles de presentar.



Página | 64

CAPITULO 4. DISEÑO DEL MODELO

CONCEPTUAL



Página | 65

Para el desarrollo del modelo conceptual del clasificador de hidrometeoros para

Colombia, se utilizó la metodología planteada por Grant y Peterson (Grant y

Peterson, 2001) (Forrester, 1961):

Definir los objetivos del modelo.

Definir los límites del sistema de interés.

Clasificar los componentes del sistema de interés.

Identificar las relaciones entre los componentes del sistema.

Representación formal del modelo conceptual.

4.1. DEFINICIÓN DEL OBJETIVO DEL MODELO

El objetivo del modelo es establecer los elementos conceptuales presentes en la

clasificación de hidrometeoros y sus posibles relaciones.

4.2. DEFINICIÓN DE LOS LÍMITES DEL SISTEMA

Este paso consiste en identificar aquellos componentes que deberían ser incluidos

en el sistema de interés y aquellos que pueden ser excluidos. Los elementos a

considerar en el sistema de clasificación son los siguientes:

Reflectividad radárica horizontal (Zh)

Reflectividad radárica vertical (Zv)

Reflectividad diferencial (ZDR)

Diferencial de fase especifico (Kdp)

Coeficiente de correlación (hv)

Ecos de retro dispersión

o Propagación anómala (PA)

o Ecos biológico (EB)

o Ecos meteorológicos (hidrometeoros)

Lluvia ligera (LL)

Lluvia moderada (LM)

Lluvia pesada (LP)



Página | 66

Gotas grandes (GG)

Granizo (G)

Los ecos de retrodisperción se definen de la siguiente manera:

Propagación anómala: Cuando prevalece una distribución no estándar del

índice de refracción, se dice que ocurre una propagación anómala o

anormal, esta es más común cuando una fuerte inversión en la troposfera

inferior dobla el haz del radar hacia el suelo conforme se aleja del

instrumento. (Rinehart 2007).

Ecos biológicos: Hacen referencia a los ecos ocasionados por pájaros, los

murciélagos, los insectos y distintos materiales suspendidos en el aire

debido a que en muchos casos son los únicos blancos que interceptan los

pulsos radar. Algunos de ellos producen su propia señal característica en el

radar. (Rinehart 2007).

Como se mencionó anteriormente, los ecos meteorológicos corresponden a los

objetos observados sobre la atmósfera o sobre la superficie de la tierra que se

presentan en forma de precipitación. Estos se dividen en diferentes hidrometeoros

como los siguientes:

Lluvia: “Precipitación de gotas de agua que caen desde una nube.” (OMM

1993) el diámetro y concentración de gotas de agua varía

considerablemente de acuerdo a la intensidad de la precipitación y

especialmente de acuerdo a su naturaleza (lluvia ligera, lluvia moderada,

lluvia pesada, gotas grandes, entre otros).

Granizo: Precipitación de partículas de hielo transparentes o parcial o

enteramente opacas (piedras de granizo), habitualmente es de forma

esferoidal, cónica o irregular y con un diámetro que generalmente se

encuentra entre 5 y 50 mm; caen desde una nube ya sea separadamente o

aglomerados en bloques irregulares. (Rinehart 2007).



Página | 67

Los valores típicos de las variables polarimetricas para ecos de retrodisperción se

presentan en la tabla 12.

Tabla 12. Valores típicos que toman los ecos de retrodisperción para las variables polarimétricas que se utilizarán en el estudio

Eco de Retro dispersión Zh ZDR Kdp hv

Propagación anómala (PA) 15 – 80 -4 – 2 - 0,5 – 0.95

Ecos Biológico (EB) 5 – 10 0 –12 - 0,3 – 0,85

Ecos Meteorológicos Lluvia ligera (LL) 0 – 35 0 – 0,9 -0,8 – 0,8 0,95 – 1,01

Lluvia moderada (LM) 35 – 45 0,5 – 3 -0,5 – 11 0,92 – 1

Lluvia pesada (LP) 40 – 60 1 – 5,5 0 – 25 0,92 – 1,01

Gotas Grandes (GG) 20 – 50 3 – 6 - 0,92 – 1,01

Granizo (G) 55 – 75 -0,2 – 0,2 -0,6 – 0,6 0,92 – 1

Fuente: Elaboración propia. basado en (Liu and Chandrasekar 2000), (Keenan 2003), (Schuur et

al. 2003), (Marzano et al. 2008), (Park et al. 2009), (Paulitsch, Teschl, and Randeu 2009), (Evaristo

et al. 2010), (Thompson et al. 2014) y (Vidal et al. 2017).

4.3. CLASIFICACIÓN DE LOS COMPONENTES DEL SISTEMA DE INTERÉS

Una vez definido el objetivo del modelo y los componentes que se deben incluir y

los que se deben excluir, el siguiente paso en el desarrollo consiste en su

clasificación teniendo en cuenta las entradas y salidas del clasificador.



Página | 68

Tabla 13. Clasificación de los componentes (entradas y salidas) del modelo

VARIABLES

ENTRADAS

(POLARIMÉTRICAS)

Reflectividad radárica horizontal (Zh)

Reflectividad radárica vertical (Zv)

Reflectividad diferencial (ZDR)

Diferencial de fase especifico (Kdp)

Coeficiente de correlación (hv)

SALIDAS (ECOS DE

RETRO DISPERSIÓN)

Propagación anómala (PA)

Ecos biológico (EB)

Lluvia ligera (LL)

Lluvia moderada (LM)

Lluvia pesada (LP)

Gotas grandes (GG)

Granizo (G)


4.4. IDENTIFICACIÓN DE LAS RELACIONES ENTRE LOS COMPONENTES

DEL SISTEMA

El siguiente paso en el desarrollo del modelo conceptual consiste en identificar

entre los componentes del sistema, las relaciones que son de interés. No todas las

variables polarimétricas intervienen para la determinación de una clase de

hidrometeoro tal como se muestra en la tabla 14.

Tabla 14. Afectación de las fuentes de incertidumbre a las variables polarimétricas

Eco de Retro dispersión Zh ZDR Kdp hv

Propagación anómala (PA) X X X

Ecos Biológico (EB) X X X

Ecos Meteorológicos Lluvia ligera (LL) X X X X

Lluvia moderada (LM) X X X X

Lluvia pesada (LP) X X X X

Gotas Grandes (GG) X X X

Granizo (G) X X X X




Página | 69

No todos los ecos de retro dispersión dependen del diferencial específico de fase

Kdp. La variable fase no es utilizada directamente en la clasificación, pero a partir

de esta se calcula la variable SD(dp) la cual es indispensable en la discriminación

de propagaciones anómalas.

4.5. REPRESENTACIÓN FORMAL DEL MODELO

La representación formal del modelo conceptual se puede apreciar en la figura 9, este

diagrama juega un papel importante ya que provee una visión global del problema de

clasificación de ecos de retro dispersión (propagaciones anómalas, ecos biológicos y ecos

meteorológicos)

Figura 29. Mapa Conceptual del Modelo de clasificación de hidrometeoros


A partir del modelo conceptual definido en la figura 29, se plantea el esquema general del

modelo de clasificación, que corresponde a un clasificador de ecos meteorológicos el cual

discrimina entre lluvia ligera (LL), lluvia moderada (LM), lluvia pesada (LP), gotas grandes

(GG) y granizo (G).

El esquema general del clasificador propuesto se muestra en la figura 30, en esta se

puede apreciar las variables de entrada y salida.



Página | 70

Figura 30. Esquema general del clasificador propuesto Fuente: Elaboración propia.



Página | 71

CAPITULO 5. MODELO FINAL DEL

CLASIFICADOR



Página | 72

Una vez definido el modelo conceptual de la clasificación y teniendo establecido

claramente las variables polarimétricas a utilizar, se ha seleccionado un método

supervisado con lógica difusa como la herramienta a utilizar en el proceso por las

siguientes razones:

Es necesario tener en cuenta el conocimiento de expertos previamente

definido en este campo

El grado de incertidumbre es muy elevado en cada una de las variables

polarimétricas para los diferentes ecos de retro dispersión.

El traslape de los valores de las variables polarimétricas para los diferentes

ecos de retro dispersión.

Un clasificador difuso tiene básicamente tres etapas importantes, la fuzificación

(borrosificación), la inferencia y la defuzificación (desborrosificador) y su estructura

está conformada por cuatro componentes:

Base de reglas: está relacionada con el conocimiento de expertos y su

experiencia con la heurística.

Fuzificador (borrosificador): se encarga de transformar valores de entrada

reales en conjuntos difusos o mapear la entrada dentro de los conjuntos

difusos para lograr activar las reglas que están en términos de las variables

lingüísticas y se encuentran relacionadas con los conjuntos difusos.

Motor de inferencia: obtiene un mapeo entre los conjuntos difusos del

antecedente y los conjuntos difusos del consecuente haciendo uso de las

bases de reglas.

Defuzificador (desborrosificador): se encarga de transformar un conjunto

difuso en un valor real variable en la salida del sistema.



Página | 73

5.1. CLASIFICADOR DE PROPAGACIONES ANÓMALAS, ECOS

BIOLÓGICOS, LLUVIA LIGERA, LLUVIA MODERADA, LLUVIA

PESADA, GOTAS GRANDES, GRANIZO

La función de este clasificador es discriminar entre propagaciones anómalas (PA),

ecos biológicos (EB) y los diferentes tipos de hidrometeoros (lluvia ligera-LL, lluvia

moderada-LM, lluvia pesada-LP, gotas grandes-GG, granizo-G). Para el proceso

de fuzificación se han definido 4 variables de entrada las cuales se describen a

continuación en la siguiente tabla.

Tabla 15 Variables de entrada para la clasificación

Variable Nombre

Z Reflectividad

ZDR Diferencial de reflectividad

HV Coeficiente de correlación

KDP Diferencial especifico de fase


Las funciones de pertenencia utilizadas para el clasificador son de tipo trapezoidal

tal como se muestra en la figura 31.

Figura 31. Funciones de pertenecia para todas las variables del clasificador (propagaciones anómalas, ecos biológicos, lluvia ligera, lluvia moderada, lluvia pesada, gotas grandes,

granizo. Fuente: Elaboración propia.



Página | 74

Los valores de las constantes a,b,c y d, del trapezoide de la función de

pertenencia de cada hidrometeoro, se muestran en la tabla 16 siguiendo las

recomendaciones de Park et al. (2009), Marzano et al. (2008) y Schuur et al.

(2003).

Tabla 16. Valores de las constantes a,b,c y d para las funciones de pertenecía (forma

trapezoidal).

Zh ZDR Kdp hv

a b c d a b c d a b c d a b c d

PA 15 20 70 80 -4 -2 1 2 - - - - 0,5 0,6 0,9 0,95

EB 5 10 20 30 0 2 10 12 - - - - 0,3 0,5 0,8 0,85

LL 0 1 25 35 0 0,2 0,9 1 -0,8 -0,1 0,1 0,8 0,95 0,97 1 1,01

LM 35 36 44 45 0,5 1 2,5 3 -0,5 0 10 11 0,92 0,96 1 1

LP 40 45 55 60 1 1,5 5 5,5 0 5 20 25 0,92 0,95 1 1,01

GG 20 25 45 50 3 4 5 6 - - - - 0,92 0,95 1 1,01

G 55 60 70 75 -0,2 -0,1 0,1 0,2 -0,6 -0,5 0,5 0,6 0,92 0,96 0,99 1

Fuente: Elaboración propia, basado en (Liu and Chandrasekar 2000), (Keenan 2003), (Schuur et al. 2003), (Marzano et al. 2008), (Park et al. 2009), (Paulitsch, Teschl, and Randeu 2009), (Evaristo

et al. 2010), (Thompson et al. 2014) y (Vidal et al. 2017).

Para la inferencia se evalúa cada variable de entrada en las 5 funciones de pertenencia

correspondientes a cada clase, se multiplica por el peso de cada una y se suma, tal como

se muestra en la ecuación 6.

𝑄𝑖 = ∑ 𝑃𝑖(𝑗)𝑖 ∗ 𝑊𝑖𝑗 Ecuación 6

Donde:

i es el indicie de cada hidrometeoro (0-PA, 1-EB, 2-LL, 3-LM, 4-LP, 5-GG, 6-G).

j es el indicie de la variable polarimétricas (0-Zh, 1- ZDR, 2-Kdp, 3-hv).

𝑊𝑖𝑗 es el peso de la variable j para el hidrometeoro i.



Página | 75

Para la defuzificación, al igual que en el paso anterior, se debe tomar el valor máximo de

cada una de las funciones 𝑄𝑖 y a esta se le define el tipo de eco de retro dispersión. En la

figura 32 se muestra el esquema básico del clasificador difuso propuesto para este caso.

Figura 32. Esquema básico del clasificador difuso propuesto Fuente: Elaboración propia.

5.2. PONDERACIÓN DE LAS VARIABLES POLARIMÉTRICAS

Para la ponderación de variables en el clasificador difuso, se utilizó el método de

jerarquización analítica teniendo en cuenta los criterios definidos en Marzano,

Scaranari, and Vulpiani (2007), Park et al. (2009) y Schuur et al. (2003).

El método de jerarquización analítica fue desarrollado por Saaty (2008), quien

propone un instrumento formal para la evaluación y selección de alternativas,

sólido en sus fundamentos matemáticos, útil en la toma de decisiones y sencillo de

aplicar. El método se presenta en tres (3) etapas: representación o formulación del

problema, evaluación de criterios y alternativas, por último, la jerarquización y

selección de la mejor alternativa que conlleve al cumplimiento del objetivo de toma

de decisión.

De acuerdo a lo descrito por Sánchez (2003), al establecer la comparación de los

criterios (o alternativas) se debe tener en cuenta cual es la importancia de un

criterio contra otro, con base en estas calificaciones se forma la denominada

matriz A normalizada.



Página | 76

Para el caso de la selección de pesos de los hidrometeoros las matrices

normalizadas se muestran en las tablas 17 a la 23, los valores utilizados

corresponden a criterios tomados de múltiples autores, que de un modo u otro

indican la importancia que tiene una variable sobre las otras (importancia relativa).

Un valor menor implica que la primera variable compara con la segunda menos

importante, mientras que un valor mayor implica lo contrario.

Tabla 17. Matriz A normalizada para propagaciones anómalas (PA)

PA Z ZDR KDP ROHV

Z 1 0,8 8 0,1

ZDR 1,25 1 10 0,12

KDP 0,125 0,1 1 0,1

ROHV 10 8,3333 10 1

SUMA 12,375 10,2166 31 1,32


Tabla 18. Matriz A normalizada para ecos biológicos (EB)

EB Z ZDR KDP ROHV

Z 1 0,7 9 0,3

ZDR 1,4285 1 15 0,5

KDP 0,1111 0,06666 1 0,1

ROHV 3,3333 2 10 1

SUMA 5,8730 3,7666 35 1,9


Tabla 19. Matriz A normalizada para lluvia ligera (LL)

LL Z ZDR KDP ROHV

Z 1 1 1 3

ZDR 1 1 1 1

KDP 1 1 1 1

ROHV 0,3333 1 1 1

SUMA 3,3333 4 4 6




Página | 77

Tabla 20. Matriz A normalizada para lluvia moderada (LM)

LM Z ZDR KDP ROHV

Z 1 1,5 1,5 4

ZDR 0,6666 1 1 5

KDP 0,6666 1 1 5

ROHV 0,25 0,2 0,2 1

SUMA 2,5833 3,7 3,7 15


Tabla 21. Matriz A normalizada para lluvia pesada (LP)

LP Z ZDR KDP ROHV

Z 1 1,2 1 2

ZDR 0,8333 1 0,83 1

KDP 1 1,2048 1 2

ROHV 0,5 1 0,5 1

SUMA 3,3333 4,4048 3,33 6


Tabla 22. Matriz A normalizada para gotas grandes (GG)

GG Z ZDR KDP ROHV

Z 1 0,85 10 1,3

ZDR 1,1764 1 10 2,5

KDP 0,1 0,1 1 0,1

ROHV 0,7692 0,4 10 1

SUMA 3,0457 2,35 31 4,9


Tabla 23. Matriz A normalizada para granizo (G)

G Z ZDR KDP ROHV

Z 1 0,2 0,3 3

ZDR 5 1 2 10

KDP 3,3333 0,5 1 9

ROHV 0,3333 0,1 0,1111 1

SUMA 9,6666 1,8 3,4111 23




Página | 78

El siguiente paso es calcular la matriz normalizada denominada A’, los valores de

esta nueva matriz se calculan así: se divide cada celda de la matriz A por la suma

de todos los valores de la columna que la contiene.

El último paso en el proceso es calcular los pesos relativos para cada uno de los

criterios a determinar, esos valores se resumen en una matriz denominada W

(vector columna de tamaño nx1), que corresponde al promedio de los valores de

todas las columnas de una misma fila de la matriz A’.

La matriz W finalmente contiene los valores de los pesos asignados para cada

variable del clasificador luego de realizar una aproximación a dos decimales como

se muestra en la tabla 24.

La matriz que finalmente contiene los valores de los pesos asignados para cada

variable del clasificador después de realizar los cálculos matemáticos se muestra

en la tabla 24.

Tabla 24. Matriz de pesos para el clasificador difuso

Z ZDR KDP ROHV

PA 0,1379 0,1724 0 0,6896

EB 0,2 0,3 0 0,5

LL 0,3125 0,25 0,25 0,1875

LM 0,3571 0,2857 0,2857 0,0714

LP 0,2941 0,2352 0,2941 0,1764

GG 0,3333 0,4166 0 0,25

G 0,1086 0,5434 0,3260 0,0217




Página | 79

CAPITULO 6. VALIDACIÓN Y

RESULTADOS



Página | 80

6.1. VALIDACIÓN A PARTIR DE DATOS SIMULADOS

Para la validación del modelo propuesto se diseñó un simulador de datos de radar,

teniendo en cuenta los valores posibles que asumen los hidrometeoros según el

método de la matriz T, que describe como es la respuesta de una onda

electromagnética que incide frente a un cuerpo y los valores descritos (Park et al.

2009), (Marzano et al. 2008) (Schuur et al. 2003).El simulador diseñado tiene las

siguientes características:

Un número aleatorio entre 1 y 7 define el tipo de hidrometeoro.

Los valores de cada variable polarimétrico están entre los puntos a y b de

las funciones de pertenencia.

Dependiendo las constantes b y c de las funciones de pertenencia, se

definen las probabilidades de ocurrencia de cada variable, entre los valores

posibles.

A partir del simulador se generó una muestra de 20.000 hidrometeoros los cuales

se sometieron al calificador propuesto obteniendo los resultados descritos en la

tabla 25.

Tabla 25. Resultados del clasificador propuesto con los datos obtenidos a partir del simulador

SIMULADOS

CLASIFICADOS PA EB LL LM LP GG G TOTAL

PA 2.661 82 0 33 12 22 147 2.957

EB 140 2.722 0 0 0 14 0 2.876

LL 3 13 2.585 2 0 13 26 2.642

LM 65 11 29 2.481 86 81 13 2.766

LP 50 3 0 204 2.622 241 21 3.141

GG 8 12 66 34 131 2.414 0 2.665

G 8 2 132 0 0 0 2.747 2.889

NC 2 1 6 0 24 31 0 64

TOTAL 2.937 2.846 2.818 2.754 2.875 2.816 2.954 20.000

Aciertos 2.661 2.722 2.585 2.481 2.622 2.414 2.747 18.232

Errores 276 124 233 273 253 402 207 1.768

% Acierto 90,603 95,643 91,732 90,087 91,2 85,724 92,993 91,16

% Errores 9,3973 4,357 8,2683 9,9129 8,8 14,276 7,0074 8,84

%NC 3,125 1,5625 9,375 0 37,5 48,438 Fuente: Elaboración propia.



Página | 81

Con base en la tabla anterior se pueden hacer las siguientes afirmaciones:

El porcentaje de aciertos del calificador fue del 91,16 %.

En los ecos biológicos se presentó el mayor grado de aciertos en el

calificador (95,6%).

El error más grande se presentó en las gotas grandes, con un porcentaje de

14,2 % (402 errores de un total de 2816 datos), ya que muchas gotas

grandes fueron clasificadas como lluvia pesada.

Los errores presentados en la lluvia pesada se dieron porque varios de

estos datos fueron clasificados como lluvia ligera y lluvia moderada.

Solo 64 datos de los 20.000 no fueron clasificados por el modelo y 31 de

estos fueron gotas grandes.

6.2. VALIDACIÓN A PARTIR DE DATOS REALES

Se probó el clasificador con los 5 eventos del radar de Corozal. Los resultados del

evento 2 de Corozal se muestra a continuación; el resto de eventos se muestra en

el anexo 2.

En la tabla 26 se muestran los resultados del clasificador difuso comparado con el

clasificador C0 del software IRIS para el evento 2 del radar de Corozal (COR2).

Tabla 26. Resultados del clasificador propuesto comparado con el clasificador C0 de IRIS para el evento COR2

CLASIFICADOS No

meteoroló. Lluvia

Nieve húmeda

Nieve Graupel Granizo No

usada Total

PA 2.334 3.824 760 631 883 234 0 7.666

EB 2.443 4.567 198 212 3 8 0 7.431

LL 4.352 24.677 116 475 0 4 0 29.624

LM 3.633 24.672 18 101 137 39 0 28.600

LP 1.205 4.770 37 88 123 621 0 6.844

GG 5.508 23.751 854 1.624 1.543 410 0 33.690

G 160 265 1 4 0 2 0 432

NC 59 1.071 0 1 0 2 0 1.133

TOTAL 19.694 87.597 1.984 3.136 2.689 1.320 0 116.420

% diferencia 75,7438 11,1042

99,8484




Página | 82

De la tabla 26 se puede concluir lo siguiente:

La mayoría de hidrometeoros que originalmente IRIS clasificó como nieve,

nieve húmeda y graupel, el modelo propuesto los clasifica como gotas

grandes y propagaciones anómalas.

De 2.689 datos clasificados por IRIS como graupel, el modelo

propuesto clasifica 1.543 datos como gotas grandes, es decir, el 57

% y 883 como propagaciones anómalas, que equivale al 32 %.

De 3.136 datos clasificados por IRIS como nieve, el modelo

propuesto clasifica como gotas grandes a 1.624, es decir, el 52% y

631 datos como propagaciones anómalas, equivalentes al 20%.

De 1.984 datos clasificado por IRIS como nieve húmeda, el modelo

propuesto clasifica como gotas grandes al 43 % (854) y como

propagaciones anómalas el 38% (760).

La mayoría de datos que IRIS clasifica genéricamente como lluvia, el

modelo propuesto los clasifica como lluvia ligera, moderada y gotas

grandes.

De 87.597 datos clasificados por IRIS genéricamente como lluvia, el

modelo propuesto los clasifica como lluvia ligera el 28% (24677),

lluvia moderada el 28% (24672), y gotas grandes el 27% (23751).

La mayoría de datos que IRIS clasifica como granizo, el modelo propuesto

los clasifica como lluvia pesada, gotas grandes y propagaciones anómalas.

De 1.320 datos clasificados por IRIS como granizo, el modelo

propuesto los clasifica como lluvia pesada el 47% (621), gotas

grandes el 31% (410) y propagaciones anómalas el 17% (234).

De 1.320 datos clasificados por IRIS como granizo, el modelo

propuesto clasifica solo 2 datos también como granizo (0.1%).

La mayoría de datos que IRIS clasifica como objetos no meteorológicos, el

modelo propuesto los clasifica como gotas grandes y lluvia ligera.



Página | 83

De 19694 datos clasificados por IRIS como objetos no

meteorológicos, el modelo propuesto los clasifica como gotas

grandes el 28% (5.508) y lluvia ligera el 22% (4.352).

De 19.694 datos clasificados por IRIS como objetos no

meteorológicos, el modelo propuesto clasifica 4.777 datos

(propagaciones anómalas y ecos biológicos) también como objetos

no meteorológicos (24,26%).




CLASIFI. ET/PA Biológico Precipitación Gotas

Grandes Precipitación

Suave Precipitación

moderada No

usada Total

PA 1.732 602 0 0 4.773 1.256 303 8.666

EB 1.043 1.400 0 0 4.970 7 11 7.431

LL 1.266 3.086 0 0 25.268 0 4 29.624

LM 2.930 703 0 0 20.658 4.304 5 28.600

LP 1.005 200 0 0 4.599 194 846 6.844

GG 4.057 1.451 0 0 22.269 5.491 422 33.690

G 73 87 0 0 267 1 4 432

NC 25 34 0 0 1.071 2 1 1.133

TOTAL 12.131 7.563 0 0 83.875 11.255 1.596 116.420

% diferencia 85,722 81,48 100 69,8742 61,7592


De la tabla 27 se concluye lo siguiente:

El clasificador C1 de IRIS no encontró ninguna gota grande en su proceso

de clasificación.

Gran parte de los datos de ecos terrestre y precipitación anómalas

clasificados por IRIS, el modelo propuesto las clasifica como gotas grandes

y lluvia moderada.



Página | 84

De 12.131 datos clasificados por IRIS ecos terrestre y precipitación

anómalas, el modelo propuesto los clasifica como gotas grades el

33% (4.057) y lluvia moderada el 24% (2930).

La mayoría de datos clasificados por IRIS como ecos biológicos, el modelo

propuesto los clasifica como lluvia ligera.

De 7.563 datos clasificados por IRIS como ecos biológicos, el

modelo propuesto clasifica como lluvia ligera el 40%(3.086).

De 7.563 datos clasificados por IRIS como ecos biológicos, el

modelo propuesto solo clasifica 1.400 como ecos biológicos (18,5%).

Gran parte de los datos clasificados por IRIS como precipitación suave el

modelo propuesto los clasifica como lluvia ligera.

De 83.875 datos clasificados por IRIS como precipitación suave, el

modelo propuesto clasifica como lluvia ligera el 30% (25.268).

La mayoría de datos clasificados por IRIS como precipitación moderada, el

modelo propuesto los clasifica como gotas grandes y lluvia moderada.

De 11.255 datos clasificados por IRIS como precipitación moderada,

el modelo propuesto clasifica como gotas grandes el 49% (5.491) y

como lluvia moderada el 38 % (4.304).




CLASIFICADOS Convectiva Estratiforme No usado Prohibido Total

PA 5.645 2.334 687 0 8.666

EB 4.956 2.443 32 0 7.431

LL 25.210 4.352 62 0 29.624

LM 24.930 3.633 37 0 28.600

LP 5.607 1.205 32 0 6.844

GG 27.283 5.508 899 0 33.690

G 272 160 0 0 432

NC 1.074 59 0 0 1.133

TOTAL 94.977 19.694 1.749 0 116.420




Página | 85

De la tabla 28 se puede concluir lo siguiente:

La gran mayoría de datos clasificados por IRIS son de tipo convectiva

(81.5%)

La mayoría de datos clasificados como gotas grandes por el modelo

propuesto, son de tipo convectivo correspondiente al 80% (27.283 de los

33.690)

La mayoría de datos clasificados como lluvia ligera por el modelo

propuesto, son de tipo convectivo correspondiente al 85% (25.210 de un

total de 29.624)

La mayoría de datos clasificados como lluvia moderada por el modelo

propuesto, son de tipo convectivo correspondiente al 87% (24.930 de los

28.600)

La mayoría de datos clasificados como lluvia pesada por modelo propuesto,

son de tipo convectivo correspondiente al 82% (5.607 de 6.844)



Página | 86

CAPITULO 7. CONCLUSIONES



Página | 87

Los estudios demuestran que las variables polarimétricas son sensibles a

las formas, tamaños, y otras propiedades microfísicas de los hidrometeoros,

sin embargo, todavía hay algunas lagunas en el conocimiento de las firmas

polarimétricas que hacen que exista un margen de mejora en los métodos

de clasificación.

En la investigación se presentó un clasificador de ecos de retro dispersión

supervisado con lógica difusa que incluye un clasificador de hidrometeoros

para Colombia, en el cual se eliminaron hidrometeoros como la nieve, nieve

húmeda y graupel imposibles en las latitudes colombianas. Con datos

simulados el clasificador mostró un porcentaje de aciertos del 91,16%, el

cual es bastante aceptable, tenido en cuenta la cantidad de incertidumbre

asociada a este proceso de clasificación y medición.

El clasificador propuesto mostró que muchos de los datos clasificados como

nieve y graupel por parte de los clasificadores del IRIS, correspondían

realmente a gotas grandes, en la mayoría de los casos, teniendo en cuenta

que estos tipos de hidrometeoros son imposibles en las geografías

colombianas.

El mayor grado de acierto en los ecos de retro dispersión del clasificador

propuesto corresponde a los ecos biológicos, ya que estos tienen

características bien discriminatorias con respeto a los hidrometeoros, que

hacen que de alguna u otra forma, sea más sencilla su identificación y

caracterización con firmas polarimétricas.

El error más grande en la validación del modelo propuesto con datos

simulados, se presentó en las gotas grandes, ya que por las características

de las firmas polarimétricas de este tipo de hidrometeoro, es muy dado a

confundirse con lluvia pesada y con precipitaciones fuertes; razón por la

cual, sería muy interesante tratar de discriminar estos hidrómetros teniendo

en cuenta medidas en tierra, a partir de disdrómetros que permitan una

mejor caracterización de estas firmas, considerando la distribución de

tamaño de gotas.



Página | 88

EL diferencial específico de fase no juega un papel importante en la

discriminación entre propagaciones anómalas, ecos biológicos y ecos

meteorológicos, pero si es un factor determinante en la discriminación de

algunos tipos de hidrometeoros (lluvia y granizo), excepto en las gotas

grandes, en las cuales sencillamente no fue tenido en cuenta.

La clasificación exacta del tipo de hidrometeoros es crucial para las

aplicaciones del radar meteorológico, ya que afecta directamente la

precisión de la estimación cuantitativa de la precipitación. En Colombia, la

discriminación entre el granizo y la lluvia es un factor importante para los

sistemas de alerta temprana y para el estudio de la microfísica de las

tormentas, siendo esta investigación pionera en el país, en el uso de datos

obtenidos en este territorio y diseñando un clasificador a su medida,

teniendo en cuenta la alta variabilidad espacio temporal de los fenómenos

climatológicos.



Página | 89

7.1. TRABAJOS FUTUROS

Realizar pruebas con datos de otros radares en diferentes zonas

geográficas y en diferentes bandas.

Realizar pruebas con métodos de clasificación no supervisados que

permitan conocer información importante a partir de la misma naturaleza de

los datos.

Validar las firmas polarimétricas de los hidrometeoros in situ, a partir del

uso de disdrómetros.

Diseñar un clasificado de eventos convectivos y estratiformes para

Colombia teniendo en cuenta análisis de datos previamente almacenados.

Se recomienda mejorar los siguientes aspectos:

o Tomar medidas in situ para algunos tipos de hidrometeoros

(especialmente el hielo). Como consecuencia las verdaderas

funciones de densidad de probabilidad asociadas a estos

hidrometeoros son en gran parte desconocidas.

o Las formas de las funciones de densidad de probabilidad son pre

asumidas (funciones beta modificadas y funciones trapezoidales).

o Las variables polarimétricas en general se consideran

individualmente, pero en realidad no son completamente

independientes.

o La calidad de la señal del radar no es incluida en el diseño de los

clasificadores de hidrometeoros, ya que este ruido impacta las

funciones de densidad de probabilidad de las variables

polarimétricas que describen cada tipo de hidrometeoro.



Página | 90

REFERENCIAS

Baldini, Luca, Eugenio Gorgucci, and Walter Petersen. 2005. “Implementations of

CSU Hydrometeor Classification Scheme for C-Band Polarimetric Radars.”

32nd Conference on Radar Meteorology (2000): P11.4.

Bechini, Renzo, and V. Chandrasekar. 2015. “A Semisupervised Robust

Hydrometeor Classification Method for Dual-Polarization Radar Applications.”

Journal of Atmospheric and Oceanic Technology 32(1): 22–47.

Benavides Ballesteros, Henry Oswaldo, and Gloria Esperanza León Aristizabal.

2007. “Información Técnica Sobre Gases de Efecto Invernadero Y El Cambio

Climático.” Ideam: 1–102.

www.ideam.gov.co/documents/21021/21138/Gases+de+Efecto+Invernadero+

y+el+Cambio+Climatico.pdf.

Besic, Nikola et al. 2016. “Hydrometeor Classification through Statistical Clustering

of Polarimetric Radar Measurements: A Semi-Supervised Approach.”

Atmospheric Measurement Techniques 9(9): 4425–45.

Le Bouar, E., J. Testud, and T. D. Keenan. 2001. “Validation of the Rain Profiling

algorithm ‘ZPHI’ from the C-Brand Polarimetric Weather Radar in Darwin.”

Journal of Atmospheric and Oceanic Technology 18(11): 1819–37.

Bringi, V., M. Thurai, and R. Hannesen. 2007. “Dual-Polarization Weather Radar

Handbook.” : 163.

Chandrasekar, V., R. Keränen, S. Lim, and D. Moisseev. 2013. “Recent Advances

in Classification of Observations from Dual Polarization Weather Radars.”

Atmospheric Research 119: 97–111.

http://dx.doi.org/10.1016/j.atmosres.2011.08.014.

Dolan, Brenda A., and Steven A. Rutledge. 2007. “An Integrated Display and

Analysis Methodology for Multivariable Radar Data.” Journal of Applied

Meteorology and Climatology 46(8): 1196–1213.

Evaristo, Raquel, Georges Scialom, Nicolas Viltard, and Yvon Lemaître. 2010.

“Polarimetric Signatures and Hydrometeor Classification of West African



Página | 91

Squall Lines.” Quarterly Journal of the Royal Meteorological Society

136(SUPPL. 1): 272–88.

García, Julio. 2013. “Clasificación Bayesiana de Hidrometeoros Orientados a La

Estimación de La Cantidad Precipitada a Partir de Las Medidas de Radar

Polarimétrico.” Pontificia Universidad Javeriana.

Giangrande, Scott E., John M. Krause, and Alexander V. Ryzhkov. 2008.

“Automatic Designation of the Melting Layer with a Polarimetric Prototype of

the WSR-88D Radar.” Journal of Applied Meteorology and Climatology 47(5):

1354–64.

Gómez Vargas, Ernesto. 2015. “MODELO PARA LA ESTIMACIÓN

CUANTITATIVA DE PRECIPITACIÓN A PARTIR DE DATOS DE RADARES

POLARIMÉTRICOS.” Pontifica Universidad Javeriana.

Gorgucci, Eugenio, Luca Baldini, and V. Chandrasekar. 2006. “The Role of C-Band

Dual Polarization Radars for GPM Ground Validation.” International

Geoscience and Remote Sensing Symposium (IGARSS): 32–35.

Gourley, Jonathan J., Anthony J. Illingworth, and Pierre Tabary. 2009. “Absolute

Calibration of Radar Reflectivity Using Redundancy of the Polarization

Observations and Implied Constraints on Drop Shapes.” Journal of

Atmospheric and Oceanic Technology 26(4): 689–703.

Gourley, Jonathan J., Pierre Tabary, and Jacques Parent du Chatelet. 2007. “A

Fuzzy Logic Algorithm for the Separation of Precipitating from Nonprecipitating

Echoes Using Polarimetric Radar Observations.” Journal of Atmospheric and

Oceanic Technology 24(8): 1439–51.

Gu, Ji Young et al. 2011. “Polarimetric Attenuation Correction in Heavy Rain at C

Band.” Journal of Applied Meteorology and Climatology 50(1): 39–58.

Houze, Robert A., M. I. Biggerstaff, S. A. Rutledge, and B. F. Smull. 1989.

“Interpretation of Doppler Weather Radar Displays of Midlatitude Mesoscale

Convective Systems.” Bulletin of the American Meteorological Society 70(6):

608–19. http://journals.ametsoc.org/doi/abs/10.1175/1520-

0477%281989%29070%3C0608%3AIODWRD%3E2.0.CO%3B2.



Página | 92

Hubbert, J., V. Chandrasekar, V. N. Bringi, and P. Meischner. 1993. “Processing

and Interpretation of Coherent Dual-Polarized Radar Measurements.” Journal

of Atmospheric and Oceanic Technology 10(2): 155–64.

http://journals.ametsoc.org/doi/abs/10.1175/1520-

0426(1993)010%3C0155:PAIOCD%3E2.0.CO;2.

Keenan, T D. 2003. “Hydrometeor Classification with a C-Band Polarimetric

Radar.” 29th International Conference on Radar Meteorology, 12-16 July

1999, Montreal, Quebec, Canada 52(July 2002): pp184-187.

Lim, Sanghun, and V.N. Bringi Chandrasekar. 2004. “Hydrometeor Classification

System Using Dual-Polarization Radar Measurements.” 2003 IEEE Workshop

on Advances in Techniques for Analysis of Remotely Sensed Data 43(4): 227–

36.

Liu, Hongping, and V. Chandrasekar. 2000. “Classification of Hydrometeors Based

on Polarimetric Radar Measurements: Development of Fuzzy Logic and

Neuro-Fuzzy Systems, and in Situ Verification.” Journal of Atmospheric and


Marzano, Frank Silvio, Daniele Scaranari, Mario Montopoli, and Gianfranco

Vulpiani. 2008. “Supervised Classification and Estimation of Hydrometeors

from C-Band Dual-Polarized Radars: A Bayesian Approach.” IEEE

Transactions on Geoscience and Remote Sensing 46(1): 85–98.

Marzano, Frank Silvio, Daniele Scaranari, and Gianfranco Vulpiani. 2007.

“Supervised Fuzzy-Logic Classification of Hydrometeors Using C-Band

Weather Radars.” IEEE Transactions on Geoscience and Remote Sensing

45(11): 3784–99.

OMM. 1993. Atlas Internacional De Nubes Manual De Observacion De Nubes Y

Otros Meteoros.

Park, Hyang Suk, A. V. Ryzhkov, D. S. Zrnić, and Kyung-Eak Kim. 2009. “The

Hydrometeor Classification Algorithm for the Polarimetric WSR-88D:

Description and Application to an MCS.” Weather and Forecasting 24(3): 730–

48. http://journals.ametsoc.org/doi/abs/10.1175/2008WAF2222205.1.



Página | 93

Paulitsch, H, F Teschl, and W L Randeu. 2009. “Dual-Polarization C-Band Weather

Radar Algorithms for Rain Rate Estimation and Hydrometeor Classification in

an Alpine Region.” Adv. Geosci 20: 3–8. www.adv-geosci.net/20/3/2009/.

Pozas Pérez, Wilfredo José. “PROCESAMIENTO DE INFORMACIÓN EN LA RED

DE RADARES METEOROLÓGICOS CUBANOS.”

Rinehart, Ronald. 2007. El Radar Para Los Meteorólogos. ed. Traducido por:

Orlando Rodríguez González.

Ryzhkov, Alexander V., Scott E. Giangrande, and Terry J. Schuur. 2005. “Rainfall

Estimation with a Polarimetric Prototype of WSR-88D.” Journal of Applied

Meteorology 44(4): 502–15.

Saaty, Thomas L. 2008. “Decision Making with the Analytic Hierarchy Process.”

International Journal of Services Sciences 1(1): 83.

http://www.inderscience.com/link.php?id=17590.

Scarchilli, Gianfranco, Eugenio Goroucci, V Chandrasekar, and Thomas A Seliga.

1993. “Rainfall Estimation Using Polarimetric Techniques at C-Band

Frequencies.” Journal of Applied Meteorology 32(6): 1150–60.

http://dx.doi.org/10.1175/1520-

0450(1993)032%3C1150:REUPTA%3E2.0.CO;2.

Schuur, T. et al. 2003. “Observations and Classification of Echoes with the

Polarimetric WSR-88D Radar.” Report of the National Severe Storms

Laboratory, Norman, OK 73069(October): 46.

http://scholar.google.com/scholar?hl=en&btnG=Search&q=intitle:Observations

+and+classification+of+echoes+with+the+polarimetric+WSR-88D+radar#0.

Straka, J. M., D. S. Zrnić, and A. V. Ryzhkov. 2000. “Bulk Hydrometeor

Classification and Quantification Using Polarimetric Radar Data: Synthesis of

Relations.” Journal of Applied Meteorology 39(8): 1341–72.

http://dx.doi.org/10.1175/1520-

0450(2000)039%3C1341:BHCAQU%3E2.0.CO%5Cn2.

Thompson, Elizabeth J. et al. 2014. “A Dual-Polarization Radar Hydrometeor

Classification Algorithm for Winter Precipitation.” Journal of Atmospheric and



Página | 94


VAISALA. 2014. “IRIS Programmer’s Manual.”

Vidal, Luciano et al. 2017. “C-Band Dual-Polarization Radar Observations of a

Massive Volcanic Eruption in South America.” IEEE Journal of Selected

Topics in Applied Earth Observations and Remote Sensing 10(3): 960–74.

Vivekanandan, J. et al. 1999. “Cloud Microphysics Retrieval Using S-Band Dual-

Polarization Radar Measurements.” Bulletin of the American Meteorological

Society 80(3): 381–88.

Vulpiani, Gianfranco, Pierre Tabary, Jacques Parent Du Chatelet, and Frank S.

Marzano. 2008. “Comparison of Advanced Radar Polarimetric Techniques for

Operational Attenuation Correction at C Band.” Journal of Atmospheric and


Zrnic, D. S. et al. 2001. “Testing a Procedure for Automatic Classification of

Hydrometeor Types.” Journal of Atmospheric and Oceanic Technology 18(6):

892–913.



Página | 95

ANEXOS

MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A PARTIR DE OBSERVABLES DE RADAR METEOROLÓGICO

Página | 96

ANEXO 1. TABLA DE CLASIFICACIONES DE HIDROMETEOROS

Supervisada Semisupervisada Lógica difusa Redes Neuronales Neuro difuso Arbol de decisión Máxima verosimilutud Bayesiano Trapezoidal Gaussiano Sigmoidea Beta

1994 Höller et al. X X

2000Liu, H., & Chandrasekar, V.

(2000)X X X

2003 Keenan, T. D. (2003) X X X

2005

Baldini, L., Gorgucci, E.,

Chandrasekar, V., &

Peterson, W.

X X X

2005 Junwu X X

2006

Marzano, F. S., Scaranari,

D., Celano, M., Alberoni, P.

P., Vulpiani, G., &

Montopoli, M.

X X X

2007Marzano, F. S., Scaranari,

D., & Vulpiani, G.X X X

2007Gourley, J. J., Tabary, P.,

& Parent du Chatelet, J.X X X

2008

Hyangsuk park, a. V.

Ryzhkov, d. S. Zrnic´,

kyung-eak kim (2008)

X X X

2008


D., Montopoli, M., &

Vulpiani, G.

X X

2008Rico-Ramirez, M. A., &

Cluckie, I. D.X X X X

2009 Dolan and Rutledge X X

2009Paulitsch, H., Teschl, F., &

Randeu, W. L.X X X

2010 Snyder et al. X X

2010 Kouketsu and Uyeda X X

2010Evaristo, R., Scialom, G.,

Viltard, N., & Lemaître, Y.X X X

2012 Schuur et al. X X

2013

Dolan, B., Rutledge, S. A.,

Lim, S., Chandrasekar, V.,

& Thurai, M.

X X X

2013

Chandrasekar, V.,

Keränen, R., Lim, S., &

Moisseev, D.

X X X X

2013

Al-Sakka, H.,

Boumahmoud, A. A.,

Fradon, B., Frasier, S. J., &

Tabary, P.

X X X

2013Xie, Q., Lang, W., Zhang,

X., & Yang, X. X

2014

Thompson, E. J., Rutledge,

S. A., Dolan, B.,

Chandrasekar, V., &

Cheong, B. L.

X X X X

2015Bechini, R., &

Chandrasekar, V. X X X

2016

Besic, N., Figueras i

Ventura, J., Grazioli, J.,

Gabella, M., Germann, U.,

& Berne, A.

X Clustering X

2016

Ribaud, J. F., Bousquet,

O., Coquillat, S., Al‐Sakka,

H., Lambert, D., Ducrocq,

V., & Fontaine, E.

X X X

AÑO REFERENCIASTIPO DE CLASIFICACIÓN Función de pertenencia


Página | 97

1994 Höller et al. Zh,Zdr,LDR 9 Lluvia ligera Gotas grandes


(2000)Zh,Zdr,rhv,Kdp,LDR 10 Llovizna

2003 Keenan, T. D. (2003) Zh,ZDR,FDP,rhv,KDP 10 Llovizna Nieve seca, baja densisdad Nieve humeda, alta densidad Nieve mojada, derritiendose

2005


Chandrasekar, V., &

Peterson, W.

Zh,Zdr,rhv,Kdp,LDR 9 Llovizna Nieve seca

2005 Junwu Zh,Zdr,rhv,Kdp 5 Llovizna

2006



P., Vulpiani, G., &

Montopoli, M.

ZH,ZDR,Temperatura 6 Nieve seca


D., & Vulpiani, G.ZH,ZDR,KDP 11 Lluvia liviana Lluvia moderada Lluvia pesada Gotas grandes Nieve seca


& Parent du Chatelet, J.ZH,ZDR,rhv,KDP 2

2008




Zh,Zdr,rhv,LKdp,SD(Z),SD(Fdp) 10 Lluvia pesada Gotas grandes Nieve seca

2008



Vulpiani, G.

ZH,ZDR,KDP 10 Lluvia liviana Lluvia moderada Lluvia pesada Gotas grandes Nieve seca


Cluckie, I. D.ZH,ZDR,rhv,KDP 1

2009 Dolan and Rutledge ZH,ZDR,rhv,KDP, Temperatura 7 Llovizna Agregados


Randeu, W. L.Zh,Zdr,Fdp,rhv,Kdp,LDR 11 Lluvia liviana Lluvia Nieve

2010 Snyder et al. Zh,Zdr,rhv,LKdp 4 Lluvia moderada Lluvia pesada Gotas grandes

2010 Kouketsu and Uyeda ZH,ZDR,rhv,KDP 10 Llovizna Nieve seca


Viltard, N., & Lemaître, Y.ZH,ZDR,Fdp,rhv 11 Lluvia liviana Lluvia moderada Lluvia pesada Lluvia dominada por gotas grandes Nieve seca

2012 Schuur et al. Zh,Zdr,rhv,LKdp,SD(Z),SD(Fdp) 6 Nieve

2013



& Thurai, M.

ZH,ZDR,Fdp,rhv,Temperatura,AH,ADP 10 Lluvia liviana Nieve seca

2013

Chandrasekar, V.,


Moisseev, D.

ZH,ZDR,Fdp,KDP,NCP,SW 4

2013

Al-Sakka, H.,

Boumahmoud, A. A.,


Tabary, P.

ZH,ZDR,rhv,KDP 4 Nieve seca


X., & Yang, X. 3

2014


S. A., Dolan, B.,

Chandrasekar, V., &

Cheong, B. L.

ZH,ZDR,Fdp,rhv,KDP 7 Copos de nieve agregados secos

2015Bechini, R., &

Chandrasekar, V. ZH,ZDR,rhv,KDP 10 Llovizna Lluvia Lluvia pesada Gotas grandes Nieve seca

2016




& Berne, A.

ZH,ZDR,Fdp 9 Llovizna Agregados

2016




V., & Fontaine, E.

ZH,ZDR,rhv,KDP 6 Nieve seca

CLASES

Lluvia

Lluvia moderada y liviana

Nieve

Nieve

Lluvia

Nieve húmeda

Nieve húmeda

Lluvia

Nieve húmeda

Lluvia

Lluvia

Lluvia

Nieve húmeda

Nieve húmeda

Nieve húmeda

AÑO TOTAL DE CLASES

Nieve mojada

Nieve húmedaLluvia

REFERENCIAS VARIABLES USADASNieve

Nieve húmedaLluvia

Nieve húmeda

Lluvia

Nieve húmedaLluvia

Nieve húmeda

Nieve húmedaLluvia pesada

Lluvia

Lluvia

Lluvia

Nieve húmeda

Nieve


Página | 98

1994 Höller et al.Granizo grande

húmedo

Granizo

humedoGranizo seco

Lluvia y granizo

pequeño

Lluvia y granizo

grande


(2000)

Cristales de Hielo

húmedo

Cristales de

hielo seco de

baja densidad

Cristales

de hielo

seco de

alta

densidad

Graupel

seco

Graupel

húmedoGranizo pequeño Granizo grande Lluvia y granizo

2003 Keenan, T. D. (2003)Graupel

seco

Graupel

húmedoGranizo pequeño Granizo grande Lluvia y granizo

2005


Chandrasekar, V., &

Peterson, W.

Granizo pequeño Granizo grandeLluvia y granizo

pequeño

Lluvia y granizo

grande

2005 Junwu Cristal húmedo

2006



P., Vulpiani, G., &

Montopoli, M.

Graupel y

granizo

pequeño


D., & Vulpiani, G.Granizo pequeño


& Parent du Chatelet, J.

Precipitaci

ón

Ecos en

tierra

2008




Propagaci

ón

anómala

Dispersores

biológicos

2008



Vulpiani, G.

Graupel y

granizo pequeño


Cluckie, I. D.

Ecos en

tierra

Propagaci

ón

anómala

2009 Dolan and Rutledge

Hielo

orientado

verticalme

nte

Graupel

de baja

densisdad

Graupel

de alta

densidad


Randeu, W. L.Graupel

Graupel

húmedoGranizo Granizo grande

2010 Snyder et al.

2010 Kouketsu and UyedaGraupel

seco

Graupel

húmedoGranizo pequeño Granizo grande


Viltard, N., & Lemaître, Y.Granizo pequeño

2012 Schuur et al.

Hielo y

gotas

congelada

s

Lluvia

congelada

2013



& Thurai, M.

Hielo

orientado

verticalme

nte

Graupel

de baja

densisdad

Graupel

de alta

densidad

Granizo pequeño

2013

Chandrasekar, V.,


Moisseev, D.

Precipitaci

ón

Ecos en

tierra

Dispersores

biológicos

2013

Al-Sakka, H.,

Boumahmoud, A. A.,


Tabary, P.


X., & Yang, X.

Tempano

de hielo

Hielo

nuevo

Agua

abierta

2014


S. A., Dolan, B.,

Chandrasekar, V., &

Cheong, B. L.

Gotas

congelada

s

Placas Dendritas

2015Bechini, R., &

Chandrasekar, V. Dendritas

2016




& Berne, A.

Hielo

orientado

verticalme

nte

Particulas

de hielo

rimado

Granizo

derretido

Granizo de hielo

y graupel de alta

densidad

2016




V., & Fontaine, E.

CLASES

Cristales de varias orientaciones

Cristales

Hielo

Cristales

Cristales

Granizo

Lluvia y granizo

Graupel

Granizo

Granizo

Granizo

Granizo

Granizo

AÑOGranizo MezclasHielo y Cristales de hielo

Graupel

REFERENCIAS

Hielo

Lluvia y granizo

Graupel Lluvia y granizo

Cristales

Cristales

Lluvia y granizo

Lluvia y granizo


Lluvia y granizo

Graupel

Graupel

Cristales de hielo

Cristales de hielo

Otros

Hielo

Cristales

Graupel


Cristales de hielo

Cristales

Cristales

Cristal seco

Lluvia y granizo

Lluvia y granizo

MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA ZONAS ECUATORIALES A PARTIR DE


Página | 99

ANEXO 2. TABLAS DE RESULTADOS DEL CLASIFICADOR

Evento 1 – Corozal 1 – Fecha: 25/06/2013 (COR 1) Resultados del clasificador propuesto comparado con el clasificador C0 de IRIS

para el evento COR1

Resultados del clasificador propuesto comparado con el clasificador C1 de IRIS

para el evento COR1

Resultados del clasificador propuesto comparado con el clasificador C2 de IRIS para el evento COR1

CLASIFICADOS Obj NM lluvia Nieve h. Nieve Graupel Granizo No usada Total

PA 2217 5655 357 153 219 129 0 8730

EB 3290 5331 188 158 0 3 0 8970

LL 4157 11809 153 181 4 0 0 16304

LM 1472 9314 28 34 60 55 0 10963

LP 828 5159 22 36 9 593 0 6647

GG 4079 34561 360 368 322 356 0 40046

G 275 295 0 2 0 8 0 580

NC 83 753 1 1 0 1 0 839

TOTAL 16401 72877 1109 933 614 1145 0 93079

% diferencia 66,4227791 16,51275437 99,30131004

CLASIFICADOS ET/PA BIO PRE Gotas Grandes PRE Suave PRE moderada No usada Total

PA 1646 571 0 0 5577 817 119 8730

EB 1347 1943 0 0 5675 2 3 8970

LL 1309 2848 0 0 12143 4 0 16304

LM 1092 380 0 0 6590 2898 3 10963

LP 620 208 0 0 4476 242 1101 6647

GG 2619 1460 0 0 29756 5862 349 40046

G 131 144 0 0 294 3 8 580

NC 29 54 0 0 754 1 1 839

TOTAL 8793 7608 0 0 65265 9829 1584 93079

% diferencia 81,2805641 74,46109359 100 81,3943155 70,51582053

CLASIFICADOS Convectivo Estratiforme No usado Prohibido Total

PA 6442 2217 71 0 8730

EB 5673 3290 7 0 8970

LL 12131 4157 16 0 16304

LM 9479 1472 12 0 10963

LP 5819 828 0 0 6647

GG 35837 4079 130 0 40046

G 305 275 0 0 580

NC 756 83 0 0 839

TOTAL 76442 16401 236 0 93079



Página | 100


para el evento COR2


para el evento COR2



PA 2334 3824 760 631 883 234 0 8666

EB 2443 4567 198 212 3 8 0 7431

LL 4352 24677 116 475 0 4 0 29624

LM 3633 24672 18 101 137 39 0 28600

LP 1205 4770 37 88 123 621 0 6844

GG 5508 23751 854 1624 1543 410 0 33690

G 160 265 1 4 0 2 0 432

NC 59 1071 0 1 0 2 0 1133

TOTAL 19694 87597 1984 3136 2689 1320 0 116420

% diferencia 75,7438814 11,10426156 99,8484848

CLASIFICADOS ET/PA BIO PRE Gotas GrandesPRE SuavePRE moderada No usada Total

PA 1732 602 0 0 4773 1256 303 8666

EB 1043 1400 0 0 4970 7 11 7431

LL 1266 3086 0 0 25268 0 4 29624

LM 2930 703 0 0 20658 4304 5 28600

LP 1005 200 0 0 4599 194 846 6844

GG 4057 1451 0 0 22269 5491 422 33690

G 73 87 0 0 267 1 4 432

NC 25 34 0 0 1071 2 1 1133

TOTAL 12131 7563 0 0 83875 11255 1596 116420

% diferencia 85,7225291 81,48882718 100 69,8742176 61,7592181


PA 5645 2334 687 0 8666

EB 4956 2443 32 0 7431

LL 25210 4352 62 0 29624

LM 24930 3633 37 0 28600

LP 5607 1205 32 0 6844

GG 27283 5508 899 0 33690

G 272 160 0 0 432

NC 1074 59 0 0 1133

TOTAL 94977 19694 1749 0 116420



Página | 101


para el evento COR3


para el evento COR3



PA 2372 7877 890 850 951 73 0 13013

EB 3890 6617 358 489 8 1 0 11363

LL 4192 13140 173 739 0 0 0 18244

LM 1427 15914 34 142 246 11 0 17774

LP 496 7232 65 175 72 44 0 8084

GG 4661 51549 1104 2760 1067 60 0 61201

G 71 155 1 12 3 5 0 247

NC 72 1201 4 6 1 0 0 1284

TOTAL 17181 103685 2629 5173 2348 194 0 131210

% diferencia 63,5527618 15,28668563 97,4226804

CLASIFICADOS ET/PA BIO PRE Gotas GrandesPRE SuavePRE moderadaNo disponible No usada Total

PA 1538 830 0 0 8110 2443 4 88 13013

EB 1292 2597 0 0 7449 20 1 4 11363

LL 952 3236 0 0 14052 0 4 0 18244

LM 905 522 0 0 14508 1839 0 0 17774

LP 281 215 0 0 7306 77 0 205 8084

GG 2808 1853 0 0 52670 3719 0 151 61201

G 38 33 0 0 160 1 0 15 247

NC 18 54 0 0 1209 2 0 1 1284

TOTAL 7832 9340 0 0 105464 8101 9 464 131210

% diferencia 80,3626149 72,19486081 100 86,6760221 77,2990989


PA 10003 2372 638 0 13013

EB 7423 3890 50 0 11363

LL 13842 4192 210 0 18244

LM 16236 1427 111 0 17774

LP 7513 496 75 0 8084

GG 54863 4661 1677 0 61201

G 173 71 3 0 247

NC 1210 72 2 0 1284

TOTAL 111263 17181 2766 0 131210



Página | 102


para el evento COR4


para el evento COR4



PA 2310 4407 346 580 901 444 0 8988

EB 3273 2904 83 306 18 5 0 6589

LL 5021 13447 82 203 0 0 0 18753

LM 3616 12657 45 274 1032 75 0 17699

LP 671 3072 74 464 311 1040 0 5632

GG 2791 9625 427 3135 2604 214 0 18796

G 1199 379 1 2 9 18 0 1608

NC 65 496 1 3 1 1 0 567

TOTAL 18946 46987 1059 4967 4876 1797 0 78632

% diferencia 70,5320384 17,42184008 98,9983306


PA 1682 628 0 0 4896 1189 593 8988

EB 1226 2047 0 0 3286 10 20 6589

LL 1563 3458 0 0 13729 3 0 18753

LM 2544 1072 0 0 10689 3388 6 17699

LP 513 158 0 0 3207 321 1433 5632

GG 1786 1005 0 0 11855 3821 329 18796

G 196 1003 0 0 372 14 23 1608

NC 27 38 0 0 499 1 2 567

TOTAL 9537 9409 0 0 48533 8747 2406 78632

% diferencia 82,3634267 78,24423424 100 71,712031 61,26672


PA 6277 2310 401 0 8988

EB 3270 3273 46 0 6589

LL 13705 5021 27 0 18753

LM 13837 3616 246 0 17699

LP 4681 671 280 0 5632

GG 12955 2791 3050 0 18796

G 409 1199 0 0 1608

NC 501 65 1 0 567

TOTAL 55635 18946 4051 0 78632



Página | 103


para el evento COR5


para el evento COR5



PA 2260 4937 413 458 199 138 0 8405

EB 3477 3750 135 311 1 5 0 7679

LL 4575 19867 135 241 0 0 0 24818

LM 1957 13887 30 72 62 40 0 16048

LP 729 4292 76 170 73 251 0 5591

GG 2958 22888 513 1335 410 147 0 28251

G 300 310 1 2 4 9 0 626

NC 76 415 2 1 0 0 0 494

TOTAL 16332 70346 1305 2590 749 590 0 91912

% diferencia 64,8726427 13,37958093 98,4745763


PA 1643 617 0 0 5386 485 274 8405

EB 1429 2048 0 0 4189 3 10 7679

LL 1373 3202 0 0 20243 0 0 24818

LM 1205 752 0 0 11848 2242 1 16048

LP 513 216 0 0 4107 139 616 5591

GG 2062 896 0 0 22138 2893 262 28251

G 143 157 0 0 293 1 32 626

NC 29 47 0 0 418 0 0 494

TOTAL 8397 7935 0 0 68622 5763 1195 91912

% diferencia 80,4334882 74,19029616 100 70,5007141 61,096651


PA 5903 2260 242 0 8405

EB 4170 3477 32 0 7679

LL 20198 4575 45 0 24818

LM 14078 1957 13 0 16048

LP 4831 729 31 0 5591

GG 24750 2958 543 0 28251

G 325 300 1 0 626

NC 418 76 0 0 494

TOTAL 74673 16332 907 0 91912

MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA...

Documents

Transcript of MODELO DE CLASIFICACIÓN DE HIDROMETEOROS PARA...