Modelación de la cantidad de frentes fríos en Cuba, impacto de manchas solares

Transcripción

1 REDVET - Revista electrónica de Veterinaria - ISSN Modelación de la cantidad de frentes fríos en Cuba, impacto de manchas solares Lic. MSc. Osés Rodríguez Ricardo. 1 *;Dr. Saura González Guillermo 2 *;Ing. MSc. Pedraza Martinez Alfredo 3*. * Centro Meteorológico Provincial Villa Clara Dirección Postal: Calle Marta Abreu No 59 Altos Esquina a Juan Bruno Sayas CP Telefono: (53) E mail: ricardo.oses@vcl.insmet.cu Resumen El objetivo de este trabajo es modelar la variable número de frentes fríos que afectan en una temporada invernal al territorio cubano, establecer si la tendencia es significativa y ver cuales son los principales estadígrafos del modelo, observar el impacto de predecir utilizando el numero de manchas solares con ayuda de la Regresión Objetiva Regresiva (ROR) En este trabajo se modeló la serie de frentes fríos por temporada que afectan al territorio cubano comprendidos en los años desde la temporada hasta la temporada La correlación entre el valor real y el pronóstico es de 97.8 %. En el modelo de la temporada invernal se utilizan las manchas solares como indicador para predecir, obteniéndose con la inclusión de estas, menores errores del modelo y mayores índices de correlación entre el valor real y el predicho, la mejoría en cuanto a los errores es de 17.8 %, la tendencia no fue significativa. Se concluye que pueden hacerse pronósticos de cantidad de frentes fríos con la variable cantidad de manchas solares. Abstract The aim of this work is to model the variable number of cold fronts that affect in winter the Cuban territory, to establish whether the trend is significant to see which are the principal statisticians of the model, to predict the impact observed using the sunspot number with the help of the Regressive modeling (ROR) This study modeled the number of seasonal cold fronts affecting the Cuban territory covered in the years since the season through the season. Correlation between actual and forecast is 97.8%. In the model of the winter season sunspots are used as predictor, resulting in the inclusion of these, smaller model errors and higher levels of correlation between actual and predicted improvement in 1

2 terms of errors is 17.8%, the trend was not significant. The conclusion that can be forecast amount of cold fronts with variable number of sunspots. Palabras Claves: Modelación frentes fríos impacto manchas solares. Introducción La capacidad de predecir con antelación las variables climáticas ofrece la posibilidad de poder actuar a tiempo y reducir los impactos adversos, es decir adaptarse a los efectos del cambio y la variabilidad climática. El incremento de la preparación ante eventos climáticos extremos contribuye notablemente a la reducción de la vulnerabilidad (IPCC, 2007b) 1. La predicción climática es aquella que prevé las condiciones medias del clima para plazos de duración de un mes hasta uno o dos años. En la práctica se distinguen dos grandes grupos: los que hacen pronósticos del valor del elemento en cuestión, pronósticos determinísticos, y los que pronostican la probabilidad de ocurrencia de cierto valor del elemento, pronósticos probabilísticos, el presente trabajo emplea los modelos estadísticos determinísticos usando la regresión objetiva regresiva. En el más reciente informe de Evaluación Científica del Panel Intergubernamental de Expertos sobre Cambio Climático (IPCC,2007 a) 2 se concluye que el calentamiento es inequívoco, esto traerá disrupciones en otras variables climáticas como por ejemplo las precipitaciones o lluvias y también en el comportamiento de los vientos. En este año 2011 todo parece indicar que la temporada invernal será la que más temprano termine desde 1917 a la fecha, mas allá de esta particularidad el invierno deja otros elementos interesantes, así por ejemplo el pasado diciembre resultó el mas frío ocurrido en Cuba a partir de 1951, al registrarse una temperatura media de 19.5 ºCelsius, vale recordar que en la madrugada del miércoles 15 fueron establecidos 31 records de temperatura mínima de los cuales nueve constituyeron nuevas primacías absolutas. Como previeron los especialistas del Centro del Clima del Instituto de Meteorología, la temporada invernal transcurrió bajo la influencia del evento La niña o AENOS consistente en un enfriamiento de las aguas del océano Pacífico ecuatorial, que alcanzó la categoría de muy fuerte, en este trabajo se analiza un factor que está relacionado con 2

3 la actividad solar que es entre otros una variable que influye sobre los eventos AENOS y estas son las manchas solares pues el sol se encuentra en un período de pocas manchas respecto al ciclo anual. Los pronósticos tanto del tiempo como climático constituyen un elemento importante en la vida de la sociedad moderna. Poseer un sistema de pronóstico en varias escalas, (mensual, diaria y anual) nos permite contar con una herramienta poderosa en la planificación de las actividades de carácter económico social. En Cuba se han realizado trabajos importantes para determinar entre grupos de predictores primarios y calculados de tipo dinámico y del complejo de Temperatura-Humedad los futuros predictores potenciales que intervienen en la selección de los predictores reales para el pronóstico de lluvia en Cuba(Llanes, 2010) 3. En el presente trabajo se emplea un pronóstico estadístico puro buscando en pasos anteriores (Lags) la informatividad del proceso a modelar, ya sea la cantidad de frentes que afectan a Cuba así como las manchas solares que se miden a nivel global. El objetivo de este trabajo es modelar la variable número de frentes fríos que afectan en una temporada invernal al territorio cubano, establecer si la tendencia es significativa y ver cuales son los principales estadígrafos del modelo, observar el impacto de predecir utilizando el numero de manchas solares con la ayuda de la modelación Regresiva Objetiva ROR 4 Materiales y Métodos En el presente trabajo se modeló la serie de frentes fríos por temporada que afectan al territorio cubano comprendidos en los años desde la temporada hasta la temporada Se utiliza la modelación ROR que además mide la tendencia a través de la variable NoC o sea el número de casos, de ser significativa se incluye en el modelo de lo contrario no aparecerá. Posteriormente se incluye como variable predictora la cantidad de manchas solares correspondientes a igual periodo de los frentes y se observa el impacto que esta variable tiene sobre la modelación de los mismos. Resultados y Discusión A continuación se muestran en la tabla 1 algunos estadísticos de las variables estudiadas, se observa como la mayor variabilidad para el período estudiado ocurre para el número de manchas solares con un coeficiente de variación de %, le sigue el numero de frentes fríos que es mas estable y tiene una variabilidad del 21.4 %, el número promedio de frentes que nos afectan según esta estadística es de 19.9 y la desviación estándar de 4.26 casos. 3

4 Tabla 1. Estadísticas principales de las variables estudiadas Estadístico Número de Número frentes fríos de Manchas solares Valor medio Desviación estándar Coeficiente de variación Cv(%) En la Figura 1 puede apreciarse el comportamiento de ambas variables y como desde la temporada hasta la fecha existe una correlación inversa casi perfecta entre ambas variables. El coeficiente de correlación de la cantidad de frentes con la cantidad de manchas es de para los últimos 4 casos. Con esta evidencia se decidió utilizar las manchas solares como predictora para calcular el número de frentes que nos afectarán aunque si tomáramos la cantidad de manchas desde el 2001 esta correlación sería un poco menor. Comportamiento del numero de frentes y las manchas solares(sunspot) 30casos NumeroFrentres sunspot 25casos 20casos 15casos 10casos 5casos 0casos Temp.Invernales Figura 1. Comportamiento de los frentes fríos y las manchas solares por temporadas. En la Tabla 2 se aprecia la correlación entre el valor pronóstico del modelo y el valor real utilizando las manchas solares y sin ellas, (cuando no están las manchas en el modelo entran solamente los parámetros DS y DI de la metodología ROR que se explicarán mas adelante), como se aprecia el pronóstico es mejor utilizando las manchas solares como predictoras ya que el valor de correlación es mas alto y significativo al 95 % además los errores del modelo con manchas (2.36) son menores que sin manchas (2.87) esto representa una mejoría del 17.8 %, calculando la mejoría como (1-2.36/2.87) * 100 %. 4

5 Tabla 2. Correlaciones entre el valor real y el pronóstico Estadístico Modelo Errores Correlación con 0.802* 2.36 Manchas solares Correlación sin manchas solares * Valor significativo al 95 %. En la Tabla 3 se aprecia el modelo con la inclusión de las manchas solares, la tendencia(noc) no fue significativa por eso no aparece en el modelo, sin embargo DS y DI fueron altamente significativas, estas variables recogen el impacto de los movimientos ascendentes y descendentes de la serie, cuando una toma el valor de 1 la otra toma el valor de cero y viceversa así para todos los casos, como variables significativas de mayor impacto aparecen la cantidad de frentes regresada en dos temporadas(lag2frentes) o sea en dos años y la cantidad de manchas solares(lag1sunspot) regresada en una temporada o un año. Decidimos la inclusión de las manchas atendiendo a los resultados de la Tabla 2, aunque estadísticamente para el período de tiempo estudiado esta variable no es significativa estadísticamente (Tabla 3). Tabla 3. Modelación ROR de la cantidad de frentes que afectan a Cuba Unstandardized Coefficients Coefficients a,b Standardized Coefficients Model B Std. Error Beta t Sig. 1 DS DI Lag2frentes Lag1sunspot a. Dependent Variable: NumeroFrentres b. Linear Regression through the Origin El modelo matemático sería para calcular la cantidad de frentes por temporada : Cantidad de frentes = (43.2 * DS )+ (50.4*DI) 1.23 * Lag2frentes *Lag1sunspot. En particular este modelo explica el 97.8 % de la varianza con un error de 3.1 caso por temporada (Tabla4). 5

6 Model 1 Tabla 4. Sumario del modelo Model Summary c,d R R Square a R Square the Estimate Watson Adjusted Std. Error of Durbin-.994 b a. For regression through the origin (the no-intercept model), R Square measures the proportion of the variability in the dependent variable about the origin explained by regression. This CANNOT be compared to R Square for models which include an intercept. b. Predictors: Lag1sunspot, DI, DS, Lag2frentes c. Dependent Variable: NumeroFrentres d. Linear Regression through the Origin En la Figura 2, se exponen los valores pronosticados y los reales, se observa como estos resultados son estimulantes, el valor del pronostico para el estará por debajo de los 15 frentes lo cual indicaría una temporada poco activa y mayor calor en dicha temporada. Valor Predicho y Valor Real por estaciones para Cuba NumeroFrentres Valor Predicho 25casos 20casos 15casos 10casos Temp.Invernales Figura 2. Valor Predicho por el modelo y valor real para Cuba. 6

7 Conclusiones 1. La mayor variabilidad para el período estudiado ocurre para las manchas solares, le sigue la cantidad de frentes fríos. 2. La inclusión de las manchas solares aumenta el índice de correlación del modelo con el valor real y hace al modelo más explicativo con menores errores en un 17.8 %. 3. En el modelo, la tendencia no fue significativa. 4. Según pronóstico el número de frentes en el tenderá a ser bajo. Bibliografía 1. IPCC, (2007b): Summary for Policymakers (Resumen para decisores). En: Climate Change 2007: Impacts, Adaptation and Vulnerability. Contibution of Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change (M. L. Parry, O.F. Canziani, J:P. Palutikof, P.J. van der Linden and C;E. Hanson, eds.), Cambridge University Press, Cambridge, UK, IPCC,(2007 a): Summary for Policymakers. Climate Change 2007: Mitigation. Contibution of Working Group III to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [ B. Metz, O. R. Davidson, P. R. Boshc, R. Dave, LA. Meyer, eds., ], Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 24 pp Llanes M.T,(2010):Informatividad y campos medios de los predictores para el pronóstico de la lluvia en tres estaciones meteorológicas de Cuba, Revista Cubana de Meteorología, Vol 16, No 1, Oses, R.;Grau R. (2011). Modelación regresiva (ROR), versus modelación ARIMA, usando variables dicotómicas en mutaciones del VIH. Universidad Central Marta Abreu de las Villas, 25 de Febrero. Editorial Feijóo. ISBN: REDVET: 2012, Vol. 13 Nº 05B Ref. 011ATM09_REDVET / Publicado: Este artículo fue presentado en el VII Taller Nacional de Vigilancia y Lucha Antivectorial y I Simposio Internacional sobre Manejo y Control Integrado de Vectores Transmisores de Enfermedades al Hombre y los Animales y está disponible en concretamente en REDVET Revista Electrónica de Veterinaria está editada por Veterinaria Organización. Se autoriza la difusión y reenvío siempre que enlace con Veterinaria.org y con REDVET - 7