1. Objetivos y tareas Propuesta inicial Cambios realizados a la propuesta inicial Informe y tareas realizadas.

Cualificación y homogenización de las series

climáticas mensuales de precipitación de

Canarias. Estimación de Tendencias de la

Precipitación. Memoria Explicativa de

Resultados.

Fecha elaboración del documento: 02/12/2011

Escrito por: Angel Luis De Luque Söllheim

Revisado por: Jose Luis Martín Esquivel

Índice Página

1. Objetivos y tareas………4

1.1. Propuesta inicial……….4

1.2. Cambios realizados a la propuesta inicial………...5

1.3. Informe y tareas realizadas……….6

2. Introducción………..………..……….7

3. Metodología………..………..………..9

3.1. Eliminación/Corrección de outliers mediante métodos 3IQR y σ3 en series mensuales de precipitación………..………..……….10

3.2. Rellenado gaps (huecos) y outlier extremos o sospechosos por correlación en series mensuales de máximos y mínimos………..………..……….11

3.3. Homogenización de series mensuales de precipitación mediante el paquete estadístico de homogenización relativa “Climatol”, fundamentos de su funcionamiento………14

3.3.1. Introducción al Climatol………..………...15

3.3.2. Fundamentos del funcionamiento del paquete climatol………...17

3.3.3. Aplicación práctica del paquete climatol....………..19

3.4. Análisis de tendencia………..………..48

Pág. 3 de 89

3.5.1. Identificación de zonas climáticas………..49

3.5.2. Selección de series analizadas por zonas y generación de series de referencia………53

4. Resultados………..………58

4.1. Resultados en la corrección de outliers y rellenado de gaps……….………..58

4.2. Resultados en la homogenización de las series de precipitación………60

4.3 Análisis de tendencias de la precipitación……….63

4.3.1. Análisis precipitación Gran Canaria………..……….63

4.3.2. Análisis precipitación Tenerife………..………..67

4.3.3. Análisis precipitación La Palma………..………70

5. Resumen y conclusiones………..………72

7. Referencias……….………..………74

Anexo I

Anexo II Lista de estaciones utilizadas y tablas indicadoras de las modificaciones realizadas en los datos………..………78

Anexo III Ficheros resumen de procesos tras la homogenización con Climatol………91

1. Objetivos y tareas

La realización de un "Análisis de tendencias de temperaturas máximas y mínimas y de precipitación para Canarias” se engloba dentro de la Actuación 3: “Elaboración de un estudio sobre Escenarios Climáticos (comarcas climáticas – datos)” del proyecto “Colaboración para

detectar las causas y consecuencias del cambio climático en la región euroafricana – Proyecto CLIMAIMPACTO”, con código MAC/3/C159 del Programa de Cooperación Transnacional MAC 2007-2013.

La actuación 3: “Elaboración de un estudio sobre Escenarios Climáticos" pretende ser un instrumento auxiliar para la elaboración de modelos de impacto. Con él se espera obtener una delimitación de comarcas climáticas que permita la posterior evaluación de vulnerabilidad por el cambio climático. La tarea fundamental a realizar es una “Cualificación y homogenización de las series climáticas mensuales de precipitación de Canarias (todas las islas)” a partir de las siguientes tareas específicas:

1. Desarrollar una metodología de cualificación y homogenización ajustada a las características de la precipitación mensual.

2. Aplicar metodología a las series climáticas mensuales de precipitación de Canarias (todas las islas).

3. Escribir informe con los resultados obtenidos donde se detalle la metodología empleada así como los resultados obtenidos.

Documentos a entregar

Se deberán realizar dos entregas:

- 1ª Entrega: antes del 15 de octubre de 2011

Pág. 5 de 89

- 2ª Entrega: antes del 15 de diciembre de 2011

Se deberá hacer entrega de los “Resultados”, mediante una “Memoria Explicativa de los Resultados” en formato .doc, y la entrega de los “Ficheros” en formato .xls (un fichero por cada estación).

1.2. Cambios realizados a la propuesta inicial.

La Agencia Canaria de desarrollo Sostenible y Cambio Climático, en adelante, “Agencia” representada por Jose Luis Martín Esquivel muestra un mayor interés por un análisis de mayor profundidad de las series de precipitación por islas. No solo se trata de realizar solo la parte técnica que consiste en:

I. Detectar y corregir o rellenar outliers y gaps.

II. Homogenizar de forma relativa las series de precipitación.

III. Generar ficheros de Excel con la serie original, serie tras proceso I., serie tras proceso II. y gráficas.

Sino también un análisis de las series de precipitación anual obtenida por islas y por zonas dentro de estas islas. Esto permite generar un informe más completo y preciso sobre el comportamiento de la precipitación que facilita su posterior difusión con la publicación de uno o varios artículos de investigación en revistas internacionales con índice de impacto. Por otro lado es preciso focalizar el trabajo en tres islas principales que son Tenerife, Gran Canaria y La Palma ya que se consideran suficientemente representativas con respecto al comportamiento general de la precipitación de los últimos 60 – 80 años.

Cambios realizados en el contrato:

I. En el informe deberá contener un apartado específico de resultados basado en el análisis de las series anuales de precipitación por islas y por zonas dentro de estas islas.

II. El análisis se realizará para tres islas: Tenerife, Gran Canaria y La Palma.

III. Las series de cada estación de precipitación originales, corregidos y homogenizados se entregarán en formato Excel (no es necesario entregarlas en pdf).

IV. Por motivos presupuestarios el trabajo deberá ser entregado antes del día 10 de diciembre.

1.3. Informe y tareas realizadas.

Este informe titulado “Cualificación y homogenización de las series climáticas mensuales de

precipitación de Canarias. Estimación de Tendencias de la Precipitación. Memoria Explicativa de Resultados”, es el segundo de los dos informes solicitados y se corresponde con la “Memoria

explicativa de resultados”. Se pretende no solo explicar en detalle los procesos seguidos para mejorar la calidad de los datos de precipitación como el tratamiento de outliers y rellenado de gaps, así como la aplicación de la homogenización relativa utilizando la herramienta “Climatol”, sino también de mostrar las tendencias de precipitación para las tres islas más pobladas. Estas son: Tenerife, Gran Canaria y La Palma, que además tienen un relieve complejo y presentan también las mayores alturas del archipiélago. El factor relieve afecta a la cantidad y distribución geográfica de la precipitación por tanto en cada una de estas islas se han definido zonas climáticas basadas en el comportamiento y cantidad de precipitación.

Este informe pretende también ser una guía detallada de todos y cada uno de los procedimientos realizados con los datos y facilitar, así, la tarea en caso de tener que reproducir la metodología para otras islas. Es importante resaltar que los procedimientos seguidos en este trabajo para procesar los datos son los comúnmente sugeridos por la comunidad científica especializada en este campo, por tanto, se evitará en lo posible las discusiones metodológicas. La parte de homogenización relativa utilizando el paquete estadístico “Climatol” se ha realizado contando con la colaboración estrecha del propio desarrollador del paquete, el Dr. José A. Guijarro, meteorólogo de la Delegación Territorial en Illes Balears, Agencia Estatal de Meteorología. Se aportan datos, resultados y salidas de programas al final del informe en forma de anexos.

Pág. 7 de 89

2. Introducción

El Archipielago Canario se encuentra situado entre los 27-29º de latitud Norte y los 013-19 de Longitud Este, con una distancia entre los puntos más lejanos (Islote de Alegranza a Faro de Orchilla en El Hierro) de 500 Km. La distancia a Africa es de 100 Km en el punto más cercano a 400 Km en el más lejano.

El clima de las islas está totalmente condicionado por el clima del Atlántico Central siendo islas oceánicas, como el resto de las que conforman la Macaronesia (Azores, Madeira y Cabo Verde) caracterizadas desde el punto de vista orográfico por una plataforma continental prácticamente inexistente y una influencia permanente del oceáno sobre el clima insular que amortigua en gran manera los gradientes de temperatura, dando muy poca amplitud a las variaciones día/noche y verano/invierno.

Tenemos que considerar cinco factores principales en la descripción del clima de las islas:

1.- La fuerte influencia de los vientos alisios del NE que sopla más de 250 días al año con intensidad que oscila entre los 16 y 30 km/hora y que al ser un viento de superficie viene saturado de humedad. Con cierta frecuencia es origen de precipitaciones débiles en vertientes norte y este de las islas de mayor relieve y motivo de cierta regularidad pluviométrica en estas vertientes. Las islas más bajas y orientales como Lanzarote y Fuerteventura suelen quedar fuera de este proceso.

2.- La corriente fría de Canarias que es el brazo Este del giro del Atlántico Norte y que va hacía el SW. El agua en, esta corriente superficial, que es la influye sobre el clima canario alcanza unas temperaturas relativamente frías para estas latitudes (mínimas de 17-18ºC en el mes de Marzo y máxima de 23-24ºC a finales del mes de Octubre).

3.- Influencia del continente africano con reducción de la humedad del aire, subidas repentinas de temperatura y llegada de polvo en suspensión. Afectando en mayor medida a las islas orientales.

4.- La orografía de las islas que las podemos dividir en tres grupos principales: Islas Bajas (Lanzarote, Fuerteventura y los islotes) que alcanzan altura inferiores a los 700 metros: islas medias (La gomera, El Hierro y Gran Canaria) con altura que no sobrepasan los 1900 m e Islas altas (Tenerife y La Palma) con

alturas que sobrepasan los 2000 m.

5.- La llegada de perturbaciones invernales del oeste entre noviembre y abril, que originan precipitaciones irregulares tanto en intensidad como en distribución, en ocasiones, intensas, con consecuencias sociales y causantes de daños en las infraestructuras. Estas afectan a las islas occidentales en mayor medida.

El clima de las isla bajas (Lanzarote y Fuerteventura) se caracteriza por la aridez y la homogenidad en toda la superficie de la isla ya que el alisio pasa por encima sin que se produzca retención de humedad ni tampoco inversión térmica en altura.

Las islas media (La Gomera, el Hierro y Gran Canaria) si presentan retención de la humedad de los alisios incrementando la cantidad de lluvia, particularmente en las laderas Norte y Este de las islas que abarcan los macizos centrales que al estar fuertemente vegetados actúan de receptores de la humedad dando lugar a la denominada “lluvia horizontal” que mantiene unas condiciones hídricas amplias. En estas islas se produce una variación de clima entre las vertientes N-NE y S-SW, siendo las primeras húmedas y las segundas secas.

Las islas altas se caracterizan por tener no solo retención de alisios en las vertientes Norte y Este, sino por presentar la inversión térmica a partir de una determinada altura, que varía de acuerdo con las condiciones meteorológicas. Esta inversión se produce por la llegada del contra-alisio en altura que viene seco. Esto origina unas condiciones xéricas a partir de los 1500-2000 m de altura de acuerdo con la orientación y la separación climática entre las vertientes N-NE y las S-SW que originan climas completamente diferentes, siendo la vertiente N-NE húmeda y la vertiente S-SW seca. Todo esto además está alterado por la presencia de barrancos muy extensos y profundos que condicionan la existencia de multitud de microclimas.

Mención especial merece la lluvia que puede tener orígenes distintos: a) Por condensación a partir de la humedad de los vientos alisios, que ocasionan lluvias débiles con cierta regularidad en vertientes orientadas al norte y este. b) por la llegada de perturbaciones invernales del NW-W-SW cargados de humedad que provocan lluvias irregulares y en ocasiones torrenciales principalmente en cumbres y laderas W-S de las islas. Estos episodios son predecibles con una cierta antelación, pues son consecuencia de la dinámica atmosférica, pero sin embargo no son predecibles con suficiente fiabilidad, a partir de las series climáticas, deberemos hablar, en estas ocasiones de análisis de eventos extremos y periodos de retorno. En todo caso, los trabajos de análisis de series temporales de precipitación en

Pág. 9 de 89

Canarias son escasos y muchas veces aplicados a islas o zonas concretas y basadas en un reducido número de estaciones. En alguno de estos trabajos el de García-Herrera et al. (2003), parece haber una tendencia clara a disminuir la cantidad de precipitación en el norte de Gran Canaria y Tenerife en la segunda mitad del siglo 20.

El trabajo que a continuación se presenta son los resultados de una aplicación metodológica de cualificación de series temporales de pluviometría en las tres islas principales: Tenerife, Gran Canaria y La Palma, utilizando un número significativo de estaciones: 304, 123 y 32 respectivamente, con una gran cantidad de datos de precipitación mensual a procesar. Tras la corrección y homogenización de los datos de las estaciones, se calculan las tendencias de precipitación para estas tres islas y dentro de estas, por zonas climáticas.

3. Metodología

Aunque en Tenerife, Gran Canaria y La Palma hay muchas estaciones meteorológicas, gestionadas por diferentes instituciones públicas y privadas, lamentablemente la mayoría han empezado a operar en las últimas décadas o tienen series de menos de 10 años seguidos. Tras un análisis en función de su localización en altura, orientación y longitud de las series y complementariedad, se escogieron 304, 123 y 32 estaciones gestionadas por la AEMET, para este procesamiento. La lista de estaciones para cada isla con sus características se muestra en las tablas en el anexo II.

La metodología se explica en mayor detalle para la isla de Gran Canaria debido a que sido la isla con la que se ha empezado este trabajo. Se ha aplicado un método orientado a corregir los valores anómalos (outliers) y rellenado de gaps (huecos) en una primera fase y un ajuste de las inhomogeneidades en una segunda fase utilizando el paquete “Climatol” programado en R. Para el primer proceso se utilizaron principalmente aquellas series de 10 años o más con pocos gaps, es decir, unas 107 estaciones aproximadamente para Gran Canaria. En el segundo proceso de homogenización se utiliza absolutamente todos los datos de todas las estaciones ya que “Climatol” aplica la estrategia de aprovechar todos los datos disponibles aunque sean poco fiables y/o escasos. Los datos diarios se agruparon por meses para obtener en cada estación las series temporales de precipitación media mensual. Conviene en este punto subrayar que los análisis de anomalías son más adecuados para detectar tendencias que los análisis de precipitación absolutas, por su menor variabilidad entre distintas zonas geográficas, (Hansen & Lebedef, 1987).

3.1. Eliminación/Corrección de outliers mediante métodos 3IQR y σ3 en series mensuales de

precipitación.

Para disminuir el efecto de los valores extremos u erróneos en la tendencia central se enfatizó el ejercicio de corrección de outliers. A diferencia de las temperaturas donde los valores más dispares (outliers extremos) eran eliminados en el caso de la precipitación la variabilidad es mucho mayor y por tanto se han considerado como sospechosos. Estos se definieron como todas aquellas medidas por encima de la media, mayores que el tercer cuartil (Q3) mas tres veces el recorrido intercuartílico (distancia entre el tercer y primer cuartil; Q3-Q1) considerando todos los datos de la serie mensual (Trenberth and Paolino 1980; Peterson et al. 1998a). Solo se consideraron extremos el caso de las precipitaciones mensuales encima de la media más siete veces la desviación típica de la serie, este umbral significativamente alto se impuso con el único fin de detectar valores fuera de contexto que solo ocurrirían en caso de error informático o error a la hora de transcribir los datos. Basicamente, Ps=Precipitación sospechosa si cumple que, Ps > Q3 + 3x(Q3 - Q1) donde una vez ordenados de menor a mayor los datos de una serie de precipitación para una estación y un mes determinado: Q1, es primer cuartil, que se define como el valor de precipitación mensual mayor que el 25% de los datos de la serie y menor que el 75% restante. Q3, es el tercer cuartil, que se define sin embargo como el valor de precipitación mayor que el 75% de los datos de la serie pero menor que el 25% restante.

Para los valores de precipitación sospechosos se buscaba eliminar la sospecha interpolando a partir de los datos de otra serie con la cual hubiera una correlación aceptable (≥ 0,8) (González-Rouco, et al., 2001). El método de correlación se explica con más detalle en el apartado siguiente, en todo caso se busca el segmento correlacionado de las series que estuviese emparejado, fuera continuo, se localizara adyacente al outlier y tuviera al menos diez años de longitud. La interpolación se hizo ajustando el outlier al valor de la precipitación para ese año en la serie de referencia, corregido según el diferencial de medias en el período utilizado para calcular la correlación. El nuevo dato así obtenido se aceptaba tal cual si quedaba por debajo del umbral de sospechoso para esa serie, es decir, menor que Ps y tomaba el valor máximo permitido Ps si quedaba por encima. Esta forma de proceder reduce el bias causado por los valores extremos y, sin embargo mantiene la información de los eventos extremos (Barnett and Lewis 1994). Aquellos outliers sospechosos que no se pueden corregir por correlación con otras series se dejan para la

Pág. 11 de 89

siguiente fase con el paquete estadístico Climatol que realiza un procesamiento de outliers robusto comparando con datos de series del entorno.

3.2. Rellenado gaps (huecos) y outlier extremos o sospechosos por correlación en series mensuales de

máximos y mínimos.

Los meses sin datos, bien por tratarse de un outlier extremo o bien porque no había registro alguno, intentaron rellenarse según el sistema comentado en el apartado anterior, a partir de los datos de otra serie con la cual hubiera una correlación aceptable (≥ 0,8) (González-Rouco, et al., 2001), utilizado para interpolar en los outlier sospechosos. Cuando esto no fue posible, sólo se aceptaron datos interpolados si no resultaban ser extremos o sospechosos. Para permitir una mejor visualización de la estructura de los datos, estos se ordenan en tablas correspondientes a cada mes, tal y como se muestra a modo de ejemplo en la tabla 1 correspondiente a una sección de precipitación mensual del mes de enero. En esta tabla, para rellenar el gap de la estación AEMET_GC_1 de 1969 indicado en el recuadro verde y con una m en su interior, se toma una serie adyacente no menor de 10 años de la misma estación (entre 1970 y 1979) y se calculan correlaciones con respecto otras series de idéntica longitud. En la tabla 1 es posible comprobar cómo hay series candidatas entre 1970 y 1979 como la que podemos encontrar en la estación:

AEMET_GC_6, AEMET_GC_16, AEMET_GC_17, AEMET_GC_41, AEMET_GC_42 y

AEMET_GC_46. Para acceder a los datos y calcular correlaciones de forma efectiva la Agencia ha desarrollado una potente herramienta llamada Climaserie. Con unas pocas indicaciones se obtienen datos, gráficas y correlaciones tal y como se muestra en la figura 1. Una vez determinada la serie de mayor correlación, de valor por encima de 0.8, por ejemplo, la AEMET_GC_46 es la serie de mayor correlación con 0.85 entre 1970 y 1979, tal y como se indica abajo izquierda en la figura 1, se utiliza la temperatura de 1969 de esta estación para rellenar el gap buscado de la estación AEMET_GC_1, a partir de un simple ajuste utilizando los valores medios de ambas series. La herramienta Climaserie facilita el valor medio para el periodo seleccionado entre 1970 y 1979, tal y como se muestra en el recuadro abajo derecha de la figura 1. Siendo P46 la precipitación de 1969 de la estación 46, Pm46 la precipitación media del periodo entre 1970 y 1979 de la estación 46 y Pm1 la precipitación media del mismo periodo pero de la estación 1, el cálculo de la precipitación interpolada para rellenar el gap buscado en la estación 1, P1, se realiza: P1=P46+(Pm1-Pm46).

Las 123 estaciones por los 12 meses y unos 70 años, suponen un total de 12 tablas, de mayor tamaño que la mostrada en la tabla 1, donde posible encontrar más de 3000 puntos susceptibles de ser outlier extremos, sospechoso o gaps. Con el ánimo de agilizar el proceso se ha desarrollado un programa específico en fortran llamado "gapsppt.pgm" que rellena gaps, corrige o elimina outlier extremos y corrige los sospechosos. Es importante resaltar que se ha optado por tratar de rellenar, además, los gaps que quedan en los extremos de las series porque esto facilita la detección y posterior interpolación de gaps internos que son más cruciales. En el anexo I se muestra el resultado de aplicar este programa con un recuento de todos los gaps rellenados (unos 2603), outlier extremos eliminados (0), outlier extremos corregidos (0) y outlier sospechosos corregidos (unos 359) para la precipitación mensual. Hay que resaltar que se ha puesto un umbral muy alto para los outliers extremos con el fin de detectar solo valores imposibles en Canarias que solo ocurrirían en caso de error informático o error a la hora de transcribir los datos, razón por la cual si no hay errores de este tipo es esperable que no encontremos outliers extremos. Si se han encontrado algunos para Tenerife y La Palma. En el punto 2 del anexo II se muestra un ejemplo de tablas utilizadas para indicar los puntos exactos que han sufrido las modificaciones tras todo este proceso.

Pág. 13 de 89

Tabla 1. Sección de tabla indicadora de temperaturas máximas correspondientes al mes de enero.

Los recuadros en gris con un 1 en su interior indican la existencia un dato válido de temperatura máxima. La primera columna hace referencia al nombre de cada estación para este proyecto y la segunda columna, al código.

1940 1941 1942 1943 1944 1945 1946 1947 1948 1949 1950 1951 1952 1953 1954 1955 1956 1957 1958 1959 1960 1961 1962 1963 1964 1965 1966 1967 1968 1969 1970 1971 1972 1973 1974 1975 1976 1977 1978 1979 1980 AEMET_GC_1 C613E 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 m 1 1 1 1 1 1 1 1 1 1 0 AEMET_GC_2 C668V 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_3 C619B 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 AEMET_GC_4 C648G 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_6 C669P 0 0 0 0 0 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 AEMET_GC_7 C669O 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 1 1 0 0 0 0 0 0 0 AEMET_GC_8 C665Q 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1 AEMET_GC_12 C658L 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_14 C658J 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_15 C658I 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 1 1 1 1 1 1 1 AEMET_GC_16 C659K 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 AEMET_GC_17 C659P 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 AEMET_GC_19 C625A 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 1 1 1 1 1 0 0 0 0 0 0 AEMET_GC_21 C629I 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_28 C623I 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 0 0 0 1 1 1 1 1 1 1 AEMET_GC_29 C689E 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_30 C655K 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_31 C655Q 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_36 C658K 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 AEMET_GC_37 C656J 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_38 C636K 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_40 C614I 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 1 1 1 1 1 1 1 1 0 0 0 0 1 1 1 1 1 1 1 AEMET_GC_41 C624E 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 AEMET_GC_42 C649I 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 AEMET_GC_43 C648N 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 AEMET_GC_46 C665I 0 0 0 0 0 1 1 0 1 1 1 1 1 0 1 1 1 1 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 AEMET_GC_47 C646O 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

Figura 1. Ejemplo de consulta de datos y cálculo de correlaciones utilizando la herramienta

Climaserie, desarrollada por la propia Agencia.

3.3 Homogenización de series mensuales de precipitación mediante el paquete estadístico de homogenización relativa “Climatol”, fundamentos de su funcionamiento.

Una serie se dice que es homogénea cuando su variabilidad obedece únicamente a causas climáticas (Mitchell, et al., 1966). La obtención de datos temporales a lo largo de los años entraña muchas vicisitudes, sobre todo en las series temporales más largas, cuya detección no es fácil. Registros falsos, movimiento de estaciones o cambio en las características físicas del lugar, dan lugar a la aparición de inhomogeneidades ajenas a la realidad climática. Su detección y corrección es fundamental para poder elaborar conclusiones fiables sobre la tendencia de variación de la serie. En este sentido se han venido desarrollando desde hace tiempo diversos métodos de homogenización de series climáticas, que intentan discriminar en las mismas la señal propiamente climática, que es la que nos interesa, del ruido producido por los factores mencionados. La

AEMET_GC_ 1 AEMET_GC_1 1 AEMET_GC_6 0,704543 AEMET_GC_16 0,2651489 AEMET_GC_17 0,3401218 AEMET_GC_41 0,3576648 AEMET_GC_42 0,1763101 AEMET_GC_46 0,8479058

COEF. DE CORRELACION ESTACIONES MAX MIN

AEMET_GC_1 14,13871 6,474194 AEMET_GC_6 20,67613 14,13903 AEMET_GC_16 20,17194 15,20129 AEMET_GC_17 20,71548 15,96 AEMET_GC_41 13,15484 3,919355 AEMET_GC_42 20,26129 14,35548 AEMET_GC_46 13,98871 4,993548

Pág. 15 de 89

variedad de metodologías hace imposible mencionarlas todas, pero pueden encontrarse síntesis de las mismas en los trabajos de Peterson et al. (1998a, 1998b) y Aguiar et al. (2003). La mayor parte se basan en comparar las series problema con otras supuestamente homogéneas, que o bien pertenecen a observatorios cuya historia puede hacer pensar que se hallan libres de los factores perturbadores (cosa harto difícil), o bien se construyen sintéticamente a partir de otras series vecinas, con la esperanza de que sus respectivas inhomogeneidades queden diluidas en la serie compuesta.

3.3.1 Introducción al Climatol

La selección de las series que han de servir de referencia para la homogeneización de la serie problema se suele hacer eligiendo, de entre las disponibles, las que presentan un mayor coeficiente de correlación. Pero de esta forma se prescinde muchas veces de la información que podrían aportar otras estaciones climatológicas más próximas para las que no es posible calcular una correlación fiable por su corto o nulo periodo común de observación con la problema. Por ello, y para tratar de aprovechar el máximo de información climática disponible, se desarrolló un método basado en la interpolación de datos estandarizados de las estaciones vecinas a la que se trata de homogeneizar, de manera similar al utilizado por Paulus y Kohler (1952) para el relleno de datos ausentes en los boletines de precipitación diaria. Este método se implementó en forma de paquete (denominado Climatol) para la aplicación estadística R (de código abierto y multiplataforma), y en sus primeras versiones (Guijarro, 2004), si bien permitía la comparación de cada serie con su referencia sintética para detectar las anomalías puntuales, saltos en los valores medios y tendencias no achacables al clima, únicamente podía realizar de modo automático la corrección de errores aislados y el relleno de las lagunas de las series.

La experiencia acumulada desde entonces ha llevado a la conclusión de que la homogeneización de una base de datos climatológica es una tarea bastante ardua, lo que, unido a la constatación de que debería repetirse cada dos o tres años (al irse alargando las series con nuevos datos), ha llevado a implementar una nueva función, disponible desde a la versión 2.0, que automatiza también la corrección de los saltos anómalos en los promedios de las series, atribuibles a cambios súbitos en las condiciones de observación.

El método del paquete Climatol no presupone la existencia de series homogéneas en la base de datos a tratar, sino que todas son susceptibles de contener inhomogeneidades. Tampoco incorpora datos del historial de las estaciones (metadatos), que ofrecen información sobre los

posibles momentos en que puede haber alteraciones en las series, porque estos historiales frecuentemente están incompletos o no están al alcance del investigador. (Siempre existirá la posibilidad de usar esa información a posteriori, para contrastar los resultados de la homogenización).

Los datos pueden ser series simples de cada observatorio (como sería el caso si se tratara de valores anuales), o conjuntos de series (valores mensuales o estacionales). En cualquier caso se leen cronológicamente, estación por estación, junto con las coordenadas e identificadores de cada una de ellas. A continuación se procede serie a serie, calculando todos sus datos (como si no existieran) a partir de los de las demás estaciones, mediante medias ponderadas de valores estandarizados. Además de la estandarización propiamente dicha, también se puede optar por dividir los valores por sus respectivas medias, lo que resulta más recomendable para el tratamiento de la precipitación y otras variables con un cero natural. La ponderación se realiza mediante la función a/(a+d2), donde “d” es la distancia a cada estación, y “a” un parámetro de forma que permite modular la influencia relativa de las estaciones más próximas respecto de las más alejadas. Cuando las series están incompletas, sus promedios no son comparables, pero se vuelven a calcular tras el relleno de las lagunas, proceso que se repite hasta alcanzar valores estables.

Después se procede a estudiar las diferencias entre cada serie estandarizada y su réplica estimada en función de las demás, que sirve como serie de comparación. Opcionalmente se pueden sustituir los valores anómalos por los estimados, y también visualizar gráficos de diagnóstico de cada una de las series. Las versiones anteriores del programa terminaban aquí con la grabación de un fichero con los datos corregidos y las lagunas rellenadas, pero ahora se continúa aplicando distintas pruebas de detección de saltos en la media, y asignando puntuaciones variables a cada término de la serie según la significación estadística obtenida. Si la máxima puntuación total tras aplicar todas las pruebas supera un umbral definido por el usuario, la serie se fragmenta en el punto de dicho máximo, traspasando toda la información posterior a una serie “hija”. Este proceso se repite hasta que no se fragmenta ninguna serie, pues la corrección de algunas de ellas puede influir en la evaluación de la homogeneidad de las demás, y además las series fragmentadas pueden ser objeto de nuevos cortes si presentan más de un salto en la media.

Pág. 17 de 89

posible eliminar al principio únicamente los errores y saltos en la media más patentes, y refinar después el proceso (aceptando niveles de significación más bajos) para corregir progresivamente las demás inhomogeneidades. Como productos de todas estas operaciones se obtiene un fichero con los datos corregidos y rellenados de todas la series resultantes, y un fichero de texto con una relación de las correcciones efectuadas y los niveles de significación de las pruebas de homogeneidad. Opcionalmente, también se obtienen gráficos diagnósticos de todas las series iniciales, y representaciones de las series finales, distinguiendo los datos originales, los rellenados, y las series fragmentadas a que hayan podido dar lugar. En este caso, como el número de gráficos puede llegar a ser muy grande, también se genera un fichero pdf que permite incluirlos todos en un solo documento.

3.3.2 Fundamentos del funcionamiento del paquete climatol

El paquete estadístico Climatol está preparado en R que es un lenguaje de programación sin embargo, no es necesario saber programar en este lenguaje para hacerlo funcionar porque las funciones de Climatol están listas para ser ejecutadas junto con una serie de keywords o palabras clave. Si es necesario instalar un interpretador de R que podemos encontrar fácilmente en internet (http://www.freestatistics.org/cran/) y que dependerá de la plataforma en la que se trabaje (Windows o Linux). En la página web de Climatol (http://webs.ono.com/climatol/climatol.html) se encuentra la última versión del paquete (la que está en inglés) junto con las instrucciones para instalarla.

Las siguientes aclaraciones están sacadas de la guía del Climatol (Guijarro JA (2011): User's guide to Climatol. http://webs.ono.com/climatol/climatol-guide.pdf (40 pp.)

Básicamente, Climatol reconstruye una serie ficticia en el punto de cada estación tomando los datos de las estaciones de alrededor, por defecto de 10 estaciones como máximo, y ponderadas según la distancia. A continuación compara con la estación origen obteniendo una serie de anomalías que son las diferencias entre la serie origen y la serie ficticia reconstruida. Los pasos siguientes se realizan de forma iterativa hasta alcanzar valores estables y consisten en:

1. Analizar los outliers: Las series de anomalías se estandarizan y en aquellas anomalías superiores a 5 veces (por defecto) la desviación estándar se elimina el dato original. Se toma un umbral alto porque este proceso se realiza de forma iterativa cada vez que se detecta un salto significativo en la media y se realiza un ajuste en un sector de la serie, puede resultar

que un outlier sospechoso de 4 veces la desviación estándar puede bajar a 3 y dejar de ser sospechoso, por tanto si se comienza con un umbral bajo para eliminar outliers se impediría que muchos valores se puedan corregir durante el proceso iterativo.

2. Saltos en la media: Se aplica el Test Estándar de Homogeneidad Normal o SNHT de Alexandersson (1986) en dos fases:

a. En sectores de 120 términos avanzando cronológicamente de 60 en 60 términos (definido por defecto) y cuyo umbral de SNHT máximo se controla por la palabra clave tVt que por defecto está en 25 (tVt=25).

b. Para toda la serie y cuyo umbral de SNHT máximo se controla por la palabra clave snhtt que por defecto está en 50 (snhtt=50)

Los valores máximos de snht por sectores de 120 términos (tVt) que superen un umbral por defecto o predefinido por el usuario marcan un lugar en la serie donde esta se corta. Los valores después de este punto se transfieren a una nueva serie (con las mismas coordenadas) y se eliminan de la serie original. Los huecos resultantes en ambas series se rellenan en la última fase utilizando únicamente los fragmentos de la serie original.

Cuando todas las inhomogeneidades por sectores se han corregido por el proceso anterior se vuelve a realizar el test snht a toda la serie (snhtt) posiblemente generando nuevos cortes.

El test snht por sectores (tVt) se ha se ha implementado para evitar múltiples saltos de la media de valores de snht engañosamente bajos, mientras que la aplicación a toda la serie (snhtt) es más poderoso para la detección de pequeños cambios que pueden haber pasado inadvertidos para la prueba por sectores. En cualquier caso, el umbral predeterminado de SNHT para toda la serie debe ser mayor que para la aplicación escalonada, para evitar que la serie se divida por una tendencia suave en lugar de por un cambio abrupto en la media.

Cuando todas las inhomogeneidades han sido por fin eliminadas, la etapa final está dedicada al cálculo de los datos que faltan, los eliminados por ser outlier y los perdidos tras los cortes.

Antes de realizar la homogenización con Climatol hay que comprobar que la región en estudio es climatológicamente homogénea, es decir, que el clima debe varíar de forma suave dentro de esta región, por ejemplo, un gran accidente geográfico separando dos zonas va ha hacer que la precipitación pueda ser diferente en ambas zonas. El algoritmo proporciona resultados en forma de gráficos e índices que ayudan al investigador a tomar decisiones sobre si debe o no separar

Pág. 19 de 89

áreas climáticamente homogéneas y cómo hacerlo. Un índice importante para separar grupos de estaciones según el comportamiento de la precipitación es el coeficiente de disimilitud climática que aparece calculado en forma de dendrogramas como se muestra en próximas figuras (véase por ejemplo la figura 5). Para calcular este coeficiente:

- Se parte de la matriz de correlaciones. Esta matriz es el conjunto de coeficientes de correlación r formada por cada par de estaciones comparadas entre si.

- Esta matriz no está calculada a partir de las series originales, sino de sus primeras derivadas finitas (o sea, de una serie de n términos se pasa a una de n-1 términos calculados como diferencia entre cada término y el anterior). Se utiliza las derivadas finitas en lugar de las series originales porque dos series que tengan una tendencia parecida van a dar una correlación significativa aunque sean aleatorias, y si además presentan inhomogeneidades, éstas también pueden influir bastante en la correlación.

- Si hay n estaciones cada una tendrá n-1 valores de r al ser comparada ésta con el resto de estaciones, a mayor valor del coeficiente de correlación r, mayor similaridad; por tanto la disimilaridad es el complemento de r, o sea, 1-r.

- Utilizando r como parámetro principal, ya que también se tiene en cuanta la distancia, se utiliza el método de Ward(1963) para agrupar las estaciones. Básicamente, las estaciones se van agrupando por pares desde las más similares, base del dendrograma, hasta las menos similares, parte alta (ver por ejemplo la figura 5).

En el siguiente apartado se explican y se utilizan estos gráficos de forma práctica para cada una de las tres islas.

3.3.3 Aplicación práctica del paquete climatol

La guía de usuarios de Climatol es muy general ya que la homogenización se puede aplicar también a series de otras variables como temperaturas, velocidad de vientos, etc. En este caso se explicará la aplicación del paquete a precipitación mensual acumulada a las estaciones de Gran Canaria, Tenerife y La Palma. Para más detalles de cómo aplicar el método de homogenización, remitirse al informe anterior: “Cualificación y homogenización de las series climáticas mensuales

de precipitación de Canarias

; Memoria Metodológica”.

1.Gran Canaria.

a. Análisis preliminar con todas las estaciones

Una vez generadas todas las estaciones con datos de precipitación en formato climatol, esto es, en dos ficheros ej, Pptm_1951-2009.est y Pptm_1951-2009.dat con las estaciones y con los datos respectivamente, se ejecuta el comando dentro de la consola de R:

homogen("Pptm",1951,2009,gp=1,nclust=123,std=2)

1. Se busca el periodo máximo sin que haya huecos en los datos. En este caso se ha encontrado con ayuda de un programa auxiliar que se trata entre 1951 y 2009. De probar con otro periodo mayor nos aparece un error y se invita a mirar el gráfico que aparece inmediatamente debajo (figura 2) a partir de un fichero pdf que se crea automáticamente llamado Pptm_1951-2009.pdf.

Pág. 21 de 89

2. La opción gp=1 hace que solo se muestre los gráficos iniciales exploratorios ya que en caso contrario el programa realizaría el proceso completo con los parámetros por defecto y podría tardar horas.

3. La opción nclust=123 hace que nos muestre los gráficos iniciales exploratorios utilizando los datos de las 123 estaciones ya que en caso contrario tomaría solo 100 elegidas al azar.

4. La opción std=2 define el tipo de normalización (por defecto std=3) pero al tratarse de precipitación y existir ceros naturales es preferible utilizar std=2, ya que en este caso los datos se normalizarán utilizando proporciones de los valores medios.

5. Análisis de gráficos iniciales. Estos gráficos aparecen dentro del fichero pdf que se crea

automáticamente. De las cosas más importantes que hay que analizar en primer lugar para empezar a tomar decisiones es el aspecto del histograma de los datos. Este histograma lo encontramos en la hoja 15 de los gráficos y tiene el aspecto que mostramos en la figura 3.

Figura 3. Histograma de los datos sin ninguna transformación previa.

Es evidente que tiene una forma bastante alejada de lo que se conoce como distribución gausiana, normalizada o en forma de campana que es además lo que se busca. La razón de esto es que es más fácil encontrar inhomogeneidades medidos con la SNHT (Standard Normal Homogeneity Test) en series de datos con distribuciones gausianas o normales. En este caso tenemos que realizar una transformación previa para tratar de normalizar la distribución en lo posible. Esto se puede hacer fácilmente con el paquete climatol añadiendo la opción “rtrans=n”, (ya que por defecto rtrans=1) a la función homogen donde n es un número real entre 2 y 4, es decir 2.0 < n < 4.0, que debe utilizarse para el caso de precipitaciones irregulares o escasas, ejecutamos de nuevo:

homogen("Pptm",1951,2009,gp=1,nclust=123,std=2,rtrans=2.0)

y analizamos el histograma. Repetimos el proceso dando valores a rtrans (2.1, 2.2, … , 4.0) hasta que el histograma esté lo mas normalizado posible que ocurre para rtrans=3.2 con el

Pág. 23 de 89

histograma de la figura 4, donde la primera barra es debida a la acumulación de precipitación cero.

Figura 4. Histograma de los datos transformados.

6. El siguiente paso es analizar los gráficos sobre la distribución climática de los datos que encontramos tras el histograma en las hojas 17 y 18. En estos es posible comprobar la disimilitud climática entre unas estaciones y otras, en este caso, con un coeficiente de disimilitud de 75 es significativo entre las estaciones orientadas al noreste y suroeste tal y como mostramos en las siguientes figuras, El dentograma (figura 5) y la localización de cada estación coloreada según el ámbito climático al que es más afín (figura 6). Efectivamente tal y como se indica en la guía de climatol, esta separación está causada en primera aproximación por el macizo central de la isla con cumbres que rondan los 1950 metros. En base a esto, hay que separar las estaciones que se encuentran al nordeste (unas 92) de las del suroeste (unas 31) y realizar un proceso de homogenización por separado a cada grupo de estaciones y repitiendo los procesos anteriores.

Estaciones orientadas al NE: 1, 2, 3, 5, 6, 7, 8, 10, 11, 12, 13, 14, 15, 16, 17, 18, 24, 27, 30,

31, 32, 34, 35, 36, 37, 39, 42, 43, 45, 46, 47, 49, 50, 51, 52, 53, 54, 55, 56, 57, 58, 59, 60, 61, 62, 63, 64, 65, 66, 81, 82, 83, 84, 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95, 96, 97, 98, 99, 100, 101, 102, 103, 104, 105, 106, 107, 108, 109, 110, 111, 112, 113, 114, 115, 116, 117, 118, 119, 120, 121, 122, 123

Estaciones orientadas al SO: 4, 9, 19, 20, 21, 22, 23, 25, 26, 28, 29, 33, 38, 40, 41, 44, 48,

67, 68, 69, 70, 71, 72, 73, 74, 75, 76, 77, 78, 79, 80

Pág. 25 de 89

Figura 6. Localización de las estaciones coloreadas según la clasificación climática.

b. Análisis del grupo de estaciones orientadas al NE

Una vez tenemos las 92 estaciones con datos de precipitación en formato climatol, repetimos el procedimiento explicado en el apartado 1. En este caso podemos empezar prescindiendo de la opción “nclust=123” ya que tenemos menos de 100 estaciones, es decir, ejecutamos:

homogen("Pptm",1951,2009,gp=1,std=2)

1. En este caso el periodo máximo sin huecos coincide con el del caso anterior.

2. Se normaliza el histograma utilizando la opción “rtrans” tal y como se ha explicado en el apartado anterior. En este caso obtenemos la mejor normalización de nuevo para “rtrans=3.2”. 3. Se comprueba las zonas climáticas analizando el dendograma, de cluster de estaciones, que se

muestra en la figura 7. En este caso la máxima disimilitud entre estaciones está en 14, separando las estaciones de la costa (brazo izquierdo del dendograma) del resto, medianías y

zonas altas (brazo derecho). En torno a una disimilitud de 9 se realiza otra separación en el brazo derecho, separándose en este caso las estaciones de medianías de las de zonas altas. Sin embargo el algoritmo toma bastantes estaciones costeras como si pertenecieran a la zona de medianías, en general no se observa una separación clara entre estas dos zonas al analizar la figura 8. Por otro lado, no se cumple una premisa para separar grupos a diferencia del caso anterior, esta condición es que debe haber una estructura orográfica de altura significativa que separe zonas, en este caso todas las estaciones se encuentran en mayor o menor medida orientadas al norte o al noreste. No separamos en este caso y continuamos con el procedimiento de homogenización.

Pág. 27 de 89

Figura 8. Localización de las estaciones de la vertiente norte coloreadas según la clasificación

climática.

4. Determinación de umbrales para el snht aplicado a la serie completa (snhtt) y para el snht por tramos de 60 meses (tVt). El algoritmo por defecto pone unos umbrales para ambas opciones muy conservadores, tVt=25 y snhtt=50, la forma de ajustarlos para cada grupo de estaciones y a las peculiaridades de la zona en estudio, es analizando los gráficos de máximo tv y máximo snht que se pueden obtener de forma rápida, sin realizar aún la homogenización ejecutando:

homogen("Pptm",1951,2009,tVt=0,rtrans=3.2,std=2)

Al poner tVt=0, solo rellena lagunas, estima datos y obtiene los histogramas de máximo tv y máximo snht para analizar previamente y que se indican en la figura 9. Se trata en estos histogramas de separar la distribución homogénea con un máximo principal para valores más bajos de snht de las distribuciones inhomogéneas con máximos secundarios y valores más

altos de snht. En la primera figura se puede ver una distribución un máximo principal en 10 que luego va disminuyendo. La duda en este caso es si los máximos secundarios a partir de 15 se corresponden a distribuciones inhomogeneas o pertenecen a la distribución principal considerada homogénea. Se puede optar en este caso por la opción drástica tVt=15, bien por una menos drástica tVt=17 o más conservadora tVt=20 o bien dejar el valor por defecto. De la misma forma podemos intuir el valor de snhtt a partir de la figura 13, donde si el máximo secundario localizado en 19 se corresponde con distribuciones inhomogéneas entonces snhtt=19, si no podemos tomar snhtt=25 o bien snhtt=33. El valor de snhtt debe ser mayor que el de tVt y las opciones a elegir deber ser correlativas entre estos dos parámetros, es decir, que si se opta por la opción drástica ejecutamos la función homogen con tVt=15 y snhtt=17 si no, puede ser tVt=20 junto con snhtt=25. Una vez ejecutado con la opción elegida, analizando los gráficos que se generan automáticamente se puede comprobar si esos umbrales son acertados o no. Hay que destacar sin embargo que si se es demasiado drástico en la selección de umbrales la consecuencia final es que se puede suavizar demasiado o incluso es posible anular la tendencia de la serie. Tomamos por tanto una decisión intermedia tVt=20 y snhtt=25 y ejecutamos de nuevo la función de homogenización con estos dos umbrales.

Figura 9. Histograma de de máximo tVt y de máximo SNHT para la vertiente norte.

Pág. 29 de 89

seleccionados son acertados o no. Se ejecuta:

homogen("Pptm",1951,2009, rtrans=3.2,std=2,tVt=20,snhtt=25)

que puede llevar algunas horas porque ahora si se lleva a cabo el proceso completo de homogenización a las 92 estaciones y a su término analizamos los gráficos en el fichero pdf resultante. En los gráficos de anomalías resultantes una inhomogeneidad significativa de salto de snht=36 tiene la forma que se muestra en la figura 10 en la fase 1 antes de ser corregida. Estos datos no solo son significativos sino además se alargan en el tiempo hasta incluso el final de la serie. En los gráficos de anomalías de la fase 3 hay que buscar este tipo de estructuras para considerar el repetir la homogenización con unos umbrales de tVt y snhtt mas estrictos. Tras el análisis visual de estos, no es el caso. Por el contrario para considerar repetir el proceso con unos umbrales más conservadores se puede inspeccionar de nuevo los gráficos de la fase 1 y ver si los saltos con valores de snht por encima de 25 no son visualmente significativos. En este último caso es posible encontrar alguno de 30 poco claro como se indica en la figura 11 pero sin embargo también es posible encontrar otro caso de salto visualmente grande de 28 (figura 12) que como mínimo es sospecho por tanto el umbral de snht=25 es acertado.

Figura 10. Aspecto de una Inhomogeneidad clara mostrada en los gráficos de anomalías. Esta

Pág. 31 de 89

Figura 11. Aspecto de una Inhomogeneidad poco clara pero con valor de snht por encima del

umbral de 25.

1. Interpretación del fichero resumen del proceso de homogenización y selección de estaciones homogenizadas. Una vez se ha ejecutado la homogenización además de los gráficos y el fichero con la series homogenizadas, Climatol genera un fichero resumen (Pptm_1951-2009.txt) de todos los procesos realizados donde parte de éste se muestra en el anexo III.

Figura 12. Aspecto de una Inhomogeneidad más clara y con valor de snht de 28 mayor que el

umbral establecido de 25.

c. Análisis del grupo de estaciones orientadas al SO

Procedemos de la misma manera que en el apartado anterior con las 31 estaciones orientadas al suroeste de la isla ejecutamos homogen("Pptm",1964,2009,gp=1,std=2) y obtenemos los siguientes resultados:

1. El periodo máximo sin huecos es desde 1964 a 2009.

2. El histograma se normaliza para rtrans=3.2

3. No se crean más grupos a partir de estas 31 estaciones por las mismas razones que en el caso anterior, es decir, por haber obtenido un coeficiente de disimilaridad bajo de 3.5 y por no haber estructuras orográficas significativas separando zonas ya que las estaciones están situadas en

Pág. 33 de 89

la misma vertiente sur.

4. Para la elección de los umbrales de tVt y snhtt procedemos de la misma manera que para las estaciones en la vertiente norte a partir de los histogramas de máximo tV y máximo snht que se indica en la figura 13, obtenidas tras ejecutar la función homogen con la opción tVt=0. En este caso analizando la primera figura podemos tomar tVt=15 considerando que la primera distribución con el primer máximo en 8 es la homogénea y el resto de distribuciones entre 15 y 20 y entre 26 y 28 son inhomogéneas. A partir de la segunda figura podemos tomar snhtt=25 considerando que las distribuciones en 30 y 43 son las inhomogéneas.

5. Para comprobar si los umbrales seleccionados son acertados o no procedemos de la misma manera que para la zona norte. Analizamos visualmente los gráficos de anomalías tras ejecutar la función de homogenización con los umbrales elegidos:

homogen("Pptm",1964,2009, rtrans=3.2,std=2,tVt=15,snhtt=25)

Tras dejar que termine el proceso en un par de horas, comprobamos en los gráficos de anomalías en la fase 3 que no hay inhomogeneidades claras y prolongadas en el tiempo a pesar de que los gráficos son ruidosos por lo irregular de las precipitaciones en esta zona. No se encuentra nada especialmente significativo por lo que las inhomogeneidades más grandes parecen estar corregidas. Por otro lado comprobamos en los gráficos de anomalías de la fase 1 que los saltos mayores que en el umbral de snhtt=25 son claros. Solo encontramos una serie con un salto de 28 y no es tan claro, se podría repetir el proceso con un snhtt=30 sin embargo se prefiere no hacerlo porque en la fase 3 se puede encontrar aún algún gráfico poco claro aunque sospechoso con un snht=24.

Figura 13. Histograma de máximo tVt y máximo snht para la vertiente sur.

2. Tenerife.

a. Análisis preliminar utilizando todas las estaciones.

Se buscan los años extremos sin que hayan meses sin datos y esto resulta entre 1906 y 2009. A continuación se ejecuta de forma preliminar:

homogen("Pptm",1906,2009,gp=1,nclust=298,std=2)

Se busca normalizar el histograma con la opción rtrans dando valores a entre 2 y 4.

El histograma aparece mejor normalizado para rtrans=3 en la figura 14, es decir, ejecutando:

Pág. 35 de 89

Figura 14. Histograma transformado para todos los datos.

Por otro lado aparece un índice de disimilitud alto en torno a 150 separando las estaciones del norte de las del sur tal y como se muestra en la figura 15. Basada en ésta es importante realizar la primera separación de estaciones ya que además existe un gran macizo montañoso de más de 3000 m separando ambas zonas. Se ha incluido en el grupo del sur las estaciones dispersas coloreadas en azul que se encuentran en la zona sur.

-Estaciones del norte (unas 223):

4 5 7 26 27 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 84 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 113 114 115 116 117 119 121 122 123 124 125 126 129 131 134 135 136 137 138 139 140 142 143 144 145 147 148 149 151 152 153 155 156 157 158 159 160 161

162 163 165 166 167 168 169 171 172 173 175 177 178 179 180 181 182 184 188 191 194 197 198 199 200 202 203 204 207 208 209 210 211 212 213 214 215 216 218 219 221 222 223 224 225 227 229 230 231 232 233 235 240 242 245 246 247 249 252 253 254 255 256 257 258 259 260 261 262 263 264 265 266 268 269 270 271 272 273 274 275 276 277 278 279 280 281 282 283 284 285 286 287 288 289 290 292 293 294 295 296 297 298 301 302 304

-Estaciones del sur (unas 75):

1 2 3 6 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 28 77 78 79 81 82 86 118 120 127 132 133 141 146 150 154 164 170 174 176 183 185 186 187 189 190 192 193 195 196 201 205 206 217 220 226 228 234 236 237 238 239 241 243 244 248 250 251 267 291 299 300 303

Pág. 37 de 89

Figura 15. Separación de estaciones del norte de las del sur a partir del índice de disimilitud.

b. Análisis para las estaciones orientadas al norte de la isla (unas 223).

Una vez se tienen los ficheros en formato climatol con las estaciones del norte se vuelve a buscar la transformación que mejor normaliza el histograma dando valores a rtrans, para el cual vuelve a salir rtrans=3.

Se analiza de nuevo la distribución climática de los datos donde aparece un índice de disimilitud máximo de 60. Sin embargo los datos no presentan una distribución clara tal y como se indica en la figura 16 porque estas aparecen bastante mezcladas por otro lado no hay una barrera geográfica clara separando zonas de distinto color, se decide no realizar más separaciones de

estaciones.

Figura 16. Resultado análisis de grupos de las estaciones del norte de Tenerife.

Determinación de umbrales para el snht aplicado a la serie completa (snhtt) y para el snht por tramos de 60 meses (tVt). Para ello se ejecuta previamente:

homogen("Pptm",1906,2009,tVt=0, nclust=223,rtrans=3,std=2)

Se analizan los Histogramas de máximo tV y máximo snht (Figura 17) al final del fichero de gráficos resultante tras la ejecución del último comando. A diferencia de Gran canaria no aparecen máximos secundarios claros para valores altos de snht, aunque si algunos con baja frecuencia para tv=22, 27, 37 y para snht=27,45. Basándose solo en esto se pueden definir unos umbrales para tVt=20 y snhtt=23, sin embargo se observa algún gráfico de anomalías sospechoso para tVt=17 y otros con un snhtt=22 por tanto se puede optar a reducirlos un poco a tVt=17 y snhtt=21.

Pág. 39 de 89

Un posterior análisis de anomalías decidirá si son adecuados o si es necesario modificarlos. Para ejecutar por fin la homogenización con los umbrales seleccionados para las 223 estaciones, se ejecuta:

homogen("Pptm",1906,2009, rtrans=3,std=2, nclust=223,tVt=17,snhtt=21)

Figura 17. Histogramas de máximo tV y máximo snht para las 223 estaciones de la zona norte.

c. Análisis para las estaciones orientadas al sur de la isla (unas 75).

Para éstas tenemos un periodo máximo sin huecos entre 1944 y 2009.

Se obtiene un rtrans=3 para la mejor normalización del histograma de los datos.

Se obtiene un índice de disimilitud máximo de 12 y no hay barreras geográficas claras separando áreas en la zona sur (figura 18), por lo que no se vuelve a separar estaciones en esta zona.

Figura 18. Comportamiento climático de las estaciones del sur de Tenerife.

En el análisis de histogramas de máximo tV y snht (figura 19.) se encuentra un máximo secundario claro para tV=13 por lo que sería recomendable tomar tVt=12, mientras que para el máximo de snht encontramos un máximo secundario poco claro para snht=15 por lo que es conveniente tomar snhtt=14. Sin embargo un análisis previo de los gráficos de anomalías no se observan saltos sospechosos para estos valores y una ejecución previa con estos umbrales resulta en una desfragmentación excesiva de estaciones. Se decide utilizar unos umbrales menos drásticos tomando tVt=14 y snhtt=16.

Para realizar por fin la homogenización con los umbrales seleccionados para las 75 estaciones:

Pág. 41 de 89

Figura 19. Histogramas de máximo tV y máximo snht para las 75 estaciones de la zona sur.

3. La Palma.

a. Análisis preliminar utilizando todas las estaciones.

Se buscan los años extremos sin que haya meses sin datos y esto resulta entre 1935 y 2009. A continuación se ejecuta de forma preliminar:

homogen("Pptm",1935,2009,gp=1,std=2)

Se busca normalizar el histograma con la opción rtrans dando valores a entre 2 y 4.

El histograma aparece mejor normalizado para rtrans=3.2 tal y como aparece en la figura 20, es decir, ejecutando:

Figura 20. Histograma transformado para todos los datos.

Por otro lado aparece un índice de disimilitud en torno a 9 separando las estaciones del noreste y este de las del suroeste y oeste tal y como se muestra en la figura 21. Basada en esta figura es conveniente realizar una separación de estaciones ya que además existe un gran macizo montañoso con alturas en algunos puntos de 2400 m separando ambas zonas. Las dos estaciones en verde (24 y 14) son más afines a la zona suroeste tras analizar el dendrograma (figura 22) por lo que se incluyen en este grupo.

-Estaciones del noreste (unas 16):

15 16 17 18 19 20 21 22 23 25 26 27 29 30 31 32

-Estaciones del suroeste (unas 16):

Pág. 43 de 89

Figura 21. Separación de estaciones del nordeste y este de las del suroeste y oeste a partir del

Figura 22. Dendrograma, indica un índice de disimilitud máximo de 8.5 aproximadamente. El

brazo izquierdo se corresponden con las estaciones del nordeste y el derecho con las del suroeste. Se ve como la estación 14 y 24 se relacionan mejor con las del suroeste.

b. Análisis para las estaciones orientadas al noreste de la isla (unas 16).

Para éstas tenemos un periodo máximo sin huecos entre 1946 y 2009.

Una vez se tienen los ficheros en formato climatol con las estaciones del norte se vuelve a buscar la transformación que mejor normaliza el histograma dando valores a rtrans, para el cual vuelve a salir 3,2.

Se analiza de nuevo la distribución climática de los datos donde aparece un índice de disimilitud máximo de 3,6. Sin embargo los datos no presentan una distribución clara tal y como se indica en la figura 23 porque estas aparecen bastante mezcladas por otro lado no hay una barrera geográfica clara separando zonas de distinto color, se decide no realizar más separaciones de

Pág. 45 de 89

estaciones para esta zona.

Figura 23. Resultado análisis de grupos de las estaciones del noreste de La Palma.

Determinación de umbrales para el snht aplicado a la serie completa (snhtt) y para el snht por tramos de 60 meses (tVt). Para ello se ejecuta previamente:

homogen("Pptm",1946,2009,tVt=0, rtrans=3,std=2)

Se analizan los Histogramas de máximo tV y máximo snht (Figura 24) al final del fichero de gráficos resultante tras la ejecución del último comando. En este caso las posibles inhomogeneidades mas claras quedan por encima de 25 tanto para el máximo tV (snht por tramos) como para el máximo snht (snht por estaciones). Sin embargo se observa un máximo secundario en 13 para max tV y uno en 14 para max snht y en el análisis de anomalías previas se observa algún tramo sospechoso para estos valores. Tomamos por tanto los umbrales: tVt=11 y snhtt=13 y ejecutamos por tanto el comando siguiente que nos realizará la homogenización:

Figura 24. Histogramas de máximo tV y máximo snht para las 16 estaciones de la zona noreste.

c. Análisis para las estaciones orientadas al suroeste de la isla (unas 16).

Para éstas tenemos un periodo máximo sin huecos entre 1935 y 2009.

Se obtiene un rtrans=3,2 para la mejor normalización del histograma de los datos.

Se obtiene un índice de disimilitud máximo de 2,8 y no hay barreras geográficas claras separando áreas en la zona suroreste (figura 25), por lo que no se vuelve a separar estaciones en esta zona.

Pág. 47 de 89

Figura 25. Resultado análisis de grupos de las estaciones del suroeste de La Palma.

Determinación de umbrales para el snht aplicado a la serie completa (snhtt) y para el snht por tramos de 60 meses (tVt). Para ello se ejecuta previamente:

homogen("Pptm",1935,2009,tVt=0, rtrans=3,std=2)

Se analizan los Histogramas de máximo tV y máximo snht (Figura 26). En este caso las posibles inhomogeneidades mas claras quedan por encima de 25 tanto para el máximo tV (snht por tramos) como para el máximo snht (snht por estaciones). Sin embargo se observa un máximo secundario en 12 para max tV y ninguno claro para max snht. Tomamos por tanto los umbrales: tVt=11 y snhtt=13 y ejecutamos por tanto el comando siguiente que nos realizará la homogenización:

Figura 26. Histogramas de máximo tV y máximo snht para las 16 estaciones de la zona suroeste.

3.4 Análisis de tendencia

Para el análisis de las tendencias hay varios métodos posibles: media simple, método de la primera diferencia (Peterson et al., 1998), método de las anomalías climáticas (Jones et al., 1982; Jones et al., 1986a, 1986b) y anomalías asociadas a estaciones de referencia sopesadas mediante distancia (Hansen et al., 1987; 1999). Hemos recurrido al método de las anomalías climáticas, de modo que el ejercicio primero consistió en fijar el periodo base para calcular anomalías.

Teniendo en cuenta que es recomendable un periodo de al menos 30 años para el cálculo base de las anomalías (WMM, 1996; Aguilar et al., 2003) y que según Jones (1982) las estaciones para calcular el período base no deben tener más de una tercera parte de datos ausentes, es decir, no deben tener más de un 30% de gaps, hemos identificado como periodo base los años entre 1970 y 1999.

Para todas las series de anomalías mensuales, estacionales y anuales se calculó la correspondiente regresión lineal y su grado de significación según el test de rangos de Spearmann (Sneyers, 1975), tal y como recomienda Morales et al., (2005). Aunque los resultados en este