21 al 24 Enero 2013 HIETOGRAMAS ADIMENSIONALES PARA LA REPÚBLICA MEXICANA BASADOS EN IMÁGENES SATELITALES Y REGISTROS DE PRECIPITACIÓN Ing. Marilu Meza Ruiz y Dr. Nabil Mobayed Khodr Universidad Autónoma de Querétaro Facultad de Ingeniería División de Investigación y Posgrado
1. Introducción La importancia de contar con datos que proporcionen la cantidad de lluvia precipitable, son básicos para el desarrollo de estudios hidrológicos tales como los balances hídricos de una cuenca, o proyectos y acciones relacionadas con el desarrollo urbano en materia de redes hidráulicas, (Berne, 2006). La necesidad de tener datos asertivos crece considerablemente. Existe, por ejemplo, una demanda creciente de información satelital en diferentes escalas de espacio y tiempo, sean globales o locales; sobre todo porque las nuevas aplicaciones, en el campo de la hidrometeorología, demandan estimaciones espacio-temporales precisas de la lluvia para distintas coberturas (Kidd et al., 2003) El avance de la tecnología en materia de pronóstico meteorológico, se manifiesta a través del desarrollo de programas computacionales Sin embargo, es frecuente que tales herramientas, operadas por usuarios expertos o los propios desarrolladores, no resulten amigables para las personas encargadas de la toma de decisiones, (Fox et al., 2011).
1. Introducción Encuentro Internacional de Manejo del Riesgo por Se integra una base de datos con las imágenes infrarrojas del satélite GOES-13, que tiene cobertura total para la República Mexicana, y los registros climatológicos de las estaciones automatizadas (EMA) que opera el Servicio Meteorológico Nacional (SMN). Se efectúa una geo-referenciación de las imágenes en perspectiva para identificar las coordenadas geográficas de sus pixeles. Se desarrolla una herramienta de consulta y análisis matricial de los valores asociados, que representan el brillo de las formaciones nubosas en cada punto del área de cobertura. Mediante ajustes conocidos, se convierten tales valores a temperatura y luego a intensidad de precipitación; y los resultados se guardan, para cada píxel, como series de tiempo o hietogramas anuales. Se obtienen curvas de precipitación acumulada por eventos de tormenta, o curvas S, en los mismos sitios donde se localizan las EMA; y se comparan en forma adimensional con las generadas a partir de los registros meteorológicos.
2.1. Geo-referenciación de las imágenes satelitales Dado que las imágenes satelitales muestran una vista de la Tierra en perspectiva, se estudiaron las formulaciones matemáticas existentes para proyectar las coordenadas geográficas sobre un plano de ejes N y E (norte-este), tangente en el punto donde el satélite se proyecta desde su posición geo-estacionaria sobre la superficie terrestre. Si h v es la altura de visualización sobre la Tierra, para el caso del satélite geo-estacionario GOES-13 es igual a 35 786 km por arriba del Ecuador. Las coordenadas en perspectiva sobre el plano topocéntrico, E y N, son calculadas mediante:
2.1. Geo-referenciación de las imágenes satelitales
2.2. Precipitación inferida de imágenes satelitales El algoritmo fue desarrollado para estimar la lluvia mediante imágenes de satélite IR en la banda 10.7 μm (canal 4), provenientes de los satélites GOES-8 y GOES-9, en particular para eventos relacionados con época de verano y convección profunda (Vicente et al., 1998). Intensidad de lluvia (mm/h) medida con satélite Temperatura (K) estimada con imágenes IR, al tope de las nubes La corrección por humedad está relacionada con la cantidad de agua precipitable, P w (en pulgadas) y la humedad relativa, H r (como fracción): a) Si T > 210 K y P w H r < 1.0, significa que la humedad ambiental es baja y, en tal caso, la intensidad R debe ser multiplicada por el factor. b) Si T < 200 K, la tasa de precipitación se debe limitar a 72 mm/h, que es la intensidad máxima observada en el área de estudio, para una resolución con pixeles de 4 km por lado.
2.3. Ajuste mediante hietograma potencial y obtención de curvas S Th P T= m T n 3 24 1 P h m Al integrar resulta las curvas S 23 n4 P1 P TT = T T n rt t t = 1 m kt = h m 1 h t t 32 donde k r t rt k r 1 t rt
2.3 Ajuste mediante hietograma potencial y obtención de curvas S En forma adimensional: t t t* = T h( t) h* h PT / T P( t) P * Pt P Las ecuaciones anteriores quedan: r t* h* ( n1) 1 k r t* P * r k k 1 k k r, t* r donde k r 1, t* T n n1
Imágenes Satelitales GOES: Encuentro Internacional de Manejo del Riesgo por 3. 1. Integración de la base de datos Se identificó formatos de imágenes; cantidad, nomenclatura de archivos, tamaño y tipo compresión. Se estandarizaron a la dimensión de 1280 x 817 (pixeles de 2370 m); y se efectuó estadistica para determinar la variabilidad temporal del brillo nuboso en 11 años para todos los pixeles. La información procesada ocupó un espacio de 450 Gb.
3.2. Primeros Resultados; Huimilpan, Querétaro Se eligió el evento de tormenta, registrado el día 20 de junio del 2007 en la estación meteorológica automatizada (EMA) de Huimilpan, Querétaro. El fenómeno tuvo una duración T de 8 horas y una precipitación acumulada de 23 mm (ver Figura 1). A manera de referencia, la estación Huimilpan se ubica en las coordenadas 20 23 24 de latitud norte, 100 17 00 de longitud oeste y 2 280 m de altitud.
3. 2. Primeros resultados; Huimilpan, Querétaro Se prepararon también las imágenes infrarrojas del satélite GOES-13 para los días 19 y 20 de junio del 2007, se tomó lectura del brillo en la escala de grises de 0 a 255 en el píxel coincidente con la posición geográfica de la estación Huimilpan (20 23 24 de latitud norte, 100 17 00 de longitud oeste y 2 280 m de altitud), según se muestra en la Figura 2.
3. 2. Primeros Resultados Tanto al hietograma medido en Huimilpan como al estimado con las imágenes, se aplicó una ponderación de valores conocida como media móvil (FHWA-USDT, 2002) para suavizar el efecto de las fluctuaciones observadas, es decir; 2 1 * k h w h* m( i) j ik j1 j1 Encuentro Internacional de Manejo del Riesgo por
3. 2. Primeros resultados; Huimilpan, Querétaro
3. 2. Primeros resultados; Huimilpan, Querétaro
4. Conclusiones y recomendaciones Gracias al registro de las EMA, se puede hacer el ajuste entre temperatura (del tope de las nubes) y precipitación para cualquier tormenta de interés y determinar hietogramas potenciales, en lugares cercanos y para la misma tormenta, con la sola lectura de valores de brillo. El ajuste de hietogramas y curvas de precipitación acumulada (o curvas S) a funciones potenciales de dos parámetros (coeficiente de avance, r, y potencia del hietograma, n) parece razonable para representar la forma de ocurrencia del fenómeno, si bien con algunas restricciones debidas al número de factores de ajuste (por ejemplo que, al presentarse la intensidad máxima, la fracción de lluvia acumulada deba coincidir en magnitud con el coeficiente r). Este trabajo ofrece una base de datos estructurados y una herramienta de consulta y análisis, abierta para su adecuación a otras investigaciones afines, que constituye un desarrollo tecnológico en materia de software para el estudio espacio-temporal de tormentas basado en información pluviométrica e imágenes infrarrojas de satélites geo-estacionarios.
Programa HietGOES Encuentro Internacional de Manejo del Riesgo por
Bibliografía Encuentro Internacional de Manejo del Riesgo por 1. Berne, A. y R. Uijlenhoet (2006), Quantitative analysis of X-band weather radar attenuation correction accuracy, Natural Hazards and Earth System Sciences, 2006. 2. Fox, P. y J. Hendler (2011), Changing the equation on scientific data visualization, Science vol.331, 11 February 2011. 3. Federal Highway Administration (FHWA, 2002), Highway Hydrology, Hydraulic Design Series N 2, Second Edition, U.S. Department of Trasnportation, 2002. 4. International Association of Oil & Gas Producers (2009), OGP Surveying and Positioning Guidance Note N 7, part 2, Coordinate Conversions and Transformations including Formulas, noviembre 2009. 5. Kidd, C., R.D. Kniveton, M.C. Todd y T.J. Bellerby (2003), Satellite Rainfall Estimation Using Combined Passive Microwave and Infrared Algorithms. Journal of Hydrometeorology, 2003. 6. Mobayed, K.N. (2000), Hietogramas y funciones respuesta de tipo potencial para la configuración de hidrogramas, XIX Congreso Latinoamericano de Hidráulica, Córdoba, Argentina, octubre 2000. 7. Vicente, G., R. Scofield y P. Menzel (1998), The operational GOES infrared rainfall estimation technique. Bull. Am. Meteorol. Soc. 79, 1883 1898, 1998.
GRACIAS!!