2009 Pons TesisMaster PDF

Variabilidad y Tendencias de Nieve en el
Norte de Espana. Analisis y Simulacion

con Metodos de Downscaling Estadstico
Tesis del Master:

Matematicas y Computacion
de la Universidad de Cantabria
Presentada por
Mara Rosa Pons Reynes
bajo la direccion de
Dr. Jose Manuel Gutierrez
Universidad de Cantabria.
Santander, 4 de octubre de 2009

0
Indice general
1. Objetivos y Estructura de la Tesis 3
2. Variabilidad y Tendencia de la Ocurrencia de Nieve 5

2.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.2. Area de estudio y datos disponibles . . . . . . . . . . . . . . . . . . . 6
2.3. Analisis de la frecuencia anual de nieve . . . . . . . . . . . . . . . . . 10
2.3.1. Tendencias observadas . . . . . . . . . . . . . . . . . . . . . . 11
2.3.2. Correlacion con temperatura y precipitacion . . . . . . . . . . 12
3. Simulacion con Tecnicas de Downscaling Estadstico 19

3.1. Introduccion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2. Datos de reanalisis de modelos atmosfericos . . . . . . . . . . . . . . 21
3.3. Downscaling estadstico . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.3.1. Metodo de analogos . . . . . . . . . . . . . . . . . . . . . . . . 24
3.3.2. Curvas ROC . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4. Calibracion utilizando la frecuencia anual de nieve . . . . . . . . . . . 27
3.5. Estudios de sensibilidad . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.6. Simulacion de las tendencias de frecuencia anual de nieve . . . . . . . 30
3.7. Validez de los metodos de downscaling . . . . . . . . . . . . . . . . . 33
4. Conclusiones y Trabajo Futuro 37
Bibliografa 40
1
2 INDICE GENERAL
CAPITULO 1
Objetivos y Estructura de la Tesis
En las ultimas decadas se ha realizado un gran esfuerzo para estudiar la varia-

bilidad climatica global y las tendencias recientes del clima. Estos estudios se han
centrado principalmente en la temperatura y la precipitacion, constatando un calen-
tamiento global durante las cuatro ultimas decadas y distintas tendencias regionales
de la precipitacion. Estos estudios se han llevado a cabo aplicando tests estadsticos
apropiados (parametricos y no parametricos) a las series observadas. Tambien se
han analizado las series de simulaciones de los modelos numericos del clima, que
reproducen la variabilidad y tendencias del clima a partir de modelos numericos que
resuelven las ecuaciones de la dinamica atmosferica y oceanica. Sin embargo, otras
variables de gran interes economico y social no han sido analizadas en tanto detalle.
En particular, la nieve es una variable de gran importancia hidrologica y economica
(turstica), y existen pocos estudios que analicen las tendencias recientes de la nieve
y que proyecten sus tendencias futuras.
El objetivo de este proyecto es, en primer lugar, analizar las tendencias signica-
tivas en la ocurrencia de nieve durante la segunda mitad del siglo XX y, en segundo
lugar, tratar de predecir dicho meteoro mediante modelos de downscaling estadsti-
co, tanto su ocurrencia diaria como la frecuencia anual de das de nieve. Para ello,
se cuenta con observaciones diarias binarias de nieve en 33 estaciones de la red se-
cundaria de la Agencia Estatal de Meteorologa (AEMET) en el Norte de Espana,
considerando el periodo del reanalisis ERA40 (1957-2002).
En la segunda parte del trabajo se analizara la conexion de la ocurrencia de nieve
con campos meteorologicos a gran escala, simulados por modelos de circulacion
3
4 1. OBJETIVOS Y ESTRUCTURA DE LA TESIS
general mediante metodos de downscaling estadstico (en particular, tecnicas de

analogos y de clasicacion de tiempo). Con el n de analizar la estacionariedad
del metodo, se realizaran experimentos en los que se utilizara como perodo de
entrenamiento unicamente los diez anos consecutivos mas fros (1970-1980) y los
diez mas calidos (1992-2002). Como resultado de este trabajo se tratara de estimar
la capacidad de estos metodos estadsticos para reproducir tanto la tendencia como
la variabilidad interanual del periodo restante. En funcion de los resultados obtenidos
se analizara la posibilidad de estudiar escenarios futuros de tendencia de nieve en
un contexto de cambio climatico mediante este metodo, utilizando simulaciones de
modelos climaticos del Cuarto Informe de Evaluacion (AR4) del IPCC, para obtener
proyecciones futuras de las tendencias observadas.
La tesis esta estructurado de la siguiente forma: en el primer captulo se des-
cribe la region de interes y los datos de observacion y de reanalisis utilizados. A
continuacion se analiza la frecuencia anual de nieve, encontrando una tendencia li-
neal signicativa. En el captulo 3 se simula la ocurrencia diaria de nieve mediante
metodos de downscaling estadstico, estudiando la tendencia anual y la variabilidad
interanual de los datos simulados. Finalmente, en el ultimo captulo se describen las
conclusiones y el trabajo futuro.
El trabajo presentado en esta Tesis ha sido desarrollado en del grupo de Meteo-
rologa de la Universidad de Cantabria http://www.meteo.unican.es.
CAPITULO 2
Variabilidad y Tendencia de la Ocurrencia de Nieve
2.1. Introduccion
El analisis de tendencias en el clima observado se ha convertido en una impor-
tante lnea de investigacion en las dos ultimas decadas, debido principalmente al
interes en el calentamiento global. Para ello se han utilizado distintas fuentes de in-
formacion: observaciones instrumentales, datos proxy, informacion de satelites, etc.,
obteniendose numerosos estudios de tendencias globales y regionales. Sin embargo,
la mayora de dichos estudios analizan la temperatura y/o la precipitacion (ver, por
ejemplo Trenberth et al., 2007), mientras que otras variables de interes, como por
ejemplo la nieve, apenas se han estudiado, principalmente debido a la falta de da-
tos. No obstante, la frecuencia de episodios de nieve y su extension geograca son
parametros clave para el balance hdrico y, por tanto, las posibles tendencias ac-
tuales o futuras de dichas variables son una fuente de informacion importante para
numerosas actividades socioeconomicas.
A escala global, las imagenes de satelite del canal visible proporcionadas por
la National Oceanic and Atmospheric Administration (NOAA) desde principios de
los setenta (Dewey and Heim, 1982; Matson et al., 1986; Robinson, 1993) han si-
do la principal fuente de datos para estudiar la variabilidad del manto de nieve
(Foster et al., 1983; Gutzler and Rosen, 1992; Frei and Robinson, 1999). Las medi-
das de satelite han conrmado que la zona cubierta de nieve en el hemisferio norte
ha disminuido un 10 % de media en los ultimos treinta anos, especialmente en pri-
mavera y verano (Serreze et al., 2000). Esta tendencia coincide con medidas directas
de espesor y extension de nieve en la zona oeste de Norteamerica (Mote et al., 2005)
5
6 2. VARIABILIDAD Y TENDENCIA DE LA OCURRENCIA DE NIEVE
y en terminos generales con observaciones que van desde Norteamerica a Eurasia

(Brown, 1999). A escala europea, la mayora de los estudios se han llevado a cabo en
los Alpes, en los que se han determinado disminuciones estadsticamente signicati-
vas del espesor medio de nieve, de la duracion de la cubierta de nieve y del numero de
das de nieve desde principios de los ochenta; ademas, las mayores tendencias se han
producido en las altitudes medias y bajas (Laternser and Schneebeli, 2003). Esta
disminucion ha sido principalmente atribuida al aumento de la temperatura media
(Scherrer et al., 2004; Hantel and Hirtl-Wielke, 2007). Tambien se ha tratado de si-
mular el comportamiento de la nieve y su tendencia mediante modelos estadsticos.
Por ejemplo, Martin et al. (1997) simulo la cubierta estacional de nieve en los Alpes
franceses utilizando un metodo de analogos y McGinnis (1997) aplico un metodo
de regresion multiple y redes neuronales para simular la nieve diaria en Colorado,
logrando explicar el 70 % de la varianza diaria.
En el caso de la Pennsula Iberica, los estudios se centran en la cubierta de nieve
y los episodios de nevadas en la zona de los Pirineos. Por ejemplo, utilizando una
base de datos de 1985 a 1999, Lopez-Moreno (2005) concluyo que las medidas de
espesor de nieve a nales de abril estaban muy correlacionadas con los registros de
precipitacion de los meses anteriores y con la temperatura del mes de abril; mediante
esta relacion inrio el manto nivoso del periodo 1950-1999, en el que detecto una
tendencia decreciente signicativa. En el presente trabajo se han analizado las ten-
dencias regionales de nieve observadas en una zona diferente y mas extensa: el norte
de Espana. Para dicho proposito se analizaron datos de ocurrencia diaria de nieve
de una red de 33 estaciones durante el periodo 1957-2002 (en dicha region no hay
disponibilidad de datos de la cubierta de nieve o de su espesor). Mediante estos datos
se analizo la frecuencia anual de nieve (medida en numero de das de nieve), descu-
briendose una tendencia lineal decreciente desde mediados de los setenta. Ademas se
simulo la ocurrencia diaria de nieve mediante un metodo de downscaling estadstico
basado en analogos, inriendo las observaciones locales de nieve de los campos de
circulacion a gran escala propocionados por una base de datos de reanalisis historicos
(ERA40). Las frecuencias anuales simuladas (obtenidas mediante la agregacion de
los valores de ocurrencia diaria del downscaling) reproducen muy bien la variabilidad
anual observada y las tendencias.
2.2. Area de estudio y datos disponibles

El estudio se ha realizado con datos de ocurrencia diaria de nieve de 33 estacio-
nes pertenecientes a la Agencia Estatal de Meteorologa (AEMET), seleccionadas
2.2. AREA DE ESTUDIO Y DATOS DISPONIBLES 7
de una base de datos de precipitacion homogenea del periodo 1957-2002 (ver gu-
ra 2.1a). Solo se permite un 7 % de lagunas en el periodo de analisis, denido por
la disponibilidad de datos de ERA40 (de septiembre de 1957 a agosto de 2002),
excluyendo los meses de verano junio, julio y agosto, cuando no se registra nieve
practicamente nunca. Se impone una restriccion mayor de un 5 % de lagunas per-
mitidas anuales, por lo que puede haber un maximo de 14 das sin datos por ano.
Dichos porcentajes se escogieron como un compromiso entre la calidad de las series
temporales resultantes y el numero de estaciones considerado para el estudio. La
region tiene una orografa compleja, con altitudes de las estaciones comprendidas
entre 60 y 1350 metros (ver tabla 2.1 para mas detalles).
4 5 .0 60
(a) (b)
55
4 2 .5
50
4 0 .0
45
40
3 7 .5
35
3 5 .0
-12.5 -1 0 30
-7.5 -5 -2.5 0 2.5 5 -20 -10 0 10 20
Figura 2.1: (a) Distribucion espacial de las estaciones utilizadas en el estudio (ver
tabla 2.1 para los detalles geogracos). (b) Los puntos utilizados del reanalisis para
describir el patron atmosferico (malla de 1.0 1.0 de latitud y longitud.
Las observaciones cubren un periodo de 24 horas, de 06 UTC a 06 UTC del

da siguiente, y se reeren a la ocurrencia de nieve. La base de datos solo indica si
hubo un episodio de nieve, no proporciona informacion sobre la cantidad de nieve
que cayo; ni siquiera se requiere que haya un espesor mnimo de nieve en el suelo
para cifrar la ocurrencia de nieve. Estos datos permiten estudiar tanto la ocurrencia
diaria de nieve (ODN) como la frecuencia anual, medida como el numero anual de
das de nieve (NADN); ambas variables son, por tanto, discretas, siendo la primera
de ellas una variable binaria ODN {0, 1}, y la segunda una variable positiva,
0 NADN 365. Hay que tener en cuenta ademas que los anos considerados
en este trabajo no se corresponden con anos naturales sino que cubren el periodo
de septiembre a agosto, evitando as que los inviernos queden separados de forma
articial en dos anos distintos (este criterio se ha mantenido a lo largo de todo el
estudio).
Estacion Altitud Lat. Lon. NADN HIR FAR FAR2

GRADO * 60 43.38 -6.06 2.00 0.15 0.47 0.00 0.51
SANTESTEBAN * 131 43.13 -1.66 4.36 0.23 0.48 0.01 0.48
VILLACARRIEDO * 212 43.23 -3.80 4.67 0.26 0.57 0.00 0.39
MONTAOS-ORDES 306 43.04 -8.42 1.59 0.19 0.50 0.00 0.47
AS PONTES DE GARCIA * 343 43.45 -7.86 3.14 0.18 0.58 0.00 0.47
CENICERO INDUSTRIAL * 430 42.48 -2.64 7.67 0.23 0.53 0.01 0.43
MIRANDA DE EBRO * 520 42.68 -2.96 7.51 0.23 0.49 0.01 0.49
URRUNAGA PRESA 540 42.96 -2.65 6.30 0.23 0.47 0.01 0.52
VILLARCAYO 595 42.94 -3.57 12.72 0.26 0.63 0.01 0.38
JAVIERREGAY 690 42.59 -0.74 7.69 0.26 0.45 0.01 0.52
MONZON DE CAMPOS * 754 42.12 -4.49 7.61 0.18 0.49 0.01 0.53
OSORNO 809 42.41 -4.36 9.24 0.19 0.40 0.02 0.63
SAN MIGUEL DE BERNUY 839 41.40 -3.95 12.65 0.26 0.52 0.02 0.44
PANTANO DE STA. TERESA * 840 40.67 -5.60 12.46 0.26 0.54 0.02 0.45
ALAR DEL REY * 851 42.66 -4.31 17.60 0.23 0.59 0.03 0.47
SAN ESTEBAN DE GORMAZ * 860 41.57 -3.20 12.11 0.23 0.55 0.02 0.48
RETUERTA 900 42.03 -3.51 17.77 0.28 0.57 0.02 0.43
LINARES DEL ARROYO * 911 41.53 -3.56 12.91 0.26 0.53 0.02 0.47
BESCOS DE GARCIPOLLERA 920 42.63 -0.50 13.58 0.26 0.43 0.02 0.53
TORRECILLA DEL MONTE 949 42.09 -3.69 7.82 0.23 0.32 0.01 0.65
LA MAGDALENA * 998 42.78 -5.80 15.84 0.30 0.43 0.02 0.52
PANTANO DE CERVERA 1000 42.87 -4.53 23.23 0.30 0.58 0.03 0.44
GARRAY 1010 41.82 -2.45 9.59 0.19 0.44 0.02 0.61
PANTANO DE REQUEJADA * 1024 42.91 -4.53 26.13 0.30 0.61 0.03 0.41
BOCA DE HUERGANO 1104 42.97 -4.93 32.98 0.36 0.60 0.04 0.36
PRIORO * 1123 42.89 -4.96 34.24 0.31 0.66 0.04 0.34
AVILA OBSERVATORIO 1130 40.65 -4.68 16.49 0.30 0.47 0.02 0.49
EMBALSE CUERDA DEL POZO 1150 41.88 -2.70 25.32 0.30 0.64 0.03 0.38
RABANAL DE LUNA * 1150 42.93 -5.97 33.80 0.31 0.67 0.04 0.35
GENESTOSO 1180 43.06 -6.40 49.54 0.31 0.76 0.06 0.32
HUERGAS DE BABIA 1222 42.96 -6.09 45.27 0.38 0.65 0.05 0.33
PANTANO DE CAMPORREDONDO * 1253 42.90 -4.74 36.18 0.34 0.66 0.04 0.33
ZAPARDIEL DE LA RIBERA 1353 40.36 -5.33 28.82 0.34 0.66 0.03 0.32
Mean Values 823 42.42 -4.26 16.93 0.26 0.54 0.02 0.45
Tabla 2.1: Nombre, altitud (m), localizacion (latitud y longitud en grados), numero
medio anual de das de nieve (NADN) y el umbral de calibracion probabilstico
para cada estacion. Las ultimas tres columnas muestran los valores de distintos
ndices de vericacion: Hit Rate HIR P (p = 1|o = 1), False Alarm Rate F AR
P (p = 1|o = 0) y false alarm ratio o F AR2 P (o = 0|p = 1). Las estaciones se
han ordenado en altitudes crecientes (aquellas marcadas con un asterisco tambien
cuentan con registros de temperatura).
2.2. AREA DE ESTUDIO Y DATOS DISPONIBLES 9
Al analizar tendencias se debe tener especial cuidado con las lagunas de los
datos y los periodos de solape de las distintas estaciones. La gura 2.2 muestra el
numero de estaciones con datos para cada ano y la altitud media resultante. Ambos
parametros se mantienen aproximadamente constantes desde 1970, incluyendose el
periodo en el que se detecta una tendencia signicativa (de 1975 en adelante, ver
seccion 2.3.1). No se ha realizado un analisis de tendencias en el periodo 1957-1970
ya que el numero de estaciones disponible cada ano vara signicativamente durante
este periodo y, por tanto, los resultados podran estar sesgados (ver, por ejemplo
Weatherhead et al., 1998, para mas informacion sobre los factores que inuyen en
la deteccion de tendencias).
40
(a)
Number of s tations
30
20
10
1960 1965 1970 1975 1980 1985 1990 1995 2000
900
Stations' mean height (m)
(b)
800
700
600
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
Figura 2.2: a) Numero de estaciones utilizadas cada ano para calcular la frecuencia
media anual de das de nieve. b) Altitud media (en metros) de las estaciones previa-
mente mencionadas. Las caractersticas permanecen aproximadamente constantes
de 1970 en adelante.
Tambien se analizaron otras variables como la ocurrencia de precipitacion y la

temperatura maxima y mnima con el n de explorar posibles correlaciones con las
observaciones de nieve. En el caso de las temperaturas, solo se encontraba disponible
un subconjunto de 16 estaciones que satiscieran los mismos criterios de calidad
que la nieve. Por tanto, a pesar de que solo hay pequenas variaciones cuando se
restringe el analisis de nieve a dichas 16 estaciones, solo se utilizara el subconjunto de

estaciones para realizar estudios comparativos de nieve/precipitacion y temperatura.
2.3. Analisis de la frecuencia anual de nieve

En la primera parte del estudio el objetivo principal es analizar los registros
historicos de ocurrencia de nieve, buscando tendencias en las frecuencias anuales
observadas. Con dicho n se utilizo el NADN, que oscila entre 1.5 y 50 en las
estaciones elegidas (ver tabla 2.1 para mas detalles) y que aumenta con la altitud
de las estaciones: la ocurrencia de nieve aumenta de forma lineal y suave para las
estaciones mas bajas y de forma mas brusca para las estaciones que estan por encima
de 1000 metros (ver gura 2.3). Esta es la razon por la que en algunas secciones
se realiza por separado el analisis de las estaciones altas y bajas (esta distincion
tambien es debida a que se comportan de forma distinta al aplicar los metodos de
downscaling estadstico, seccion 3.3). Considerar estaciones con frecuencias altas de
nieve es practicamente equivalente a considerar estaciones de mayor altitud.
1400
Station height (m etres)
1200
1000
800
600
400
200
0
0 10 20 30 40 50
Mean NSD
Figura 2.3: Relacion entre el numero medio anual de das de nieve (NADN) y la
altitud de las estaciones. Considerar estaciones con mas de 20 das de nieve al ano
es practicamente equivalente a considerar estaciones por encima de 1000 metros.
2.3. ANALISIS DE LA FRECUENCIA ANUAL DE NIEVE 11
2.3.1. Tendencias observadas
La frecuencia anual de nieve promediada sobre las 33 estaciones se representa en

la gura 2.4a. En dicha gura se aprecian dos tendencias distintas: hasta mediados
de los setenta el numero de das de nieve anual aumento con el tiempo, disminu-
yendo despues hasta el presente. Tal y como se menciono en la seccion 2.2, solo se
analizara el segundo periodo que es cuando el numero de estaciones disponibles cada
ano as como la altitud media resultante permanecen aproximadamente constantes.
Al realizar un ajuste lineal a los datos anuales de 1975 en adelante se obtiene una
tendencia decreciente signicativa (con un nivel de conanza del 95 %) de aproxima-
damente medio da de nieve al ano (una disminucion relativa anual del 2 %), lo que
signica unos 13 das de nieve al ano menos en 2002 que en 1975 (una disminucion
relativa total del 54 %). Al analizar por separado cada estacion del ano (gura 2.4b),
la tendencia solo es signicativa en invierno y primavera; el invierno ha sufrido el
mayor descenso en valores absolutos, con aproximadamente 8 das de nieve menos al
ano en el periodo 1975-2002 (una disminucion relativa del 60 % en dicha estacion),
seguido de la primavera, con una disminucion total de 3.5 das de nieve al ano (una
disminucion relativa del 50 %); la diferencia restante es debida a la nieve ocurrida
en otono y verano.
Se pueden observar tendencias anuales de ocurrencia de nieve similares si se
analiza por separado las estaciones de altitudes altas (ver gura 2.4c) o de ocurrencia
alta de nieve (mas de 20 das de nieve anuales de media para todo el periodo) y las
de baja ocurrencia/altitud (ver gura 2.4d). Las estaciones altas han sufrido una
disminucion de 23 das de nieve entre 1975 y 2002, mientras que las estaciones
bajas han perdido 7 das de nieve durante el mismo periodo. Esto representa una
disminucion relativa anual del 2 % en ambos casos. A pesar de la tendencia negativa
global desde mediados de los setenta, se observa una gran variabilidad interanual en
ambos casos.
Si se analizan mas en profundidad dichas guras se observa que la ultima decada
tiene un comportamiento distinto: se estabiliza la tendencia decreciente y disminuye
tambien la variabilidad interanual; por tanto, si se suprime la ultima decada se
obtendra una disminucion aun mas pronunciada de la frecuencia de nieve (0.55
das de nieve al ano en lugar de 0.48; durante la ultima decada la variacion es de
solo 0.06 das). No obstante, el analisis de tendencia se realizo para todo el periodo
(de 1975 en adelante) coincidiendo con el periodo en el que se observa un aumento
de la temperatura (seccion 2.3.2).
2.3.2. Correlacion con temperatura y precipitacion

Con el n de buscar posibles relaciones entre la nieve y otras variables, se con-
sidero la frecuencia anual de lluvia y la temperatura media. En este caso, para
mantener la consistencia de los resultados, se restringe el estudio al subconjunto de
16 estaciones con registros de temperaturas (aquellas marcadas con un asterisco en
la tabla 2.1). Las tendencias de nieve y la variabilidad interanual obtenidas para
este subconjunto son muy similares a las obtenidas con las 33 estaciones.
En primer lugar se considera la serie binaria de precipitacion observada, es decir,
el numero de das en los que ocurrio algun tipo de precipitacion (tanto en forma de
nieve como de lluvia). En este caso no se aprecia ninguna tendencia signicativa en
la frecuencia anual durante el mismo periodo 1975-2002 (ver gura 2.5a). Se pueden
encontrar resultados similares en Rodrigo and Trigo (2007) y Gallego et al. (2006),
aunque los datos y el periodo seleccionado para dichos estudios eran diferentes. Por
tanto, la disminucion en la frecuencia anual de das de nieve no parece relacionada
con una disminucion global de das de precipitacion.
Tambien se estudio la temperatura media anual para el mismo periodo (ver gura
2.5b). Dicha gura muestra que la temperatura media ha sufrido una tendencia
positiva de aproximadamente 0.056C por ano un aumento relativo del 0.5 % (una
tendencia signicativa con un nivel de conanza del 95 %), lo cual supone un aumento
de aproximadamente 1.5 C durante el periodo 1975-2002. La curva de temperatura
media anual con el mnimo caracterstico de mediados de los setenta coincide con
resultados obtenidos en trabajos anteriores (ver, por ejemplo, Brunet et al., 2007).
A simple golpe de vista se aprecia una clara correlacion inversa entre la frecuen-
cia anual media de nieve y la temperatura media anual, disminuyendo y aumentando
respectivamente desde mediados de los setenta. Con el objetivo de analizar mas en
profundidad dicha correlacion, se ha estandarizado ambas variables, representando-
las juntas en la gura 2.6a. Las anomalas anuales (respecto al periodo completo
1957-2002) de das de nieve y temperatura media tienen un coeciente de correla-
cion de Pearson de 0.72. Ambas series anuales han sido suavizadas con una media
movil de 5 anos (lneas solidas) y, en este caso, el coeciente de correlacion aumenta
hasta 0.80. Se pueden observar tres periodos distintos: dos periodos en los que la
temperatura se situo por encima de la media y la frecuencia de nieve por debajo
(hasta nales de los sesenta y desde mediados de los ochenta) y un periodo mas fro
con una mayor frecuencia de episodios de nieve entre dichos periodos.
Cuando se analiza por separado la correlacion de la temperatura maxima y mni-
ma con los das de nieve se ve que la contribucion de la temperatura maxima es mu-
cho mas importante. La media anual de la temperatura maxima y la frecuencia anual

de nieve tienen un coeciente de correlacion de 0.72, mientras que el coeciente
disminuye hasta 0.58 para la temperatura mnima. No es un resultado sorprenden-
te puesto que los episodios de nieve estan normalmente relacionados con la llegada
de una masa de aire muy fra e inestable que afecta tanto a la temperatura maxima
como a la mnima mientras que a menudo se producen temperaturas mnimas muy
bajas durante las noches de invierno de cielo despejado bajo la inuencia de un
potente anticiclon cuando no existe precipitacion.
El coeciente de correlacion anual con la ocurrencia de precipitacion es 0.27
y llega hasta 0.38 para la media movil de 5 anos (gura 2.6b). La frecuencia de
nieve parece seguir la curva de precipitacion, excepto durante el ultimo periodo
desde 1990 cuando tiene lugar la estabilizacion. En terminos generales, las anomalas
positivas/negativas de nieve estan asociadas con anomalas negativas/positivas de
temperatura y anomalas positivas/negativas de precipitacion, excepto para este
ultimo periodo. Las temperaturas medias anuales siguen aumentando mientras que
el NADN permanece aproximadamente constante, quizas debido a las anomalas
positivas de precipitacion que ocurren simultaneamente.
Un analisis mas detallado considerando las estaciones altas y bajas por separado
revela relaciones complejas entre estas tres variables (ver tabla 2.2); la temperatura
por s sola no explica la variabilidad observada de nieve en la mayor parte de los
casos, aunque parece el factor principal en la tendencia decreciente del periodo 1975-
2002; pueden encontrarse resultados similares para los Alpes suizos en Scherrer et al.
(2004). Para las estaciones bajas la correlacion con la temperatura es claramente
superior que con la precipitacion pero ambos valores tienen magnitudes similares
cuando se analizan las estaciones altas. Esto es aun mas claro en invierno, cuando la
correlacion anual de la nieve es mayor con la precipitacion que con la temperatura
(0.62 y -0.59 respectivamente). Las anomalas de invierno de la nieve, la temperatura
y la precipitacion son muy parecidas a las anomalas anuales representadas en la
gura 2.6.
Annual Winter Spring Summer Autumn 5-years

Temp All -0.72 * -0.63 * -0.65 * -0.28 * -0.19 -0.80 *
Temp High -0.52 * -0.59 * -0.61 * -0.28 * -0.30 * -0.69 *
Temp Low -0.68 * -0.60 * -0.49 * -0.14 -0.11 -0.76 *
Precip All 0.27 * 0.53 * 0.47 * 0.03 0.05 0.38 *
Precip High 0.39 * 0.62 * 0.52 * 0.15 0.22 0.47 *
Precip Low 0.24 0.40 * 0.33 * -0.09 -0.13 0.42
Tabla 2.2: Correlaciones anuales y estacionales de la frecuencia de nieve con la

temperatura y con la frecuencia de precipitacion calculadas por separado para todas
las estaciones, las altas y las bajas. Las correlaciones signicativas con un p-valor de
0.05 estan indicadas mediante un asterisco. La ultima columna es la correlacion
calculada para una media movil de 5 anos; en este caso los valores de signicancia
han sido ajustados para la autocorrelacion (Trenberth, 1984).
40
All stations (a)
30
NSD
20
10
0 s= -0.480
20 Winter s= -0.304
(b) Spring s= -0.131
Autumn
15
NSD
10
5
0
80 High altitude
(c)
60
NSD
40
20
s= -0.868
0
20 Low altitude
(d)
15
NSD
10
5
s= -0.283
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
Figura 2.4: Frecuencia media del NADN y la lnea de regresion para el periodo
1975-2002 para (a) todas las estaciones, (b) todas las estaciones analizadas estacio-
nalmente, (c) estaciones con una alta ocurrencia (mas de 20 NADN de media en
el periodo ERA40), y (d) estaciones con baja ocurrencia (menos de 20 NADN). El
valor s se corresponde con la pendiente de la regresion, medida en das/anos y solo
se muestra, junto con la lnea de regresion, en aquellos casos en que es signicativa
(con un nivel de conanza del 95 %).
Annual Mean Temp (C) Annual Frequency (days)
200
180 (a) Precipitation
160
140
120
100
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
13
(b) Temperature
12
11
10
s= 0.056
9
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
Figura 2.5: (a) Frecuencia anual de das de precipitacion y (b) temperatura media
anual. En ambas guras se considera unicamente el subconjunto de 16 estaciones. Se
muestra la pendiente de regresion de la temperatura, medida en C/ano, mientras
que la precipitacion no presenta ninguna tendencia signicativa.
3
(a) Snow
Standarized annual anomalies
2 Temp.
-1
-2
-3
4
(b) Snow
Standarized annual anomalies
3 Precip.
-1
-2
-3
1960 1965 1970 1975 1980 1985 1990 1995 2000
year
Figura 2.6: (a) Anomalas estandarizadas de la frecuencia anual de nieve y de la

temperatura media respecto al periodo 1957-2002. Las lneas continuas representan
las anomalas suavizadas utilizando una media movil de 5 anos para temperatura y
nieve respectivamente. (b) Igual que en en (a) pero para precipitacion.
CAPITULO 3
Simulacion con Tecnicas de Downscaling Estadstico
3.1. Introduccion
En la segunda parte de este estudio se ha pretendido evaluar si es posible pre-
decir con cierta pericia la variabilidad y las tendencias observadas de la frecuencia
de nieve. Los modelos de circulacion general atmosferica constituyen en la actuali-
dad la principal herramienta para predecir el tiempo. Dichos modelos determinan
el estado inicial de la atmosfera mediante la asimilacion de todas las observaciones
disponibles en el globo y calculan la evolucion de la misma en el futuro mediante la
resolucion con metodos numericos de las ecuaciones matematicas que describen la
fsica y dinamica de los procesos atmosfericos. Un modelo numerico de prediccion
meteorologica representa la atmosfera a traves de una malla o rejilla tridimensional
en la que se calcula la evolucion de las variables que la describen (presion, temperatu-
ra, velocidad, humedad, etc.). Tiene procesos que es capaz de resolver explcitamente
y procesos parametrizados, de escala inferior a los representados por la rejilla del
modelo, como la turbulencia, o la conveccion, por ejemplo.
Sin embargo, en ocasiones la resolucion de dichos modelos es insuciente para
predecir fenomenos a escala local y se recurre entonces a tecnicas de regionalizacion
o downscaling. Dichas tecnicas introducen los detalles en las escalas no resueltas por
la rejilla de los modelos y existen fundamentalmente dos metodologas:
El downscaling dinamico, que consiste en acoplar un modelo numerico de ma-

yor resolucion al modelo global inicial, unicamente en la region de interes. El
19
20 3. SIMULACI ON CON TECNICAS DE DOWNSCALING ESTAD ISTICO
modelo global proporciona las condiciones de contorno para las integraciones

del segundo modelo.
El downscaling estadstico, que utiliza modelos empricos para proyectar las

predicciones globales predichas en localidades con caractersticas climaticas
locales conocidas (a traves de observaciones).
En este captulo se pretende evaluar la capacidad de las tecnicas de downscaling

estadstico para simular la variabilidad y la tendencia observadas en la ocurrencia de
nieve de la segunda mitad del siglo XX. Para ello el estudio se centra en la variable
binaria Ocurrencia Diaria de Nieve (ODN) y se analiza el comportamiento de un
metodo de downscaling estadstico basado en analogos (o vecinos mas cercanos)
siguiendo el trabajo de Gutierrez et al. (2004b).
Se han considerado los datos de reanalisis del ERA40 descritos en la seccion 3.2 y
se ha trabajado con variables de gran escala que estan fsicamente relacionadas con
la precipitacion en forma de nieve (circulacion de niveles altos y bajos, frentes fros,
condiciones de humedad), teniendo presente que los modelos de circulacion general
representan mal algunas variables. Se realizaron distintas pruebas para diferentes
combinaciones de variables y resoluciones espaciales y temporales (ver la seccion 3.5
para mas detalles), obteniendose el mejor resultado al reproducir la ODN con el
patron descrito mediante la ecuacion (3.1). Ademas, tal y como se vera en la seccion
3.6, los mejores resultados para reproducir la frecuencia anual de nieve tambien se
obtuvieron con dicho patron. Por tanto, a pesar de que la mayora de los estudios
de nieve se centran unicamente en la relacion entre las observaciones de nieve y la
temperatura, en este estudio se ha determinado que patrones sencillos en los que
solo se consideraban los campos de temperatura produjeron peores resultados que el
patron de la ecuacion 3.1, el cual incluye mas variables y, en consecuencia, tambien
puede tener en cuenta las correlaciones con la precipitacion que se encontraron en
la seccion 2.3.
Asimismo, aunque la mayora de los trabajos que relacionan las observaciones lo-
cales de nieve con patrones atmosfericos utilizan patrones espaciales de gran tamano
para tener en cuenta el ujo de larga escala, dichos estudios trabajan con las obser-
vaciones a escala mensual o estacional (ver por ejemplo Scherrer and Appenzeller,
2006). En el presente proyecto se trabaja con observaciones diarias y se ha deter-
minado que, en este caso, una malla mas pequena (incluyendo una componente
temporal al considerar los campos a las 12 y a las 24 UTC) daba mejores resultados
que un patron de mayor tamano, en consonancia con Gutierrez et al. (2004b).
3.2. DATOS DE REAN ALISIS DE MODELOS ATMOSFERICOS 21
3.2. Datos de reanalisis de modelos atmosfericos

En el presente estudio se han considerado campos de circulacion a gran escala
proporcionados por una base de datos de reanalisis historicos, concretamente los
datos del reanalisis ERA40 del Centro Europeo de Prediccion a Plazo Medio (Euro-
pean Centre of Medium-Range Weather Forecasts, ECMWF). Se trata de campos
atmosfericos denidos sobre una malla y obtenidos a partir de un modelo T159L60
integrado desde septiembre de 1957 a agosto de 2002 con una resolucion horizontal
de aproximadamente 100 km (Uppala et al., 2005). El reanalisis nos proporciona
una serie de campos atmosfericos 6-horarios (a las 00, 06, 12 y 18 UTC) en distin-
tos niveles de presion. La conguracion atmosferica de un da determinado sobre un
area en concreto se aproxima mediante una combinacion de dichos campos; el vector
resultante se denomina patron atmosferico.
Debido a que en nuestro caso la zona geograca de interes es el norte de la
Pennsula Iberica, se denio un patron atmosferico sobre la rejilla de 1.0 1.0 de
latitud y longitud mostrada en la gura 2.1b considerando un conjunto de variables
de gran escala relacionadas fsicamente con la precipitacion en forma de nieve:
500 1000 500 850 850 500 1000 500 850 850
x1224 = (Z12 , Z12 , T12 , T12 , RH12 , Z24 , Z24 , T24 , T24 , RH24 ) (3.1)
donde Xij representa el nivel de presion j de la variable X a las i horas UTC. Z

es la altura de geopotencial, T la temperatura y RH la humedad relativa. Este
patron dene la conguracion atmosferica diaria tal y como la representa un modelo
de circulacion general y se utilizara en la seccion 3.3 como entrada del metodo de
downscaling estadstico, trabajando en condiciones de prediccion perfecta; es decir,
asumiendo que el unico error del modelo es debido al proceso de analisis. En la
seccion 3.3 se describe con mayor detalle la eleccion del patron y el metodo de
downscaling.
Con el n de reducir las dimensiones (91 puntos de grid 5 campos 2 horas de
analisis) y la correlacion espacial de los patrones atmosfericos, se aplico un analisis de
componentes principales (CPs) en el periodo ERA40 (ver Preisendorfer and Mobley,
1988, para una vision general del analisis de CPs en el campo de la meteorologa). De-
bido a que las variables tienen distintas varianzas, se estandarizaron los datos restan-
do la media y dividiendo por la desviacion estandar, independientemente para cada
variable Xij y cada punto de grid. Se guardaron las primeras 50 funciones empricas
ortogonales (EOFs) para denir el patron atmosferico, las cuales explican mas de
un 98 % de la varianza, obteniendose las correspondientes CPs (se obtuvieron resul-
tados similares cuando el proceso de estandarizacion se aplico independientemente
para cada variable pero considerando la media espacial y la desviacion estandar

de los puntos de grid). En este trabajo el analisis de componentes principales se
aplica unicamente para comprimir los datos, eliminando parte de la variabilidad es-
pacial de alta frecuencia; este metodo ha demostrado ser util para aplicaciones de
downscaling (Gutierrez et al., 2004b). El analisis de CPs se realizo considerando la
matriz de covarianzas, obteniendose las EOFs como sus autovectores; en este caso
no fue necesario utilizar metodos mas ecientes como la descomposicion en valores
singulares
3.3. Downscaling estadstico

Los metodos estadsticos de downscaling se basan en modelos que relacionan
de forma emprica las variables de circulacion (campos 3D) a gran escala, propor-
cionadas por los modelos numericos globales, con las variables locales/regionales
observadas en supercie, relacionadas con el fenomeno de estudio (tpicamente, la
temperatura y la precipitacion en supercie; en nuestro caso, la nieve). Estos mode-
los se ajustan utilizando datos historicos (por ejemplo, un perodo de referencia de
30 anos) y son aplicados posteriormente para proyectar localmente predicciones. La
ventaja de estas tecnicas es que utilizan la climatologa real observada de la varia-
ble local de interes durante el perodo de referencia y, por tanto, calibran/corrigen
estadsticamente las posibles deciencias y desajustes sistematicos de los modelos
globales (debidos, por ejemplo, a la grosera representacion de la orografa). Otra
ventaja de estos metodos es que permiten incluir como predictores del metodo es-
tadstico solo aquellas variables de circulacion que sean reproducidas con mayor
abilidad por los modelos numericos y que dependan en menor medida de parame-
trizaciones, que son ajustadas de forma semiemprica en los modelos de circulacion
global y regional (por ejemplo, la precipitacion depende en gran medida de nu-
merosas parametrizaciones, y estas tambien son ajustadas de forma semi-emprica
introduciendo una mayor incertidumbre en las mismas).
Por otra parte, las necesidades de calculo de estas tecnicas son menores que las
requeridas para integrar modelos numericos de circulacion, si bien en algunos casos
las tecnicas estadsticas no lineales utilizadas consumen tambien muchos recursos
de computacion. Por tanto, se pueden utilizar los recursos computacionales para
realizar un numero adecuado de realizaciones/simulaciones con diferentes metodos
de downscaling que cubran la variabilidad estadstica de los resultados permitiendo
obtener intervalos de conanza para las proyecciones nales y permitiendo tambien
obtener medidas de calidad de los distintos metodos en las distintas regiones.
3.3. DOWNSCALING ESTAD ISTICO 23
Las distintas tecnicas de downscaling estadstico que se han propuesto en la

literatura se suelen clasicar en tres grupos (ver Preisendorfer and Mobley, 1988;
Benestad et al., 2008; Gutierrez et al., 2004a; Wilby et al., 2004, 1998, para mas
detalles):
Funciones de transferencia, que estiman las relaciones entre los predictandos

locales y los predictores de larga escala mediante modelos de regresion lineales
(ver Hessami et al., 2008, y referencias contenidas), redes neuronales (Hsieh,
2004), etc. (ver Schoof and Pryor, 2001, para una comparacion entre meto-
dos). Estos metodos son generativos, en el sentido de que las predicciones se
derivan de un modelo, que se obtiene a partir de los datos. En ocasiones se uti-
lizan tecnicas espaciales para reducir la dimension del problema (Componentes
Principales, etc.), o para predecir con patrones correlacionados (Correlacion
Canonica lineal o no lineal, Cannon and Hsieh, 2008).
Tipos de tiempo y metodos de analogos, basados en algoritmos de vecinos cer-

canos (k-NN) y/o en una preclasicacion en un numero nito de grupos (tipos
de tiempo) obtenidos acorde a la similitud sinoptica de los campos; normal-
mente estos metodos son no generativos, pues se basan en un procedimiento
algortmico para obtener la proyeccion. Algunos ejemplos de esta metodo-
loga son Zorita and von Storch (1999); Summer et al. (2003); Gutierrez et al.
(2004a, 2005); Goodess et al. (2006).
Generadores de tiempo, que se utilizan cuando se dispone de predicciones a

una escala temporal superior a la deseada (por ejemplo, mensual o estacional,
cuando se necesita prediccion diaria), y simulan estocasticamente series de
valores diarios consistentes con la climatologa prevista. Estos metodos son,
en realidad, tecnicas de desagregacion temporal y tienen la ventaja practica
de permitir generar tantas realizaciones como se necesiten en el modelo de
impactos que se aplique (Wilks, 1992; Wilks and Wilby, 1999).
Tambien se han desarrollado tecnicas hbridas que combinan varias de las tecnicas
anteriores. Por ejemplo, Fernandez and Saenz (2003) proponen una modicacion
del metodo de analogos utilizando una medida de similitud basada en los patrones
de correlacion canonica (CCA); por otra parte, Cannon (2006) propone un forma
eciente para combinar las ventajas de redes neuronales y el metodo de analogos.
Sin embargo, en estos metodos hbridos es mas difcil cuanticar la incertidumbre,
por la superposicion de modelos, por lo que no suelen utilizarse en regionalizacion
de cambio climatico.
3.3.1. Metodo de analogos
El metodo de downscaling mediante analogos introducido por Lorenz (1969) es

una tecnica estadstica de downscaling sencilla y potente que asume que circulaciones
de ujo similares, o patrones atmosfericos, sobre una determinada region producen
resultados similares a nivel local. Siguiendo este esquema, los valores locales de la
ODN para un da en particular se pueden estimar de las ocurrencias registradas
en un conjunto de das historicos similares, obtenidos a partir de la similitud de
los patrones atmosfericos correspondientes. En general, se ha demostrado que el
metodo de analogos funciona igual de bien que otras tecnicas de downscaling mas
complicadas (ver por ejemplo Zorita and von Storch, 1999).
Las distintas aplicaciones que se pueden encontrar en la literatura cientca del
metodo de analogos dieren basicamente en el patron atmosferico, la medida de
analoga o similitud, el numero de analogos considerado y el metodo utilizado para
deducir un valor local del conjunto resultante de analogos. En este trabajo, para
realizar el downscaling de los valores locales de ODN para las 33 estaciones en un
da en particular, representado por el patron atmosferico denido en la ecuacion 3.1,
se calculo en primer lugar un conjunto de 30 das analogos (aquellos das historicos
con un patron mas parecido al del da en cuestion) utilizando la metrica Eucldea
estandar. La ocurrencia de nieve en cada estacion se estimo mediante la media de
las 30 observaciones historicas correspondientes. Debido a que las observaciones de
nieve son binarias, la media proporciona la frecuencia relativa dentro del conjunto
de analogos y, por tanto, la estimacion de la ODN se obtiene de forma probabilstica,
con valores entre 0 (no ocurrencia) y 1 (ocurrencia). Una ventaja de los metodos
basados en analogos es que las lagunas en los datos se pueden manejar facilmente
puesto que los das sin observacion pueden ser descartados del conjunto de analogos
candidatos.
Para analizar la capacidad del metodo de analogos para inferir la ocurrencia dia-
ria de nieve, se realizo una validacion cruzada eliminando un elemento de la muestra
cada vez para el periodo 1957-2002 (Stone, 1974). Para ello se utilizo un unico
da/observacion del periodo como dato de validacion y las observaciones restantes
como conjunto de entrenamiento. Por tanto, los patrones de ERA40 (3.1) para este
periodo, excluyendo una ventana temporal de un mes en torno al da de validacion,
se utilizan como base de datos historica para la busqueda de analogos y el metodo
de analogos antes descrito se utilizo para obtener una estimacion probabilstica para
la ODN; la ventana de exclusion de un mes impide que la validacion pueda presentar
problemas de sobreajuste debido a la persistencia o a la correlacion serial (tambien
3.3. DOWNSCALING ESTAD ISTICO 25
se probaron ventanas mayores con resultados similares). Este proceso se repitio para
cada uno de los das, de manera que cada observacion se utilizo una vez como dato
de validacion.
3.3.2. Curvas ROC

Las predicciones de la ocurrencia diaria de nieve mediante este metodo son pro-
babilsticas. Dada una prediccion probabilstica para una variable binaria, pi = p(oi ),
se puede obtener una prediccion determinista considerando un umbral up para la
probabilidad. Cuando la probabilidad prevista supere ese umbral, se predecira la
ocurrencia del evento (o = 1), y en caso contrario se predecira la no ocurrencia. De
esta forma, variando el umbral de probabilidad se puede hacer que el sistema sea
mas conservador o mas arriesgado para predecir la ocurrencia del evento (hasta que
no se tiene una probabilidad superior a up , no se predice el evento). As, se pueden
validar las predicciones binarias probabilsticas utilizando los recursos de las deter-
ministas, teniendo ademas en cuenta la versatilidad que dan los distintos umbrales
up al sistema de prediccion. En estos casos, se tiene una tabla de contingencia di-
ferente dependiendo del valor del umbral up . Por tanto, los valores asociados a los
aciertos de ocurrencia (u ), las falsas predicciones (u ), omisiones (u ), y aciertos
de no ocurrencia (u ), dependeran del umbral up .
Observado
Si No
Previsto Si u u
No u u
Las curvas ROC (Relative Operating Characteristic) y el valor economico de

una prediccion binaria probabilstica describen de forma global las posibles tablas
de contingencia en funcion de los distintos umbrales up . Las Curvas ROC se obtienen
representando la tasa de falsas alarmas (FAR, false alarm rate), denida como p(oi =
1|oi = 0) = u /(u + u ), frente a la tasa de aciertos (HIR, hit rate), denida como
p(oi = 1|oi = 1) = u /(u + u ), para los diferentes umbrales de probabilidad up
entre cero y uno. Observese que para up = 0 siempre se predice el evento, luego
tanto las falsas alarmas como los aciertos son maximos, y corresponden al punto
(1, 1) de la curva ROC. En el caso opuesto, up = 1, nunca se predice el evento, luego
ambos ndices son mnimos y denen el punto (0, 0) de la curva. Por tanto, todas
las curvas ROC comienzan en (1, 1) y terminan en (0, 0). El area encerrada por esta
curva (en ingles Area Under ROC Curve, AUC) se utiliza como medida de calidad
de la prediccion probabilstica (ver Jollie and Stephenson, 2003, para una vision
general de la validacion de las predicciones probabilsticas).
Para comparar las ocurrencias observadas con aquellas proyectadas localmente
mediante el metodo de analogos se utilizaron dichos ndices de validacion. La gura
3.1 muestra la curva ROC y los diagramas de abilidad correspondientes (tal y como
aparecen descritos en Wilks, 2006) para las estaciones altas y las bajas. Debido a
que la nieve es un evento raro o de baja probabilidad, se incluye en la gura una
lnea vertical a trazos que indica la probabilidad climatologica (0.028 y 0.087 para
las estaciones bajas y altas respectivamente; tambien se incluye un punto sobre la
curva ROC que se corresponde con valores de HIR y FAR para el umbral prob > 0;
esto se corresponde con una situacion extrema en la que los episodios de nieve se
predicen siempre que la probabilidad proyectada es distinta de cero. Hay que tener
en cuenta tambien que, a pesar de que se pueden obtener valores altos de la tasa
de aciertos considerando los umbrales de probabilidad adecuados, la tasa de falsas
alarmas debera ser inferior a la probabilidad climatologica. Por otro lado, las curvas
de abilidad incluidas en el interior de esta gura indican que el metodo tiende a
subestimar la ocurrencia de nieve en ambos casos; para resolver esta deciencia se
aplico un postproceso de calibracion para obtener las estimaciones de frecuencia
anual de nieve, como se vera mas adelante.
En el ejemplo anterior, las curvas ROC proporcionan una descripcion cualitativa
global del sistema. Sin embargo, en aplicaciones practicas interesa obtener un ndice
numerico para poder comparar unos sistemas con otros. El area encerrada bajo la
curva es un buen ndice global de la pericia del modelo. Un sistema de prediccion
climatologico denira un area de 0.5, asociada a la diagonal. Por ello, se suele
utilizar como ndice de pericia asociado a la curva ROC el valor 2RocArea - 1 (Roc
Skill Area, RSA). As el valor maximo del ndice es 1 (prediccion perfecta) y el valor
cero se alcanza para una prediccion climatologica aleatoria. La gura 3.1b muestra
los valores de RSA de las 33 estaciones mediante un diagrama de cajas y de las
estaciones bajas y altas por separado. Se puede concluir entonces que el metodo se
comporta mejor para las estaciones altas en las que la frecuencia de nieve es mayor.
La tecnica de validacion cruzada antes descrita se usa de forma comun para
determinar la capacidad de un metodo para estimar datos con los que no ha sido
entrenado (Schaer, 1993). Sin embargo, en el campo de la climatologa esta tecnica
solo proporciona una pericia descriptiva o interpolada ya que utiliza los datos de to-
do el periodo. Por tanto, para obtener una pericia realmente predictiva se realizo un
nuevo experimento de validacion dividiendo los datos (16434 das) en un subconjun-
3.4. CALIBRACI ON UTILIZANDO LA FRECUENCIA ANUAL DE NIEVE 27
1 0. 92
Low
High 0. 90
0. 8
0. 88
0. 6
RS A
Reliability Diagram
HI R
1 0. 86
0. 4
0. 84
0. 5
0. 2
0. 82
(a) 0
0 0. 5 1
(b)
0 0. 80
0 0. 2 0. 4 0. 6 0. 8 1 All Low High
FA R Stations
Figura 3.1: (a) Curva ROC y diagrama de abilidad (la probabilidad proyectada de
la ocurrencia de nieve p en el eje x y P (o = 1|p) en el eje y) para las estaciones bajas
y altas. (b) Diagramas de cajas para representar el RSA de todas las estaciones y
de las estaciones altas y bajas por separado.
to de entrenamiento (1957-1980) y en otro de test/validacion (1981-2002). De este

modo, los valores proyectados localmente se obtienen utilizando unicamente infor-
macion de las ocurrencias observadas en el pasado para predecir las del presente. La
media de los 33 valores de RSA obtenidos mediante esta tecnica es 0.875 (los cuarti-
les son 0.852, 0.877 y 0.907, respectivamente). Estos resultados son muy parecidos a
aquellos obtenidos mediante el metodo de validacion cruzada mostrado en la gura
3.1b (media 0.870 y cuartiles 0.852, 0.876 y 0.887). Tambien se probo con distintos
periodos de entrenamiento y test obteniendose resultados similares, con diferencias
medias inferiores al 2 % en todos los casos.
3.4. Calibracion utilizando la frecuencia anual de nieve

En esta seccion se aborda la calibracion de las salidas probabilsticas del metodo
de downscaling estadstico para producir una prediccion determinista que reproduz-
ca adecuadamente la frecuencia climatologica del periodo 1957-2002. Para ello, las
probabilidades diarias de ocurrencia de nieve se convierten a 0s (no hay nieve) o 1s
(da de nieve) utilizando un umbral de probabilidad que depende de la frecuencia
climatologica (la media anual de das de nieve) de cada estacion. Dicho umbral se
escoge de forma emprica para que la frecuencia proyectada sea igual a la observada
considerando todo el periodo. Evidentemente, el umbral sera mas alto para aquellas
estaciones en las que la nieve es un fenomeno mas frecuente (la tabla 2.1 muestra
los umbrales obtenidos).
En la gura 3.2 se representa un ejemplo ilustrativo del proceso de calibracion
para 150 das consecutivos en la estacion con la mayor frecuencia de ocurrencia (Ge-
nestoso, ver tabla 2.1). La lneas continuas representan la prediccion probabilstica
obtenida mediante el metodo de analogos y los crculos negros representan las ob-
servaciones binarias de nieve. El umbral de calibracion optimo para esta estacion
considerando todo el periodo 1957-2002 es 0.31. Por tanto, todos aquellos das en
los que la probabilidad prevista fue superior a 0.31 (la curva roja sobre la lnea de
puntos) fueron considerados como das de nieve y aquellos en los que fue inferior a
0.31 como das sin nieve (la curva roja por debajo de la lnea de puntos). Los puntos
grises son la proyeccion de los das de nieve observados sobre la prediccion proba-
bilstica y, por tanto, todos aquellos puntos grises que se encuentren por encima de
la lnea de puntos del umbral son una deteccion correcta de un da de nieve.
1.0 Obs
Occurrence / Probability
P red
0.8
0.6
0.4 U=0.31
0.2
0.0
1 50 100 150 200 250

day
Figura 3.2: Observaciones (crculos negros) y predicciones probabilsticas (lnea con-

tinua) de nieve en la estacion de Genestoso para un periodo de 150 das. Aquellos
das en los que la probabilidad prevista es superior a 0.31 el umbral optimo que
iguala la climatologa de las observaciones y de las predicciones deterministas para
el periodo 1957-2002 se convierten en una prediccion determinista de valor 1. Los
crculos grises son las proyecciones de las observaciones sobre la curva probabilstica:
si el crculo gris esta por encima del umbral (lnea de puntos), el episodio de nieve
se ha previsto correctamente en ese da.
La tasa media de aciertos y de falsas alarmas de las predicciones binarias deter-

ministas que han sido calibradas esta en torno a 55 % y 2 % respectivamente (los
3.5. ESTUDIOS DE SENSIBILIDAD 29
ndices de validacion individuales para cada estacion se muestran en la tabla 2.1).

Las falsas alarmas son muy pocas debido a que la nieve es un evento poco frecuente
(una frecuencia anual del 5 % de media). Por ello, tambien se considero el False
Alarm Ratio (FAR2) P (o = 0|o = 1); en este caso el valor medio de todas las esta-
ciones esta en torno al 43 %. En la gura 3.3 se muestran los valores de HIR y FAR2
para cada estacion en funcion de la frecuencia anual de das de nieve. Se aprecia cla-
ramente una separacion entre aquellas estaciones con menos de 20 das de nieve al
ano en promedio (estaciones bajas) y aquellas con mas de 20 das (estaciones altas).
La tasa de aciertos solo es maniestamente mejor que el FAR2 para las estaciones
altas en las que los valores de HIR estan entre 58 y 76 % mientras que los del FAR2
estan entre 30 y 40 %. Por tanto, en la practica la prediccion de la ocurrencia de
nieve a escala diaria solo tiene algun valor para este segundo grupo de estaciones.
90%
80%
70%
60%
50%
40%
30%
20% HIR
10% FAR2
0%
0 10 20 30 40 50 60
Annual frequency of snow days
Figura 3.3: Tasa de aciertos P (p = 1|o = 1) y FAR2 P (o = 0|p = 1) en funcion

del numero medio de das de nieve anuales, cada punto representa una estacion. Las
predicciones deterministas de ocurrencia a escala diaria solo tienen alguna utilidad
para aquellas estaciones con mas de 20 das de nieve al ano en promedio, en las que
la tasa de aciertos es claramente superior al FAR2.
3.5. Estudios de sensibilidad

Tal y como se menciono al principio de esta seccion, se probaron distintas va-
riables para determinar el patron optimo de prediccion a usar en el metodo de
downscaling de episodios de nieve. Aparte de probar con distintos campos, se lleva-

ron a cabo varios analisis de sensibilidad para estudiar la inuencia de la resolucion,
el numero de analogos, el metodo de downscaling, etc., sobre el comportamiento del
metodo de downscaling estadstico. En la gura 3.4 se muestran los resultados de di-
chos estudios de sensibilidad al dibujar la tasa de aciertos de dos metodos distintos,
una frente a la otra. Se puede apreciar que se obtienen resultados similares cuando
se considera un patron dinamico o uno estatico (panel a); en este caso la busqueda
de campos analogos de temperatura, geopotencial y humedad relativa tanto a las
12 UTC como a las 24 UTC arroja resultados similares que buscarlos unicamente
a las 24 UTC. Asimismo, tambien se obtienen resultados similares al disminuir la
resolucion de los campos predictores de 1.0 a 2.0 , considerando en ambos casos los
predictores dinamicos denidos a las 12 y a las 24 UTC (panel b). Este es un re-
sultado importante si se desea aplicar este metodo a modelos climaticos, que tienen
resoluciones temporales y espaciales inferiores.
Finalmente, tambien se probo un metodo de downscaling estadstico alternati-
vo introducido recientemente como una extension del metodo estandar de analogos
basado en tipos de tiempo (ver Gutierrez et al., 2004b, para mas detalles). En este
caso, el metodo consiste en aplicar en primer lugar un algoritmo de agrupamiento
a los patrones del reanalisis con el n de obtener grupos homogeneos, o tipos de
tiempo. Se aplico el algoritmo de k-medias a los patrones descritos en la ecuacion
3.1 considerando k = 100 tipos de tiempo, tal y como se describe en Gutierrez et al.
(2004b). Los grupos obtenidos se utilizan como conjuntos de analogos y cada patron
que se proyecta se asigna al grupo mas proximo, obteniendose el valor local proyecta-
do para las estaciones a partir de las ocurrencias en el conjunto elegido. Este metodo
de downscaling es mucho mas sencillo que la aproximacion estandar de analogos pero
se obtienen tasas de acierto inferiores (ver gura 3.4c).
3.6. Simulacion de las tendencias de frecuencia anual de nieve

En esta seccion se estudiara si el metodo de downscaling descrito en la seccion
anterior es capaz de simular el comportamiento de la frecuencia anual de nieve
descrito en la seccion 2.3.1 y representado en la gura 2.4. El interes ya no se centra
en predecir de forma precisa la nieve a escala diaria sino en simular correctamente
la frecuencia anual de los das de nieve, tratando de simular tanto la variabilidad
interanual como las tendencias observadas.
Para dicho proposito, las predicciones deterministas de ocurrencia de nieve pro-
yectadas localmente a escala diaria se acumularon para cada ano, obteniendose
3.6. SIMULACION DE LAS TENDENCIAS DE FRECUENCIA ANUAL DE NIEVE 31
(a) (b)
1 1
HIR Analogs 2 Dynamic

0.8 0.8
HIR Analogs 1 S tatic
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
HIR Analogs 1 Dynamic HIR Analogs 1 Dynamic
(c) 1
HIR Kmeans 529 clus ters
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1
HIR Analogs 1 Dynamic
Figura 3.4: Estudio de sensibilidad de determinados aspectos del metodo de downs-

caling utilizando unicamente la tasa de aciertos como ndice de validacion. (a) Una
comparacion entre patrones dinamicos y estaticos. (b) Una comparacion entre distin-
tas resoluciones para los campos predictores. (c) Una comparacion entre el metodo
estandar de analogos y una aproximacion mediante tipos de tiempo.
as una serie temporal de frecuencias anuales previstas de das de nieve para cada
estacion. Estas series anuales se promediaron para todas las estaciones, obteniendose
una simulacion de la frecuencia media anual que se comparo con la frecuencia media
anual observada (ver gura 3.5a). Como se puede observar en dicha gura, el metodo
simula muy bien la frecuencia anual observada (el error cuadratico medio, ECM, es
2.56), no solo la tendencia decreciente observada desde 1975, sino tambien la gran
variabilidad interanual (como por ejemplo, el aumento brusco observado en 1990, en
el que se produjeron 20 das mas de nieve que en el ano anterior). Observese que el
proceso de calibracion solo tiene efecto sobre los valores climatologicos medios de los
das de nieve para todo el periodo 1957-2002 (es decir, produce una traslacion de la
curva prevista) pero no tiene ningun efecto sobre la variabilidad interanual o la ten-
dencia. Se debe tener en cuenta tambien que se esta trabajando en la aproximacion
de prediccion perfecta y, por tanto, se asume que los patrones atmosfericos diarios
para un ano en particular representan adecuadamente las condiciones atmosfericas
que realmente hubo. De este modo, estimar la frecuencia anual de nieve para un ano
en particular es mas facil que estimar correctamente la ocurrencia diaria.
En las guras 3.5b y c se analizan por separado las frecuencias anuales predichas
para las estaciones altas y bajas. El ECM de las estaciones altas y bajas es 3.96 y
2.36 respectivamente, que se corresponde con errores estandarizados de 0.34 y 0.61.
El metodo simula mejor la frecuencia anual de las estaciones altas, especialmente
a la hora de reproducir la variabilidad interanual. Este resultado era de esperar
puesto que en la seccion anterior se vio que el metodo de downscaling reproduca
mejor la ocurrencia diaria de nieve de las estaciones altas. No obstante, la tendencia
decreciente observada se reproduce bien en ambos casos.
Se podra argumentar que se pueden obtener resultados similares utilizando un
patron mucho mas sencillo, considerando solo variaciones de temperatura a gran
escala para inferir las tendencias de nieve. En trabajos anteriores se ha estudiado la
gran inuencia de la temperatura, como Hantel and Hirtl-Wielke (2007) en la cubier-
ta de nieve de los Alpes. En este trabajo se trato de simular el numero anual de das
de nieve utilizando unicamente el campo de temperatura en 850 mb como variable
predictora. A pesar de que se consiguio representar las caractersticas generales de la
variabilidad de la nieve, el metodo simulo claramente peor la tendencia decreciente:
los valores de las pendientes predichas fueron 0.37, 0.59 y 0.24 para todas las
estaciones, las altas y las bajas, respectivamente. Para las estaciones altas, el patron
de temperatura predijo una tendencia decreciente un 30 % inferior a la observada.
Esto esta en consonancia con los resultados obtenidos en la seccion 2.3, en la que se
encontro que para las estaciones altas la correlacion con la temperatura era menos
3.7. VALIDEZ DE LOS M ETODOS DE DOWNSCALING 33
importante que para las bajas e incluso tena valores similares a la correlacion con la
precipitacion. Por tanto, metodos estadsticos mas sencillos basados unicamente en
temperatura no constituyen una tecnica adecuada para simular la frecuencia anual
de nieve en esta region y se requiere el uso de metodos generales de downscaling
estadstico para simular el comportamiento observado.
Finalmente, se realizo el mismo experimento separando los datos en un conjunto
de entrenamiento (1957-1980) y un conjunto de test/validacion (1981-2002), obte-
niendose resultados muy similares para las frecuencias anuales de nieve simuladas y
para las tendencias; en particular el ECM del periodo de validacion para todas las
estaciones fuer de 2.84.
3.7. Validez de los metodos de downscaling

Con el n de analizar la estacionariedad del metodo ser realizaron dos nuevos
experimentos. Se podra argumentar que la eleccion del umbral climatologico en la
seccion 3.3 esta sobreajustada ya que se utilizo la serie completa (1957-2002) para
inferir la frecuencia climatologica. Ademas, el hecho de denir una media anual
de das de nieve en una serie que muestra una tendencia signicante es bastante
cuestionable.
En esta ultima seccion se utilizaron los 10 anos consecutivos mas fros (1970-
1980) y los 10 anos consecutivos mas calidos (1992-2002) -de la gura 2.5- como
periodos de entrenamiento para calcular la frecuencia anual media para cada esta-
cion y se establecio un nuevo umbral en cada caso. La busqueda de das analogos
se realizo solo en el periodo de entrenamiento. Incluso con dichas restricciones, el
metodo reproduce extraordinariamente bien la frecuencia anual observada y es capaz
tambien de simular la tendencia decreciente (ver gura 3.6). Tal y como cabe esperar
los resultados son mejores en el caso en el que el periodo de entrenamiento esta cons-
tituido por los anos mas fros (gura 2.5a); estos anos se caracterizaron tambien por
episodios de nieve mas frecuentes y, por tanto, pueden proporcionar mejores das
analogos para el metodo de downscaling. Cuando el periodo de entrenamiento se
corresponde con el periodo calido (con menos das de nieve), el metodo tiene mas
dicultades para encontrar das analogos y se comporta peor, especialmente cuando
se trata de simular el periodo con mas episodios de nieve (los anos setenta).
Estos resultados dejan abierta la posibilidad de predecir las caractersticas anua-
les de nieve en un clima cambiante con cierta pericia. Especialmente cuando la ten-
dencia global es hacia un clima mas calido, cuando presumiblemente habra menos
episodios de nieve y la base de datos actual de das de nieve sera mas que suciente
para la busqueda de analogos.

3.7. VALIDEZ DE LOS M ETODOS DE DOWNSCALING 35
40
Obs (s= -0.48)
(a) All Pred (s= -0.45)
30
Annual Frequency
20
10
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
80
(b) High Obs (s= -0.87)
Pred (s= -0.76)
Annual Frequency
60
40
20
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
Obs (s= -0.28)

20 (c)High
Low
High
Pred (s= -0.30)
Annual Frequency
15
10
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
Figura 3.5: Frecuencia anual observada de das de nieve (lnea negra con asteriscos),
frecuencia anual predicha (curva roja) y las lneas de regresion correspondientes
para el periodo 1975-2002 para (a) todas las estaciones, (b) estaciones con una gran
ocurrencia de nieve (mas de 20 das al ano en promedio) y (c) estaciones con baja
ocurrencia (menos de 20 das al ano en promedio). En cada panel se muestran los
valores de las pendientes observadas y predichas, en das/ano.
(a) Obs (s = -0.48)

Annual Frequency
30 Pred (s= -0.45)
20
10
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
O
Obs (s = -0.48)
(b)
Annual Frequency
30 Pred (s = -0.39)
P
20
10
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
Figura 3.6: a) Frecuencia anual observada (lnea negra con asteriscos) y simulada
(lnea roja) de das de nieve promediada sobre todas las estaciones, con sus lneas de
regresion correspondientes (la s representa el valor de la pendiente, en das de nieve
por ano), utilizando distintos periodos de entrenamiento (sombreados en gris): a)
los diez anos consecutivos mas fros de la gura 2.5b), 1970-1980 y b) los diez anos
consecutivos mas calidos, 1992-2002.
CAPITULO 4
Conclusiones y Trabajo Futuro
En este trabajo se ha llevado a cabo el estudio de la ocurrencia de nieve y su

frecuencia anual en un area extensa del norte de Espana caracterizada por una alta
variabilidad interanual, con altitudes bajas a medias (las 33 estaciones utilizadas tie-
nen altitudes comprendidas entre los 60 y los 1353 metros). Esta caracterstica hace
que la ocurrencia de nieve en esta region sea muy sensible a las uctuaciones tanto de
temperatura como de precipitacion. Por ello, este trabajo complementa los estudios
previos de nieve realizados en regiones con altitudes medias mas altas (por ejem-
plo, los Pirineos, como en Lopez-Moreno, 2005; Lopez-Moreno and Vicente-Serrano,
2006).
Se ha analizado la frecuencia de nieve considerando el numero de das de nie-
ve anuales, obteniendose una disminucion relativa del 50 % desde mediados de los
setenta; asimismo, dicho valor es similar para las altitudes bajas y altas y es de-
bido basicamente a disminuciones producidas en invierno y primavera. El estudio
solo tiene en cuenta la variable binaria de ocurrencia de nieve; sin embargo, el valor
de la pendiente es tal que cabe esperar comportamientos similares para variables
como el espesor medio de nieve o la duracion de la cubierta de nieve; por ejem-
plo, Laternser and Schneebeli (2003) encontro tendencias signicativas en las tres
variables en los Alpes desde los anos ochenta. Asimismo, Lopez-Moreno (2005) en-
contro una tendencia decreciente signicativa en los espesores de nieve medidos en
los Pirineos espanoles durante la segunda mitad del siglo XX.
Se ha encontrado una correlacion alta entre la ocurrencia de nieve y la tempe-
ratura (-0.80, -0.69 y -0.76 para todas las estaciones, las altas y las bajas respecti-
37
38 4. CONCLUSIONES Y TRABAJO FUTURO
vamente), y correlaciones medias y bajas (0.38, 0.47 y 0.42 respectivamente) con la

ocurrencia de precipitacion (los valores de las correlaciones estan referidos en ambos
casos a la media movil de cinco anos). Por tanto, a pesar de que la temperatu-
ra parece ser el factor principal, especialmente en el caso de las estaciones bajas,
la precipitacion adquiere un papel importante en algunos casos, como por ejemplo
en las estaciones altas, especialmente en invierno; esto esta en consonancia con los
resultados obtenidos en Clark et al. (1999) para la extension de nieve. Asimismo,
en un estudio posterior en los Pirineos, Lopez-Moreno and Vicente-Serrano (2006)
relaciono la tendencia decreciente observada en la extension de nieve en abril con
la reduccion de la precipitacion en los meses de enero a marzo (los postes de nieve
utilizados en dicho estudio estaban todos localizados por encima de los 1700 metros,
donde la temperatura es normalmente inferior a 0o C en los meses de invierno). Este
resultado esta tambien en consonancia con las correlaciones importantes encontradas
con la precipitacion en las estaciones altas en nuestro estudio.
A partir de este resultado se utilizo un patron completo que inclua variables
de temperatura, circulacion y humedad para simular las tendencias observadas me-
diante un metodo de downscaling estadstico basado en analogos. Se determino que
el metodo solo era adecuado para predecir la ocurrencia de nieve en las estaciones
altas; sin embargo, en el caso de las frecuencias anuales, el metodo de downscaling es
capaz de reproducir la variabilidad interanual y las tendencias observadas en todos
los casos. Estos resultados parecen contradecir la armacion de que las tecnicas de
downscaling estadstico no proporcionan la informacion adecuada a las escalas que
se necesita para los trabajos de nieve (Beniston et al., 2003).
Los resultados prometedores mostrados en este trabajo abren la posibilidad de
trabajar en un futuro con proyecciones de predicciones estacionales o de cambio
climatico de la frecuencia de nieve. Sin embargo, se deben tener en cuenta varios
cuestiones: el estudio se realizo asumiendo predicciones perfectas mediante el uso
de datos de reanalisis. Por tanto, las posibles aplicaciones operativas que utilicen
predicciones de un modelo incluiran una fuente de error adicional (el error del mo-
delo) y se necesitara un estudio mas exhaustivo para determinar si la frecuencia de
nieve puede ser predicha o no con cierta pericia. Asimismo, cuando se trabaja con
proyecciones de clima futuro se debe asumir la hipotesis de que la relacion entre
las variables locales y el ujo de gran escala explica una gran parte de la variabili-
dad observada, y que se puede asumir que dicha relacion seguira siendo valida en
un clima cambiante. Evidentemente, el metodo de analogos funcionara peor si los
patrones meteorologicos del futuro diferiran considerablemente de los del pasado.
Finalmente, los resultados de esta tesis han sido publicados en el Internatio-
39
nal Journal of Climatology (Pons et al., 2009), as como presentados en diferentes

congresos:
8th Annual Meeting of the EMS, 7th ECAC, Amsterdam, septiembre de 2008.
XXX Jornadas cientcas de la Asociacion Meteorologica Espanola, Zaragoza,

mayo de 2008.
10th International Meeting on Statistical Climatology (IMSC), Beijing (Chi-

na), agosto de 2007.
40 4. CONCLUSIONES Y TRABAJO FUTURO
Bibliografa
Benestad, R. E., Hanssen-Bauer, I., and Chen, D. (2008). Empirical-

statistical downscaling. World Scientific Publishers.
Beniston, M., Keller, F., and Goyette, S. (2003). Snow pack in the swiss
alps under changing climatic conditions: an empirical approach for climate impact
studies. Theoretical and Applied Climatology, 74:1931.
Brown, R. D. (1999). Northern hemisphere snow cover variability and change,

1915-97. Journal of Climate, 13:23392355.
Brunet, M., Jones, P. D., Sigro, J., Saladie, O., Aguilar, E., Moberg,
A., Della-Marta, P. M., Lister, D., Walther, A., and Lopez, D. (2007).
Temporal and spatial temperature variability and change over spain during 1850-
2005. J. Geophys. Res., 112:D12117, doi:10.1029/2006JD008249.
Cannon, A. (2006). A hybrid neural network/analog model for climate downsca-

ling. International Joint Conference on Neural Networks, pp. 45954600.
Cannon, A. and Hsieh, W. W. (2008). Robust nonlinear canonical correlation

analysis: application to seasonal climate forecasting. Nonlin. Processes Geophys.,
15:221232.
Clark, M. P., Serreze, M. C., and Robinson, D. (1999). Atmospheric controls

on eurasian snow extent. International Journal of Climatology, 19:2740.
Dewey, K. F. and Heim, R. J. (1982). A digital archive of northern hemisphere

snow cover, november 1966 through december 1980. Bulletin of the American
Meteorological Society, 63:11321141.
41
42 BIBLIOGRAFIA
Fernandez, J. and Saenz, J. (2003). Improved eld reconstruction with the

analog method: searching the cca space. Climate Research, 24:199213.
Foster, J., Owe, M., and Rango, A. (1983). Snow cover and temperature
relationships in north america and eurasia. Journal of Climate and Applied Me-
teorology, 22:460469.
Frei, A. and Robinson, D. A. (1999). Northern hemisphere snow extent: regional

variability 1972-1994. International Journal of Climatology, 19:15351560.
Gallego, M. C., Garca, J. A., Vaquero, J. M., and Mateos, V. L. (2006).

Changes in frequency and intensity of daily precipitation over the iberian penin-
sula. Journal of Geophysical Research, 111:D24105.
Goodess, C. M., Anagnostopoulou, C., Bardossy, A., Haylock, M. R.,

Hundecha, Y., Maheras, P., Ribalaygua, J., Schmidli, J., Schmith, T.,
and Tomozeiu, R. (2006). An intercomparison of statistical downscaling met-
hods for europe and european regions: Assessing their performance with respect
to extreme temperature and precipitation events. Climate change, in press.
Gutierrez, J., Ancell, R., Cofino, A., and Sordo, C., eds. (2004a). Re-
des Neuronales y Probabilsticas en las Ciencias Atmosfericas. Monografas del
Instituto Nacional de Meteorologa. Ministerio de Medio Ambiente, Spain.
Gutierrez, J. M., Cofino, A. S., Cano, R., and Primo, C. (2005). Analysis
and downscaling multi-model seasonal forecasts using self-organizing maps. Tellus
A, 57:435447.
Gutierrez, J. M., Cofino, A. S., Cano, R., and Rodrguez, M. A. (2004b).

Clustering methods for statistical downscaling in short-range weather forecast.
Monthly Weather Review , 132(9):21692183.
Gutzler, D. S. and Rosen, R. D. (1992). Interannual variability of wintertime

snow cover across the northern hemisphere. Journal of Climate, 5:14411447.
Hantel, M. and Hirtl-Wielke, L. M. (2007). Sensitivity of alpine snow cover

to european temperature. International Journal of Climatology, 27:12651275.
Hessami, M., Gachon, P., Ouarda, T., and St-Hilaire, A. (2008). Automated
regression-based statistical downscaling tool. Environmental Modelling Software,
23:813834.
BIBLIOGRAFIA 43
Hsieh, W. W. (2004). Nonlinear multivariate and time series analysis by neural

network methods. Reviews of Geophysics, 42:1003.
Jolliffe, I. T. and Stephenson, D. B., eds. (2003). Forecast Verification: : A

Practitioners Guide in Atmospheric Science. John Wiley and Sons.
Laternser, M. and Schneebeli, M. (2003). Long-term snow climate trends of

the swiss alps (1931-99). International Journal of Climatology, 23:733750.
Lorenz, E. (1969). Atmospheric predictability as revealed by naturally occuring

analogues. Journal of the Atmospheric sciences, 26:636646.
Lopez-Moreno, J. I. (2005). Recent variations of snow pack depth in the central

spanish pyrenees. Artic, Antartic and Alpine Research, 37(2):253260.
Lopez-Moreno, J. I. and Vicente-Serrano, S. M. (2006). Atmospheric circu-

lation inuence on the interannual variability of snow pack in the spanish pyrenees
during the second half of the 20th century. Nordic Hydrology, 38(1):3344.
Martin, E., Timbal, B., and Brun, E. (1997). Downscaling of general circu-
lation model outputs: Simulation of the snow climatology of the french alps and
sensitivity to climate change. Climate Dynamics, 13:4556.
Matson, M., Ropelewski, C. F., and Varnadore, M. S. (1986). An Atlas

of Satellite-derived Northern Hemisphere Snow Cover Frequency. NOAA Atlas,
National Oceanic and Atmospheric Administration.
McGinnis, D. L. (1997). Estimating climate-change impacts on colorado plateau

snowpack using downscaling methods. The Professional Geographer , 49(1):117
125.
Mote, P., Hamlet, A., Clark, M., and Lettenmaier, D. (2005). Declining
mountain snowpack in western north america. Bulletin of the American Meteoro-
logical Society, 66:3949.
Pons, M. R., San-Martn, D., Herrera, S., and Gutierrez, J. M. (2009).

Snow trends in northern spain. analysis and simulation with statistical downsca-
ling methods. International Journal of Climatology, DOI: 10.1002/joc.2016.
Preisendorfer, R. W. and Mobley, C. D. (1988). Principal Component Analy-

sis in Meteorology and Oceanography. Elsevier.
44 BIBLIOGRAFIA
Robinson, D. A. (1993). Global snow cover monitoring: an update. Bulletin of

the American Meteorological Society, 74(9):16891696.
Rodrigo, F. S. and Trigo, R. M. (2007). Trends in daily rainfall in the iberian

peninsula from 1951 to 2002. International Journal of Climatology, 27:513529.
Schaffer, C. (1993). Selecting a classication method by cross-validation. Ma-

chine Learning, 13:135143.
Scherrer, S. and Appenzeller, C. (2006). Swiss alpine snow pack variability:

major patterns and links to local climate and large-scale ow. Climate Research,
32:182199.
Scherrer, S., Appenzeller, C., and Latternser, M. (2004). Trends in swiss

alpine snow days: The role of local- and large-scale climate variability. Geophysical
Research Letters, 31:L13215.
Schoof, J. T. and Pryor, S. C. (2001). Downscaling temperature and precipi-

tation: a comparison of regression-based methods and articial neural networks.
International Journal of Climatology, 21:773790.
Serreze, M., Walsh, J., Chapin, F., Osterkamp, T., Dyurgerov, M., Ro-
manovsky, V., Oechel, W., Morison, J., Zhang, T., and Barry, R.
(2000). Observational evidence of recent change in the northern high-latitude
environment. Climatic Change, 46:159207.
Stone, M. (1974). Cross-validation choice and assessment of statistical procedures.

Journal Royal of Statistical Society, 36:111147.
Summer, G. N., Romero, R., Homar, V., Ramis, C., Alonso, S., and Zo-
rita, E. (2003). An estimate of the eects of climatic change on the rainfall of
mediterranean spain by the late 21st century. Climate Dynamics, 20:789805.
Trenberth, K. (1984). Some eects of nite sample size and persistence on meteo-
rological statistics. part i: Autocorrelations. Monthly Weather Review , 112:2359
2368.
Trenberth, K., Jones, P., Ambenje, P., Bojariu, R., Easterling, D.,
Klein, A., Parker, D., Rahimzadeh, F., Renwick, J., Rusticucci, M.,
Soden, B., and Zhai, P. (2007). Observations: Surface and Atmospheric Clima-
te Change. In: Climate Change 2007: The Physical Science Basis. Contribution
BIBLIOGRAFIA 45
of Working Group I to the Fourth Assessment Report of the Intergovernmental

Panel on Climate Change, chap. 3, pp. 235336. Cambridge University Press.
Uppala, S. M., Kallberg, P. W., Simmons, A. J., Andrae, U., da Cos-

ta Bechtold, V., Fiorino, M., Gibson, J. K., Haseler, J., Hernandez,
A., Kelly, G. A., Li, X., Onogi, K., Saarinen, S., Sokka, N., Allan,
R. P., Andersson, E., Arpe, K., Balmaseda, M. A., Beljaars, A. C. M.,
van de Berg, L., Bidlot, J., Bormann, N., Caires, S., Chevallier, F.,
Dethof, A., Dragosavac, M., Fisher, M., Fuentes, M., Hagemann, S.,
Holm, E., Hoskins, B. J., Isaksen, L., Janssen, P. A. E. M., Jenne, R.,
McNally, A. P., Mahfouf, J. F., Morcrette, J. J., Rayner, N. A.,
Saunders, R. W., Simon, P., Sterl, A., Trenberth, K. E., Untch, A.,
Vasiljevic, D., Viterbo, P., and Woollen, J. (2005). The ERA-40 re-
analysis. QJRMS , 131:29613012.
Weatherhead, E., Reinsel, G., Tiao, G., Meng, X., Choi, D., Cheang, W.,
Keller, T., DeLuisi, J., Wuebbles, D., Kerr, J., Miller, A., Oltmans,
S., and Frederick, J. (1998). Factors aecting the detection of trends: Statisti-
cal considerations and application to environmental data. Journal of Geophysical
Research, 103(D14):149161.
Wilby, R. L., Charles, S. P., Zorita, E., Timbal, B., Whetton, P., and
Mearns, L. O. (2004). Guidelines for use of climate scenarios developed from
statistical downscaling methods. Supporting material of the IPCC (Task Group
on Data and Scenario Support for Impacts and Climate Analysis, TGICA.
Wilby, R. L., Wigley, T. M. L., Conway, D., Jones, P. D., C., H. B., Main,
J., and Wilks, D. S. (1998). Statistical downscaling of general circulation model
output: A comparison of methods. Water Resources Research, 34:29953008.
Wilks, D. S. (1992). Adapting stochastic weather generation algorithms for climate

change studies. Climate Change, 22:6784.
Wilks, D. S. (2006). Statistical Methods in the Atmospheric Sciencies. Academic

Press.
Wilks, D. S. and Wilby, R. L. (1999). The weather generation game: a review

of stochastic weather models. Progress in Physical Geography, 23:329357.
46 BIBLIOGRAFIA
Zorita, E. and von Storch, H. (1999). The analog method as a simple statistical
downscaling technique: comparison with more complicated methods. Journal of
Climate, 12:24742489.

2009 Pons TesisMaster PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

2009 Pons TesisMaster PDF

Uploaded by

Copyright:

Available Formats

Variabilidad y Tendencias de Nieve en el

Norte de Espana. Analisis y Simulacion

Tesis del Master:

Santander, 4 de octubre de 2009

1. Objetivos y Estructura de la Tesis 3

2. Variabilidad y Tendencia de la Ocurrencia de Nieve 5

3. Simulacion con Tecnicas de Downscaling Estadstico 19

4. Conclusiones y Trabajo Futuro 37

Objetivos y Estructura de la Tesis

En las ultimas decadas se ha realizado un gran esfuerzo para estudiar la varia-

general mediante metodos de downscaling estadstico (en particular, tecnicas de

Variabilidad y Tendencia de la Ocurrencia de Nieve

y en terminos generales con observaciones que van desde Norteamerica a Eurasia

2.2. Area de estudio y datos disponibles

Las observaciones cubren un periodo de 24 horas, de 06 UTC a 06 UTC del

Estacion Altitud Lat. Lon. NADN HIR FAR FAR2

Tambien se analizaron otras variables como la ocurrencia de precipitacion y la

restringe el analisis de nieve a dichas 16 estaciones, solo se utilizara el subconjunto de

2.3. Analisis de la frecuencia anual de nieve

2.3.1. Tendencias observadas

La frecuencia anual de nieve promediada sobre las 33 estaciones se representa en

2.3.2. Correlacion con temperatura y precipitacion

cho mas importante. La media anual de la temperatura maxima y la frecuencia anual

Annual Winter Spring Summer Autumn 5-years

Tabla 2.2: Correlaciones anuales y estacionales de la frecuencia de nieve con la

Annual Mean Temp (C) Annual Frequency (days)

Figura 2.6: (a) Anomalas estandarizadas de la frecuencia anual de nieve y de la

Simulacion con Tecnicas de Downscaling Estadstico

El downscaling dinamico, que consiste en acoplar un modelo numerico de ma-

modelo global proporciona las condiciones de contorno para las integraciones

El downscaling estadstico, que utiliza modelos empricos para proyectar las

En este captulo se pretende evaluar la capacidad de las tecnicas de downscaling

3.2. Datos de reanalisis de modelos atmosfericos

donde Xij representa el nivel de presion j de la variable X a las i horas UTC. Z

para cada variable pero considerando la media espacial y la desviacion estandar

3.3. Downscaling estadstico

Las distintas tecnicas de downscaling estadstico que se han propuesto en la

Funciones de transferencia, que estiman las relaciones entre los predictandos

Tipos de tiempo y metodos de analogos, basados en algoritmos de vecinos cer-

Generadores de tiempo, que se utilizan cuando se dispone de predicciones a

3.3.1. Metodo de analogos

El metodo de downscaling mediante analogos introducido por Lorenz (1969) es

3.3.2. Curvas ROC

Las curvas ROC (Relative Operating Characteristic) y el valor economico de

to de entrenamiento (1957-1980) y en otro de test/validacion (1981-2002). De este

3.4. Calibracion utilizando la frecuencia anual de nieve

1 50 100 150 200 250

Figura 3.2: Observaciones (crculos negros) y predicciones probabilsticas (lnea con-

La tasa media de aciertos y de falsas alarmas de las predicciones binarias deter-

ndices de validacion individuales para cada estacion se muestran en la tabla 2.1).

Figura 3.3: Tasa de aciertos P (p = 1|o = 1) y FAR2 P (o = 0|p = 1) en funcion

3.5. Estudios de sensibilidad

downscaling de episodios de nieve. Aparte de probar con distintos campos, se lleva-

3.6. Simulacion de las tendencias de frecuencia anual de nieve

HIR Analogs 2 Dynamic

Figura 3.4: Estudio de sensibilidad de determinados aspectos del metodo de downs-

3.7. Validez de los metodos de downscaling

para la busqueda de analogos.

Obs (s= -0.28)

(a) Obs (s = -0.48)

30 Pred (s= -0.45)

Conclusiones y Trabajo Futuro

En este trabajo se ha llevado a cabo el estudio de la ocurrencia de nieve y su