http://sedici.unlp.edu.ar:80/handle/10915/163597 2026-10-12T16:36:30Z 2026-10-12T16:36:30Z Triana Madrid, Juan Camilo Ocampo Marulanda, Camilo Carvajal Escobar, Yesid Torres Lopez, Wilmar Alexander Triana, Joshua Canchala, Teresita http://sedici.unlp.edu.ar:80/handle/10915/164620 2024-04-09T20:03:20Z 2023-10-01T00:00:00Z

Articulo Estimación de evapotranspiración de referencia con informacion escasa utilizando machine learning en el suroccidente colombiano Meteorológica; vol. 48, no. 2 This research aimed to identify an alternative method to estimate reference evapotranspiration (ETo) with scarce climatological information in southwestern Colombia between 1983-2017 by evaluating and comparing different machine learning techniques. The FAO Penman-Monteith (FAO-PM56) was used as the reference method and four empirical methods (Hargreaves, Thornthwaite, Cenicafe, and Turc) were assessed with five metrics to evaluate the method of best fit to FAO-PM56, root mean square error (RMSE), mean absolute error (MAE), mean bias error (MBE), Nash-Sutcliffe model efficiency coefficient (NSE), and Pearson correlation coefficient (R). Three models were designed using machine learning techniques to estimate ETo, multiple linear regression (MLR), artificial neural networks (ANN), and autoregressive integrated moving average model (ARIMA). The results showed that the ARIMA-M3 model reported the best performance metrics (RMSE = 4.13 mm month-1, MAE = 3.15 mm month-1, MBE = -0.08 mm month-1, NSE = 0.96 and r = 0.98). However, it restricts in that it can only be used locally and cannot be extrapolated to other climatological stations, because it was calibrated with specific conditions (exogenous variables) and stations, unlike the ANN-M1 model, which only requires training the network for its application. This method will allow estimating ETo in places with scarce information, as vital for water management in places with much uncertainty regarding accessibility and availability.; Esta investigación tuvo como objetivo identificar un método alternativo para estimar la evapotranspiración de referencia (ETo) con escasa información climatológica en el suroeste de Colombia entre 1983-2017, evaluando y comparando diferentes técnicas de machine learning. Se utilizó el método de FAO Penman-Monteith (FAO-PM56) como método de referencia y se evaluaron 4 métodos de empíricos (Hargreaves, Thornthwaite, Cenicafé y Turc) con cinco métricas para evaluar el método de mejor ajuste al FAO-PM56, error cuadrático medio (RMSE), error medio absoluto (MAE), error medio de sesgo (MBE), coeficiente de eficiencia del modelo de Nash-Sutcliffe (NSE) y coeficiente de correlación de Pearson (R). Se diseñaron tres modelos utilizando técnicas de machine learning para estimar la ETo, regresión lineal múltiple (MLR), redes neuronales artificiales (ANN) y modelo de media móvil integrada autorregresiva (ARIMA). Los resultados mostraron que el modelo ARIMA-M3 presentó la mejor métrica de rendimiento (RMSE = 4,13 mm mes-1, MAE = 3,15 mm mes-1, MBE = -0,08 mm mes-1, NSE = 0,96 y R = 0,98). Sin embargo, tiene la restricción de que sólo se puede utilizar localmente y no se puede extrapolar a otras estaciones climatológicas, porque se calibró con estaciones y condiciones especificas (variables exógenas), a diferencia del modelo RNA-M1, que sólo requiere entrenar la red para su aplicación. Este método permitiría estimar la ETo en lugares con escasa información, lo que es vital para la gestión del agua en lugares con mucha incertidumbre en cuanto a accesibilidad y disponibilidad.

2023-10-01T00:00:00Z This research aimed to identify an alternative method to estimate reference evapotranspiration (ETo) with scarce climatological information in southwestern Colombia between 1983-2017 by evaluating and comparing different machine learning techniques. The FAO Penman-Monteith (FAO-PM56) was used as the reference method and four empirical methods (Hargreaves, Thornthwaite, Cenicafe, and Turc) were assessed with five metrics to evaluate the method of best fit to FAO-PM56, root mean square error (RMSE), mean absolute error (MAE), mean bias error (MBE), Nash-Sutcliffe model efficiency coefficient (NSE), and Pearson correlation coefficient (R). Three models were designed using machine learning techniques to estimate ETo, multiple linear regression (MLR), artificial neural networks (ANN), and autoregressive integrated moving average model (ARIMA). The results showed that the ARIMA-M3 model reported the best performance metrics (RMSE = 4.13 mm month-1, MAE = 3.15 mm month-1, MBE = -0.08 mm month-1, NSE = 0.96 and r = 0.98). However, it restricts in that it can only be used locally and cannot be extrapolated to other climatological stations, because it was calibrated with specific conditions (exogenous variables) and stations, unlike the ANN-M1 model, which only requires training the network for its application. This method will allow estimating ETo in places with scarce information, as vital for water management in places with much uncertainty regarding accessibility and availability. Esta investigación tuvo como objetivo identificar un método alternativo para estimar la evapotranspiración de referencia (ETo) con escasa información climatológica en el suroeste de Colombia entre 1983-2017, evaluando y comparando diferentes técnicas de machine learning. Se utilizó el método de FAO Penman-Monteith (FAO-PM56) como método de referencia y se evaluaron 4 métodos de empíricos (Hargreaves, Thornthwaite, Cenicafé y Turc) con cinco métricas para evaluar el método de mejor ajuste al FAO-PM56, error cuadrático medio (RMSE), error medio absoluto (MAE), error medio de sesgo (MBE), coeficiente de eficiencia del modelo de Nash-Sutcliffe (NSE) y coeficiente de correlación de Pearson (R). Se diseñaron tres modelos utilizando técnicas de machine learning para estimar la ETo, regresión lineal múltiple (MLR), redes neuronales artificiales (ANN) y modelo de media móvil integrada autorregresiva (ARIMA). Los resultados mostraron que el modelo ARIMA-M3 presentó la mejor métrica de rendimiento (RMSE = 4,13 mm mes-1, MAE = 3,15 mm mes-1, MBE = -0,08 mm mes-1, NSE = 0,96 y R = 0,98). Sin embargo, tiene la restricción de que sólo se puede utilizar localmente y no se puede extrapolar a otras estaciones climatológicas, porque se calibró con estaciones y condiciones especificas (variables exógenas), a diferencia del modelo RNA-M1, que sólo requiere entrenar la red para su aplicación. Este método permitiría estimar la ETo en lugares con escasa información, lo que es vital para la gestión del agua en lugares con mucha incertidumbre en cuanto a accesibilidad y disponibilidad. Palavecino, Mariela Ayelén Godoy, Alejandro Dillon, María Eugenia Skans, María de los Milagros http://sedici.unlp.edu.ar:80/handle/10915/164618 2024-04-09T20:03:25Z 2023-10-01T00:00:00Z

Articulo Characterization of wind intensity at the Ezeiza station Meteorológica; vol. 48, no. 2 Los eventos de vientos intensos causan destrozos materiales y exponen en situaciones de vulnerabilidad a la vida humana y a distintos ecosistemas. La intensidad y dirección del viento desempeñan un rol importante en distintas disciplinas: por ejemplo, influyen en la actividad aeroportuaria, determinan el aprovechamiento de energía eólica, intervienen en la producción agrícola, impactan en la propagación de incendios forestales y por ende en la calidad del aire. Si bien algunos estudios climáticos y de variabilidad climática del viento muestran una disminución de la intensidad media diaria y anual en los últimos años tanto en Argentina como en otras regiones del mundo (Baldo y Cerne, 2018; Cuneo et al., 2019; Vautard, et al., 2010), también se observan tendencias positivas significativas en la velocidad del viento tanto de superficie como de niveles superiores en el sur de Argentina (Merino, 2022). Por lo motivos antes mencionados, entre otros, resulta de suma importancia continuar con estudios referidos a la variable viento a nivel nacional. El objetivo de este trabajo es realizar una caracterización preliminar del viento a 10 m para distintas escalas temporales en la estación meteorológica aeronáutica de Ezeiza (SAEZ) durante el periodo 2009-2019 y comparar los resultados con el periodo climatológico 1981-2010. Los resultados encontrados muestran que las menores intensidades de los vientos medios diarios y máximos diarios tanto para la serie 2009-2019 como para la serie climatológica se registran durante los meses de otoño e invierno y se observa, en general, que los vientos máximos diarios duplican la intensidad de los vientos medios diarios. Además, los vientos medios mensuales del periodo 2009-2019 muestran una clara tendencia a la disminución de la intensidad y de la amplitud entre valores máximos y mínimos en comparación con los datos climatológicos.; Intense wind events cause material damage and expose human life and different ecosystems in situations of vulnerability. The intensity and direction of the wind play an important role in different disciplines: for example, they influence airport activity, determine the use of wind energy, intervene in agricultural production, impact on the spread of forest fires and therefore on air quality. Although some climate studies and climate variability of wind show a decrease in the average daily and annual intensity in recent years both in Argentina and in other regions of the world (Baldo and Cerne, 2018; Cuneo et al., 2019; Vautard, et al., 2010), significant positive trends in both surface and upper wind speeds are also observed in southern Argentina (Merino, 2022). For the reasons mentioned above, among others, it is very important to continue with studies referring to the wind variable at the national level. The objective of this work is to carry out a preliminary characterization of the wind at 10 m for different time scales in the aeronautical meteorological station of Ezeiza (SAEZ) during the period 2009-2019 and compare the results with the climatological period 1981-2010. The results found show that the lower intensities of the average daily winds and daily maximums for both the 2009-2019 series and the climatological series are recorded during the autumn and winter months and it is observed, in general, that the maximum daily winds double the intensity of the daily average winds. In addition, the monthly average winds of the period 2009-2019 show a clear tendency to decrease the intensity and amplitude between maximum and minimum values compared to the climatological data.

2023-10-01T00:00:00Z Los eventos de vientos intensos causan destrozos materiales y exponen en situaciones de vulnerabilidad a la vida humana y a distintos ecosistemas. La intensidad y dirección del viento desempeñan un rol importante en distintas disciplinas: por ejemplo, influyen en la actividad aeroportuaria, determinan el aprovechamiento de energía eólica, intervienen en la producción agrícola, impactan en la propagación de incendios forestales y por ende en la calidad del aire. Si bien algunos estudios climáticos y de variabilidad climática del viento muestran una disminución de la intensidad media diaria y anual en los últimos años tanto en Argentina como en otras regiones del mundo (Baldo y Cerne, 2018; Cuneo et al., 2019; Vautard, et al., 2010), también se observan tendencias positivas significativas en la velocidad del viento tanto de superficie como de niveles superiores en el sur de Argentina (Merino, 2022). Por lo motivos antes mencionados, entre otros, resulta de suma importancia continuar con estudios referidos a la variable viento a nivel nacional. El objetivo de este trabajo es realizar una caracterización preliminar del viento a 10 m para distintas escalas temporales en la estación meteorológica aeronáutica de Ezeiza (SAEZ) durante el periodo 2009-2019 y comparar los resultados con el periodo climatológico 1981-2010. Los resultados encontrados muestran que las menores intensidades de los vientos medios diarios y máximos diarios tanto para la serie 2009-2019 como para la serie climatológica se registran durante los meses de otoño e invierno y se observa, en general, que los vientos máximos diarios duplican la intensidad de los vientos medios diarios. Además, los vientos medios mensuales del periodo 2009-2019 muestran una clara tendencia a la disminución de la intensidad y de la amplitud entre valores máximos y mínimos en comparación con los datos climatológicos. Intense wind events cause material damage and expose human life and different ecosystems in situations of vulnerability. The intensity and direction of the wind play an important role in different disciplines: for example, they influence airport activity, determine the use of wind energy, intervene in agricultural production, impact on the spread of forest fires and therefore on air quality. Although some climate studies and climate variability of wind show a decrease in the average daily and annual intensity in recent years both in Argentina and in other regions of the world (Baldo and Cerne, 2018; Cuneo et al., 2019; Vautard, et al., 2010), significant positive trends in both surface and upper wind speeds are also observed in southern Argentina (Merino, 2022). For the reasons mentioned above, among others, it is very important to continue with studies referring to the wind variable at the national level. The objective of this work is to carry out a preliminary characterization of the wind at 10 m for different time scales in the aeronautical meteorological station of Ezeiza (SAEZ) during the period 2009-2019 and compare the results with the climatological period 1981-2010. The results found show that the lower intensities of the average daily winds and daily maximums for both the 2009-2019 series and the climatological series are recorded during the autumn and winter months and it is observed, in general, that the maximum daily winds double the intensity of the daily average winds. In addition, the monthly average winds of the period 2009-2019 show a clear tendency to decrease the intensity and amplitude between maximum and minimum values compared to the climatological data. Matsudo,Cynthia García Skabar, Yanina Ruiz, Juan José http://sedici.unlp.edu.ar:80/handle/10915/164617 2024-04-09T20:03:29Z 2023-01-01T00:00:00Z

Articulo Evaluation of different strategies to generate regional high-resolution ensembles in an intense precipitation case Meteorológica; vol. 48, no. 2 El pronóstico por conjuntos constituye una metodología consolidada para incorporar la incertidumbre asociada a los pronósticos en diversas escalas espaciales y temporales. En particular, en la mesoescala, no es claro aún cuáles son las técnicas más efectivas para representar la incertidumbre asociada a las condiciones iniciales y a los errores de modelo. En este trabajo se evalúan tres alternativas diferentes para la generación de pronósticos por conjuntos en alta resolución, y se realiza una comparación con un sistema de predicción por conjuntos global de baja resolución. Cada conjunto se construyo con 20 miembros utilizando el modelo WRF-ARW y 4 km de resolución horizontal sobre un dominio que abarca el centro noreste de Argentina. Se explora el desempeño de los conjuntos para un caso de estudio de precipitación intensa entre el 22 y 24 de diciembre de 2015. Los resultados se centran en el análisis del desempeño del pronóstico de precipitación y muestran que los conjuntos en alta resolución tienen mejor desempeño que el sistema global de menor resolución tanto en términos de la precisión del pronóstico como en términos de la cuantificación de su incertidumbre. En este trabajo, los conjuntos donde solo se perturban las condiciones iniciales y de borde tienden a mostrar una menor dispersión que aquellos en donde se combinan diferentes parametrizaciones de los procesos de escala sub-reticular para la representación de los errores de modelo. Estos últimos presentan además un menor sesgo para umbrales mayores a 10 mm. Asimismo, aumentar la resolución de las condiciones iniciales y de borde de la media del ensamble aumenta levemente la dispersión y mejora la representación espacial de los patrones de precipitación para todos los umbrales considerados.; Ensemble forecasting is an established methodology for incorporating forecast uncertainty at various spatial and temporal scales. In particular, at mesoscale, it is not yet clear which are the most effective techniques to represent the uncertainty associated with initial conditions and model errors. In this paper, three different alternatives for generating ensemble forecasts at high resolution are evaluated and a comparison is made with a global ensemble at low resolution. Each ensemble was built using 20 members using the WRF-ARW model with a 4-km horizontal resolution over a domain covering central northeastern Argentina. The performance of the ensembles is explored for a case study of intense precipitation between 22 and 24 December 2015. Results are focused on the analysis of precipitation forecast performance and show that high resolution ensembles perform better than a low resolution global ensemble both in terms of forecast accuracy and quantification of uncertainty. While the regional ensembles tend to be, in general, poorly dispersive, the multiphysics ensembles show higher spread and lower bias for thresholds greater than 10 mm. Also, the incorporation of perturbations at the initial and boundary conditions slightly increases the spread and improves the spatial representation of precipitation patterns for all the thresholds considered.

2023-01-01T00:00:00Z El pronóstico por conjuntos constituye una metodología consolidada para incorporar la incertidumbre asociada a los pronósticos en diversas escalas espaciales y temporales. En particular, en la mesoescala, no es claro aún cuáles son las técnicas más efectivas para representar la incertidumbre asociada a las condiciones iniciales y a los errores de modelo. En este trabajo se evalúan tres alternativas diferentes para la generación de pronósticos por conjuntos en alta resolución, y se realiza una comparación con un sistema de predicción por conjuntos global de baja resolución. Cada conjunto se construyo con 20 miembros utilizando el modelo WRF-ARW y 4 km de resolución horizontal sobre un dominio que abarca el centro noreste de Argentina. Se explora el desempeño de los conjuntos para un caso de estudio de precipitación intensa entre el 22 y 24 de diciembre de 2015. Los resultados se centran en el análisis del desempeño del pronóstico de precipitación y muestran que los conjuntos en alta resolución tienen mejor desempeño que el sistema global de menor resolución tanto en términos de la precisión del pronóstico como en términos de la cuantificación de su incertidumbre. En este trabajo, los conjuntos donde solo se perturban las condiciones iniciales y de borde tienden a mostrar una menor dispersión que aquellos en donde se combinan diferentes parametrizaciones de los procesos de escala sub-reticular para la representación de los errores de modelo. Estos últimos presentan además un menor sesgo para umbrales mayores a 10 mm. Asimismo, aumentar la resolución de las condiciones iniciales y de borde de la media del ensamble aumenta levemente la dispersión y mejora la representación espacial de los patrones de precipitación para todos los umbrales considerados. Ensemble forecasting is an established methodology for incorporating forecast uncertainty at various spatial and temporal scales. In particular, at mesoscale, it is not yet clear which are the most effective techniques to represent the uncertainty associated with initial conditions and model errors. In this paper, three different alternatives for generating ensemble forecasts at high resolution are evaluated and a comparison is made with a global ensemble at low resolution. Each ensemble was built using 20 members using the WRF-ARW model with a 4-km horizontal resolution over a domain covering central northeastern Argentina. The performance of the ensembles is explored for a case study of intense precipitation between 22 and 24 December 2015. Results are focused on the analysis of precipitation forecast performance and show that high resolution ensembles perform better than a low resolution global ensemble both in terms of forecast accuracy and quantification of uncertainty. While the regional ensembles tend to be, in general, poorly dispersive, the multiphysics ensembles show higher spread and lower bias for thresholds greater than 10 mm. Also, the incorporation of perturbations at the initial and boundary conditions slightly increases the spread and improves the spatial representation of precipitation patterns for all the thresholds considered. Carmona, Facundo Faramiñán, Adán Rivas, Raúl Orte, Facundo http://sedici.unlp.edu.ar:80/handle/10915/164614 2024-04-09T20:03:33Z 2023-10-01T00:00:00Z

Articulo Predicción de la evapotranspiración en la Región pampeana por medio de datos CERES y técnicas de aprendizaje automático Meteorológica; vol. 48, no. 2 A key aspect in agricultural zones, such as the Pampean Plain of Argentina, is to accurately estimate evapotranspiration rates to optimize crops and irrigation requirements and the floods and droughts prediction. In this sense, we evaluate six machine learning approaches to estimate the reference and actual evapotranspiration (ETo and ETa) through CERES satellite products data. The results obtained applying machine learning techniques were compared with values obtained from ground-based information. After training and validating the algorithms, we observed that Support Vector machine-based Regressor (SVR) showed the best accuracy. Then, with an independent dataset, the calibrated SVR were tested. For predicting the reference evapotranspiration, we observed statistical errors of MAE = 0.437 mm d⁻¹, and RMSE = 0.616 mm d⁻¹, with a determination coefficient, R2, of 0.893. Regarding actual evapotranspiration modelling, we observed statistical errors of MAE = 0.422 mm d⁻¹, and RMSE = 0.599 mm d⁻¹, with a R2 of 0.614. Comparing the results obtained with the machine learning models developed another studies in the same field, we understand that the results are promising and represent a baseline for future studies. Combining CERES data with information from other sources may generate more specific evapotranspiration products, considering the different land covers.; Un aspecto clave en zonas agrícolas, como la llanura Pampeana argentina, es poder estimar con precisión las tasas de evapotranspiración para optimizar cultivos y requerimientos de riego, como así también la predicción de inundaciones y sequías. En este sentido, se evaluaron seis algoritmos de aprendizaje automático para estimar la evapotranspiración de referencia y la evapotranspiración real (ETo y ETa, respectivamente) utilizando productos de satélite CERES como datos de entrada. Los valores modelados, aplicando técnicas de aprendizaje automático, se compararon con aquellos obtenidos a partir de información de terreno. Después de entrenar y validar los algoritmos, observamos que el Regresor con Vectores de Soporte (SVR) mostraba la mejor precisión. A continuación, con un conjunto de datos independiente, se testearon los algoritmos SVR calibrados. Para la predicción de la evapotranspiración de referencia se observaron errores estadísticos de MAE = 0.437 mm d⁻¹ y RMSE = 0.616 mm d⁻¹, con un coeficiente de determinación R² = 0.893. Por otro lado, al predecir la evapotranspiración real, observamos errores estadísticos de MAE y RMSE de 0.422 mm d⁻¹ y 0.599 mm d⁻¹, respectivamente, con un R² de 0.614. Al comparar los resultados obtenidos con los algoritmos de aprendizaje automático con aquellos arrojados por estudios en la misma área, entendemos que los resultados aquí mostrados son prometedores y representan una linea de base para futuros trabajos. La combinación de datos de CERES con información de otras fuentes puede generar productos de evapotranspiración más específicos, considerando además las diferentes coberturas del suelo.

2023-10-01T00:00:00Z A key aspect in agricultural zones, such as the Pampean Plain of Argentina, is to accurately estimate evapotranspiration rates to optimize crops and irrigation requirements and the floods and droughts prediction. In this sense, we evaluate six machine learning approaches to estimate the reference and actual evapotranspiration (ETo and ETa) through CERES satellite products data. The results obtained applying machine learning techniques were compared with values obtained from ground-based information. After training and validating the algorithms, we observed that Support Vector machine-based Regressor (SVR) showed the best accuracy. Then, with an independent dataset, the calibrated SVR were tested. For predicting the reference evapotranspiration, we observed statistical errors of MAE = 0.437 mm d⁻¹, and RMSE = 0.616 mm d⁻¹, with a determination coefficient, R2, of 0.893. Regarding actual evapotranspiration modelling, we observed statistical errors of MAE = 0.422 mm d⁻¹, and RMSE = 0.599 mm d⁻¹, with a R2 of 0.614. Comparing the results obtained with the machine learning models developed another studies in the same field, we understand that the results are promising and represent a baseline for future studies. Combining CERES data with information from other sources may generate more specific evapotranspiration products, considering the different land covers. Un aspecto clave en zonas agrícolas, como la llanura Pampeana argentina, es poder estimar con precisión las tasas de evapotranspiración para optimizar cultivos y requerimientos de riego, como así también la predicción de inundaciones y sequías. En este sentido, se evaluaron seis algoritmos de aprendizaje automático para estimar la evapotranspiración de referencia y la evapotranspiración real (ETo y ETa, respectivamente) utilizando productos de satélite CERES como datos de entrada. Los valores modelados, aplicando técnicas de aprendizaje automático, se compararon con aquellos obtenidos a partir de información de terreno. Después de entrenar y validar los algoritmos, observamos que el Regresor con Vectores de Soporte (SVR) mostraba la mejor precisión. A continuación, con un conjunto de datos independiente, se testearon los algoritmos SVR calibrados. Para la predicción de la evapotranspiración de referencia se observaron errores estadísticos de MAE = 0.437 mm d⁻¹ y RMSE = 0.616 mm d⁻¹, con un coeficiente de determinación R² = 0.893. Por otro lado, al predecir la evapotranspiración real, observamos errores estadísticos de MAE y RMSE de 0.422 mm d⁻¹ y 0.599 mm d⁻¹, respectivamente, con un R² de 0.614. Al comparar los resultados obtenidos con los algoritmos de aprendizaje automático con aquellos arrojados por estudios en la misma área, entendemos que los resultados aquí mostrados son prometedores y representan una linea de base para futuros trabajos. La combinación de datos de CERES con información de otras fuentes puede generar productos de evapotranspiración más específicos, considerando además las diferentes coberturas del suelo.