DEPARTAMENTO DE INGENIERÍA CIVIL: HIDRÁULICA Y

ENERGÉTICA

E.T.S.I. CAMINOS, CANALES Y PUERTOS

ESTIMACIÓN DE LA DISTRIBUCIÓN ESPACIAL DE

LA PRECIPITACIÓN EN ZONAS MONTAÑOSAS
MEDIANTE MÉTODOS GEOESTADÍSTICOS

Javier Álvarez Rodríguez

Ingeniero de Caminos, Canales y Puertos

Directores:
D. Teodoro Estrela Monreal
Dr. Ingeniero de Caminos, Canales y Puertos
Dña. María del Carmen Llasat Botija
Dra. en Ciencias Físicas
2011

i
 Desgarrada la nube; el arco iris
brillando ya en el cielo,
y en un fanal de lluvia
y sol el campo envuelto.
Desperté. ¿Quién enturbia
los mágicos cristales de mi sueño?
Mi corazón latía
atónito y disperso.
...¡El limonar florido,
el cipresal del huerto
el prado verde, el sol, el agua, el iris!..
¡el agua en tus cabellos!...
Y todo en la memoria se perdía
como una pompa de jabón al viento

Antonio Machado

You see, Johnny? What you don't see

yourself, you can't swear to be true.
Hi Linnet: You can't always swear that
what you do see is true.

Canyon Passage

Io potrei predire il moto dei corpi

celesti, ma non potrei dire nulla sul
movimento di una piccola goccia
d’acqua

Galileo Galilei

iii
 AGRADECIMIENTOS
Recuerdo el 3 de febrero de 1996 como el día en el que inicié mi viaje al Centro de Estudios
Hidrográficos, CEH, gracias a una beca de la entonces Área de Hidrología y hoy de Recursos
Hídricos. De mañana bajé por el Paseo de la Virgen del Puerto, vi el río Manzanares, los
árboles del viejo Paseo Bajo y seguí hasta la puerta principal con la ménsula de vigas-hueso
de Fisac. El director del CEH era en aquella época Carlos Escartín Hernández. Me recibió
afectuosamente en su despacho y me animó por la excelencia del equipo al que me
incorporaba. Teodoro Estrela Monreal acudió pronto al despacho de dirección. Era el tutor de
la beca que Juan Manuel Ruiz García dejaba después de aprobar la oposición del Cuerpo de
Ingenieros. José Ramón Témez Peláez era el jefe del Área. En la tercera planta esperaba el
resto de compañeros. Javier Ferrer Polo y Liana Ardiles López trabajaban incansablemente en
un mapa de precipitaciones máximas. Montserrat Ferrer Juliá estaba en todo y,
específicamente, gestionaba los Sistemas de Información Geográfica, implementando la base
de datos cartográfica sobre el SIG-GRASS y ARCInfo. Armando Espina Argüello, Ángel
Moneo Nieto, Pedro Altares Escobar y Lucio Bonachía Benito aportaban la hidrología
experimental del área. El primer día también conocí a Isabel Navarro Serrano, bibliotecaria
del CEH a la que echaremos de menos pronto.
El Área de Recursos ha compartido la tercera planta con la unidad encargada de los equipos
informáticos, de las bases de datos y de trabajos de programación. Luis Quintas Ripoll es su
responsable. Mantiene la base de datos y dispone los medios informáticos de la casa. Siente
continuamente la necesidad de instruir, como de hecho ocurría en aquellos días en los que,
novato tras novato, tuvimos que ir estudiando sus apuntes de UNIX e incluso, el libro de
Rachel Morgan y Henry Mc Gilton. Al de programación en C ya no llegué; me quedé en el
fortran. Luis posee una inteligencia generosa para emprender, ayudar y conversar, aunque sea
de política, y se involucra en los trabajos fundamentales y tradicionales del CEH, como las
bases de datos con las que trabaja el resto de áreas, los sistemas de información geográfica y
la clasificación hidrográfica. Particularmente en su debe está una gran parte del Sistema
Integrado de Modelización Precipitación-Aportación, SIMPA; el otro padre, si me permite
decirlo así Juan Manuel Ruiz García, es Teodoro Estrela Monreal.
SIMPA es un modelo relativamente conocido, pero con la ayuda de compañeros de la unidad
de Tecnologías de la Información se han desarrollado otras aplicaciones hidrológicas como
GISPLANA, la base de datos hidrometeorológicos de Honduras, CHAC, SAMHI o más
recientemente el CAUMAX. En esta memoria quiero mencionar no solo por la ayuda que
prestan en la programación y en la resolución de problemas informáticos, sino también por
tanto tiempo de cercanía a José Fernández Moya, Víctor Campo López, Jorge Oliva Moreno,
Elías Moreno Fernández y Encarnación Sánchez Aguilar y otros compañeras que
abandonaron la unidad como Julia Torres Matamoros y a Raquel Martín Arribas.
Desde el inicio del viaje al CEH trabajé en la programación de modelos hidrológicos
distribuidos y en proyectos de recursos hídricos. Pronto llegó un proyecto sobre la situación
de los acuíferos de la cabecera del Guadiana y la discusión sobre la incertidumbre de las
estimaciones de la lluvia, su repercusión en la recarga directa y en las pérdidas desde los
cauces que, desde el norte o el sur, drenan en la llanura de San Juan.
Pasado un tiempo, a Javier Ferrer Polo lo sustituyó Manuel Menéndez Prieto. Manolo llegó
del Laboratorio de Hidráulica. Organizó el World Water Congress y se trabajó en la cuenca

v
del Segura y en Centroamérica. Personalmente, con intensidad en Honduras, en compañía de
Luis Balairón Pérez, actualmente en la Dirección de una de las dos grandes ramas del CEH, el
Laboratorio de Hidráulica. En medio de esta dinámica, cursos de modelos y recarga y la
oportunidad de conocer a Silvino Castaño Castaño, geólogo con dos vocaciones muy
pronunciadas, la amistad y la docencia. Tengo la suerte de que sobre mí ha caído en ejercicio
de ambas y es posible que con el tiempo acabe por distinguir la facies Utrillas o capas de
glacis en Guadalajara. Victoria Alonso Ballester ocupó la secretaría de la tercera planta en esa
misma época y desde su marcha, no somos capaces a organizarnos y poner el Belén de
Navidad.
Con Mirta Dimas Suárez y Julio Villaverde Valero he compartido proyectos como los de
pérdidas en el río Segura e interminables informes de sequías y estado hidrológico, pero
sobretodo muchos, muchos días. Son un ejemplo de capacidad, tesón y honradez, cualquiera
que sea el tipo de problema planteado. Con Mirta, Armando Espina Argüello, Ángel Moneo
Nieto, Sara Martínez García y Daniel Blanco Ward, además experto catador en nuestra
sociedad vinista, revivieron los anuarios y estadísticas hidrológicas del CEH. Andrea
Lamberti, Elena Borrell Brito y Ángela Potenciano de las Heras estuvieron su temporada en el
CEH. Llegaron en passant Luis Miguel Barranco Sanz y Natalia García Bravo. Con todos se
acometieron los trabajos de recursos hídricos en España, en Centroamérica, sobre el impacto
del cambio climático y otros relacionados con materias de formación. He perdido la esperanza
de ganar una partida de ajedrez a Luis, pero no de seguir charlando sobre las incertidumbres
de los proyectos.
Concepción Marcuello Olona se encuentra hoy despachando temas institucionales después de
pasar por el Laboratorio de Hidráulica y por Hidrología. Es de los pocos ingenieros de la casa
con experiencia en labores hidráulicas y en las de, dicho con generalidad, planificación
hidrológica. Celia García Montañés, Luis Mediero Orduña, Lara Incio Caballero, Julio
Garrote Revilla y Antonio Jiménez Álvarez, Jefe del Área de Recursos Hídricos, son o han
sido el resto de compañeros de la cueva hidrológica del CEH. Actualmente es un cuarteto,
hace poco quinteto, hábil e inteligente, admirado dentro y fuera del CEH.
A María del Carmen Ángel Martínez la conocí por su virtud de ver en el visible y en el
infrarrojo. Fue un golpe de suerte para el CEH su traslado. No me olvido en esta memoria de
los compañeros de la secretaría de Recursos Hídricos, Luisa Fernanda Hernán Pérez y Manuel
Sánchez Sánchez, y del grupo de colaboradores externos al CEH, Manuel Maestre Páez,
Rubén Hierro Rodríguez, Carlos Mayor de Pablo, Jesús García Villar y Leónidas Mol Ón-
Labé. Es un grupo de altura técnica que saben hacer alegres tantas horas de oficina.
Profesionalmente hubo un trabajo de especial relevancia para el Centro y para Áreas como la
de Hidrología. A finales de los años 90 se emprenden trabajos de planificación hidrológica a
escala nacional desde la Subdirección de Planificación Hidrológica dirigida por Francisco
Cabezas Calvo-Rubio. De aquella colaboración surgió el Libro Blanco del Agua en España,
hito al que mira con orgullo cualquiera que haya participado en él lo más mínimo. Para el
Área, constituyó una oportunidad para poner a prueba la estructura de información y el
sistema de simulación hidrológica distribuida, SIMPA. Fueron momentos de enorme interés
que me permitieron contemplar la elaboración un trabajo de importantes consecuencias en
España y apreciar la vocación y el enorme nivel científico técnico de funcionarios de la
administración hidráulica. Es durante este trabajo cuando surge la necesidad de elaborar
procedimientos de interpolación de la lluvia registrada en las casi 11.000 series históricas de
la red AEMET para el manejo de los modelos hidrológicos distribuidos. En otros capítulos y

vi
responsabilidades participaban técnicos del CEH como Federico Estrada Lorenzo, Ángel
García Cantón y Alfonso Palma Villalón, en aquella época en el Área de Estudios y
Planificación, Joaquín Rodríguez Chaparro, del Área de Ingeniería de Regadíos. A Federico
lo conocí en un pequeño despacho de la 4ª planta al solicitarle el libro que guardaba sobre
series temporales de Salas, Delleur y Yevjevich. Recientemente ha asumido la dirección del
CEH al dejarla el propio Juan Manuel Ruiz García. Julio Prado Pérez del Río era el director
del Centro durante esta época y fue el encargado de recoger el Premio Nacional de Medio
Ambiente Aqua como reconocimiento de aquella labor. Julio y Alfonso fallecieron pronto y
guardo de ellos un queridísimo recuerdo.
Los dos directores de tesis han sido María del Carmen Llasat Botija, profesora del
Departamento de Astronomía y Meteorología de la Universidad Autónoma de Barcelona, y
Teodoro Estrela Monreal, actualmente profesor del Departamento de Ingeniería Hidráulica y
Medio Ambiente de la Universidad Politécnica de Valencia. Me han guiado, acompañado y
animado a terminar esta tesis. Tesis que, a pesar de haber puesto en ella todo mi empeño, no
está a la altura de sus capacidades técnicas y científicas. He de agradecerles la bondad, el
espíritu generoso que les liga y su compromiso en labores docentes, compartiendo su
experiencia y conocimiento. He de animarles a que sigan midiendo, pensando y equilibrando
para poner todo en marcha. A este agradecimiento debo sumar por sus indicaciones, interés y
ánimo a los profesores del Departamento de Ingeniería Civil: Hidráulica y Energética de la
Escuela de Caminos, Canales y Puertos de la Universidad Politécnica de Madrid, Luis Garrote
Marcos, Eduardo Martínez Marín y Luis Mediero Orduña que formaron la comisión de
evaluación de la prelectura de esta Tesis.
Al releer en los párrafos anteriores todos los nombres de los que he hecho memoria, me
conmueve la extraordinaria oportunidad profesional y personal que he vivido durante estos
años en el CEH. Pretendía describir cuándo y por qué surge el interés por los procedimientos
de interpolación y la lluvia, pero salta antes el nosotros y la deuda por lo que comparto con
todos estos nombres casi diariamente. Es quizás un reflejo consciente del valor que tienen los
equipos de personas en el desempeño de tareas técnicas, más allá de las genialidades y
habilidades personales. Compartimos la inagotable fuente de interés científica y técnica que es
el campo de la hidrología y me queda una satisfacción impagable por la bondad y honradez
que he encontrado en todos estos mis amigos.
El capítulo de agradecimientos de una Tesis permite tradicionalmente reservar sus últimos
párrafos para expresar algún sentimiento íntimo y reconocimiento a las personas más cercanas
al corazón del autor. Durante este viaje al Centro de Estudios Hidrográficos he compartido mi
vida con mi esposa, Marian, y mi hijo, Isidro. Ella es amparo de mi felicidad, No encerrarse;
darse a todos; ser sin ser melancolía. Isidro me ha saqueado en muy poco tiempo la otra parte
de mi corazón. Guarda como cualquier niño su tesoro de inocencia y curiosidad y nos lo hace
emocionante a los que vivimos su vida, mientras guardamos la esperanza de que ese barco,
ese niño vaya muy lejos por el agua.

vii
 A mi familia, Marian e Isidro

ix
 RESUMEN
La evaluación de los recursos hídricos es una cuestión clásica en hidrología, siendo sus
resultados básicos en la planificación hidráulica. Los datos necesarios para su realización
procederían de los registros de variables hidrológicas como los caudales en estaciones de
aforo o los niveles piezométricos, pero en la práctica resultan insuficientes para contemplar la
variabilidad espacial y temporal del ciclo hidrológico. Los modelos hidrológicos permiten
transformar la lluvia en escorrentía y estimar los diferentes procesos por los que circula el
agua. Pero se enfrentan a términos de incertidumbre derivados de las técnicas y posibilidades
de medida de variables y parámetros, el tratamiento de la variabilidad espacial y temporal
registrada, la bondad de las expresiones matemáticas que representan los procesos que
concurren en el ciclo hidrológico y los procedimientos numéricos de resolución. A
consecuencia de la existencia de esta incertidumbre, la práctica habitual hidrológica debe
asumir los Principios de Parsimonia y Equifinalidad.
Las series históricas de variables meteorológicas se registran en redes de sensores terrestres
cuyo procesamiento se enfrenta a problemas como el de la baja densidad de registros en
altitud y la falta de modelos que representen la compleja relación entre la lluvia y la orografía.
El tratamiento de la fase atmosférica y, en concreto de la lluvia, es la primera tarea de un
ejercicio de simulación hidrológica y determina el principal influjo de los modelos. La
incertidumbre derivada de esta tarea se propaga al resto de procesos hidrológicos simulados,
con repercusiones en las técnicas de calibración, validación y en los resultados alcanzados.
El objetivo de la presente Tesis es la estimación de la lluvia en áreas montañosas de España
mediante la propuesta de un procedimiento de interpolación. La metodología se fundamenta
en el uso de técnicas geoestadísticas y de regresión lineal. La hipótesis principal es la
descomposición de la variabilidad de la lluvia entre factores locales y de circulación general
atmosférica. Los primeros están representados por la lluvia media y la variabilidad mensual
en cada punto del territorio. Describen la influencia de los factores como la altitud,
orientación del terreno, influencia de la costa y posición geográfica. El paso mensual es
suficiente para contemplar los cambios estacionales y la secuencia de épocas húmedas y secas
intranuales. Calculadas las componentes locales, se definen las anomalías relativas a los
esquemas de circulación general atmosférica, cuya continuidad es apropiada para ser tratada
mediante técnicas geoestadísticas. Los mapas de lluvia finalmente obtenidos son influjo en
modelos de simulación de recursos hídricos en España.

xi
 ABSTRACT
The assessment of water resources is a classical question in hydrology and its results are
essential in water resources planning. Data required to conduct these studies are hydrological
variables such as streamflow recorded in gauging stations and groundwater levels, but they
are insufficient considering spatial and temporal variability of the hydrological cycle. Then,
hydrological tools for a rainfall-runoff modelling are needed. They estimate several
hydrological processes, but they face a several sources of uncertainty. They arise from
techniques and possibilities for measuring variables and parameters, the way time and space
variability is considered, the goodness of the mathematical expressions that represent
hydrological processes and numerical procedures to solve mentioned equations. As a
consequence of the existence of this uncertainty, the hydrological practice must assume the
principles of Parsimony and Equifinality.
Historical series of meteorological variables are recorded in ground networks which faces
problems like a low density of records in altitude and lack of models to represent the complex
relationship between rainfall and orography. A mayor task in hydrological simulation is its
resolution and determines the main input in hydrological models. The uncertainty resulting
from this task is propagated through other simulated processes, with implications in
calibration and validation techniques and in results achieved.
The aim of this work is the estimation of rainfall in mountainous regions of Spain by means of
an interpolation procedure that integrates rain and orographic treatment. The methodology is
based on geostatistical techniques and linear regression models. The main hypothesis is the
decomposition of rainfall variability into local and general atmospheric circulation patterns.
The former are represented by monthly average rainfall and standard deviation at each point
of the territory. It describes the influence of features such as altitude, terrain orientation,
influence of the coast and geographical position. The monthly time step is adequate to
consider seasonal changes and the sequence of intra-annual wet and dry seasons. Once local
components are estimated, anomalies related to general atmospheric circulation patterns are
defined and geostatistical techniques are applied considering their continuity. Rainfall maps
obtained are used as input data for a water resources model.

xiii
ÍNDICE DE CONTENIDOS

ÍNDICE DE CONTENIDOS
1 PRECIPITACIÓN Y OROGRAFÍA EN LA SIMULACIÓN DEL CICLO HIDROLÓGICO.
OBJETIVOS DE LA TESIS................................................................................................................................. 1
1.1 INTRODUCCIÓN Y ANTECEDENTES ........................................................................................................ 1
1.1.1 Consideraciones Históricas sobre el Ciclo Hidrológico y la Montaña ........................................... 1
1.1.2 La Precipitación en la Simulación del Ciclo Hidrológico. Principios de la Hidrología................. 3
1.1.3 El Recurso Hídrico Natural en la Planificación Hidrológica en España........................................ 6
1.1.4 Estimación e Interpolación de la Precipitación. Atlas Climáticos y PLanes Hidrológicos a Escala
Nacional....................................................................................................................................................... 10
1.1.5 Cuestiones Abiertas e Identificación de Lagunas.......................................................................... 13
1.2 OBJETIVOS DE LA TESIS ...................................................................................................................... 16
1.3 CONTENIDO DE LA TESIS ..................................................................................................................... 17
2 PRECIPITACIÓN. PROCESOS Y FACTORES CONDICIONANTES. LA OROGRAFÍA EN LOS
MÉTODOS FÍSICOS Y EXPERIMENTALES ............................................................................................... 21
2.1 PROCESOS CONDICIONANTES DE LA PRECIPITACIÓN ........................................................................... 21
2.1.1 Circulación Atmosférica................................................................................................................ 22
2.1.1.1 Ecuaciones de Estado del Aire Húmedo. Empuje Hidrostático............................................................22
2.1.1.2 Células de Hadley, Ferrel y Polar.........................................................................................................25
2.1.2 Efectos Locales: Mar y Relieve ..................................................................................................... 26
2.1.3 Modelos Climáticos de Circulación Global .................................................................................. 27
2.2 TIPOS DE PRECIPITACIÓN .................................................................................................................... 29
2.2.1 Precipitaciones Convectivas.......................................................................................................... 30
2.2.2 Precipitaciones Ciclónicas ............................................................................................................ 32
2.3 INFLUENCIA DE LA OROGRAFÍA EN LA PRECIPITACIÓN ........................................................................ 34
2.3.1 Métodos Físicamente Basados ...................................................................................................... 35
2.3.1.1 Forzamiento Orográfico y Excedente de Saturación ............................................................................36
2.3.1.2 Modelo de Colton.................................................................................................................................38
2.3.1.3 Modelo de Bell.....................................................................................................................................39
2.3.1.4 Modelo de Alpert-Shafir ......................................................................................................................40
2.3.1.5 Factor Orográfico, OFA .......................................................................................................................41
2.3.1.6 Modelo de Smith y Barstad ..................................................................................................................42
2.3.2 Métodos Experimentales................................................................................................................ 42
2.3.2.1 Modelos de Spreen, Burns y Schermerhorn .........................................................................................43
2.3.2.2 Modelo de Hanson ...............................................................................................................................46
2.3.2.3 Experimentación en la Cordillera del Himalaya...................................................................................46
2.3.2.4 Caracterización de Lluvias Convectivas...............................................................................................48
2.3.2.5 Modelo PRISM ....................................................................................................................................49
2.3.2.6 Técnicas Multivariadas de Interpolación..............................................................................................50
2.4 SÍNTESIS .............................................................................................................................................. 50
3 SERIES DE PRECIPITACIÓN HISTÓRICA Y COMPLETADO ...................................................... 53
3.1 LA RED TERRESTRE DE MEDIDA DE LA PRECIPITACIÓN EN ESPAÑA ................................................... 53
3.1.1 Técnicas de medida de la lluvia..................................................................................................... 54
3.1.1.1 Sensores de Tierra ................................................................................................................................54
3.1.1.2 Radar Meteorológico............................................................................................................................55
3.1.1.3 Satélites y Teledetección ......................................................................................................................57
3.1.2 Red Terrestre en España: AEMET, SAIH y SIAR.......................................................................... 59
3.1.3 Representatividad de la Red Meteorológica y Orografía.............................................................. 63
3.1.3.1 Modelos Digitales de Elevación y Orientación ....................................................................................63
3.1.3.2 Disponibilidad de Pluviometría en Altitud...........................................................................................64
3.2 TÉCNICAS DE COMPLETADO DE SERIES PLUVIOMÉTRICAS .................................................................. 72
3.2.1 Propiedades de las Series Temporales .......................................................................................... 73
3.2.2 Completado de Series Mensuales sin Persistencia ........................................................................ 75
3.2.2.1 Regresión Simple .................................................................................................................................75

xv
ÍNDICE DE CONTENIDOS

3.2.2.2 Regresión Múltiple en Series Mensuales sin Persistencia ....................................................................78

3.2.3 Completado de Series Mensuales con Persistencia....................................................................... 81
3.2.4 Generación de Números Aleatorios............................................................................................... 82
3.2.4.1 Función de Distribución Uniforme. Modelo Lineal .............................................................................82
3.2.4.2 Función de Distribución Normal ..........................................................................................................82
3.3 APLICACIÓN DEL COMPLETADO A SERIES PLUVIOMÉTRICAS EN ESPAÑA ........................................... 83
3.4 SÍNTESIS .............................................................................................................................................. 86
4 LA PRECIPITACIÓN EN ESPAÑA E INFLUENCIA OROGRÁFICA............................................. 89
4.1 CARACTERÍSTICAS GENERALES .......................................................................................................... 89
4.1.1 Valores Normales y Causas de la Irregularidad ........................................................................... 89
4.1.2 Variabilidad Anual ........................................................................................................................ 91
4.1.3 Estaciones Climáticas.................................................................................................................... 93
4.1.4 Variabilidad de la Media y Desviación Típica Mensuales ............................................................ 94
4.1.5 Variabilidad del Coeficiente de Variación Mensual.................................................................... 111
4.2 ANÁLISIS EN COMPONENTES PRINCIPALES DE LA LLUVIA ................................................................ 117
4.2.1 Utilidad de las Componentes Principales en Estudios Climáticos.............................................. 117
4.2.2 Componentes Principales en Series Anuales de Lluvia ............................................................... 119
4.2.3 Componentes Principales en Series Estacionales ....................................................................... 121
4.3 EXPLORACIÓN DEL GRADIENTE ALTITUDINAL DE LA LLUVIA .......................................................... 123
4.3.1 Perfiles de Lluvia Anual y Altitud................................................................................................ 123
4.3.2 Selección Regional de Datos ....................................................................................................... 130
4.4 SÍNTESIS ............................................................................................................................................ 157
5 MÉTODOS DE INTERPOLACIÓN ..................................................................................................... 159
5.1 SIMULACIÓN HIDROLÓGICA DISTRIBUIDA Y AGREGADA .................................................................. 159
5.2 MEDIA ARITMÉTICA .......................................................................................................................... 161
5.2.1 Modelo Agregado ........................................................................................................................ 161
5.2.2 Ventanas o Medias Móviles ......................................................................................................... 162
5.2.3 Estrategias de Búsqueda y Selección de Datos ........................................................................... 163
5.3 MÉTODO DE LAS ISOYETAS ............................................................................................................... 164
5.4 MÉTODOS DE POLIGONACIÓN ........................................................................................................... 165
5.4.1 Thiessen ....................................................................................................................................... 165
5.4.2 Thiessen Modificado por Isoyetas ............................................................................................... 166
5.4.3 Ponderación en Función de la Altitud......................................................................................... 167
5.5 ESQUEMAS EN FUNCIÓN INVERSA DE LA DISTANCIA ........................................................................ 168
5.6 INTERPOLACIÓN POLINÓMICA ........................................................................................................... 171
5.6.1 Interpolación de Lagrange .......................................................................................................... 172
5.6.2 Condición de Mínimos Cuadrados .............................................................................................. 172
5.6.3 Segmentación: Solape y Splines .................................................................................................. 173
5.6.4 Planteamiento Variacional.......................................................................................................... 174
5.7 FORMAS CUADRÁTICAS .................................................................................................................... 178
5.8 REGRESIÓN LINEAL MÚLTIPLE Y VENTANAS MÓVILES DE REGRESIÓN ............................................ 179
5.9 INTERPOLACIÓN ÓPTIMA................................................................................................................... 180
5.9.1 Fundamentos ............................................................................................................................... 180
5.9.2 Dependencia Espacial y Semivariogramas ................................................................................. 183
5.9.3 Validación y Optimización .......................................................................................................... 187
5.9.4 Modelos de Krigeado y Aplicaciones .......................................................................................... 189
5.9.4.1 Familia de Krigeado ...........................................................................................................................189
5.9.4.1.1 Krigeado Simple, KS ....................................................................................................................189
5.9.4.1.2 Krigeado Ordinario, KO ...............................................................................................................191
5.9.4.1.3 Krigeado con Deriva o Universal, KD ó KU ................................................................................193
5.9.4.1.4 Krigeado con Deriva Externa, KDE..............................................................................................195
5.9.4.1.5 Krigeado Simple sobre Residuos, KSR.........................................................................................197
5.9.4.2 Familia Cokrigeado ............................................................................................................................198
5.9.4.2.1 Cokrigeado Simple, CKS..............................................................................................................198
5.9.4.2.2 Cokrigeado Ordinario, CKO .........................................................................................................199
5.9.4.2.3 Cokrigeado Colocalizado, CKC....................................................................................................200
5.9.4.2.3.1 Cokrigeado Simple Colocalizado, CKSC ...............................................................................201

xvi
ÍNDICE DE CONTENIDOS

5.9.4.2.3.2 Cokrigeado Ordinario Colocalizado, CKOC ..........................................................................201

5.10 COMPARACIONES ENTRE MÉTODOS DE INTERPOLACIÓN ................................................................... 202
5.11 SÍNTESIS ............................................................................................................................................ 204
6 APLICACIÓN A ESPAÑA DE UNA METODOLOGÍA PARA LA ESTIMACIÓN DE LA
DISTRIBUCIÓN ESPACIAL DE LA PRECIPITACIÓN ............................................................................ 207
6.1 PROPUESTA DE UN MODELO HÍBRIDO DE INTERPOLACIÓN................................................................ 207
6.1.1 Fundamentos ............................................................................................................................... 207
6.1.2 Patrones Mensuales de Precipitación en Ventanas Móviles de Regresión ................................. 211
6.1.3 Interpolación de Residuos ........................................................................................................... 213
6.2 CASO PRÁCTICO. SERIES DE MAPAS DE LLUVIA EN ESPAÑA ............................................................. 215
6.2.1 Aplicación del Modelo de Interpolación Híbrido Mensual ......................................................... 215
6.2.1.1 Patrones Mensuales de Precipitación en Ventanas Móviles de Regresión .........................................215
6.2.1.1.1 Mapas de Lluvia Media.................................................................................................................215
6.2.1.1.2 Mapas de Coeficientes de Variación y Desviación Típica ............................................................217
6.2.1.1.3 Evaluación de los Mapas de Medias y Desviaciones Típicas Mensuales......................................223
6.2.1.2 Interpolación de Residuos ..................................................................................................................229
6.2.1.2.1 Serie 1970/71-2000/01..................................................................................................................229
6.2.1.2.2 Comparativa de Procedimientos de Interpolación de Anomalías o Residuos ...............................231
6.3 RESULTADOS FINALES ...................................................................................................................... 238
6.3.1 Mapa de lluvia media anual ........................................................................................................ 238
6.3.2 Gradiente altitudinal de la lluvia ................................................................................................ 239
6.3.3 Variabilidad de la lluvia anual.................................................................................................... 248
6.3.4 Implementación de la Serie de Mapas de Lluvia Mensual y del Modelo de Interpolación en la
Evaluación de Recursos Hídricos de España ............................................................................................ 250
6.4 SÍNTESIS ............................................................................................................................................ 252
7 CONCLUSIONES ................................................................................................................................... 257
7.1 SÍNTESIS FINAL ................................................................................................................................. 257
7.2 APORTACIONES ORIGINALES Y OBJETIVOS ALCANZADOS ................................................................ 260
7.2.1 Análisis del Estado de la Red Pluviométrica en Altura e Identificación de Áreas de
Experimentación y de Mejora de la Red de Medida .................................................................................. 260
7.2.2 Completado de Series de Lluvias................................................................................................. 260
7.2.3 Gradiente Altitudinal de la Lluvia ............................................................................................... 260
7.2.4 Modelo Híbrido de Interpolación de Precipitaciones ................................................................. 261
7.2.5 Aplicación del Método Propuesto a España................................................................................ 261
7.3 FUTURAS LÍNEAS DE INVESTIGACIÓN ............................................................................................... 262
7.3.1 Adaptación de los Modelos de Interpolación a Campos de Radar en Montaña.......................... 262
7.3.2 Implementación de Factores Convectivos en el Modelo Híbrido de Interpolación..................... 262
7.3.3 Identificación de Heterogeneidades y Problemas de Calidad en Series de Lluvia Mensual....... 263
8 ABREVIATURAS Y SÍMBOLOS ......................................................................................................... 265
8.1 ABREVIATURAS ................................................................................................................................. 266
8.2 SÍMBOLOS ......................................................................................................................................... 267
9 BIBLIOGRAFÍA ..................................................................................................................................... 269

xvii
ÍNDICE DE FIGURAS

ÍNDICE DE FIGURAS
Figura 1. Redes de medida de aguas superficiales en España según MARM..................................................7
Figura 2. Red de medida de aguas subterráneas en España según MARM .....................................................7
Figura 3. Esquema del modelo de Témez implementado en SIMPA ..............................................................9
Figura 4. Principales variables hidrológicas estimadas por el modelo de recursos en SIMPA .......................9
Figura 5. Lluvia media anual (1921-1930) en España (Lorenzo Pardo, 1933)..............................................11
Figura 6. Isoyetas de lluvia anual de 1959/60 en la cuenca del Guadalquivir (CEH, 1971)..........................11
Figura 7. Lluvia media anual en España del LBAE y posteriores actualizaciones (MARM, 2000b)............11
Figura 8. Gradiente altitudinal de la lluvia de registros y de resultados del LBAE (MARM, 2000a)...........12
Figura 9. Curva de saturación del aire...........................................................................................................24
Figura 10. Circulación de Hadley. Células de Hadley, Ferrel y Polar...........................................................25
Figura 11. Modelo noruego ciclones extratropicales.....................................................................................33
Figura 12. Curva de condensación por saturación en altura ..........................................................................37
Figura 13. Diagrama de Spreen .....................................................................................................................44
Figura 14. Pluviómetro y depósitos de recogida ...........................................................................................54
Figura 15. Red meteorológica AEMET.........................................................................................................59
Figura 16. Red pluviométrica de la red SAIH ...............................................................................................62
Figura 17. Red agroclimática SIAR ..............................................................................................................63
Figura 18. MDT de orientaciones obtenido mediante el SIG-GRASS en España y Portugal .......................64
Figura 19. Red pluviométrica en Cordillera Cantábrica y Picos de Europa ..................................................65
Figura 20. Red pluviométrica en el Pirineo ...................................................................................................65
Figura 21. Red pluviométrica en la Sierra de Gredos....................................................................................65
Figura 22. Red pluviométrica en el Sistema Ibérico y la cabecera del Turia.................................................66
Figura 23. Red pluviométrica en la Sierra de Cazorla...................................................................................66
Figura 24. Red pluviométrica en Sierra Nevada............................................................................................66
Figura 25. Red pluviométrica en la Sierra de Ronda.....................................................................................66
Figura 26. Red pluviométrica en Islas Canarias ............................................................................................66
Figura 27. MDE y reparto de superficie en España por altitud .....................................................................67
Figura 28. Histograma del nº de estaciones en altitud en España..................................................................68
Figura 29. Nº de series con registro anual completo y promedio de lluvia anual en España.........................69
Figura 30. Nº de estaciones con registro anual completo disponibles en radios de 10 km ............................71
Figura 31. Nº de series con registro anual completo y promedio de lluvia anual por franjas de altitud ........72
Figura 32. Series de lluvia disponibles por completado y promedio de lluvia en España .............................83
Figura 33. Densidad de información pluviométrica completada ...................................................................85
Figura 34. Series de lluvia disponibles por completado y promedios de lluvia por altitud ...........................86
Figura 35. Tipos de clima (Precipitación media anual) .................................................................................90

xix
ÍNDICE DE FIGURAS

Figura 36. Índice de Aridez UNESCO ..........................................................................................................90

Figura 37. Lluvia anual (mm) en España y desviaciones unitarias acumuladas (DUA). 1940/41-2006/07 ..92
Figura 38. Ratio lluvias medias móviles (11 años)/lluvia media anual en las grandes cuencas españolas....93
Figura 39. Estacionalidad de la lluvia en Santiago de Compostela ...............................................................95
Figura 40. Estacionalidad de la lluvia en Santander......................................................................................95
Figura 41. Estacionalidad de la lluvia en Barcelona......................................................................................96
Figura 42. Estacionalidad de la lluvia en Zaragoza .......................................................................................96
Figura 43. Estacionalidad de la lluvia en Valencia........................................................................................97
Figura 44. Estacionalidad de la lluvia en Alcantarilla, Murcia......................................................................97
Figura 45. Estacionalidad de la lluvia en Zamora .........................................................................................98
Figura 46. Estacionalidad de la lluvia en Madrid ..........................................................................................98
Figura 47. Estacionalidad de la lluvia en Sevilla...........................................................................................98
Figura 48. Estacionalidad de la lluvia en Badajoz.........................................................................................98
Figura 49. Estacionalidad de la lluvia en Santa Cruz de Tenerife .................................................................99
Figura 50. Estacionalidad de la lluvia en Tamaraceite en Gran Canaria .......................................................99
Figura 51. Histogramas de lluvias medias mensuales en España. Periodo 1970/71-2000/01 .....................102
Figura 52. Lluvia media mensual en función de la coordenada x (UTM30) ...............................................105
Figura 53. Lluvia media mensual en función de la coordenada y (UTM30) ...............................................108
Figura 54. Diagramas de dispersión de medias y desviación típica de la lluvia mensual............................111
Figura 55. Coeficiente de variación de la lluvia media mensual en función de la coordenada x (UTM30) 114
Figura 56. Coeficiente de variación de la lluvia media mensual en función de la coordenada y (UTM30) 117
Figura 57. Componentes principales de lluvia total anual. Periodo 1970/01-2000/01 ................................120
Figura 58. Componentes principales de la lluvia estacional........................................................................122
Figura 59. Guía de secciones en MDE. Clases impares, cortes de sur a norte; pares, de oeste a este .........123
Figura 60. Sección 1. Entre Portugal y el Atlántico en Cabo Ortegal .........................................................124
Figura 61. Sección 3. Entre costa atlántica en Barbate y cantábrica en Castrillón ......................................124
Figura 62. Sección 5. Costa mediterránea en Almuñécar y cantábrica en Santander ..................................125
Figura 63. Sección 7. Aproximadamente entre Mazarrón y Sangüesa ........................................................125
Figura 64. Sección 9. Costa mediterránea en Cambrils hasta el Pirineo .....................................................126
Figura 65. Sección 2. Guadalquivir en Sanlúcar de Barrameda y costa mediterránea en Almería..............126
Figura 66. Sección 4. Portugal en Rosal de la Frontera y Mediterráneo en San Pedro del Pinatar .............127
Figura 67. Sección 6. Portugal (cercana a Badajoz) y costa mediterránea en Gandía .................................127
Figura 68. Sección 8. Portugal y costa mediterránea en Benicasim ............................................................128
Figura 69. Sección 10. Frontera con Portugal y costa Mediterránea en Cambrils.......................................128
Figura 70. Sección 12. Costa atlántica en Vigo y la mediterránea cerca de Las Rosas ...............................129
Figura 71. Sección 5. Costa mediterránea en Almuñécar y cantábrica en Santander. Lluvia estacional.....130
Figura 72. Sección 8. Portugal y costa mediterránea en Benicasim. Lluvia estacional ...............................130
Figura 73. Áreas de exploración del efecto orográfico y parámetros de selección......................................131

xx
ÍNDICE DE FIGURAS

Figura 74. Dispersión y regresión altitud-lluvia. Cantábrica, norte (1). H.R. 90º .......................................133
Figura 75. Dispersión y regresión altitud-lluvia. Cantábrica, norte (1). H.R. 60º .......................................134
Figura 76. Dispersión y regresión altitud-lluvia. Cantábrica, sur (2). H.R. 90º...........................................135
Figura 77. Dispersión y regresión altitud-lluvia. Cantábrica y vascongadas, norte (3). H.R. 90º ...............136
Figura 78. Dispersión y regresión altitud-lluvia. Cantábrica y vascongadas, sur (4). H.R. 90º...................137
Figura 79. Dispersión y regresión altitud-lluvia. Pirineo Navarro y Aragonés, suroeste (5). H.R. 90º .......138
Figura 80. Dispersión y regresión altitud-lluvia. Pirineo Aragonés y Catalán, suroeste (6). H.R. 90º ........139
Figura 81. Dispersión y regresión altitud-lluvia. Costera Catalana, sureste (7). H.R. 90º...........................140
Figura 82. Dispersión y regresión altitud-lluvia. Ibérica, norte (8). H.R. 90º..............................................141
Figura 83. Dispersión y regresión altitud-lluvia. Ibérica, sur (9). H.R. 90º.................................................142
Figura 84. Dispersión y regresión altitud-lluvia. Ibérica, oeste (10). H.R. 90º............................................143
Figura 85. Dispersión y regresión altitud-lluvia. Ibérica, este (11). H.R. 90º..............................................144
Figura 86. Dispersión y regresión altitud-lluvia. Gredos, norte (12). H.R. 90º ...........................................145
Figura 87. Dispersión y regresión altitud-lluvia. Gredos, sur (13). H.R. 90º ..............................................146
Figura 88. Dispersión y regresión altitud-lluvia. Navacerrada, noroeste (14). H.R. 90º .............................147
Figura 89. Dispersión y regresión altitud-lluvia. Navacerrada, sureste (15). H.R. 90º................................148
Figura 90. Dispersión y regresión altitud-lluvia. Cabecera del Turia, oeste (16). H.R. 90º ........................149
Figura 91. Dispersión y regresión altitud-lluvia. Cazorla, oeste (17). H.R. 90º ..........................................150
Figura 92. Dispersión y regresión altitud-lluvia. Cazorla, este (18). H.R. 90º ............................................151
Figura 93. Dispersión y regresión altitud-lluvia. Sierra Nevada, norte (19). H.R. 90º ................................152
Figura 94. Dispersión y regresión altitud-lluvia. Sierra Nevada, sur (20). H.R. 90º ...................................153
Figura 95. Dispersión y regresión altitud-lluvia. Sierra de Ronda, oeste (21). H.R. 90º .............................154
Figura 96. Perfiles del MDE en la Cordillera Cantábrica y lluvia media en diciembre...............................156
Figura 97. Perfiles del MDE en el Pirineo y lluvia media en diciembre .....................................................156
Figura 98. Perfiles del MDE en el Sistema Central y lluvia media en diciembre........................................157
Figura 99. Ventanas o medias móviles ........................................................................................................163
Figura 100. Isoyetas con contornos de lluvia constante ..............................................................................164
Figura 101. Aplicación del método de Thiessen .........................................................................................166
Figura 102. División de la cuenca según los polígonos de Thiessen...........................................................166
Figura 103. Superposición de las isoyetas a los polígonos de Thiessen ......................................................167
Figura 104. Comparación de las superficies estimadas con 1, 3, 6 y 12 puntos de interpolación ...............169
Figura 105. Comparación de las superficies estimadas con exponentes 0,5, 1, 2 y 4..................................170
Figura 106. Distribución espacial de la lluvia por IDW ..............................................................................170
Figura 107. Ejemplos de interpolación de splines bilineales (izqda.) y bicúbicos (drcha.) .........................173
Figura 108. Corte transversal de superficies con distintos valores del parámetro suavidad ........................176
Figura 109. Sensibilidad al parámetro tensión con suavidad nula...............................................................176
Figura 110. Corte transversal de las superficies con distintos valores del parámetro tensión .....................177
Figura 111. Semivariograma experimental y modelos teóricos...................................................................186

xxi
ÍNDICE DE FIGURAS

Figura 112. Histogramas de residuos mensuales del años hidrológico 1971/72..........................................214

Figura 113. Precipitación media mensual....................................................................................................217
Figura 114. Semivariogramas ajustados del coeficiente de variación de la lluvia mensual ........................219
Figura 115. Coeficiente de variación de lluvia mensual..............................................................................221
Figura 116. Desviación típica de la lluvia mensual .....................................................................................223
Figura 117. Calibración cruzada. Regresión lineal y con variable transformada y ponderada....................226
Figura 118. Coeficientes R2 de las regresiones mensuales en ventanas móviles .........................................228
Figura 119. Semivariogramas ajustados de residuos mensuales en la Península Ibérica durante 1971/72..230
Figura 120. Semivariogramas ajustados de residuos mensuales en Islas Baleares y Canarias en dic-1972 230
Figura 121. Desviación (%) del promedio anual de lluvia 1970/71-2000/01 ..............................................231
Figura 122. Sección 1. Entre Portugal y el Atlántico en Cabo Ortegal .......................................................232
Figura 123. Sección 3. Entre costa atlántica en Barbate y cantábrica en Castrillón ....................................232
Figura 124. Sección 5. Costa mediterránea en Almuñécar y cantábrica en Santander ................................232
Figura 125. Sección 7. Aproximadamente entre Mazarrón y Sangüesa ......................................................233
Figura 126. Sección 9. Costa mediterránea en Cambrils hasta el Pirineo ...................................................233
Figura 127. Sección 2. Guadalquivir en Sanlúcar de Barrameda y costa mediterránea en Almería............233
Figura 128. Sección 4. Portugal en Rosal de la Frontera y Mediterráneo en San Pedro del Pinatar ...........234
Figura 129. Sección 6. Portugal (cercana a Badajoz) y costa mediterránea en Gandía ...............................234
Figura 130. Sección 8. Portugal y costa mediterránea en Benicasim ..........................................................234
Figura 131. Sección 10. Frontera con Portugal y costa Mediterránea en Cambrils.....................................235
Figura 132. Sección 12. Costa atlántica en Vigo y la mediterránea cerca de Las Rosas .............................235
Figura 133. Calibración cruzada. Serie EMA ..............................................................................................237
Figura 134. Calibración cruzada. Serie mediana de los errores...................................................................237
Figura 135. Índices de error conforme a la disponibilidad de datos ............................................................238
Figura 136. Precipitación media anual durante el periodo 1970/71-2000/01 en España y Portugal ...........239
Figura 137. Comparativa de los gradientes altitudinales de la lluvia estimados .........................................240
Figura 138. Regiones del SIEH en España..................................................................................................241
Figura 139. Gradiente altitudinal de la lluvia en regiones del Norte de España..........................................242
Figura 140. Gradiente altitudinal de la lluvia en regiones del Duero ..........................................................242
Figura 141. Gradiente altitudinal de la lluvia en regiones del Tajo.............................................................243
Figura 142. Gradiente altitudinal de la lluvia en regiones del Guadiana .....................................................243
Figura 143. Gradiente altitudinal de la lluvia en regiones del Guadalquivir ...............................................244
Figura 144. Gradiente altitudinal de la lluvia en regiones del Sur de España .............................................244
Figura 145. Gradiente altitudinal de la lluvia en regiones del Segura .........................................................245
Figura 146. Gradiente altitudinal de la lluvia en regiones del Júcar............................................................245
Figura 147. Gradiente altitudinal de la lluvia en regiones del Ebro ............................................................246
Figura 148. Gradiente altitudinal de la lluvia en C.I. de Cataluña, Baleares y Canarias .............................246
Figura 149. Trayectorias del MDE y lluvia media anual interpolada en la Cordillera Cantábrica ..............247

xxii
ÍNDICE DE FIGURAS

Figura 150. Trayectorias del MDE y de lluvia media anual en cabeceras de margen derecha del Segre ....247
Figura 151. Gradiente actitudinal de la lluvia anual ....................................................................................248
Figura 152. Serie de lluvias anuales en España ...........................................................................................249
Figura 153. Serie de lluvias anuales en la cuenca del Ebro .........................................................................249
Figura 154. Serie de lluvias anuales en la cabecera del Tajo.......................................................................250
Figura 155. Serie de lluvias anuales en la cuenca del Segura......................................................................250

xxiii
ÍNDICE DE TABLAS

ÍNDICE DE TABLAS
Tabla 1. Valores de la constante específica de los gases ...............................................................................23
Tabla 2. Tipos de radar..................................................................................................................................56
Tabla 3. Nº de estaciones meteorológicas históricas (MARM, 2000a) .........................................................60
Tabla 4. Nº de estaciones meteorológicas en servicio en el año 2000 (MARM, 2000a) ...............................61
Tabla 5. Recomendaciones OMM (1994) sobre red pluviométrica básica....................................................61
Tabla 6. Descripción de la red SAIH.............................................................................................................62
Tabla 7. Masas de aire activas sobre la Península Ibérica. B, borrasca; A, anticiclón ..................................91
Tabla 8 Aplicación método de las isoyetas..................................................................................................164
Tabla 9 Aplicación método de Thiessen......................................................................................................166
Tabla 10. Criterios de ajuste........................................................................................................................188
Tabla 11. Referencias sobre comparaciones entre métodos determinísticos y krigeado .............................203
Tabla 12. Índices de error............................................................................................................................236

xxv
ÍNDICE DE ECUACIONES

ÍNDICE DE ECUACIONES
Ec. 2-1. Leyes de Dalton ...............................................................................................................................22
Ec. 2-2. Ecuación general de los gases perfectos ..........................................................................................22
Ec. 2-3. Constante general de los gases perfectos .........................................................................................22
Ec. 2-4. Constante específica del aire húmedo ..............................................................................................22
Ec. 2-5. Humedad absoluta del aire...............................................................................................................23
Ec. 2-6. Humedad específica .........................................................................................................................23
Ec. 2-7. Humedad relativa .............................................................................................................................23
Ec. 2-8. Curva de saturación del aire.............................................................................................................24
Ec. 2-9. Masa de agua precipitable................................................................................................................24
Ec. 2-10. Relación entre humedad específica, presión de vapor y total atmosférica .....................................36
Ec. 2-11. Humedad específica en aire saturado .............................................................................................37
Ec. 2-12. Temperatura en función del enfriamiento por elevación................................................................37
Ec. 2-13. Densidad de vapor de agua ............................................................................................................37
Ec. 2-14. Tasa de condensación del aire (Roe, 2005)....................................................................................37
Ec. 2-15. Velocidad vertical (ascenso) en modelo de Bell (1978).................................................................39
Ec. 2-16. Precipitación orográfica (Alpert, 1986) .........................................................................................40
Ec. 2-17. Precipitación orográfica (Alpert, 1986) .........................................................................................40
Ec. 2-18. Factor orográfico, OFA..................................................................................................................42
Ec. 2-19. Nº de Froude de humedad ..............................................................................................................42
Ec. 3-1. Regresión entre la energía captada por el radar y la intensidad de lluvia ........................................56
Ec. 3-2. Descomposición del modelo de series temporales ...........................................................................73
Ec. 3-3. Ecuación del ratio normal ................................................................................................................75
Ec. 3-4. Recta de regresión lineal ..................................................................................................................75
Ec. 3-5. Error cuadrático y condiciones para el ajuste por mínimos cuadrados ............................................75
Ec. 3-6. Expresión del ajuste de la ecuación de regresión lineal por mínimos cuadrados.............................76
Ec. 3-7. Parámetros de la ecuación de regresión lineal obtenidos por mínimos cuadrados...........................76
Ec. 3-8. Ajuste por mínimos cuadrados. Criterio de distancias verticales.....................................................76
Ec. 3-9. Ajuste por mínimos cuadrados. Criterio de distancias horizontales.................................................76
Ec. 3-10. Media geométrica del parámetro a de los criterios de distancia horizontal y vertical....................77
Ec. 3-11. Recta de regresión considerando el término aleatorio....................................................................77
Ec. 3-12. Condición esperanza nula del error................................................................................................77
Ec. 3-13. Término de varianza del error ........................................................................................................77
Ec. 3-14. Ajuste por mínimos cuadrados en función de los residuos normalizados ......................................77
Ec. 3-15. Ajuste por MC en función de los residuos normalizados y distribución Gamma ..........................77
Ec. 3-16. Sesgo del ruido...............................................................................................................................78

xxvii
ÍNDICE DE ECUACIONES

Ec. 3-17. Variable gamma .............................................................................................................................78

Ec. 3-18. Transformación normalizante ........................................................................................................78
Ec. 3-19. Regresión múltiple en los residuos ................................................................................................79
Ec. 3-20. Coeficientes de la ecuación de regresión bivariada por mínimos cuadrados .................................79
Ec. 3-21. Coeficiente de correlación de Pearson ...........................................................................................79
Ec. 3-22. Varianza del ruido..........................................................................................................................79
Ec. 3-23. Coeficiente de correlación múltiple ...............................................................................................80
Ec. 3-24. Matriz de priorización....................................................................................................................80
Ec. 3-25. Transformación inversa de la normalización. Desestacionalización..............................................80
Ec. 3-26. Media, desviación típica y sesgo de las series logarítmicas...........................................................81
Ec. 3-27. Transformación considerando el sesgo y la componente cíclica estacional...................................81
Ec. 3-28. Modelo de regresión ......................................................................................................................81
Ec. 3-29. Generación de números aleatorios. Modelo lineal .........................................................................82
Ec. 3-30. Transformación Box-Muller ..........................................................................................................83
Ec. 4-1. Potencial de una observación en regresión simple.........................................................................132
Ec. 4-2. Cuadrado medio de regresión ........................................................................................................132
Ec. 4-3. Error cuadrático medio ..................................................................................................................132
Ec. 4-4. Estadístico de la prueba F ..............................................................................................................132
Ec. 5-1. Modelo de ponderación lineal para la precipitación en un punto de coordenadas (x, y) ................160
Ec. 5-2. Integración de la precipitación en la media areal ...........................................................................160
Ec. 5-3. Modelo de ponderación lineal para la precipitación media areal ...................................................160
Ec. 5-4. Precipitación media areal. ..............................................................................................................161
Ec. 5-5. Promedio en subzonas....................................................................................................................162
Ec. 5-6. Promedio areal ...............................................................................................................................162
Ec. 5-7. Ventanas o medias móviles............................................................................................................162
Ec. 5-8. Ponderación de la precipitación media calculada por isoyetas ......................................................164
Ec. 5-9. Esquema de ponderación del Thiessen Modificado .......................................................................167
Ec. 5-10. Funciones de ponderación por inverso de distancia .....................................................................168
Ec. 5-11. Ponderación por inverso de distancia, IDW .................................................................................168
Ec. 5-12. Estimación de la precipitación media areal desde una retícula regular ........................................171
Ec. 5-13. Modelo de interpolación polinómica ...........................................................................................171
Ec. 5-14. Precipitación en función de un polinomio de grado 1..................................................................171
Ec. 5-15.Interpolación de Lagrange ............................................................................................................172
Ec. 5-16. Formulación polinómica en términos de ponderación lineal .......................................................172
Ec. 5-17. Sistema de ecuaciones en una interpolación polinómica .............................................................172
Ec. 5-18. Error cuadrático ...........................................................................................................................172
Ec. 5-19. Sistema de ecuaciones por mínimos cuadrados ...........................................................................173
Ec. 5-20. Pesos al resolver por mínimos cuadrados ....................................................................................173

xxviii
ÍNDICE DE ECUACIONES

Ec. 5-21. Mínimos cuadrados sobre un ejemplo de polinomio bidimensional ............................................173

Ec. 5-22. Condición de minimización por suavidad ....................................................................................174
Ec. 5-23. Superficie de ajuste ......................................................................................................................174
Ec. 5-24. Funcional de error bajo condición de suavidad............................................................................175
Ec. 5-25. Ajuste bajo condición de suavidad en función de los parámetros tensión y suavidad .................175
Ec. 5-26. Ponderación mediante formas cuadráticas ...................................................................................178
Ec. 5-27. Sistema de ecuaciones de interpolación cuadrática y expresión matricial ...................................178
Ec. 5-28. Ponderación mediante formas cuadráticas ...................................................................................178
Ec. 5-29. Expresión de las formas cuadráticas del cono e hiperboloide......................................................179
Ec. 5-30. Expresión de la ecuación de regresión múltiple...........................................................................179
Ec. 5-31. Expresión de la recta de regresión lineal......................................................................................180
Ec. 5-32. Error en la estimación en un punto de coordenadas (xo, yo) .........................................................180
Ec. 5-33. Esperanza del error. Interpolación óptima ...................................................................................181
Ec. 5-34. Condición de sesgo nulo. Interpolación óptima ...........................................................................181
Ec. 5-35. Varianza del error. Interpolación óptima .....................................................................................181
Ec. 5-36. Minimización del Lagrangiano. Interpolación óptima .................................................................181
Ec. 5-37. Sistema de ecuaciones en la interpolación óptima .......................................................................181
Ec. 5-38. Función de covarianza .................................................................................................................183
Ec. 5-39. Función semivariograma..............................................................................................................183
Ec. 5-40. Función de correlación.................................................................................................................183
Ec. 5-41. Estacionariedad en medias ...........................................................................................................183
Ec. 5-42. Estacionariedad en las covarianzas ..............................................................................................184
Ec. 5-43. Relación entre semivariograma y covarianzas bajo la hipótesis de estacionariedad....................184
Ec. 5-44. Semivariograma modelo pepita....................................................................................................185
Ec. 5-45. Semivariograma modelo lineal ....................................................................................................185
Ec. 5-46. Semivariograma modelo esférico.................................................................................................185
Ec. 5-47. Semivariograma modelo exponencial ..........................................................................................185
Ec. 5-48. Semivariograma modelo Gaussiano.............................................................................................185
Ec. 5-49. Semivariograma modelo monomial .............................................................................................185
Ec. 5-50. Semivariograma combinación lineal............................................................................................185
Ec. 5-51. Definición de semivariograma muestral ......................................................................................187
Ec. 5-52. Semivariograma experimental y media con realizaciones múltiples............................................187
Ec. 5-53. Error medio ..................................................................................................................................188
Ec. 5-54. Error medio absoluto....................................................................................................................188
Ec. 5-55. Error medio cuadrático.................................................................................................................188
Ec. 5-56. Error medio cuadrático estándar ..................................................................................................188
Ec. 5-57. Coeficiente de sesgo de los errores ..............................................................................................188
Ec. 5-58. Coeficiente de correlación de Pearson entre valores estimados y registrados..............................188

xxix
ÍNDICE DE ECUACIONES

Ec. 5-59. Ecuación general del krigeado sobre una variable .......................................................................189
Ec. 5-60. Ecuación general del KS ..............................................................................................................190
Ec. 5-61. Comprobación del estimador insesgado en el KS ........................................................................190
Ec. 5-62. Varianza de la estimación del KS ................................................................................................190
Ec. 5-63. Sistema de ecuaciones del KS......................................................................................................190
Ec. 5-64. Equivalencia entre covarianzas de residuos y de la variable original en procesos estacionarios .190
Ec. 5-65. Varianza de la estimación en el KS..............................................................................................191
Ec. 5-66. Ecuación general del KO .............................................................................................................191
Ec. 5-67. KO y condición de pesos .............................................................................................................191
Ec. 5-68. Comprobación del estimador insesgado en el KO .......................................................................191
Ec. 5-69. Varianza de la estimación del KO................................................................................................191
Ec. 5-70. Sistema de ecuaciones del KO .....................................................................................................192
Ec. 5-71. Varianza de la estimación en el KO .............................................................................................192
Ec. 5-72. Relación entre los semivariogramas de la variable original con deriva y el residuo....................193
Ec. 5-73. Deriva en el KD ...........................................................................................................................193
Ec. 5-74. Ecuación general del KD .............................................................................................................193
Ec. 5-75. KD y condiciones sobre las funciones de deriva..........................................................................193
Ec. 5-76. Comprobación del estimador insesgado en el KD .......................................................................194
Ec. 5-77. Varianza de la estimación del KD................................................................................................194
Ec. 5-78. Sistema de ecuaciones del KD .....................................................................................................194
Ec. 5-79. Varianza de la estimación en el KD .............................................................................................194
Ec. 5-80. Expresión de la deriva lineal en el KDE ......................................................................................195
Ec. 5-81. Ecuación general del KDE ...........................................................................................................195
Ec. 5-82. KDE y condiciones sobre las funciones de deriva .......................................................................195
Ec. 5-83. Comprobación del estimador insesgado en el KDE .....................................................................195
Ec. 5-84. Varianza de la estimación del KDE .............................................................................................196
Ec. 5-85. Sistema de ecuaciones del KDE...................................................................................................196
Ec. 5-86. Varianza de la estimación en el KDE ..........................................................................................196
Ec. 5-87. Ecuación general del KSR ...........................................................................................................197
Ec. 5-88. Comprobación del estimador insesgado en el KSR .....................................................................197
Ec. 5-89. Varianza de la estimación del KSR..............................................................................................197
Ec. 5-90. Sistema de ecuaciones del KSR ...................................................................................................197
Ec. 5-91. Varianza de la estimación en el KSR ...........................................................................................197
Ec. 5-92. Ecuación general del CKS ...........................................................................................................198
Ec. 5-93. Comprobación del estimador insesgado en el CKS .....................................................................198
Ec. 5-94. Varianza de la estimación del CKS..............................................................................................198
Ec. 5-95. Sistema de ecuaciones del CKS ...................................................................................................199
Ec. 5-96. Varianza de la estimación en el CKS ...........................................................................................199

xxx
ÍNDICE DE ECUACIONES

Ec. 5-97. Ecuación general del CKO...........................................................................................................199

Ec. 5-98. Condiciones en los pesos del CKO ..............................................................................................199
Ec. 5-99. Condición del CKO estandarizado...............................................................................................200
Ec. 5-100. Varianza de la estimación del CKO ...........................................................................................200
Ec. 5-101. Sistema de ecuaciones del CKO ................................................................................................200
Ec. 5-102. Varianza de la estimación en el CKO ........................................................................................200
Ec. 5-103. Ecuación general del CKSC.......................................................................................................201
Ec. 5-104. Sistema de ecuaciones del CKSC ..............................................................................................201
Ec. 5-105. Simplificación del cálculo de covarianzas cruzadas ..................................................................201
Ec. 5-106. Sistema de ecuaciones del CKOC..............................................................................................201
Ec. 6-1. Regresión básica precipitación-altitud ...........................................................................................211
Ec. 6-2. Regresión transformada precipitación-altitud I..............................................................................211
Ec. 6-3. Regresión transformada precipitación-altitud II ............................................................................212
Ec. 6-4. Regresión transformada precipitación-altitud III ...........................................................................212
Ec. 6-5. Regresión transformada precipitación-altitud IV ...........................................................................212
Ec. 6-6. Reparto de pesos por inverso de distancia y distancia entre los puntos i y j ..................................212
Ec. 6-7. Ajuste ponderado de la ecuación de regresión lineal por mínimos cuadrados ...............................213
Ec. 6-8. Transformación de Box-Cox..........................................................................................................215
Ec. 6-9. Error medio ....................................................................................................................................236
Ec. 6-10. Error medio absoluto....................................................................................................................236
Ec. 6-11. Error relativo medio .....................................................................................................................236
Ec. 6-12. Error estándar relativo..................................................................................................................236
Ec. 6-13. Error medio cuadrático.................................................................................................................236

xxxi
ÍNDICE DE ECUACIONES

xxxii
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

1 PRECIPITACIÓN Y OROGRAFÍA EN LA
SIMULACIÓN DEL CICLO HIDROLÓGICO.
OBJETIVOS DE LA TESIS

1.1 INTRODUCCIÓN Y ANTECEDENTES

1.1.1 CONSIDERACIONES HISTÓRICAS SOBRE EL CICLO HIDROLÓGICO Y
LA MONTAÑA

El conjunto de los diferentes estados y procesos por los que pasa el agua desde sus orígenes
constituye el campo científico de la hidrología (Bras, 1990). El agua circula entre la atmósfera
y la Tierra y es elemento imprescindible para la vida y para las actividades del hombre, que
modifica en su provecho el ciclo hidrológico natural. La hidrología como ciencia tiene
intereses comunes con otras disciplinas: meteorología, climatología, edafología, geología,
biología u oceanografía, a las que se añadirían especialidades científicas tales como la
economía o la sociología al considerar el agua como un factor para el desarrollo de las
actividades del hombre.
La cuestión sobre qué procesos constituyen el ciclo hidrológico ya se planteó en la Grecia
clásica de la mano de dos problemas: cómo se resuelve el balance del agua que los ríos
desaguan al mar y cuál es el origen de la que drena de los manantiales en épocas secas. Las
evidencias con las que se contaba en la antigua Grecia podrían ser como las siguientes: que
los ríos llegan de las montañas; que a las lluvias intensas, le siguen crecidas en los ríos; y que
en época estival los caudales disminuyen y llegan a secarse algunos cursos fluviales. Ninguno
de los dos problemas encuentra respuesta en la observación inmediata de la naturaleza y
ambos exigen la formulación de procesos hidrológicos de montaña y de llanura, atmosféricos,
superficiales y subterráneos.

1
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

Entre las primeras teorías sobre el ciclo hidrológico, las denominadas teorías
transmutacionistas sostienen que el agua se transforma en aire al evaporarse y el aire en
líquido. Es Aristóteles el que fija el concepto de circulación ascendente y descendente y el del
equilibrio entre generación y corrupción. A pesar de mantener como principio la
transmutación, Aristóteles, explica en los Libros Meteorológicos la fase terrestre del ciclo
hidrológico asignando a las montañas el papel de territorio receptor de la precipitación ya que
es allí donde se dan bajas temperaturas para que el vapor se transforme en lluvia. La lluvia se
infiltra y forma la escorrentía de las épocas de recesión. La velocidad con la que aparece la
escorrentía depende de las características de la montaña, en términos de densidad de las
montañas según los Libros Meteorológicos.
Las teorías conservacionistas, por el contrario, mantienen la conservación de un principio en
forma de agua y la existencia de un ciclo, con retornos ascendentes, uno atmosférico y un
segundo subterráneo hacia las montañas. Es este segundo retorno subterráneo el que supuso
un conflicto experimental ya que su carácter ascendente, aunque explicara el origen de la
escorrentía en las montañas, necesita algún tipo de mecanismo que impulsara el agua en
sentido contrario a la gravedad y la elevara hasta las áreas de mayor altitud. Tales, Platón,
Plinio e incluso Descartes en el siglo XVII apoyaron estas teorías proponiendo diferentes
mecanismos que no pudieron ser observados en la naturaleza (Solís, 1990).
Vitruvio sostuvo en el siglo I que el ciclo hidrológico es función de la evaporación y de las
lluvias abundantes en las montañas. Perrault en el siglo XVII refrenda la fase descendente o el
origen de los caudales de los ríos comparando el orden de magnitud de aforos en la cabecera
del Sena con el de los registros de lluvia para concluir que los primeros son muy inferiores a
los segundos. Sin embargo, la imposibilidad de recoger exhaustivamente datos hidrológicos
en una cuenca y contemplar el conjunto de procesos hidrológicos provocó que, a pesar de los
planteamientos conceptuales de la Ilustración Francesa y su experimentación sobre distintas
fases del ciclo hidrológico como la infiltración, perviviera el debate del origen de las fuentes
y, en consecuencia, el del cierre del ciclo hidrológico. De acuerdo a Solís (1990), a principios
del siglo XVIII, Vallisneri recoge información en cuencas de montaña de los Alpes donde la
generación de escorrentía es abundante. En fuentes de carácter local encuentra que a los años
húmedos siguen periodos de recesión de abundancia, lo que liga los mecanismos de recarga
de origen pluvial con la descarga de las fuentes. El cierre de la teoría conservacionista del
retorno atmosférico lo explica Hadley en el siglo XVIII mediante experimentación en
laboratorio y medidas de evaporación. El agua en la atmósfera precipita y genera escorrentía
que, por acumulación en la red de drenaje, forma las aportaciones de los ríos. Una cantidad se
infiltra y reaparece con el tiempo como componente subterránea en función de las
características hidrodinámicas del medio, expresadas en leyes similares a las del flujo en
medios porosos publicada por Darcy en 1856. Parte del agua precipitada vuelve a la atmósfera
por evapotranspiración y se cierra el ciclo hidrológico.
Roe (2005) destaca el papel de la British Rainfall Organisation y de su fundador George
James Symons al subrayar la necesidad de cuantificar la contribución de la lluvia en zonas
montañosas. La asociación se fundó en 1859 con voluntarios que recogían datos dispersos de
lluvia en Gran Bretaña. A finales del s. XIX manejaban más de 3.500 puntos de medida. Los
datos sirvieron para investigar la importancia de la homogeneización de los sistemas de
registro, el alcance de eventos extremos cuya extensión se estudiaba mediante mapas de
isoyetas, así como la variabilidad temporal y espacial de la lluvia mensual y anual.

2
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

1.1.2 LA PRECIPITACIÓN EN LA SIMULACIÓN DEL CICLO HIDROLÓGICO.

PRINCIPIOS DE LA HIDROLOGÍA

La simulación integral del ciclo hidrológico está hoy lejos de haber encontrado una solución
concluyente a pesar del avance proporcionado por planteamientos basados en la
concatenación de procesos e interrelaciones, expresados ambos en términos con
fundamentación física, conceptual o estadística. Un esquema de simulación integral de cuenca
considera a la lluvia como mecanismo desencadenante del resto de procesos hidrológicos y su
estimación se apoya en observaciones con una fuerte variabilidad estacional, interanual y
espacial, entre las zonas de montaña y valle o entre las zonas costeras y del interior. A partir
de la lluvia, se suceden procesos de retención y detención como la intercepción de lluvia, la
evaporación y transpiración de las plantas, la recarga de los acuíferos, así como los
mecanismos de generación de escorrentía y propagación en las cuencas.
La primera formulación del método racional de Mulvaney, publicada en 1851, planteaba
como variables básicas para estimar un caudal máximo o de pico para el diseño de desagües,
la dependencia directa de la lluvia o de su intensidad en un intervalo de tiempo definido, del
área de la cuenca drenante y de un coeficiente de escorrentía característico de la cuenca. En el
estudio de eventos, Sherman introduce en 1932 el concepto de hidrograma unitario para
estimar, no solamente el caudal punta a partir de una cantidad de lluvia efectiva, sino también
la evolución en el tiempo de los caudales, lo que se conoce como hidrograma. Su fundamento
reside en modelos lineales de respuesta a lluvias unitarias. Este problema se reformuló dentro
de la teoría de sistemas durante los años 50.
Ambos modelos permanecen vigentes, reservando a la precipitación el papel de mecanismo
desencadenante, si bien la estimación de la respuesta hidrológica depende de factores
relacionados como la geología, los suelos y su textura, la topografía y pendientes del terreno,
la vegetación y usos de suelo, la variabilidad espacial de cualquiera de factores fisiográficos
mencionados y la variabilidad e intensidad de variables atmosféricas como la lluvia o
temperatura entre otros. Estos factores caracterizan las leyes que regirían los procesos
hidrológicos y sus interrelaciones. Pero en la práctica, el conjunto de procesos hidrológicos
resulta inabordable por la heterogeneidad de los factores anteriores y porque la aplicabilidad
de las leyes que representan los procesos hidrológicos depende de la escala (Eagleson, 1970).
En función de la heterogeneidad y escalas espaciales y temporales, los procesos resultan más
o menos relevantes para estimar una componente hidrológica y son de aplicación unas u otras
leyes físicas. De acuerdo al denominado Principio de Parsimonia, los modelos deben integrar
únicamente los procesos dominantes que permiten transformar la lluvia en cualquier
componente hidrológica como la escorrentía permitiendo, con carácter general, identificar
causas y efectos y limitar la incertidumbre de la simulación hidrológica.
El Principio de Conservación de Masa constituye una ecuación fundamental en hidrología,
aplicable a cualquier escala espacial, no dependiente de ningún parámetro distinto de los
geométricos que definen el volumen de control u otros relacionados con las variables
implicadas (Dooge, 1988). Fundamenta la formulación del ciclo hidrológico, así como la de la
de la física de los procesos y fases por las que circula el agua (Eagleson, 1970; Singh, 1988;
Chow et al., 1994; Beven, 2001). Este principió se extendió al Principio de Conservación de
la Energía por Penman en 1948 (McCulloch, 2007) para la determinación de la evaporación
en función de términos energéticos y aerodinámicos. La aplicación de los principios de
continuidad o conservación necesita de la definición de volúmenes de control por lo que para

3
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

facilitar la representación del ciclo hidrológico ha sido tradicional usar elementos de balance
que reciben una cantidad de agua o energía, la almacenan y dan salida.
La teoría de sistemas plantea el estudio de un fenómeno complejo descomponiéndolo en una
serie de variables de entrada y salida, así como en una serie de funciones de transformación.
Éstas dependen de parámetros que se estiman mediante ajuste entre las variables de entrada y
salida. Las funciones de transformación se entienden como expresiones de mecanismos
físicos conocidos y deterministas o, desde otro punto de vista, como funciones capaces de
simular los mecanismos que sigue el agua en cada proceso, básicamente almacenamiento y
propagación. La estructura del ciclo hidrológico se expresa por medio de un conjunto de
procesos interrelacionados que reciben, almacenan y descargan agua entre ellos hasta producir
la escorrentía, pero cuya primera entrada es la precipitación y el cierre atmosférico es la
evapotranspiración.
El esquema de simulación de Freeze y Harlan (1969) integra diferentes mecanismos de
estimación de componentes subsuperficiales, directas y subterráneas de escorrentía, cálculos
de evapotranspiración desde el suelo y zona saturada, así como ecuaciones hidráulicas de
propagación de la escorrentía. Su diseño se apoya en la implementación de ecuaciones
físicamente basadas y en el avance que entonces se vislumbraba sobre las posibilidades
computacionales y numéricas para simular el conjunto considerable de procesos que forman
el ciclo hidrológico. Este esquema se ha mantenido hasta las actuales versiones de modelos
distribuidos y físicamente basados con aplicación a multitud de problemas hidrológicos
(Graham y Butts, 2005; Singh y Woolhiser, 2002). Sin embargo, los parámetros de los que
dependen las leyes adquieren significado cuando se aplican a una escala y cuenca
determinada, reduciendo la utilidad de las técnicas experimentales de laboratorio en la
parametrización de los modelos de simulación hidrológica. Hay un problema de escala entre
los valores de los parámetros procedentes de ensayos puntuales cuando los procesos poseen
una clara dimensión espacial (Beven, 1987 y 2002).
La calibración hidrológica es una técnica a posteriori. Una técnica a priori se referiría al uso
de la experimentación en la estimación de los parámetros de los que depende una ley física
(Duan et al, 2003). Sin embargo, las características hidrológicas que describen los parámetros
no son fácilmente observables y medibles a la escala de cuenca (Gupta et al., 2003). La
calibración en hidrología consiste en el ajuste del valor de los parámetros utilizando como
criterio el mejor acuerdo posible entre registros hidrológicos históricos y las simulaciones
realizadas con el modelo. Se distinguen en el proceso de calibración tres pasos, de cero a dos
según Boyle et al. (2000). El nivel cero está definido por la recopilación del rango de valores
de un parámetro en función de la similitud de las características de una cuenca con otras. En
el nivel uno, los valores de los parámetros se aproximan en función del estudio del efecto de
ese parámetro en la respuesta. Finalmente, en el nivel dos se comparan resultados simulados
con históricos utilizando el modelo hidrológico, lo que permite contemplar el conjunto de
interacciones de los procesos dominantes. Como regla práctica se asume extrapolable la
caracterización hidrológica de una a otras cuencas y el ajuste de los valores de parámetros se
basa en identificar características fisiográficas comunes entre diferentes cuencas (Gupta et al.,
2003).
La calibración de parámetros es un proceso complejo al entrar en juego incertidumbres
asociadas a diversas causas, entre las cuales es principal la experiencia del técnico (Schaake,
2003) y otras ya comentadas relativas a la necesaria simplificación en la representación
matemática del ciclo hidrológico o a la falta de acuerdo entre la parametrización de

4
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

laboratorio y la de cuenca. La precisión de la representación de la variabilidad de la

precipitación tiene un efecto directo en la respuesta de los modelos hidrológicos y es causa de
una parte importante de la incertidumbre (Tetzlaff y Uhlenbrook, 2005; Pechlivanidis et al.
2008). Más específicamente, los modelos pueden resultar insuficientes por la falta de
aplicabilidad de una expresión matemática a un tipo de proceso o a sus interrelaciones. El
conocimiento impreciso del territorio y el que parte del ciclo hidrológico permanezca oculto o
escape parcialmente a las posibilidades de observación (Beven, 2002) es una componente más
del término de incertidumbre en la formulación matemática del ciclo hidrológico. Las series
de referencia para la calibración añaden nuevas incertidumbres cuando se considera la calidad
de su tratamiento, la existencia de lagunas o la falta de representatividad de los registros en el
territorio. Estos mismos aspectos sobre calidad, representatividad y completado de las series
pueden también referirse a la incertidumbre asociada a las series climáticas, de entrada al
modelo hidrológico y a su propagación a lo largo de los procesos simulados en el ciclo
hidrológico.
La magnitud del conjunto de incertidumbres tiene importantes consecuencias prácticas. Una
primera se refiere a que en este marco de imprecisión adquiere sentido promover un contexto
probabilístico que dé expresión a las incertidumbres en variables, parámetros y resultados
(Beven, 1987 y 2002). Otra lleva al reconocimiento de que las calibraciones son particulares a
cada ejercicio de simulación (Schaake, 2003) y son función de una percepción personal, en
todo caso condicionada por el estado del arte del conocimiento científico y la experiencia
técnica (Beven, 1987). Por último, en la práctica resultan igualmente validos varios conjuntos
de valores de parámetros, aspecto éste definido como Principio de Equifinalidad (Beven,
2001).
Una vez identificado el ciclo hidrológico como un marco complejo y difícilmente abordable
con técnicas deterministas, queda abierto el camino al uso de modelos estadísticos. Éstos
permiten manejar un contexto probabilístico que opere con la incertidumbre de variables,
parámetros y resultados, diseñar modelos de respuesta de variables o definir operativamente
niveles de riesgo para el diseño de obras civiles. Su uso no es artificioso y hay enlaces
conceptuales con modelos determinísticos (Salas et al., 1980). Han permitido incluso
vislumbrar fenómenos naturales como el expuesto por Hurst en 1951, realizado con ocasión
del estudio de regulación y la caracterización de la variabilidad hidrológica de la cuenca de la
presa de Asuán (Hipel y McLeod, 1994). Hurst recopiló unas 700 series procedentes no
solamente de los caudales del Nilo, sino también de series dendrocronológicas, de sedimentos,
de niveles de lago, de la evolución de manchas solares, etc. Su objetivo era aplicar a las series
estandarizadas el algoritmo del pico siguiente utilizado en series de aportaciones para definir
los volúmenes necesarios para regular la variabilidad de la serie. De aquellos estudios se
extraen dos conclusiones principales. La primera se refiere al carácter de la variabilidad de las
muestras de información. La variabilidad es creciente con la longitud de la serie y
representable mediante una función potencial. La segunda conclusión se extrae después de
comparar los parámetros resultantes de la experimentación con las muestras recogidas y los
procedentes de modelos teóricos de series estacionarias. Los últimos predicen valores
esencialmente diferentes a los que Hurst obtuvo del conjunto de series recopilado y la falta de
acuerdo condujo a pensar en la existencia de débiles componentes en las series que las hacen
no estacionarias o en que la estructura de las mismas depende de saltos entre diferentes
niveles de estacionariedad. Ambos aspectos conducen a concluir que hay elementos en la

5
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

ciencia hidrológica radicalmente imprecisos que no pueden ser tratados sin el apoyo de
técnicas estadísticas y que afectan al planteamiento conceptual del problema.
Las consideraciones anteriores subrayan la complejidad del objetivo de simulación integral
del ciclo hidrológico y las variables fuentes de incertidumbre que hay en la práctica de los
modelos y en la representación de procesos, cualquiera que sea el fundamento de las
ecuaciones, físicamente basadas, estocásticas o fundadas en la teoría de sistemas, desde el
momento en que se produce la lluvia hasta la generación de escorrentía. La adecuada
representación de la lluvia es entonces un problema que compromete la fiabilidad de los
modelos hidrológicos y de sus predicciones (Tetzlaff y Uhlenbrook, 2005; McMillan et al.,
2011).

1.1.3 EL RECURSO HÍDRICO NATURAL EN LA PLANIFICACIÓN

HIDROLÓGICA EN ESPAÑA

La evaluación de recursos hídricos consiste en la determinación de los flujos y

almacenamientos de agua en un territorio en la situación real, régimen alterado, y en la
correspondiente al régimen natural. El régimen natural es el que define los recursos existentes
antes de que se vean afectados por la acción humana. Es decir, son los correspondientes a un
ciclo hidrológico en el que no se ha realizado ninguna alteración por la actividad humana, ni
en la cantidad ni en la secuencia temporal de procesos hidrológicos. Las alteraciones posibles
son variadas: tomas de agua de un río, extracciones de los acuíferos, modificación de las
relaciones de transferencia de agua entre el río y el acuífero, operaciones de regulación en los
embalses y reubicación de agua mediante canalizaciones y trasvase, entre otras. Tal como se
ha definido, el régimen natural solamente existe en pequeñas cuencas de cabecera, alejadas de
las fuentes de alteración humana y de los usos de agua, pero es un concepto útil en
planificación hidrológica. Los recursos en régimen natural son una pieza más de un conjunto
de elementos de trabajo en planificación como son las demandas, las infraestructuras
hidráulicas, los acuíferos y sus reglas de gestión o las restricciones medioambientales y la
calidad del agua. Los recursos hídricos se caracterizan por una variabilidad intranual y
plurianual que es la que los sistemas hidráulicos regulan para atender las demandas. De
acuerdo al marco administrativo actual, la planificación hidrológica trabaja en el análisis de la
compatibilidad de todos estos elementos con el objetivo de conseguir el buen estado de las
masas de agua1 (MARM, 2000a).
El recurso natural se estima de diferentes maneras. Conocidos los recursos registrados en las
estaciones de aforo, éstos se restituyen al régimen natural descontando y añadiendo los
volúmenes de agua correspondientes a consumos y derivaciones de agua de ríos y acuíferos; a
evaporaciones, filtraciones y volúmenes almacenados en los embalses; y a retornos que
posteriormente vuelven al río. Este proceso es teóricamente sencillo, pero en la práctica
surgen diferentes problemas.
Inicialmente se requiere conocer con suficiente precisión espacial y temporal variables como
las anteriormente citadas. Sin embargo, las redes de medida de ríos y canales tienen una
irregular densidad, lo que hace que no se disponga de la misma cantidad de información en
cualquier lugar. La Figura 1 muestra la localización de los puntos en los que hay registro de

1
Concepto derivado de la Directiva Marco del Agua que establece el marco comunitario de actuación en aguas

6
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

aguas superficiales en España: embalses, canales y estaciones de aforo de la Red Oficial de

Estaciones de Aforo, ROEA; y estaciones del Sistema Automático de Información
Hidrológica, SAIH. Los datos pertenecen a la Dirección General del Agua, DGA, del
Ministerio de Medio Ambiente y Medio Rural y Marino, MARM. Se han obtenido de la base
de datos HIDRO del CEDEX (Quintas, 1996). La red ROEA de la DGA tiene registros diarios
desde 1912 y la red SAIH se ha implantado desde 1990 en las diferentes Confederaciones
Hidrográficas para el registro de datos hidrológicos en pasos minutales.
Los caudales se registran por transformación de niveles medidos en las escalas, flotadores y
limnígrafos de las estaciones de aforo. La calidad de esta transformación depende en gran
medida de las condiciones de mantenimiento de las estaciones y de la realización de
campañas de aforos directos, pero no es homogénea a lo largo del tiempo. En los embalses se
registran variaciones de almacenamiento y salidas por los órganos de desagüe, lo que
permitiría obtener las entradas no alteradas aplicando una ecuación de balance que ligue
entradas, salidas y variación de almacenamiento. No obstante, quedan indeterminadas las
filtraciones a través del vaso y las evaporaciones de la lámina de agua lo que, como en otros
casos hace evidente que parte del ciclo hidrológico escapa y queda oculto al control de las
redes de medida en ríos, canales, embalses y acuíferos.
La Figura 2 muestra la red de piezometría de la DGA del MARM2 sobre la definición de
masas de agua subterránea. La red de aguas subterráneas registra datos desde 1966 sobre la
caracterización de acuíferos (edades geológicas, litologías, profundidad del techo y muro del
acuífero) y la evolución de niveles piezométricos. Ha sido gestionada tradicionalmente por el
Instituto Geológico y Minero de España, IGME, que también cuenta con una red de aforos de
manantiales con medidas esporádicas de caudal. Las series históricas de piezometría registran
en intervalos semestrales, entre aguas altas y bajas con abundantes lagunas de información.
Los registros, desde aproximadamente la mitad de los años 90, son trimestrales y mensuales.
La calidad de la información depende de las condiciones de construcción de los pozos que, al
cabo de los años, se colmatan lo que obliga a reprofundizar y cambiar la cota de medida del
nivel piezométrico.

Figura 1. Redes de medida de aguas superficiales en España Figura 2. Red de medida de aguas subterráneas en España
según MARM según MARM

2
http://www.marm.es/. No se incluye la posición de los piezómetros de Canarias

7
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

La técnica complementaria a la restitución a partir de las redes de medida, tal como se ha

explicado anteriormente, es la estimación del régimen natural por medio de la simulación de
las principales fases del ciclo hidrológico. Los modelos constituyen una herramienta de
simulación matemática de las leyes de transferencia de agua. Permiten evaluar mediante
ecuaciones matemáticas y técnicas numéricas y de programación distintas fases del ciclo
hidrológico cuando falta información de registros reales o, simplemente, cuando no hay
posibilidad de realizar medidas, tal como ocurre con el régimen natural en gran parte del
territorio. La respuesta hidrológica de la cuenca depende de variables climáticas como la
precipitación y evapotranspiración potencial, así como del papel del suelo, de la vegetación,
de los acuíferos y, en general, de factores fisiográficos y geomorfológicos como ya se ha
comentado anteriormente. La respuesta hidrológica está condicionada por la cantidad de agua
y energía que entra al sistema terrestre a partir del cual tienen lugar los procesos de
infiltración, evapotranspiración, generación de escorrentía directa, drenaje subterráneo, etc.
Las series históricas registradas en estaciones de aforo y piezómetros sirven de referencia para
la calibración. Pero la lluvia es la variable de influjo en los modelos hidrológicos y
desencadena el resto de procesos a los que traslada la incertidumbre de su estimación.
En esta línea, los modelos de transformación de lluvia en escorrentía han sido utilizados con
profusión en España, especialmente desde los años 60 con el avance de las técnicas de
computación y la implementación de modelos hidrológicos como el Stanford IV y
Sacramento (Estrela, 1989 y 1992). El Centro de Estudios Hidrográficos del CEDEX viene
desarrollando desde mediados de los años 90 el Sistema Integrado de Simulación
Precipitación Aportación, SIMPA (Álvarez et al, 2005; Ruiz, 1998; Estrela y Quintas, 1996).
Integra una versión cuasidistribuida del modelo de Témez para la estimación de los recursos
hídricos (Témez, 1971). Ha permitido estimar las principales variables hidrológicas para la
evaluación de recursos hídricos en España, tal como se muestra en el Libro Blanco del Agua
en España, LBAE (MARM, 2000a). Trabaja a escala mensual con balances en celdas de 1 a
0,25 km2 de resolución. Contempla los almacenamientos del suelo y el acuífero, estimando
mapas mensuales de humedad del suelo, evapotranspiración real, recarga al acuífero y de
escorrentía o caudal medio (Figura 3). Cabe destacar que las leyes del modelo se basan en un
esquema de generación de escorrentía apoyado en la definición de un umbral de escorrentía y
una ley no lineal entre excedente y lluvia; en la implementación del modelo de tanque entre
los volúmenes almacenados en un acuífero y los drenados, así como en una ley de recarga que
depende de un parámetro equivalente a una conductividad hidráulica vertical y de la carga de
excedente sobre la zona saturada (Témez, 1971).

8
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

PRE

ETR (ETP)
(TEM)
A c u íf e ro K sólida líquida
i
ESCd

nieve
j

C e ld a ( i,j) (TEM)

ESC

P u n to d e C o n tro l

REC
suelo
PRE: precipitación H
TEM: temperatura
ETP: evapotranspiración potencial ESCsb
H: humedad en el suelo
ETR: evapotranspiración real
ESCd: escorrentía directa acuífero
REC: recarga V
V: volumen acuífero
ESCsb: escorrentía subterránea
ESC: escorrentía total

Figura 3. Esquema del modelo de Témez implementado en SIMPA

A título de ejemplo, la Figura 4 muestra mapas medios anuales de las anteriores variables,
precipitación, evapotranspiración potencial y real, recarga en las masas de agua subterránea y
escorrentía total estimados mediante el modelo anterior. La escala de trabajo es mensual entre
los años hidrológicos 1930/31 y 2005/06. La precipitación representa el influjo de agua en el
ciclo hidrológico, mientras que la evapotranspiración potencial representa la demanda
atmosférica de agua, que se satisface en función de las disponibilidades de agua en el suelo
dando la evapotranspiración real. En cada unidad acuífera, el influjo de agua está dado por la
recarga que, en plazos de tiempo suficientemente amplios, tiene que igualar a la descarga. La
escorrentía es suma de esta descarga subterránea y la denominada escorrentía directa.

Precipitación ETP ETR

Recarga Escorrentía
Figura 4. Principales variables hidrológicas estimadas por el modelo de recursos en SIMPA

9
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

1.1.4 ESTIMACIÓN E INTERPOLACIÓN DE LA PRECIPITACIÓN. ATLAS

CLIMÁTICOS Y PLANES HIDROLÓGICOS A ESCALA NACIONAL

De lo anterior se infiere que la estimación de la lluvia es un problema de principal

importancia en la simulación de recursos hídricos y, consiguientemente, en los trabajos de
planificación hidrológica que se sirven de los resultados de simulación hidrológica para
evalúa la compatibilidad de recursos hídricos, requerimientos ambientales y usos y demandas
en un momento y lugar determinado. La dificultad aumenta cuando se trabaja en un territorio
como España sujeto a climas y distribuciones espacio temporales de la lluvia muy variables.
La elaboración de Atlas climáticos de precipitación en algunas regiones de España se inicia ya
a principios del siglo XX, basándose en redes de medidas y trazado subjetivo de las isoyetas,
según los conocimientos y experiencia de cada autor. Esta metodología se mantiene hasta
finales del siglo XX, destacándose, ya a escala nacional, el Atlas Climático de España
elaborado por Font Tullot (1983). Más recientemente se han elaborado mapas digitales de
precipitación y temperatura de España o de regiones y cuencas empleando diferentes métodos
de interpolación como la regresión múltiple (Marquínez et al., 2003; Ninyerola et al. 2007a y
2007b) o el planteamiento variacional (Felicísimo et al., 2001). Recientemente, la Agencia
Estatal de Meteorología, AEMET, y el Instituto de Meteorología de Portugal han publicado el
Atlas Climático Ibérico en el que se aborda la estimación de diferentes variables como la
temperatura, el número de días de lluvia o la precipitación mediante un método combinado de
regresión múltiple y krigeado simple de residuos (AEMET, 2011). El Atlas incluye mapas
sobre valores normales anuales y mensuales del periodo 1971-2000. Su ámbito es el de la
Península Ibérica completa y el archipiélago Balear.
El Plan Nacional de Obras Hidráulicas de Lorenzo Pardo (1933), PNOH-33, constituye un
hito en los trabajos de planificación en España. Podría decirse que culmina un proceso de
avance científico y técnico centrado en el aprovechamiento del ciclo hidrológico para el
desarrollo económico del país. En el PNOH-33 se organizan los datos nacionales de
precipitación, evaporación y medio hidrográfico y geológico para estimar los caudales
circulantes por los ríos y compararlos finalmente con las demandas de agua. Como resultado
intermedio, se obtiene un mapa medio de lluvias anuales (1921-1930) elaborado conforme los
escasos registros disponibles y a criterios cualitativos manejados por especialistas. Otro hito
reseñable de este proceso es la publicación de Bentabol y Ureta (1900) donde con generalidad
se tratan aspectos similares al PNOH-33. Bentabol y Ureta (1900) recopila la información de
unos 50 observatorios de la Península para describir la estacionalidad, torrencialidad o valores
medios de la lluvia en España.
Los mapas de precipitación de las siguientes figuras (Figura 5 y Figura 6) corresponden a las
evaluaciones del PNOH-33 y del CEH (1971). Se elaboraron utilizando series de
pluviómetros disponibles en las diferentes épocas. El primer mapa (Figura 5) corresponde a
una media anual de lluvias registradas entre 1921 y 1930. El segundo (Figura 6) es de nuevo
un mapa de isoyetas, pero correspondiente a la lluvia total anual del año 1959/60 en la cuenca
del Guadalquivir y es parte de una serie temporal de mapas anuales. En ambos casos, el
trazado de isoyetas se realizó por especialistas que manejaron los datos pluviométricos de
acuerdo a la experiencia y conocimiento de la variabilidad de la lluvia. En CEH (1971) se
utilizaban los registros de estaciones de aforo como referencia de los volúmenes de lluvia
caídos en una cuenca.

10
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

Figura 5. Lluvia media anual (1921-1930) en España Figura 6. Isoyetas de lluvia anual de 1959/60 en la cuenca
(Lorenzo Pardo, 1933) del Guadalquivir (CEH, 1971)

Un hito en la estimación de los recursos hídricos en España lo constituye la evaluación del

LBAE (MARM, 2000a), ya referido anteriormente. La Figura 7 muestra una actualización
hasta el año hidrológico 2005/06 de la lluvia media anual siguiendo el procedimiento utilizado
en el LBAE. Este procedimiento se basa en la aplicación del algoritmo de inverso de distancia
al cuadrado con un tratamiento regional de las relaciones entre la lluvia y la orografía
(MARM, 2000a). Las relaciones eran lineales entre precipitación y altitud, lo que permitió
definir estaciones meteorológicas virtuales y series virtuales de lluvia mensual a partir de
datos registrados. El conjunto, series registradas y virtuales por aplicación de leyes regionales,
se incorporaban al algoritmo de interpolación. Los mapas se calculaban mensualmente y del
conjunto de mapas mensuales, se obtuvieron los anuales cuyo promedio es el representado en
la Figura 7.

Figura 7. Lluvia media anual en España del LBAE y posteriores actualizaciones (MARM, 2000b)

La elección del método de inverso de distancia atendió en el LBAE a razones prácticas dentro
del mismo contexto de simulación hidrológica. Los mapas mensuales de lluvia se interpolaron

11
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

atendiendo a la necesidad de procesar un volumen importante de datos lluvias mensuales con

suficiente velocidad para simular posteriormente los recursos hídricos en régimen natural,
inicialmente durante el periodo 1940/41-1995/96 (MARM, 2000a).
Previamente a la interpolación del LBAE, se completaron las series mensuales de lluvia
registrada en los pluviómetros de AEMET utilizando un procedimiento de regresión bivariada
con estacionalización previa (Estrela, 1992; MARM, 2000a). La adaptación al tratamiento del
gradiente altitudinal de la lluvia consistió en ecuaciones locales de regresión entre la altitud y
la precipitación. Es un enfoque clásico en los estudios hidrológicos. Una vez estimado el
gradiente hipsométrico local, se obtuvieron series de lluvias representativas de las zonas de
baja densidad. Este procedimiento es técnicamente sencillo, pero costoso al tratar con el
territorio completo de España y, por tanto, con un número alto de regiones en las que plantear
regresiones regionales.
El uso del método de inverso de distancia no es adecuado cuando hay redundancias de
información o simplemente cuando la información registrada no es extrapolable directamente
al entorno, tal como ocurre en zonas de valle respecto a laderas de mayor altitud, expuestas a
los frentes húmedos. Por tanto, el procedimiento hubo de acompañarse de filtros en la
selección de información. Para la elaboración de los mapas de lluvia del LBAE se optó por
identificar los pluviómetros redundantes para su posterior eliminación. El contraste de este
tratamiento se basó en comparar los volúmenes generados finalmente por un modelo
hidrológico con los volúmenes de escorrentía registrados en las estaciones de aforo (MARM,
2000a).
Una visión preliminar del efecto orográfico global en España se consigue calculando la curva
que relaciona la precipitación media en las estaciones de la red AEMET (Figura 8) y la
altitud. Las precipitaciones medias del periodo 1940/41-1995/96 se han obtenido de series de
lluvia completadas, tras lo cual se agrupan por franjas de altitud. Por otro lado, tomando el
mapa de lluvia media anual del LBAE, se puede obtener la lluvia media de las celdas
comprendidas en las mismas franjas de altitud.

Figura 8. Gradiente altitudinal de la lluvia de registros y de resultados del LBAE (MARM, 2000a)

La curva correspondiente a los resultados del LBAE permite estimar un valor del gradiente
medio entre precipitación y altitud de 60 mm/100 m, desde los 800 msnm, con lluvias

12
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

estacionarias entre los 600 y 700 mm/año en cotas inferiores; por encima de los 1.600 msnm,
las lluvias superan los 1000 mm/año en media (MARM, 2000a). Sin embargo, los datos
promediados de las estaciones de la AEMET no muestran el mismo comportamiento
monótono creciente con la altitud. Proporcionan un máximo de lluvias alrededor de los 1.800
msnm, si bien el número de estaciones utilizadas en estas altitudes es muy escaso. Por otro
lado, los promedios de lluvia registrada no alcanzan los valores resultado de la interpolación.
Esto atendería a las siguientes razones. O bien la red meteorológica es claramente insuficiente
y no registra un importante volumen de lluvia en las cotas más altas; o bien, los resultados del
LBAE (MARM, 2000a) han sobreestimado la lluvia y el volumen sobrante se ha repartido en
otros procesos hidrológicos mediante la calibración y ajuste de los volúmenes de escorrentía
conforme a los registrados en algunas estaciones de aforo.

1.1.5 CUESTIONES ABIERTAS E IDENTIFICACIÓN DE LAGUNAS

En el LBAE se señala a la precipitación como una de las principales fuentes de incertidumbre

para el cálculo de los recursos hídricos de un territorio debido a la falta de pluviómetros en
altura y a la baja representatividad de los existentes (MARM, 2000a). Numerosos trabajos
abundan en la misma línea destacando no solo la escasez de medidas, sino también la
necesidad de idear métodos que permitan mejorar las estimaciones de lluvia en altura.
Actualmente hay varios proyectos y consorcios de instituciones internacionales para el estudio
del efecto orográfico en las lluvias. Así, el World Weather Research Programme promueve
iniciativas como son los proyectos Convective and Orographically-induced Precipitation
Study, COPS3, y el Mesoscale Alpine Programme, MAP4. El primero dedica atención a la
recogida de información para su uso en modelos climáticos de predicción; el segundo estudia
procesos atmosféricos e hidrológicos en zonas de montaña para su implementación de
modelos probabilísticos de predicción. MAP tiene vínculos para la elaboración de programas
experimentales de registro de datos con proyectos como HYdrological cycle in the
Mediterranean EXperiment, HyMeX5, concentrado en el estudio de procesos hidrológicos en
el Mediterráneo.
Ligado a estas consideraciones en el marco internacional, el apartado anterior abre el punto de
partida de esta tesis al identificar el comportamiento heterogéneo de la precipitación respecto
a la orografía y la dificultad de su simulación sistemática a escala nacional considerando la
localización de estaciones existentes.
La lluvia se produce con arreglo a la circulación sinóptica y mesoescalar de las masas
húmedas de aire y otros factores en mesoescala como la presencia de barreras montañosas, la
orientación y pendiente de las laderas o el grado de continentalidad y distancia a la costa. El
conocimiento de estos factores y de los registros terrestres permite la estimación de mapas de
lluvia, pero este procedimiento se enfrenta a los siguientes problemas:
1. Variabilidad climática de las lluvias y de la circulación de masas de aire húmedo

3
https://www.uni-hohenheim.de/spp-iop/index.htm
4
http://www.map.meteoswiss.ch/
5
http://www.hymex.org/

13
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

2. Variabilidad del grado de influencia en la lluvia de parámetros fisiográficos como la

altitud y orografía, la orientación, las pendientes del terreno y la continentalidad o
distancia a la costa
3. Existencia de zonas con baja densidad de registros donde los fenómenos físicos que
producen lluvia son complejos de reproducir, tal como ocurre en las zonas de mayor
altitud y en las cadenas montañosas
4. Problemas de calidad y lagunas en las series históricas registradas por la falta de
adecuación de las condiciones de medida o problemas de mantenimiento
5. Redundancias de información por disposición de pluviómetros en lugares cercanos
sometidos a las mismas condiciones climáticas lo que hace necesaria la elaboración de
estrategias de selección de información
6. Variabilidad de la representatividad regional de los registros, tal como ocurre entre
datos tomados en una planicie o en una zona montañosa
Ante tal variabilidad, se plantea recurrir a la medida de la precipitación con la mayor
resolución espacial y temporal posible. Si bien este tema será desarrollado en profundidad en
el capítulo siguiente, cabe introducir aquí dos apuntes. En primer lugar, la red de sensores
terrestres está formada por pluviógrafos y pluviómetros con un amplio periodo histórico de
registros, acumulables en diferentes pasos temporales, desde el minutal al anual. Desde el
punto de vista de la evaluación de recursos hídricos a escala nacional el paso temporal
requerido es al menos el estacional o el mensual para reflejar la sucesión intranual de periodos
secos y húmedos. En segundo lugar, las estimaciones de lluvia derivadas del uso de sensores
indirectos como el radar o la teledetección cuentan con varios problemas para su uso en las
evaluaciones de recursos hídricos. O bien no dan suficiente resolución espacial, no cubriendo
la totalidad del territorio, o bien no tienen suficiente amplitud temporal. Consecuentemente, es
usual en hidrología de recursos el uso de los registros de sensores terrestres y de técnicas de
tratamiento espacial de esos datos para estimar la lluvia caída en cada punto del territorio,
usando las técnicas de radar para la estimación de lluvias de episodios concretos y la de
satélite para los casos en los que no existan registros de tierra. Recientemente se está
planteando la posibilidad de utilizar el radar para mejorar la estimación de la distribución de
precipitación, pero atendiendo a las fuentes de error, es una técnica que requiere todavía una
considerable reflexión.
En esta tesis, utilizando la red histórica de la Agencia Estatal de Meteorología, AEMET, se
dispone de unas 11.000 estaciones meteorológicas históricas en unos 505.000 km2 del
territorio español en la Península Ibérica y archipiélagos de Baleares y Canarias; y más de 70
años desde el año hidrológico 1940/41, inicio de los estudios recientes de planificación
hidrológica. Se abre aquí otra cuestión de la mayor importancia y no siempre bien tratada en
la bibliografía como es la necesidad de homogeneización y completado de series. Este punto
ya fue tenido en cuenta en el LBAE y se desarrollará con mayor profundidad en el capítulo 3.
Asimismo, ante semejante volumen de información y la importancia que la distribución
espacial tiene en la presente tesis, es necesario usar los Sistemas de Información Geográfica,
SIG. Son programas informáticos para el manejo y la gestión de volúmenes de información
con dimensión espacial. Su desarrollo ha tenido una gran repercusión en el mundo de las
Ciencias Medioambientales y, en concreto, en el ámbito de la Hidrología. Los SIG se definen
como sistemas informáticos diseñados para el manejo, análisis y cartografía de información

14
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

espacial georreferenciada (Quintas, 1998; Felicísimo, 1994). Traducen los elementos

analógicos de la cartografía tradicional a sistemas numéricos de relaciones espaciales. Es
decir, permiten pasar del manejo de la cartografía tradicional al formato digital para operar
con variables o características fisiográficas del terreno. Los Modelos Digitales del Terreno,
MDT, son conjuntos de datos numéricos que describen la distribución espacial de una
característica del territorio (Felicísimo, 1994). Los modelos digitales de elevaciones, MDE,
son los MDT de las elevaciones del terreno.
La interpolación es el conjunto de procedimientos que permiten la estimación de valores
desconocidos a partir de una muestra discreta de registros en puntos geográficos. En un
contexto territorial la precipitación necesaria en los modelos hidrológicos distribuidos es una
superficie que representa valores de lluvia en cualquier punto del territorio. En un número
discreto de ellos se ha registrado, en un momento y para una duración dada, una cantidad
acumulada de lluvia. En la elección del tipo de superficie y método de ajuste se asume
primeramente que la cantidad registrada en un punto es similar a la cantidad caída en las
proximidades y que esa similitud se perderá conforme aumente la distancia al registro. De
otro modo, se atiende al denominado primer principio de geografía, everything is related to
everything else, but near things are more related than distant things (Tobler, 1970).
Las técnicas de interpolación de lluvias pueden incluir información predictiva de otras
variables. Entre esa información se considera tanto la procedente de radares o teledetección,
como la fisiográfica derivada de los MDE. La selección de esta información y la forma de
integrarla mediante diferentes alternativas de cálculo como la transformación de datos, la
detección y filtrado de extremos y redundancias, la caracterización de estimadores o la
accesibilidad a un programa y hardware dan lugar a un conjunto de posibilidades de
interpolación que van desde métodos prácticamente intuitivos como el trazado de isolíneas,
hasta otros de gran complejidad matemática (Genton y Furrer, 2003).
El problema de la interpolación es particularmente difícil de resolver ante un territorio
orográficamente complejo y afectado además por un amplio espectro de situaciones
meteorológicas que pueden dar lugar a precipitación, como es el caso español. Como ya se ha
dicho, en el LBAE se realizaron ya algunos ajustes preliminares, pero quedaron diversas
cuestiones pendientes de mejora. En primer lugar, los estudios que relacionan precipitación y
orografía son locales sin un diseño homogéneo ni sistemático, lo que tiene consecuencias en
la calidad del resultado, variable en función del lugar de estudio y de la disponibilidad de
información. También tiene consecuencias prácticas porque dificulta la reproductibilidad de
resultados y limita las posibilidades de ampliación de las series de lluvia a nuevos horizontes
temporales. Con cada actualización de información, hay que reevaluar los procedimientos de
completado y eliminación de redundancias. El enfoque local de las regresiones se realizó,
además, con número de puntos reducido, lo que supuso trabajar con regresiones de escasa
significación. Finalmente, el contraste basado en comparar volúmenes de lluvia transformados
en escorrentía y registros de aportaciones abre el problema del acierto en la caracterización
del resto de procesos hidrológicos y de la calibración de parámetros. Es por todo ello, que la
interpolación ocupa un lugar central en el desarrollo de esta tesis.
En resumen, el problema básico al que se enfrenta la interpolación de series históricas de
variables como la precipitación o la temperatura y que resume la enumeración anterior es la
baja densidad de registros en las montañas y la consecuente incertidumbre sobre la
variabilidad y los gradientes altitudinales de la lluvia a adoptar. La necesidad de trabajos
como el presente se encuentra en las altas tasas de generación de recurso hídrico en montaña

15
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

dada la, en muchos casos, superior precipitación respecto a los territorios de alrededor y las
condiciones hidrológicas favorables a la generación de escorrentía como una reducida
evapotranspiración potencial y altas pendientes.

1.2 OBJETIVOS DE LA TESIS

El objetivo principal de esta tesis es la generación de una metodología para la estimación de la
precipitación en zonas montañosas a escala mensual para su posterior aplicación a la mejora
de los estudios sobre recursos hídricos. Si bien la aplicación se realizará en la totalidad del
territorio de España, la metodología propuesta debe ser aplicable en otras regiones.
La consecución de este objetivo presupone la realización de los siguientes subobjetivos:
1. Obtención de un diagnóstico de la red de medida de precipitación en España y de su
capacidad para representar la variabilidad de la lluvia y su relación con la orografía
2. Mejora del conocimiento de la dinámica del proceso de lluvia en altitud y estudio de la
posibilidad de incluir variables predictivas siguiendo principios físicos y
experimentales
3. Selección de técnicas de interpolación adaptables a los datos y conocimiento
disponibles para resolver la estimación de la variabilidad de la lluvia mensual a escala
regional
4. Implementación en un método de interpolación de relaciones entre la precipitación
mensual y factores fisiográficos como la altitud y la orientación
5. Aplicación a España
El desarrollo de la tesis se asienta sobre las siguientes hipótesis y requerimientos:
1. Considerando la escala de trabajo y los periodos históricos de simulación necesarios
en los estudios de planificación hidrológica, no son directamente aplicables otras
técnicas de medida de la precipitación como el radar y la teledetección. El trabajo debe
basarse en las medidas efectuadas por las redes de pluviómetros
2. El paso temporal de trabajo debe ser mensual para permitir su utilización en la
evaluación posterior de los recursos hídricos en los periodos temporales usuales de los
trabajos de planificación hidrológica en España, es decir, desde el año hidrológico
1940/41 hasta la actualidad. Este intervalo temporal supone un cálculo de más de 800
mapas mensuales de lluvia
3. El modelo de interpolación debe ser además aplicable como mínimo en todo el
territorio nacional, es decir, en más de 505.000 km2
4. A fin de garantizar la continuidad que ofrecen a la hora de estimar la lluvia y ser tan
importante en el régimen pluviométrico de la mayor parte de España el influjo de
masas húmedas del Atlántico, se considera necesario utilizar los datos registrados en
Portugal. Así pues, los mapas mensuales de lluvia obtenidos deben integrar
completamente la Península Ibérica y los dos archipiélagos, Canarias y Baleares. La
inclusión del territorio peninsular de Portugal supone aumentar el área de cálculo en
aproximadamente 90.000 km2

16
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

5. La existencia de lagunas en las series climáticas implica la necesaria homogeneización

previa de la disponibilidad de datos mediante el uso de modelos estadísticos. Es
singularmente importante entonces la operación de completado realizada sobre el
conjunto de las series históricas de España y Portugal
6. Las herramientas para elaborar el procedimiento de interpolación deben proceder del
campo de la inferencia estadística y de la geoestadística. Los esquemas de regresión
lineal son útiles para inferir los valores de lluvia en lugares sin registro utilizando
como datos los registros de lugares cercanos y las relaciones de una variable con otra
de carácter predictivo. La geoestadística se aplica a la resolución de problemas en los
que se necesite caracterizar el fenómeno natural aplicando la teoría de las funciones
aleatorias. Se consiguen así estimaciones de la distribución espacial de variables y
parámetros a partir de conjuntos de medidas distribuidas arbitrariamente en el
territorio. De este campo se utilizará la caracterización del grado de continuidad
espacial y su integración en el esquema de interpolación
7. El esquema de interpolación propuesto debe incorporar soluciones en zonas
montañosas e integrar el tratamiento de la lluvia en el resto del territorio para obtener
campos de lluvia mensual completos que puedan ser introducidos en un modelo de
simulación del resto de procesos del ciclo hidrológico a escala nacional
8. Los procedimientos de interpolación deducidos deben de ser útiles para el tratamiento
de otras variables hidroclimáticas como la temperatura o la evapotranspiración
potencial, también necesarias en las evaluaciones de recursos hídricos
9. El procedimiento de interpolación debe ser práctico en cuanto a los tiempos de
proceso para ser utilizado mensualmente con series de lluvia temporales
suficientemente extensas
Los datos a emplear están constituidos básicamente por series de lluvia de la AEMET y por
los MDE de resolución 200 m derivados de la digitalización de las curvas de nivel a escala
1:25.000 del Instituto Geográfico Nacional, IGN. Para completar la perspectiva de la
Península Ibérica y mejorar las condiciones de borde en los territorios que drenan a Portugal,
se ha completado la información de lluvias con la publicada por el Instituto Da Água de
Portugal, INAG. El número total de series con las que se va a trabajar es aproximadamente de
12.400 estaciones, considerando las más de 11.660 de España y las casi 780 de Portugal.

1.3 CONTENIDO DE LA TESIS

Los siguientes capítulos tratan los aspectos anteriores para acabar deduciendo un
procedimiento de interpolación y aplicarlo al territorio de España y Portugal desde el año
1940/41 hasta prácticamente la actualidad. El contenido de la tesis se desarrolla en los
siguientes capítulos:
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la
Tesis
Se presentan los objetivos de la presente tesis para la estimación de mapas lluvia que
puedan utilizarse en modelos que simulan distintas fases del ciclo hidrológico; en
concreto, los modelos que simulan los recursos hídricos naturales necesarios en
planificación hidrológica. Se ha destacado el marco de incertidumbre en el que se

17
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

desenvuelven los estudios hidrológicos, los métodos deterministas y estadísticos, así

como se ha enfocado en la precipitación y en la falta de registros en montaña una
importante fuente de incertidumbre.
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos
Físicos y Experimentales
El objetivo principal de este capítulo es la recopilación del estado del arte de los
modelos que simulan la contribución en la lluvia del forzamiento orográfico de la
lluvia. Se consideran dos grandes grupos de modelos, los físicamente basados o
teóricos y los experimentales. Los modelos teóricos parten de leyes físicas como los
principios de conservación de masa, cantidad de movimiento y energía, la ecuación
general de los gases perfectos, de flujos de calor latente y sensible y del primer
principio de la termodinámica. Los modelos experimentales evitan una formulación y
parametrización físicamente basada mediante la formulación de relaciones estadísticas
entre la lluvia y otras variables fisiográficas como la altitud y la orientación del
terreno. Estos últimos modelos darían paso a los métodos de interpolación apoyados
en una selección de estas variables predictivas.
3. Series de Precipitación Histórica y Completado
En este capítulo se describen las técnicas de medida de la precipitación y se analiza el
estado de la red terrestre de medida en España. Se identifican dos tipos de problemas.
El primero se refiere a la reducción de datos en altura, donde cabe esperar mayor
variabilidad e, incluso, mayor cantidad de lluvia. Por otro lado, el conjunto de datos de
lluvia disponible en España no es homogéneo en el tiempo y las series pluviométricas
presentan lagunas de registros que complican el estudio de las relaciones de la lluvia y
la orografía. El problema de las lagunas en las series temporales y de la
homogenización de la disponibilidad de información se ha resuelto mediante modelos
de completado que si bien son conocidos y se han utilizado en otros trabajos, en esta
Tesis se han aplicado a la totalidad del conjunto de estaciones disponible en España y
Portugal.
4. La Precipitación en España e Influencia Orográfica
En este capítulo se exponen las características básicas de la precipitación en España y
se exploran las fuentes de variabilidad espacial y temporal. Se aplican componentes
principales para identificar las zonas expuestas a distintas señales de variabilidad en
España. Las relaciones entre lluvia y altitud se exploran mediante cortes comparados
de lluvia registrada y altitud extraída de los MDE. También se muestran diagramas de
dispersión del conjunto de datos extraídos en determinadas regiones para destacar el
grado de aislamiento de los datos de mayor cota. Este descriptivo aporta criterios para
la selección del procedimiento de interpolación, especialmente en lo referente a la
adopción de un enfoque regional o local.
5. Métodos de Interpolación
En relación al planteamiento de modelos experimentales, en este capítulo se describen
los procedimientos de interpolación de variables climáticas utilizados en hidrología.
Se analizan los problemas y ventajas de los métodos al uso que determinan la elección
final y composición del aquí denominado en esta Tesis enfoque híbrido compuesto de
patrones mensuales en ventanas móviles de regresión y del krigeado de residuos.

18
1. Precipitación y Orografía en la Simulación del Ciclo Hidrológico. Objetivos de la Tesis

6. Aplicación a España de una Metodología para la Estimación de la Distribución

Espacial de la Precipitación
El método híbrido se basa en considerar dos componentes en las series de
precipitación. Ambas tienen variabilidad espacial y se representan en forma de mapas.
Por un lado, el conjunto de factores locales como la orografía e influencia del mar y su
variabilidad estacional se representa mediante una colección de mapas mensuales de
medias y desviaciones típicas. Estos mapas se elaboran siguiendo procedimientos de
regresión sobre variables transformadas y ponderadas por inverso de distancia. El
enfoque es local, es decir, para cada celda del modelo se formula una ecuación de
regresión que permite estimar la media y desviación típica. El procedimiento se valida
por comparación con resultados obtenidos por regresión lineal de variables sin
transformar. Por otro lado, el conjunto de anomalías o residuos de cada mes y año de
la serie a interpolar resultantes de filtrar las componentes de media y desviación típica
representan el conjunto de factores relacionados con la circulación atmosférica. Estas
anomalías o residuos se interpolan mediante el método de krigeado ordinario después
de comparar sus resultados con el planteamiento variacional y el inverso de distancia.
La interpolación de los residuos resuelve la variabilidad espacial que muestran los
esquemas de circulación general. Los mapas de lluvia de cada mes y año resultan de la
composición de ambas operaciones.
7. Conclusiones
En este capítulo se recogen finalmente las principales conclusiones alcanzadas y se
destacan las aportaciones realizadas en la presente tesis, así como las posibles líneas
de desarrollo futuro.

19
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

2 PRECIPITACIÓN. PROCESOS Y FACTORES

CONDICIONANTES. LA OROGRAFÍA EN LOS
MÉTODOS FÍSICOS Y EXPERIMENTALES

2.1 PROCESOS CONDICIONANTES DE LA PRECIPITACIÓN

La Atmósfera que rodea a la superficie terrestre está formada por capas de diferentes
propiedades. La Troposfera es la capa donde se producen los fenómenos meteorológicos, se
generan las nubes y ocurren las lluvias. Tiene un espesor de unos 16 km en el Ecuador y
aproximadamente la mitad en los Polos. La Atmósfera amortigua los cambios de temperatura
siendo mayor la variabilidad climática cuanto menor es su espesor. Las velocidades de viento
son generalmente crecientes en altura, ya que el rozamiento y pérdida de energía es mayor en
cotas bajas por contacto con la superficie. Por encima de ella se sitúa la Tropopausa y
Estratosfera donde el aire se mueve a altas velocidades, entre 15 y 50 m/s, con influencia en el
movimiento del aire en las capas inferiores.
Se considera precipitación a la transferencia del contenido de agua del aire al suelo en forma
líquida o sólida. Para que se produzca, se deben dar una serie de condiciones en la masa de
aire húmedo que permitan la condensación del vapor y la formación de las gotas de agua. En
su distribución espacial y temporal tienen influencia factores generales de circulación
atmosférica y otros locales como la presencia del mar o la orografía.

21
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

2.1.1 CIRCULACIÓN ATMOSFÉRICA

2.1.1.1 ECUACIONES DE ESTADO DEL AIRE HÚMEDO. EMPUJE

HIDROSTÁTICO
El aire húmedo es una mezcla de aire seco y vapor de agua. Las cantidades relativas en peso
del vapor respecto al aire húmedo oscilan entre un 2,5% en el Ecuador y un 1% en latitudes
medias. Se asumen aplicables las ecuaciones de Dalton y la ecuación general de los gases
perfectos siendo variables de estado la temperatura, la presión y el volumen. Estas variables
están relacionadas y toman valores dependientes unas de otras en un determinado estado de
equilibrio. Las ecuaciones que las relacionan y rigen el estado de equilibrio son:
1. Leyes de Dalton. Considerando el aire húmedo como una mezcla de aire seco y vapor
de agua, la presión total de la columna atmosférica, p, se reparte en dos términos, el
que soporta el aire seco, pd, y el correspondiente al aire húmedo, e o pv. A la mezcla se
le aplican las leyes de Dalton sobre la constancia de la relaciones de los ratios entre
presión y volumen
Ec. 2-1. Leyes de Dalton

p = ∑ pi V = ∑Vi

pi p
pi ⋅ V = p ⋅ Vi ⇔ =
Vi V
siendo pi y p la presión parcial ejercida por el gas i y la total de la mezcla
respectivamente, Vi y V el volumen parcial ocupado por el gas i y el total ocupado por
la mezcla.
2. Cualquier gas cumple la ecuación general de estado, aplicable a cada una de las fases,
aire seco, vapor de agua y mezcla final o aire húmedo:
Ec. 2-2. Ecuación general de los gases perfectos

pi ⋅ V = mi ⋅ Ri ⋅ (273 + T ) y la mezcla p ⋅ V = m ⋅ R ⋅ (273 + T )

con mi, masa del gas i presente en la mezcla, m la total, T la temperatura del aire en ºC
y Ri y R la correspondientes constantes de cada uno de los gases. Respecto a la
constante general de los gases, R*, guardan la siguiente relación, función del peso
molecular del gas Mi:
Ec. 2-3. Constante general de los gases perfectos

R * = Ri ·M i

La constante de una mezcla de gases es la media ponderada de la contribución en masa

de cada una. Aplicando la ecuación general con ni número de moles de cada fase, se
demuestra,
Ec. 2-4. Constante específica del aire húmedo

p ⋅ V = m ⋅ R ⋅ (273 + T ) = ∑ ni ·R * ·T = ∑ mi ·Ri ·T ⇒ R =
∑ m ·R
i i

22
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

Constante específica Peso Densidad Calor Calor

molecular específico específico
del gas (kg/m )
3

(g/mol) cp (J/kg·K) cv (J/kg·K)

Constante universal R * = 8,3143 ( J / mol· K )
de los gases
Aire seco Rd = 287,05 ( J / Kg·K ) ) Md = 28,964 1,2923 1.005 716

Vapor de agua Rv = 461,51 ( J / Kg·K ) Mv = 18,015 1.846 1.386

Aire húmedo Depende de la cantidad de vapor Función del contenido de vapor de agua en la mezcla de
de agua aire húmedo
Ra = Rd ·(1 + 0,61·qv )
Tabla 1. Valores de la constante específica de los gases

La cantidad de vapor en la masa de aire húmedo se expresa en términos de humedad absoluta,

relativa o específica:
1. Humedad absoluta del aire, ρv se define como la cantidad de vapor de agua por unidad
de volumen de aire húmedo en kg/m3 y se puede expresar en función de la ley de
estado de un gas ideal,
Ec. 2-5. Humedad absoluta del aire

e 
ρv =
Rv ⋅ (273 + T )  0,622 ⋅ e
 ⇒ ρv =
Rd  Rd ⋅ (273 + T )
Rv =
0,622 
siendo e la presión de vapor en Pa, Rv la constante de gas vapor 461,51 J/kg·K, Rd la
constante de gas para aire seco, 287,05 J/kg·K, y T la temperatura en ºC. La relación
entre Rd y Rv es igual a una constante, 0,622, relación entre los pesos moleculares del
vapor de agua y el aire seco.
2. Humedad específica, qv, es la relación de masas de vapor de agua y aire húmedo, en
kg/kg o relación de densidades de vapor de agua ρv y aire húmedo ρa,
Ec. 2-6. Humedad específica

ρv
qv =
ρa
3. Humedad relativa, hr, es la relación entre la masa de vapor para un volumen dado de
aire y la masa de vapor contenida en el mismo volumen, a la misma temperatura pero
en condiciones de saturación. Comúnmente se expresa como el cociente entre la
presión de vapor y la correspondiente a saturación en %,
Ec. 2-7. Humedad relativa

e
hr = %
eas

23
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

El aire tiene una capacidad máxima de retención de vapor. Cuando ésta se alcanza, el aire se
satura y la presión máxima que soporta el vapor se denomina presión de vapor saturante que,
para agua pura, depende únicamente de la temperatura del aire y se expresa, entre -40ºC y
40ºC, como:

10

Presión de saturación en kPa

9
Ec. 2-8. Curva de saturación del aire 8
7
17 , 27⋅T 6
eas = 611 ⋅ e 237, 3+T 5
4
3
2
1 A
0
-20 -10 0 10 20 30 40
Temperatura ºC

Figura 9. Curva de saturación del aire

siendo T la temperatura del aire en ºC y eas la presión de vapor saturante en Pa.

Se define como temperatura del punto de rocío, Td, a la temperatura a la que llegaría el aire
manteniendo la presión constante para que su humedad fuera saturante. Tal como indica la
Figura 9, desde un punto A caracterizado por un valor de presión de vapor y temperatura, se
dan dos formas de alcanzar la saturación: por incremento de la presión del vapor y por
reducción de la temperatura. Alcanzado el estado de saturación, las cantidades adicionales de
agua en la atmósfera pasan a una forma líquida o sólida. Por esto, ante un descenso de
temperatura o aumento de presión, se produce la condensación y el vapor pasa a estado
líquido con desprendimiento de calor. Una masa de aire que sufre enfriamiento tendrá menor
capacidad de contener humedad en forma de vapor. Este enfriamiento puede producirse por
contacto con una masa de aire frío (conducción), por mezcla con una masa de aire frío o por
ascenso convectivo y forzado.
Masa de agua precipitable, MAP, es la cantidad de vapor de agua contenido en un estrato
susceptible de precipitar. Entre dos alturas a y b a presiones atmosféricas pa y pb, siendo g la
aceleración de la gravedad, se expresa como,
Ec. 2-9. Masa de agua precipitable
p
1 b
MAP = · ∫ qv ·dp
g pa

El motor más importante del clima es el Sol. Calienta la superficie de la Tierra y las capas de
la Atmósfera que la rodean. De la radiación recibida, aproximadamente un 30% es reflejada y
el resto es absorbida, un 17% por la atmósfera y otro 53% por la corteza terrestre. En la
Atmósfera, las masas de aire experimentan descensos de temperatura conforme ascienden,
siendo mayor la temperatura de superficie. La diferencia de temperatura entre la Atmósfera y
la superficie terrestre causa una transferencia de calor sensible que hace ascender la
temperatura del aire en contacto con la superficie (conducción); también hay transferencia de

24
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

calor por ascenso térmico de moléculas cargadas de energía en eddies turbulentos

(convección). Si se adopta el punto de vista de la masa ascendente, no hay transferencia de
calor y el ascenso es adiabático.
Las relaciones entre variables expuestas en las ecuaciones anteriores permiten plantear el
empuje hidrostático como principio del movimiento térmico de una masa de aire húmedo. El
calor en una masa de aire provoca un cambio en la temperatura y, por consiguiente, en el resto
de variables de estado hasta el siguiente estado de equilibrio. Un incremento de la temperatura
(Ec. 2-2) conduce a un aumento del volumen ocupado por la masa de aire y a una disminución
de la densidad, lo que induce flotabilidad respecto a la atmósfera circundante.

2.1.1.2 CÉLULAS DE HADLEY, FERREL Y POLAR

En su forma más simplificada, el movimiento de las masas de aire se explica por el
calentamiento diferencial del aire entre zonas de la Tierra con distinto ángulo de exposición a
la radiación solar. Los Polos reciben la tercera parte de radiación que el Ecuador,
aproximadamente 90 frente 270 W/m2 (Chow, 1994). En el Ecuador el aire en contacto con la
superficie se calienta más, asciende y en altura diverge hacia ambos Polos. En ellos el aire,
más denso y frío, desciende. En superficie el aire circula en sentido contrario, desde los Polos,
donde las presiones son altas en superficie, hacia el Ecuador, donde el ascenso crea una
situación de bajas presiones. La corriente térmica que transporta calor y vapor de agua, con
sentido ascendente en el Ecuador y descendente en los Polos se conoce como circulación de
Hadley (Figura 10).
Polar

Ferrel

Viento en s uperficie
Hadle y

Figura 10. Circulación de Hadley. Células de Hadley, Ferrel y Polar

La circulación de las masas de aire sigue los meridianos en la estructura de Hadley con una
única celda en cada Hemisferio y sentidos de circulación opuestos en superficie y en altura.
Sin embargo, la fuerza de Coriolis asociada al movimiento de rotación de la Tierra modifica
esta estructura al superponer una componente zonal a la circulación de aire. Así, en el
Hemisferio Norte, los vientos que se dirigen hacia el Polo viran hacia la derecha; hacia la
izquierda en el Hemisferio Sur, los que se dirigen hacia el Polo Sur. Esta rotación hace que en
latitudes de 30º y en altura la componente de velocidad dirigida del Ecuador a los Polos sea
prácticamente horizontal. La corriente es entonces del oeste en altura y desciende por
enfriamiento, formándose el cinturón de altas presiones tropicales. El aire que desciende a
superficie se divide en dos ramas. Una está dirigida hacia el Ecuador y cierra la primera celda;
la segunda, hacia los Polos. La dirigida hacia el Polo Norte vuelve a desviarse por efecto de la
fuerza de Coriolis que hace que progresivamente vire hacia la derecha, hasta que
aproximadamente en la latitud de 60º vuelve a ascender por calentamiento, con divergencia en
altura. El aire procedente del Polo se calienta por contacto con la superficie y asciende cuando
llega a los 60º de latitud.

25
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

Como consecuencia de estos efectos se forman dos cinturones de altas presiones: en los 30º de
latitud y en los Polos. Los cinturones de bajas presiones están sobre el Ecuador y en las
latitudes medias altas, aproximadamente en los 60º (Sumner, 1998). Finalmente, la estructura
de Hadley se fragmenta en tres celdas por hemisferio: la de Hadley, que se sitúa entre los 0º y
los 30º-35º; la de Ferrel que llega hasta los 45º-65º de latitud; y la Polar que ocupa el resto. La
mayor parte de España se encuentra en el área de influencia de la segunda célula de Ferrel,
sometida por tanto a vientos del oeste en superficie. Las islas Canarias están localizadas en el
cinturón de altas presiones subtropical y sometida a los vientos alisios.
Se define como fuerza del gradiente de presión a la que se orienta de las altas a las bajas
presiones. Induce movimientos verticales y horizontales. La componente horizontal es la que
tiene un efecto importante al ser la causante de los vientos horizontales. Su dirección no está
únicamente condicionada por la dirección de las presiones altas hacia las bajas. Con esa
componente inicial, actúa la fuerza de Coriolis. En una depresión o baja hay descenso de
presiones hacia el centro. Por tanto, en el Hemisferio Norte, la componente que toma el
viento, al ser corregida de forma proporcional a la velocidad adquirida por la fuerza de
gradiente, tiene sentido antihorario o circulación ciclónica. Al contrario ocurre con los
anticiclones, con decrecimiento de presiones hacia el exterior y componentes del viento con
giro igual al de las agujas del reloj.
En sentido vertical siempre hay un gradiente de presiones ya que éstas disminuyen en altura.
Sin embargo, esta fuerza vertical no suele generar una dinámica significativa por estar
prácticamente equilibrada con la de la gravedad (condiciones hidrostáticas). Los procesos
convectivos profundos se caracterizan por hallarse en condiciones no hidrostáticas y de ahí la
dificultad de su modelización.

2.1.2 EFECTOS LOCALES: MAR Y RELIEVE

El esquema general de circulación es global y está determinado por propiedades térmicas y

mecánicas como el empuje hidrostático y la fuerza de Coriolis. Existen otros factores cuyo
efecto es local, como el producido por la costa y la montaña, ambos ligados al contraste que
se produce en la circulación de masas húmedas entre medios diferentes. A escala continental
son significativos el reparto entre superficies emergidas y mar y las corrientes oceánicas.
Al ser las propiedades térmicas del mar y la tierra distintas en cuanto a la inercia, absorción y
reflexión de calor, la circulación atmosférica está también influida por el reparto y disposición
entre tierras y mar. En el Hemisferio Norte hay mayor concentración de tierras, menor inercia
térmica y mayor variabilidad climática que en el sur. Las corrientes oceánicas son otro
elemento que condiciona el clima al transportar grandes cantidades de energía y calor. Las
corrientes se forman por acción del viento en superficie o por las diferencias de densidad en
las masas de agua, a su vez dependientes de la temperatura y salinidad. La corriente del Golfo
transporta aguas desde el Golfo de México hasta el Atlántico Norte, siendo la causa de la
diferencia térmica que existe entre zonas situadas a la misma latitud como la Península Ibérica
y la costa este de EE.UU. (Martín-Chivelet, 1999).
El mar y el relieve tienen efectos sobre la precipitación. El mar es primeramente una fuente de
humedad que alimenta situaciones de inestabilidad. La temperatura del mar y la de las masas
de aire situadas por encima contrasta con la de las tierras emergidas, por lo que se generan
flujos de aire desde las zonas de aire frío hacia las calientes, donde hay ascenso por
convección. El mar se enfría y calienta más lentamente por lo que durante el día se generan

26
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

brisas tierra adentro y durante la noche, desde la tierra hacia el mar. El contraste entre el
rozamiento del viento sobre el mar y sobre el continente es otra fuente de inestabilidad ya que
el viento se frena al contacto con la tierra y aparecen turbulencias de aire en ascenso.
El mar interviene en el clima de una zona en función de la configuración de la costa en su
entorno. En el Golfo de Vizcaya cuando el viento sopla mar adentro, afloran aguas frías en
superficie que rebajan la temperatura en la costa. Al contrario ocurre cuando sopla tierra
adentro, situación en la que se acumulan aguas cálidas en la costa del Golfo de Vizcaya. En
invierno la corriente es paralela a la costa y gira con vientos del SO hacia la costa de Francia.
En verano, la actividad del mar se reduce, hay calentamiento y posibilidad de ciclogénesis
local que genera fuertes intensidades de precipitación entre agosto y octubre.
El relieve genera situaciones climáticas propias. El efecto inmediato del relieve es la
modificación de la circulación de aire sobre la superficie. El condicionamiento impuesto llega
a escalas sinópticas, tal como describe Barros et al (2004) sobre el continente indio. La
orografía impone un primer patrón de circulación sobre valles y llanuras; un segundo patrón
se encuentra en mesoescala y se identifica por la transmisión de la estructura orográfica a las
bandas de nubosidad y la formación de dipolos orográficos. Éstos están caracterizados por la
formación de una mesoalta a barlovento y otra mesobaja a sotavento de las cadenas
montañosas más relevantes, como los Pirineos o los Sistemas Ibérico y Cantábrico (Llasat,
2009). El esquema clásico de forzamiento orográfico contempla la elevación forzada de una
masa de aire húmedo ante una barrera y la disminución de temperatura y presión de vapor
saturante, lo que provoca condensación (Roe, 2005). En ambientes montañosos, hay mayor
superficie del terreno expuesta al Sol, mayor calentamiento, ascenso por convección y
generación de brisas desde los valles o desde el mar hacia las montañas que arrastran masas
húmedas. Al contrario, también se produce flujos por gradiente de densidad, desde las laderas
hacia los valles cuando hay enfriamiento y caída del aire más pesado (vientos catabáticos).
Ligado a fenómenos convectivos, la orografía juega un papel favorecedor de la dinámica
convectivas (Llasat y Puigcerver, 1994; Ramis et al., 1995; Rigo, 2004). La cuenca
mediterránea es el área del mundo donde mayor número de eventos de ciclogénesis se
producen y el lugar extratropical donde mayores intensidades de lluvia extratropical se
registran (Llasat, 2009). Sobre el Mediterráneo se forman capas aire cálido y húmedo de 1,5 a
2 km de espesor que originan fenómenos convectivos desde el otoño hasta la primavera. Los
dos grandes centros de ciclogénesis en el Mediterráneo que afectan a la Península Ibérica son
el Golfo de Génova y la costa de Argelia.

2.1.3 MODELOS CLIMÁTICOS DE CIRCULACIÓN GLOBAL

Un modelo climático es una representación matemática simplificada del sistema climático de

la Tierra (McAvaney et al., 2001; Bates et al., 2008). Resuelve, en términos de ecuaciones
diferenciales sobre una rejilla tridimensional, la dinámica de la atmósfera considerando
ecuaciones del movimiento de los fluidos (Navier-Stokes), la conservación de masa, energía y
calor y las interacciones de la atmósfera, hidrosfera, criosfera, litosfera y biosfera. La
dinámica atmosférica es función de variables como la presión atmosférica, la temperatura, el
contenido de vapor de agua y el viento. La consideración del papel del océano en los flujos de
energía y cantidad de movimiento con la atmósfera da lugar a los denominados Modelos de
Circulación General acoplados Atmósfera-Océano, MCGAO. La familia de modelos se
completa con la implementación de módulos para simular la actividad de componentes
químicos de la atmósfera (CTMs por sus siglas en inglés, Chemical Transport Models,

27
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

CTMs), las interacciones con la cobertura de hielo (Ice Sheet Models, ISM) o los
intercambios que ocurren desde la superficie terrestre como la evapotranspiración. El
fundamento de los modelos es físicamente basado, aunque dependen de simplificaciones
operativas en términos de escala y de procesos, como el del forzamiento orográfico.
El conjunto de ecuaciones de estos modelos no tiene una solución explícita y han de
resolverse por métodos numéricos. Los modelos globales se integran en todo el planeta, en
escalas espaciales y temporales razonablemente amplias. Actualmente, la resolución de la
parte atmosférica de un modelo normal es de 100 a 300 km en línea horizontal y,
aproximadamente, el doble para los océanos. En ambos casos, la resolución vertical es de
unos 20 niveles. Las ecuaciones se resuelven generalmente en pasos de media hora.
Sin embargo, existe un conjunto de procesos asociados a resoluciones menores como los
procesos convectivos de formación de nubes, radiación, viento, procesos hidrológicos sobre la
superficie terrestre, etc. que se han de implementar en los modelos por medio de
parametrizaciones, simplificando su variabilidad real. Trabajan, por tanto, a resoluciones
mucho más amplias que las que usan los modelos hidrológicos y sus resultados, en términos
de precipitación, no son suficientemente válidos, al menos en cuanto a la representatividad
estacional y a la escala u orden de magnitud de lluvias y variabilidad. Se hacen en ellos
necesaria la utilización de procedimientos de reescalado o regionalización mediante técnicas
de proyección regional, downscaling, y de correcciones de sesgo o bias (Wilby et al., 2004;
AEMET, 2008).
Hay dos grandes grupos de técnicas de proyección regional: las dinámicas y las estadísticas.
Las primeras están basadas en el anidamiento de modelos climáticos regionales, MCR, bajo
las condiciones de contorno que dan los modelos MCGAO. La resolución espacial de los
modelos anidados baja normalmente hasta los 0,5º, aún demasiado amplia para contemplar los
procesos en montaña. Las técnicas estadísticas analizan las relaciones estadísticas entre series
locales y regionales. La consideración de aspectos no lineales, estacionariedad o la
correlación espacial entre las estaciones dan lugar a diferentes técnicas. Un último grupo de
técnicas se conocen como método de los análogos consistentes en trasladar a los valores
locales, los valores alcanzados en situaciones análogas registradas históricamente. Los
trabajos en análogos parten de una clasificación de situaciones análogas y usan como
predictores los campos obtenidos de MCG.
Las condiciones iniciales de los MCGAO tienen en cuenta la memoria de los procesos
involucrados, con ajustes de 5 a 50 años para aquellos que ocurren en la atmósfera o en el
hielo o, mayores, para los que involucran balances entre la superficie y capas profundas del
océano.
Los modelos climáticos y las diferentes técnicas de proyección regional conllevan la aparición
de términos de error que dependen lógicamente de aspectos como la representación
matemática de los procesos e interacciones. En el informe del IPCC (2007) se mencionan
diversos problemas teóricos al respecto de la representación en los modelos del forzamiento
inducido por los gases de efecto invernadero, la amplificación del forzamiento solar, la
influencia de factores antropogénicos como la introducción de aerosoles, el acoplamiento de
procesos océano-atmósfera, las técnicas operativas de cada modelo, así como los errores
derivados de la falta de ajuste de escala de procesos determinantes en la atmósfera y que
escapan a la escala sinóptica.

28
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

Los distintos MCGAO dan soluciones diferentes debido a las distintas opciones y
composiciones de los modelos, ecuaciones y términos fundamentales de la dinámica océano-
atmósfera, de las técnicas de parametrización, de resolución numérica y de proyección
regional. Los resultados difieren y el abanico de resultados se ha asumido como incertidumbre
asociada al tratamiento de los procesos. Es decir, se usan las soluciones de varios modelos
para estimar una respuesta media y una incertidumbre respecto a esa media.
Los modelos son evaluados de varias maneras. La principal consiste en comparar los datos
climáticos simulados con los observados. Los resultados para el análisis de impacto del
cambio climático en España (AEMET, 2008) utilizan el periodo de control 1961-1990. Entre
las variables resultado, la temperatura de superficie es la que menos errores presenta en las
simulaciones de los modelos. Pero variables como la presión atmosférica y la precipitación
tienen peor respuesta simulada dando diferencias importantes en la escala y en el ciclo
estacional.
Los resultados de los MCGAO dan desviaciones medias que varían enormemente de una
región a otra y de un modelo a otro. Las desviaciones de los valores medios de la temperatura
estacional a nivel subcontinental son normalmente de ±4ºC, y las desviaciones de las
precipitación oscilan entre -40% y +80% (IPCC 2001a y 2001b). Los MCR de alta resolución
han mejorado considerablemente en los últimos años. Los MCR que se basan en las
condiciones de contorno observadas muestran desviaciones de las temperaturas cuyo
promedio por zona (celdas de unos 100 km2) es, en general, menor de 2ºC, mientras que las
desviaciones de la precipitación son inferiores al 50%.
Los modelos climáticos se usan actualmente para la caracterización del clima y, bajo
determinadas condiciones de forzamiento relacionadas con la presencia de compuestos en la
atmósfera, en la evaluación del cambio climático. Están lejos de poder similar con precisión la
dinámica atmosférica y efectos como el que la orografía produce en la lluvia. Debido a la
influencia que los errores tienen en los resultados, los análisis de impacto sobre
perturbaciones inducidas en la atmósfera, como por ejemplo un posible aumento de CO2, se
realizan en términos de series de anomalías como diferencias respecto a una situación de
referencia. El análisis por diferencias permite hipotéticamente filtrar errores sistemáticos
comunes a la pasada de referencia y la correspondiente a la perturbación inducida. Sin
embargo, la proporcionalidad de los errores a la magnitud de las variables demuestra que hay
errores importantes que siguen influyendo en los resultados. Por otro lado, esta magnitud de
los errores y la falta de ajuste estacional impiden actualmente la utilización de los resultados
para forzar modelos hidrológicos y simular las diferentes fases del ciclo.

2.2 TIPOS DE PRECIPITACIÓN

La formación de nubes y precipitación necesita de tres factores: la existencia de humedad en
el ambiente, el ascenso de la masa de aire o la existencia de condiciones de saturación y la
presencia de partículas sobre las que se condense la humedad o núcleos de condensación. En
función de los factores que contribuyen al ascenso y formación de nubes, la precipitación se
clasifica en dos tipos principales, convectivo y ciclónica. En la literatura hidrológica clásica es
fácil encontrar una clasificación más amplia entre orográficas, las convectivas y las
ciclónicas, de las que se puede diferenciar a su vez en ciclónicas extratropicales y tropicales
(Eagleson, 1970).

29
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

2.2.1 PRECIPITACIONES CONVECTIVAS

Un ascenso convectivo se produce por el empuje hidrostático que experimenta una masa de
aire cuando está más caliente que el entorno (Cotton, 1990). El aire con mayor temperatura
ocupa un volumen mayor, disminuye su densidad y sufre del entorno un empuje equivalente
al peso del volumen desalojado. También se conocen como ascensos convectivos aquellos
forzados por el paso sobre una barrera montañosa, sobre una superficie rugosa generando
eddies o torbellinos de aire ascendente y sobre un frente o línea de convergencia (Sumner,
1988).
La curva de evolución de la temperatura ambiente con la presión sobre un punto se conoce
como curva de estado y se registra mediante radiosondeos de altura, temperatura, humedad
del aire y presión en la Troposfera. El aire se calienta en contacto con el suelo por lo que suele
registrarse un descenso de temperatura con la altura a diferencia de lo que ocurre en la
Estratosfera, región en la que la temperatura aumenta con la altura. También se dan los casos
opuestos de inversión térmica radiativa o superposición de una capa cálida de aire o de
inversión de subsidencia por descenso de aire frío y ascenso del caliente. Al gradiente de la
curva de estado se le denomina gradiente geométrico o térmico vertical (Llasat, 1991; Cotton,
1990). La temperatura de una masa de aire en ascenso depende de su temperatura inicial, de
su contenido de humedad, de la temperatura del entorno y de los procesos a los que está
sometida. La comparación de la evolución de temperatura de la masa ascendente (curva de
evolución) respecto al gradiente térmico vertical (curva de estado) permite evaluar la
convectividad y describir sus estados y fases de desarrollo.
La estabilidad o inestabilidad del ascenso de una masa de aire es función de sus propiedades y
las del aire del entorno. Si iniciado el ascenso, éste continúa, se tendrá una situación inestable.
Es condicional si depende de si el aire está saturado o no. Si una vez iniciado el ascenso, se
induce un mecanismo de descenso o, al contrario, iniciado un descenso se induce un
mecanismo compensatorio de ascenso, la partícula se encuentra en situación estable.
Dada una masa de aire en ascenso, este continuará en situación inestable y ascenso si la masa
se mantiene a una temperatura superior a la del entorno. El ascenso continúa hasta encontrar
un nivel de equilibrio6 en el que las temperaturas se igualan. En términos de gradiente de
temperaturas, si el gradiente térmico vertical del ambiente es mayor que el coeficiente de
enfriamiento adiabático de la masa de aire ascendente, se habla de inestabilidad ya que la
temperatura desciende más deprisa que la de la masa en ascenso. El coeficiente de
enfriamiento adiabático de la masa de aire no saturado es de 9,8 ºC/km. A medida que el aire
asciende, se enfría y va disminuyendo su capacidad máxima de retención de vapor de agua,
aproximándose a las condiciones de saturación. Cuando se alcanza la saturación, el aire
ascendente condensa vapor de agua liberando calor latente. Con el aire saturado se habla del
coeficiente de enfriamiento por elevación adiábatica saturada. Su valor depende de la presión
y temperatura.
Al ser el coeficiente de enfriamiento adiabático saturado menor que el seco, puede darse una
situación intermedia en la que la masa de aire no inicie el ascenso hasta alcanzar las
condiciones de saturación. Se dice que la situación es condicionalmente inestable. Es decir,
permitirá el ascenso a una masa de aire saturada pero no a una no saturada. En general, la

6
Nivel de equilibrio: nivel en el que se igualan las temperaturas ambiente y la de la masa ascendente

30
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

masa de aire no saturada asciende de forma espontánea si existe inestabilidad o por ascenso
forzado hasta el nivel de condensación por elevación7. Una vez alcanzado este nivel, el aire se
satura. Si la masa está más caliente que el entorno, hay ascenso libre. En caso contrario, es
necesario un forzamiento que le lleve hasta el nivel de convección libre8 a partir del cual
seguirá ascendiendo siempre que la masa de aire esté más caliente que el entorno.
En una situación real, el aire en ascenso se mezcla con el ambiente de cuyas características
depende la continuidad del proceso. Si el aire ambiente está saturado y más frío, se producirá
un descenso de temperatura en la masa ascendente, a la vez que algunas gotas de agua se
evaporan con consumo de calor y descenso de temperatura.
El aire saturado se eleva y se forman gotas de agua por coalescencia, que caen y aligeran la
parte superior de la nube. Al caer las gotas, atraviesan capas de aire no saturado y parte del
agua condensada se vuelve a evaporar, absorbiendo energía y enfriando el aire, que desciende
y favorece el ascenso de nuevas masas de aire caliente y húmedo. En su movimiento
descendente, el aire frío es arrastrado hacia la base creando una zona de alta presión y se
inicia la disipación de la nube. Otro factor que interviene en los intercambios de calor y
energía es el rozamiento sobre las gotas minúsculas que se forman en el ascenso de la masa de
aire saturado, reduciendo su flotabilidad.
Se conoce como CAPE a la energía potencial disponible para la formación de estructuras
convectivas. Depende de la relación entre las condiciones ambientales de humedad y
temperatura y las de la masa ascendente y se evalúa comparando la curva de estado y la curva
de evolución. Este índice de energía potencial sirve para clasificar los tipos de convección,
aunque su sensibilidad al contenido de humedad y a la distribución vertical de la flotabilidad
hace que sea muy sensible a errores de estimación.
Los ascensos convectivos de masas de aire forman nubes tipo cúmulos o cumulonimbos que
generan celdas o agrupaciones de ellas en escalas micro a meso9. La vida media de estas
estructuras va de 30 minutos a las 12 horas de las mayores estructuras. Los cúmulos son
nubes de buen tiempo, pero cuando crecen considerablemente con una cantidad suficiente de
agua, dan lugar a precipitaciones. Para su formación es necesario que exista convergencia
horizontal en niveles bajos, es decir, que el viento incida con direcciones opuestas, y el
ambiente que favorezca su inestabilidad. La convergencia horizontal se produce entre las
brisas; por la elevación forzada sobre las laderas de una montaña; por convergencia a
sotavento de una masa de aire que rodea una elevación; o por la convergencia creada por un
ciclón extratropical o una línea de convergencia. La acción del viento de cizalladura en el
entorno de las nubes se da cuando existe una variación en velocidad y dirección del viento
con la altura, creando zonas de alta y baja intermitentes. Las situaciones de fuerte cizalladura
son favorables al desarrollo de tiempo severo, poco eficiente pluviométricamente (tormentas
eléctricas, granizo, etc.).

7
Nivel de condensación por elevación: nivel para el cual una masa de aire se satura por elevación adiabática
8
Nivel de convección libre: nivel a partir del cual hay enfriamiento más rápido del ambiente que el que se da en
la masa de aire saturado
9
En términos espaciales microescala se refiere a eventos de dimensiones hasta los 2 km, mientras que la
mesoescala llegaría hasta los 2.000 km

31
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

Los sistemas convectivos más simples están constituidos por celdas unicelulares,
caracterizados por una fase de desarrollo, otra de madurez y otra de disipación. Este tipo de
tormentas tienen una duración entre 25 y 60 minutos, con una extensión de 5 a 10 km
caracterizándose por intensidades altas y fuertes vientos racheados en superficie (Llasat,
1991).
Otro tipo de sistemas convectivos con duraciones de tormenta entre 1 y varias horas son las
multicelulares donde hay una concatenación de generación-disipación de estructuras celulares
denominadas madre e hija. Mientras las células hija registran intensas corrientes ascendentes,
las células madre están en la fase de madurez o disipación. La convergencia necesaria para su
formación puede llegar hasta los 20 km de distancia (Llasat, 1990 y 1997; Llasat et al., 1996).
La estructura supercelular está formada por una célula de grandes dimensiones muy
persistente, caracterizada por la existencia de un mesociclón en su interior.
Los denominados sistemas convectivos de mesoescala (SCM) están constituidos por
agrupaciones de tormentas unicelulares o multicelulares. Se clasifican según su estructura y
pueden llegar a durar más de 12 h (Rigo y Llasat, 2005). La mayor parte de los episodios de
lluvias intensas e inundaciones se producen por sistemas multicelulares o SCMs.

2.2.2 PRECIPITACIONES CICLÓNICAS

Los ciclones en escala sinóptica se forman en áreas de baja presión y en la convergencia de

masas de aire. Suelen tener duraciones de días, con recorridos de largas distancias desde el
punto de formación hasta su disipación. En función de su localización se distingue entre
ciclones tropicales, extratropicales o polares. Los ciclones tropicales, huracanes en el
Atlántico y tifones en el Pacífico, ocurren en latitudes entre los 10º y 20º norte y sur y están
relacionados con situaciones donde el factor más importante es la alta temperatura del mar.
Los extratropicales se dan en latitudes comprendidas entre los 30º y 60º. Ligada a la
formación de los ciclones extratropicales se encuentran los frentes. Las masas de aire polar y
ecuatorial chocan en latitudes medias, generándose una onda que se amplifica por la
depresión que crean las corrientes de las capas superiores. Desde el norte y oeste, el aire frío y
seco avanza y se forma el frente frío. Otro tanto ocurre con el cálido, por avance hacia el
noreste. En ambos casos se van creando nubes. Aparece una baja en el vértice del movimiento
mientras el frente frío avanza predominantemente sobre el cálido, al que alcanza formando
una oclusión. La masa de aire cálido y húmedo es forzada a ascender sobre la fría, formando
cúmulos y sistemas convectivos con altas intensidades de lluvia. En la zona del frente cálido
las nubes son estratiformes con precipitaciones débiles (Figura 11). Los ciclones
extratropicales pueden no producir precipitación, aunque haya interacción con factores locales
como montañas, lagos o mares y océanos templados (Sumner, 1988). Dentro de los ciclones
extratropicales se consideran también aquellos mesoescalares formados por diferentes
procesos ciclogenéticos sobre el mar o tierra. En este sentido, el Mediterráneo es una de las
regiones con mayor ciclogénesis del mundo.

32
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

Ascensos cortos con Pendiente reducida con

Aire frío enfriamiento gradual.
tormentas más
intensas y cortas Intensidades moderadas
y largas duraciones
Frente frío Frente cálido Aire frío Aire frío
Aire cálido
Frente frío Frente cálido
Figura 11. Modelo noruego ciclones extratropicales

Los ciclones pueden interaccionar con la orografía de diferentes maneras. Cotton (1990) cita
tres fenómenos: los procesos de siembra y alimentación, el bloqueo orográfico y las tormentas
en las laderas de sotavento.
Los procesos de siembra y alimentación, conocidos como de Bergeron (1968 y 1973) por sus
experiencias en las colinas cercanas a Uppsala, son fruto de la combinación de dos procesos
de precipitación. Sobre una pequeña colina (50 m de altura en las primeras experiencias) se
produce un ascenso forzado de aire húmedo que se enfriará según el gradiente adiabático no
saturado. Puede alcanzar la saturación, pero no se produciría lluvia ya que el tiempo para que
se formen las gotas y precipiten es menor que el tiempo de paso a la ladera de sotavento por lo
que ha de existir un segundo mecanismo. Cuando sobre esta nube existe otra sembradora de
gotas donde se han dado los procesos de nucleación, crecimiento de cristales y precipitación,
por reducida que sea su intensidad, al pasar por la zona del movimiento forzado agrega agua a
las gotas ya formadas, que crecen y la precipitación resulta localmente más intensa
(Grabowski, 1989). Según Cotton (1990), este proceso es frecuente con los ciclones en los
que la corriente cálida actúa de alimentadora, formando la nube que remonta la colina. La
precipitación se producirá si por encima se dispone de nubes en altura generadas por el ciclón.
Grabowski (1989) implementó un modelo matemático para la simulación de este proceso en
altitudes inferiores al km. El modelo permitía comprobar el efecto de la variación de algunos
parámetros fisiográficos o climáticos como la anchura de las cumbres, las orografías
complejas, la cantidad de precipitación de la nube sembradora, el efecto de la velocidad del
viento sobre la cantidad de lluvia o las posibilidades de generación de lluvia o nieve. En el
modelo se consideraban dos capas de nubes y de procesos microfísicos. Una primera capa es
estratiforme sembradora y una segunda es función de las perturbaciones orográficas. Con
cimas anchas, la lluvia se concentra sobre la cima y se produce con mayor intensidad cuanto
más fuerte sea el viento. Con cimas estrechas, la lluvia se dispersa hacia el lado de sotavento,
con mayores intensidades cuanto menor sea la velocidad del viento ya que su mayor
velocidad hace que la dispersión hacia el lado de sotavento sea mayor y aunque se genere
mayor cantidad de lluvia, ésta se dispersa más. En orografías complejas se dan mayores
diferencias entre máximos y mínimos cuanto mayor sea la altitud o mayor sea la escala
horizontal del fenómeno. La mayor intensidad de lluvia no se da con las precipitaciones más
intensas de la nube sembradora.
El bloqueo orográfico se da en grandes cordilleras sobre las que el ascenso de una masa de
aire puede generar un dipolo orográfico. Si esto ocurre sobre un frente frío, provoca que el
aire frío deba a su vez remontar esta zona de alta de la ladera de la montaña, superponiéndose
a la masa de aire cálido y húmedo. La situación es entonces de una masa de aire cálido y con
humedad por debajo de una fría, lo que degenera en una inestabilidad con ascenso convectivo
y precipitaciones sobre la montaña. El bloqueo puede romper la continuidad de la masa cálida
y húmeda y atraparla en las zonas bajas de la ladera de barlovento, en donde se dan las

33
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

precipitaciones. Entonces, diminuyen las precipitaciones en la cima y a sotavento, donde el

calentamiento del aire al descender colabora en la sequedad del ambiente. Son factores clave
en el desarrollo de este proceso la orientación y altura de las montañas, así como el
movimiento de los ciclones respecto a ellas (Cotton, 1990).
Llasat (2009) describe la relación del dipolo orográfico y la aparición de situaciones de
inestabilidad. El dipolo orográfico consiste en la generación de zonas de altas presiones en las
laderas de barlovento directamente expuestas al viento y zonas de baja presión a sotavento, a
resguardo del viento (Llasat et al., 1996). El efecto del dipolo es tanto mayor cuanto más alta
es la cadena montañosa y cuanto más perpendicularmente incida el viento sobre ella. Las
alteraciones del campo de presión que generan pueden favorecer la convergencia de viento en
superficie y el desarrollo de la inestabilidad. La ciclogénesis generada a sotavento puede
intensificarse por efecto de represamiento de aire frío a barlovento, calentamiento del aire
ascendente por contacto de la montaña y por efecto Föhn. Esta situación se da por ejemplo en
Cataluña con vientos del norte, creando una depresión al sur de los Pirineos y favoreciendo la
formación de componentes del viento del sur o sureste desde el mar hacia el interior cargadas
de humedad con ascenso forzado y lluvias. Llasat y Puigcerver (1994, 1997) y Ramis et al.
(1994 y 1995) describen diversas situaciones de bloqueo en la ladera sur de los Pirineos o
dipolo orográfico que favorece altas precipitaciones convectivas en Cataluña y noreste de la
Península Ibérica. La dinámica convectiva se genera sobre o cerca del Mediterráneo, que
frecuentemente conserva temperaturas altas ante la llegada de las masas frías frecuentes en
otoño. La posición de un anticiclón sobre el centro-oeste de Europa colabora con la dinámica
ciclónica de la Península a la entrada del aire húmedo y caliente procedente del sur. En otros
casos, la montañas actúan como anclaje de depresiones mesoescalares, favoreciendo la
estacionalidad de las tormentas y la producción de inundaciones (Rigo y Llasat, 2005 y 2007).
Las tormentas en las laderas de sotavento se producen con una combinación de situaciones. Si
el aire frío del oeste en su camino hacia el sureste no remonta una cordillera y se cuela por
valles hasta el lado de sotavento, la fuerza de Coriolis hace que role de nuevo hacia la barrera
montañosa, con ascenso adiabático y precipitaciones de intensidad reducida. Si el ciclón
extratropical queda atrapado a sotavento, lanza el aire frío contra las laderas y puede dar
mayores intensidades de lluvia.

2.3 INFLUENCIA DE LA OROGRAFÍA EN LA PRECIPITACIÓN

Las precipitaciones se dan cuando las masas de aire húmedo son forzadas a ascender
adiabáticamente sobre las laderas de una barrera montañosa, con enfriamiento, condensación
y formación de nubes. Esta situación ocurre en climas tropicales o templados en los que una
masa de aire húmedo procedente del mar encuentra una barrera montañosa sobre la que se
fuerza el ascenso. Normalmente, la precipitación se da en la ladera de barlovento, durante el
ascenso y cerca de la cumbre (Sumner, 1988), aunque en algunas ocasiones la precipitación
llega a las laderas de sotavento. El efecto Föhn (Fernández-Rasilla, 1999) está asociado a este
tipo de precipitación y provoca un marcado contraste entre las laderas de barlovento y
sotavento. El aire asciende saturado por la ladera de barlovento, provocando precipitación y
calentamiento de la masa de aire por condensación. Desde la cumbre inicia el descenso del
aire caliente, que se amplifica, acentuando el contraste climático entre laderas. El aire ya no
está saturado y el gradiente de ascenso de la temperatura conforme se reduce la altitud es
entonces mayor que el correspondiente saturado.

34
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

La cuantificación de estos efectos se realiza al traducirlos a ecuaciones matemáticas y

modelos que reflejan la física del proceso. Son modelos físicamente basados. Su estudio y
planteamiento aporta herramientas para el conocimiento del fenómeno, permite la selección
de variables intervinientes y la estimación de la variable física en cuestión. Sin embargo, hay
varias razones que impiden una aplicación generalizada de esta opción. Los procesos son y
escalas de aplicación variadas y las ecuaciones físicamente basadas que rigen el flujo de aire y
agua y la generación de precipitación son no lineales y exigen métodos numéricos para su
resolución.
En el caso del forzamiento orográfico hay diferentes formas de interacción entre la atmósfera
y la orografía, y diferentes escalas a considerar que van desde el efecto del relieve a escala
sinóptica hasta la representación de procesos en la ladera de una montaña. Tal como se ha
expuesto en apartados anteriores, el problema básico de un planteamiento físicamente basado
reside en que la casuística es numerosa, con diferentes mecanismos atmosféricos a representar
actuando con diferente intensidad en el espacio y en el tiempo, con interés en función de la
escala, temporal o espacial, de trabajo. Si bien desde el punto de vista local, el forzamiento se
contempla desde la ladera de la montaña, desde un punto de vista sinóptico son las zonas de
relieve las que producen el aumento de precipitación y no únicamente las grandes altitudes
asociadas a las cadenas montañosas más importantes. El fenómeno de siembra y alimentación
citado al exponer los tipos de lluvia ciclónicas puede ilustrar la dificultad de contemplar
distintos procesos desde una perspectiva físicamente basada. En zonas con altitudes más
reducidas, se inicia un ascenso de una masa húmeda, su correspondiente enfriamiento y,
aunque no produzca lluvia por sí sola, se generan las condiciones para que se incremente la
intensidad de la lluvia producida desde niveles superiores. Barros et al. (2004) describen la
influencia orográfica en los patrones climáticos del Himalaya. La orografía condiciona
primeramente la circulación sinóptica del aire y la formación de nubes en el continente Indio
y en la llanura Tibetana. Por otro lado, a una escala mayor, las imágenes de satélite de la
formación de nubes muestran una frecuencia variable regionalmente, pero coincidente con la
orografía. El área bajo lluvia orográfica es función lógicamente de la extensión de la cadena
montañosa y de la estacionalidad propia del clima y del influjo de masas húmedas por la que
varían las condiciones favorables a la lluvia ante un ascenso de una masa húmeda.
Además, la física de los procesos suele conllevar una necesidad de información fuera del
alcance de las posibilidades de un estudio hidrológico. Esta información comprende el
conjunto de variables y el ajuste de parámetros de los que dependen las leyes implementadas,
con su variabilidad en el espacio y en el tiempo. En España, las evaluaciones de recursos
abarcan desde el año hidrológico de 1940/41, lo que supone un problema para el compendio
de datos y el análisis de calidad del muestreo.
Los métodos denominados aquí experimentales, tienen un enfoque estocástico. Utilizan los
datos y series disponibles para inferir relaciones entre variables físicas fundamentales y
reducir la incertidumbre de la estimación. Desde un punto de vista hidrológico, este
planteamiento es ventajoso al contemplar con mayor simplicidad conceptual las relaciones
entre variables que la que tiene un procedimiento físicamente basado.

2.3.1 MÉTODOS FÍSICAMENTE BASADOS

Los modelos físicamente basados describen el fenómeno de la lluvia identificando al menos

uno de los procesos generadores y lo traducen en ecuaciones que describen las propiedades

35
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

del sistema en estudio. Un sistema se caracteriza por el valor de sus variables de estado que
condicionan todas las demás dependientes de ella. La expresión de estas relaciones de
dependencia son las ecuaciones de estado. Son propiedades del sistema la masa y la energía
que se pueden intercambiar con el entorno. Además, el entorno ejerce una serie de acciones
sobre un sistema como fuerzas que inducen un equilibrio dinámico. Los modelos son
determinísticos puesto que se apoyan en la certeza de las operaciones consideradas.
El esquema básico de Rotunno y Ferretti (2001) para estimar la precipitación orográfica
consideraría en cada momento la cantidad de vapor de agua en la columna de aire, la cantidad
de agua líquida que se mantiene en el aire y la que tiene velocidad descendente. Su
determinación necesita considerar los principios de conservación de masa, cantidad de
movimiento y energía, intercambios de calor e interacciones de procesos y fases, con lo que
finalmente aparecen variables como la velocidad, temperatura, humedad relativa o absoluta,
velocidad del aire, densidad, fuerzas de equilibrio hidrostático, fricción, Coriolis o
cizalladura, parámetros como la constante de los gases, las constantes de cambio de fase a
presión y volumen constante o las de calor sensible, entre otras. Las escalas temporales y
espaciales deben ser suficientes para contemplar fenómenos como la formación de nubes o la
generación de tormentas convectivas.

2.3.1.1 FORZAMIENTO OROGRÁFICO Y EXCEDENTE DE SATURACIÓN

Si solamente se considera el excedente de saturación por ascenso de una masa húmeda
saturada sobre una ladera, se puede llegar a la formulación de un modelo simplificado de
lluvia. Considerando las definiciones del apartado 2.1.1.1, se obtiene la relación entre
humedad específica, qv, presión de vapor, e, y atmosférica total, p, que se reparte entre el aire
seco, pd y el vapor, pv
Ec. 2-10. Relación entre humedad específica, presión de vapor y total atmosférica

mv · Rv ·T md · Rd ·T 
p = pv + pd ⇒ p = + 
V V

m· R 
p= ·T  ⇒
V 
mi · Ri 
pi = ·T 
V 
mv · Rv + md · Rd 
⇒ p= ·T = (ρ v · Rv + ρ d ·0,622· Rv )·T = (ρ v + ρ d ·0,622 )· Rv ·T 
V 
ρv ρv ρv ⇒
qv = = ⇒ ρ d = ·(1 − qv )
ρa ρv + ρd qv 
 ρ  e 0,622·e
⇒ p =  ρ v + v ·(1 − qv )·0,622 · Rv ·T = (0,622 − 0,378·qv )· ⇒ qv ≈
 qv  qv p
El esquema clásico de lluvia orográfica supone un ascenso forzado de una masa de aire
debido al obstáculo montañoso. El ascenso induce enfriamiento del aire y la reducción de la
capacidad de vapor en saturación. En condiciones de saturación, la humedad específica, qvas,
es función de la temperatura (Ec. 2-8) y de la altitud del terreno,

36
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

Ec. 2-11. Humedad específica en aire saturado

eas (T )
qvas (T , z ) = 0,622·
p(z )
La temperatura del aire ascendente se expresa en función de la alcanzada a una altura de
referencia, To, del coeficiente de enfriamiento adiabático por elevación, γ, y del incremento de
altitud, z-zo. γ tiene un valor aproximado 0,0098ºC/m,
Ec. 2-12. Temperatura en función del enfriamiento por elevación

T = To − γ ·( z − zo )
La densidad del vapor saturante por unidad de volumen de una masa de aire húmedo es el
producto de la densidad del aire, ρa, por la humedad específica saturada, qvas. Suponiendo una
masa de aire húmedo aislada del entorno cuyo ascenso se fuerza a una velocidad w constante,
por balance de cantidad de movimiento, la derivada del producto anterior en altitud es la tasa
de condensación o volumen de agua sobrante. Al integrar este último término se obtiene el
agua condensada por saturación ante un ascenso forzado. Tomando como origen el nivel del
mar, una temperatura a esa altitud de 15ºC, resulta una relación entre altitud (msnm) y la tasa
de condensación por saturación (Kg de vapor respecto a m3 de aire húmedo y unidad de
tiempo) convexa, resultado de la acumulación diferencial decreciente (Figura 12). Se asume
que la precipitación cae inmediatamente al suelo.
Ec. 2-13. Densidad de vapor de agua Ec. 2-14. Tasa de condensación del aire (Roe, 2005)

ρv = ρa ·qvas =
C=−
(
d ρ a ·qvas
=−
) (
∂ ρ a ·qvas dz
· =
)
0,622·eas (T ) dt ∂z dt
=
( )
Rd · 1 + 0,611·qvas ·(273 + T ) = − w·
( as
∂ ρ a ·qv )
∂z

1.20E-02

1.00E-02
en ascenso forzado (Kg/m )
3
Agua condensada

8.00E-03

6.00E-03

4.00E-03

2.00E-03

0.00E+00
0 500 1000 1500 2000 2500 3000 3500 4000

Altitud(msnm)

Figura 12. Curva de condensación por saturación en altura

La deducción anterior es función de la disminución de la presión de vapor saturante con la

temperatura que, a su vez, es función de la altitud. Se supone que la lluvia es todo el volumen
excedente de condensación y que cae sobre la misma ladera en que se forma. En el modelo,

37
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

no hay consideraciones sobre la transferencia de calor ni sobre los tiempos de generación de

la gota ni sobre el necesario para su caída.

2.3.1.2 MODELO DE COLTON

Colton (1977) realizó simulaciones numéricas para estimar la contribución orográfica de la
lluvia y su implementación en modelos hidrológicos. Las experiencias simuladas
corresponden a eventos de precipitación extrema sobre las laderas de Sierra Nevada en
EE.UU. Esta cordillera alcanza los 2.500 msnm con unos 35 km de anchura en la cumbre y
está sometida al influjo de corrientes húmedas del este procedentes del Pacífico. En estas
simulaciones, calibradas con datos registrados en estaciones meteorológicas, la mayor
importancia reside en la variabilidad de la dirección y velocidad del viento, temperatura y
humedad.
El modelo determinista en 3D de Colton estima la distribución espacial en mesoescala de la
precipitación en zonas montañosas bajo la situación de un flujo sinóptico. Las variables del
modelo son la dirección y velocidad del viento, la temperatura y la humedad. Conocida la
circulación del aire en escala sinóptica, el modelo deriva una circulación en mesoescala sobre
la que plantea el ascenso adiabático forzado por la presencia de una ladera de una montaña. Se
aplica la conservación de la cantidad de movimiento en las direcciones del plano, de oeste a
este y de norte a sur, además de las condiciones de conservación de masa y energía. Son
fuerzas actuantes el peso, el empuje hidrostático, el gradiente de presión y la cizalladura por
turbulencia vertical.
Los resultados son estimaciones de precipitación y del campo de velocidades del aire. No
admite la supersaturación de la nube por lo que, cuando se supera la capacidad de retención de
vapor, éste se condensa en agua líquida, sin considerar otros procesos microfísicos. No hay
hielo y su presencia solo se simula cuando, con temperaturas menores que 0ºC, hay que
suponer un desplazamiento en el punto de caída por acción del viento. El modelo se resuelve
numéricamente por diferencias finitas, con una serie de condiciones de borde e iniciales. Fue
calibrado para diferentes eventos de lluvias altas en las montañas de Sierra Nevada en los
EE.UU., consiguiendo describir los flujos de aire y los gradientes de lluvia a barlovento y
sotavento. Las precipitaciones máximas se dan sobre la ladera de barlovento, casi
uniformemente entre alturas de 1.200 y 2.200 msnm, sin llegar a la cumbre donde los vientos
tienen carácter descendente. En el lado de sotavento, la disminución de lluvia es pronunciada,
aunque hay un ascenso localizado en el lugar de la corriente ascendente de la cumbre.
También se simulan otros sucesos de precipitaciones menores con resultados similares en los
que las precipitaciones máximas se encuentran por debajo de la cima. Por último, aplica el
modelo sobre alturas inferiores de la sierra, 1.500 msnm, y el patrón vuelve a ser similar. Las
precipitaciones máximas no alcanzan la cumbre.
El patrón de vientos y precipitaciones sobre las laderas es consistente en los sucesos
analizados y, en ellos, el campo de velocidades presenta un ascenso de aire en el lado de
barlovento, con divergencia alrededor de los 5 km de altura. Sobre la cumbre cae una corriente
de aire y a continuación se genera una ascendente. Hacia sotavento aparece otra descendente y
divergencia sobre la ladera, formándose otra corriente ascendente sobre la anterior.
Este tipo de modelos tiene un manejo numérico complicado y una abundante necesidad de
información por lo que, sin abandonar la perspectiva físicamente basada, otros modelos
simplifican la formulación y procesos considerados.

38
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

2.3.1.3 MODELO DE BELL

El objetivo del modelo simplificado de Bell (1978) es la predicción de lluvias sobre un
mallado de resolución 3,3 km y 10 niveles en vertical. Bell destaca como características de
este modelo la implementación del modelo de Collier (1975) para estimar la velocidad
vertical del aire en las proximidades de una montaña, así como la introducción de factores
ligados a la microfísica de las nubes. La precipitación se estima finalmente como una
proporción respecto a un gradiente de humedad y la velocidad vertical del aire. Como en el
modelo de Colton (1977), se parametrizan condiciones sobre la formación de gotas y
transferencia de calor. La Ec. 2-15 muestra la expresión de la componente de ascenso vertical
del aire, w, expresada como variación de la presión en el tiempo (mb/s). Es suma de un
término que representa la velocidad en el entorno sinóptico, wl , y del término relativo al
forzamiento orográfico, wt, a su vez proporcional al producto escalar del gradiente
topográfico, ∇z , por el vector velocidad horizontal del viento en superficie sin afectar por la
orografía, v . El parámetro ρa es la densidad del aire, g la gravedad y k3 un parámetro que
varía linealmente con la altura entre 0 (altura equivalente a los 500 mb) y 1 (en superficie). Es
decir, a la altura equivalente de 500 mb no hay efecto orográfico.
Ec. 2-15. Velocidad vertical (ascenso) en modelo de Bell (1978)

w = wl + wt = wl − k3·v·∇z· ρ a · g
El ascenso del aire implica una variación de temperatura y de la humedad relativa. Esta
variación se supone lineal introduciendo un factor función de la presión y temperatura. Para
que se forme una gota de agua precipitable tienen que darse condiciones de saturación en la
masa ascendente y un tiempo mínimo de formación de 1.200 s, 20 minutos.
La cantidad total que precipita es el exceso de saturación más la cantidad agua arrastrada por
coalescencia en su caída. Es una componente aditiva en el modelo y es función de la
velocidad terminal, de un factor de eficiencia y del tamaño de la gota, función a su vez de la
intensidad de lluvia. La evaporación de agua en la caída y el desplazamiento horizontal por la
acción del viento, especialmente importante cuando bajan las temperaturas por debajo de 0ºC
y se produce nieve, también se tratan en el modelo.
Este modelo se utilizó en Gran Bretaña para la predicción de las cantidades de lluvia. El
esquema se completaba con la estimación de la contribución de lluvias convectivas y todo el
modelo estaba acoplado a otro de escala superior (10 niveles) que proporcionaba los datos
básicos para su funcionamiento. Tal como se ha descrito, el modelo implementa un
considerable número de procesos y parámetros, entre los cuales se han considerado factores
básicos para la estimación de la precipitación orográfica la evolución de la humedad en altura
por ascenso forzado de una masa de aire y la acción del viento de superficie sobre las laderas
de las montañas.
Corradini (1985) volvió a utilizar la formulación de Bell (1978) delimitando la zona de
influencia orográfica hasta los 2.000 msnm aproximadamente. En el modelo de Corradini la
precipitación orográfica es un incremental de la que se deriva de los esquemas de circulación
general sobre el territorio por lo que para alturas superiores, se admite la precipitación que cae
en zonas libres de la influencia orográfica.

39
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

2.3.1.4 MODELO DE ALPERT-SHAFIR

La hipótesis básica del modelo de Alpert (Alpert, 1986; Alpert y Shafir, 1989 y 1991) deriva
del tratamiento de la lluvian en áreas tropicales donde la cantidad total de precipitación
orográfica es aproximadamente equivalente a la convergencia de humedad horizontal. La
pendiente del terreno y la velocidad se usan para estimar la tasa de condensación de la masa
de aire húmedo. El modelo simplifica en la integral de la columna de aire del producto escalar
de la velocidad del viento en superficie por la tasa de condensación del aire, dependiente del
gradiente de elevación de las laderas, menos la evaporación, E. Los parámetros se promedian
en la altura zo de integración, siendo qv la humedad específica del aire, q med
v
la promediada
hasta la altitud zo, ρa la densidad del aire, ρ med
a
la promediada hasta la altitud zo, P, la
precipitación, wl , la velocidad vertical en el entorno sinóptico, E, la evaporación, z describe la
ladera de la montaña y el vector velocidad horizontal del viento en superficie, v , quedando
Ec. 2-16. Precipitación orográfica (Alpert, 1986)
zo

( )
P = − ∫ ∇ z · ρ a ·qv ·v ·dz + E ≈ ρ amed ·q med
v
(
· v·∇z + wl + E)
0

El modelo de Alpert (1986) contempla la advección de humedad mediante una ponderación

de precipitaciones con 5-10 puntos situados ladera abajo. Los pesos se obtienen suponiendo
un reparto en campana de Gauss localizada en el punto y con desviación típica el producto de
la componente horizontal de velocidad por el tiempo necesario para la formación de la
precipitación. En definitiva, el modelo considera tres factores básicos del forzamiento
orográfico: convergencia por ascenso forzado de una masa húmeda sobre la ladera de
barlovento, función del producto escalar de la velocidad del viento con el gradiente
orográfico; disminución de humedad en altura y advección de humedad.
La localización de los puntos de máxima precipitación es tratada por Alpert (1986) sobre un
modelo simplificado de precipitaciones orográficas que da el peso a la acción del viento en
superficie respecto al gradiente orográfico. Con esta versión simplificada del modelo
físicamente basado llega a resultados similares a los de Colton (1977) y deriva una expresión
para el cálculo de la altitud de la lluvia máxima sobre la ladera de vientos ascendentes. Esta
expresión depende finalmente del gradiente térmico y de la forma de las laderas y, bajo
hipótesis de atmósfera isoterma y saturada, coincidiría con el punto de pendiente máxima. En
una situación real viene a situarse a una cota inferior a la del punto de pendiente máxima, ya
que cuanto mayor sea el gradiente térmico, el enfriamiento es más rápido y la altitud del punto
de máxima lluvia se reduce. Por otro lado, con este modelo simplificado, llega a la conclusión
de que a mayor altitud, mayor altitud del punto de lluvia máxima.
La formulación final depende de la humedad relativa, hr, la presión de vapor saturante para
una altura z calculada según Clausius-Clapeyron, eas(z), la velocidad horizontal, v , el
gradiente topográfico, ∇z , la velocidad vertical en el entorno sinóptico, wl , la constante
específica de los gases, R, y la temperatura a una altura z, T(z), el gradiente orográfico,
Ec. 2-17. Precipitación orográfica (Alpert, 1986)

(
P = 0,622·hr ·eas ( z )· v·∇z + wl · ) R·T1( z )

40
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

Al darse condiciones de saturación en altura y precipitar el exceso de vapor, la humedad va

disminuyendo (Burns, 1953) y hay un punto intermedio de la ladera donde se da la máxima
lluvia. Alpert (1986) deriva una expresión simplificada para su cálculo que depende de la
forma de la ladera y del gradiente térmico. La aplica a laderas con forma de campana, que en
una atmósfera isotérmica, coincide con el punto de pendiente máxima. Si la altura de la
montaña se hiciera infinita, es independiente de la pendiente y altura de la montaña, quedando
en un valor de 3,8 km de altura, bajo las condiciones de atmósfera saturada y gradiente
térmico de 6,5 ºC/km. Experimentalmente Alpert encuentra que el punto teórico está por
encima del real.
La validación del modelo simplificado de Alpert (1986) se realizó mediante comparaciones
con los resultados obtenidos por Colton (1977) en Sierra Nevada (EE.UU.) y por otros autores
en el Himalaya (Dhar y Rakhecha, 1980). Se trata de eventos de lluvias medias y altas
provocadas por el ascenso forzado de una masa frontal sobre una ladera de una gran
cordillera. El ajuste logrado en los perfiles de precipitación sobre las laderas, tanto en
cantidad como en la posición de los máximos, permiten al autor concluir que la simplificación
planteada es aceptable y destacar la importancia de los factores considerados, convergencia de
humedad dependiente del viento en superficie y de la pendiente local de las laderas. Otros
factores a los que el modelo presenta especial sensibilidad son la temperatura de superficie y
el gradiente de temperaturas y humedad que condiciona su disponibilidad en altura. Alpert y
Shafir (1989) realizan aplicaciones del modelo a zonas montañosas cercanas a la costa de
Israel donde pueden suponer unos gradientes de humedad de oeste a este y de norte a sur.
El factor de convergencia en superficie es especialmente importante en esta formulación y, sin
embargo, no se suele disponer de datos sobre la magnitud y dirección del viento no
influenciada por la orografía. Andrieu et al. (1996) utilizan un modelo donde se asumen las
hipótesis anteriores para estimar la contribución orográfica combinándolo con datos del radar
que dan la estimación de la componente vertical de mesoescala. Pero el dato de velocidad de
viento horizontal se toma de una estación de Nimes. Roe (2005) muestra un modelo similar
con variación de la presión de vapor saturante y temperatura con la elevación.

2.3.1.5 FACTOR OROGRÁFICO, OFA

Rotunno y Ferretti (2001) distinguen conceptualmente entre la componente vertical del viento
del que derivar la cantidad de precipitación y la masa de aire horizontal de la que depende
dónde y con qué duración se producirá la tormenta. Sin embargo, el movimiento del aire está
altamente influenciado por factores locales cuyo control y conocimiento es difícil de lograr en
áreas como los Alpes. Smith y Barstad (2004) señalan como limitaciones de estos modelos la
hipótesis de convergencia en el nivel de base que difícilmente se da con una circulación del
viento oscilante dependiente de la configuración del terreno. Una segunda limitación se
refiere a la falta de respuesta a los procesos que ocurren en la ladera de sotavento. Johansson
y Chen (2003) utilizan 15 años de datos diarios de 370 estaciones suecas para evaluar el grado
de relación entre la lluvia y parámetros orográficos. Encuentran un buen acuerdo en laderas de
ascenso de la corriente húmeda entre la cantidad de lluvia y la velocidad del viento o el
producto entre la pendiente y la velocidad del viento, mientras que a sotavento esta relación se
pierde. Además, el efecto de la pendiente en la costa es mayor que en valles con barreras
montañosas. Pero finalmente el modelo solamente explica el 60% de la varianza, lo que deja
abiertas las posibilidades a la consideración de otros fenómenos.

41
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

El peso dado al término de convergencia hace que se utilice como índice de la influencia
orográfica. Se denomina factor orográfico, OFA del inglés Orographic Factor, al producto
escalar de la velocidad en superficie por el gradiente orográfico. Es positivo en las laderas de
sotavento y negativo en las de barlovento.
Ec. 2-18. Factor orográfico, OFA

OFA = −v·∇z
Sin embargo, Rotunno y Ferretti (2001) relativizan la importancia del factor OFA al encontrar
otros mecanismos de generación de lluvia orográfica en los Alpes. Un primer mecanismo se
basa en un ascenso forzado sobre la ladera, directamente relacionado con la pendiente sobre la
que circula el aire. Pero el segundo mecanismo de modificación de la circulación del aire
sobre la barrera montañosa con convergencia vertical se debe al balance del calor latente. Por
esto, la lluvia no está directamente relacionada con la pendiente y el uso del factor OFA como
variable predictiva se relativiza. Otro índice similar para describir el forzamiento orográfico
de la lluvia con un flujo saturado es el nº de Froude de humedad (Kunz y Kottmeier, 2006):
Ec. 2-19. Nº de Froude de humedad

U
F=
N·H
En el que U es la velocidad perpendicular a la montaña, H es la altura de la montaña y N es la
frecuencia Brunt-Väisäla. Al utilizar la componente de velocidad, el fundamento es similar al
OFA. Los autores mencionados describen diferentes experiencias para eventos de lluvias altas
y nº de Froude mayores a 1.

2.3.1.6 MODELO DE SMITH Y BARSTAD

Barstad et al. (2007), Smith y Barstad (2004) y Smith (2003) desarrollan varias versiones de
modelos de contribución de lluvia forzadas por barrera orográfica dependiente de un amplio
conjunto de parámetros que representan procesos de advección de lluvia, el flujo de aire seco
en la ladera de sotavento y evaporación, condensación y ascenso forzado en función de las
dimensiones de la barrera orográfica. Excluyen los fenómenos asociados a ascensos
convectivos o la presencia de varias cordilleras con reducción de la humedad del aire en una
secuencia de ascensos forzados. En Barstad et al. (2007) se concluye que anchuras de
cumbres superiores a 15 km siguen el esquema clásico de lluvias a barlovento; menores a
estos 15 km, implican lluvia por advección a sotavento. Además, una importante conclusión
derivada de este estudio es que la comparativa con simples ecuaciones de regresión que
relacionan altitud y precipitación, permite recomendar el uso de las últimas en estudios en los
que no sea necesario simular la física de la lluvia.

2.3.2 MÉTODOS EXPERIMENTALES

La precipitación aumenta en zonas donde la orografía fuerza el ascenso de las masas de aire
húmedo. Bajo esta premisa se ha estudiado qué variables relacionadas con la orografía son
predictivas de la precipitación, de su intensidad o duración (Spreen, 1947; Burns, 1953;
Schermerhorn; 1967; Duckstein, 1972 y 1972b; Hanson, 1982; Loukas y Quick, 1993; Daly et
al.; 1994; Singh et al., 1995; Hay et al., 1998; Barros et al., 2000; Marquínez et al., 2003;
Guan et al., 2005; Naoum y Tsanis, 2004b; Bookhagen y Burbank, 2006; Barstad et al., 2007;
Saghafian y Bondarabadi, 2008; Daly et al., 2008; Haile et al., 2011). La variable predictiva

42
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

inmediata es la altitud, pero existe un amplio conjunto de parámetros fisiográficos ligados a la

lluvia como la pendiente y velocidad de entrada de las masas de aire húmedo, la posición
relativa del mar, la orientación de las laderas, el relieve y el efecto pantalla que ejerce la
disposición montañosa en varias cadenas, etc. En cada modelo y región se validan las
relaciones estadísticas, pero tienen carácter local, lo que hace variable la influencia de cada
factor y razonable comprobar su utilidad reformulando el modelo de acuerdo a las
características de cada caso. La escala es un segundo aspecto inherente a la definición de los
parámetros que traslada incertidumbre a la definición de los modelos.

2.3.2.1 MODELOS DE SPREEN, BURNS Y SCHERMERHORN

El modelo conceptualmente más sencillo de aproximación al problema del efecto orográfico
en la lluvia ha sido la delimitación de regiones climáticas y el establecimiento de
correlaciones simples entre la precipitación y la altitud en cada una de estas zonas. En otros
casos se amplía la selección de variables y se derivan expresiones experimentales basadas en
correlaciones múltiples. Spreen desarrolla un método coaxial (Figura 13) en el que se
consideran los siguientes índices de la elevación del terreno (Llamas, 1993):
1. Elevación absoluta o altitud sobre el nivel del mar. A mayor altitud, mayor
enfriamiento del aire y mayor cantidad de precipitación
2. Elevación relativa. Se trata de la diferencia entre la altitud de la estación y el punto
más alto en el entorno de 8 km de la misma. Tal como indica la Figura 13, a mayor
elevación relativa, mayor precipitación. Este parámetro representaría el efecto barrera
causado por montañas situadas alrededor de cada punto. Si la pendiente de la línea
pivote fuera negativa, ocurriría lo contrario y podría representar zonas que quedan a
sotavento respecto a una barrera montañosa, con un descenso de precipitación cuanto
mayor sea esta elevación relativa
3. Exposición. Suma en grados de los ángulos de los sectores que no contengan
elevaciones superiores a 300 m respecto a la altura de la estación en 32 km a la
redonda. Fijar la altura de referencia en 300 m es arbitrario, dependiente de las
condiciones de experimentación y de la calibración de resultados obtenida
4. Orientación. Dirección del mayor sector libre de obstáculos, ponderando la dirección
principal respecto a la entrada de los frentes húmedos en la cuenca. En el caso de la
Figura 13, y para las condiciones particulares de experimentación, la dirección de
entrada óptima es sur
5. Con dos estaciones, se puede definir el carácter de una región a través de la línea
pivote, que determina el gradiente final con crecimiento o decrecimiento de la
precipitación en altura. La línea puede ser recta o curva en función de las
consideraciones de cada caso
La experimentación de este modelo se realizó en cuencas del oeste de Colorado, concluyendo
la aplicabilidad de técnicas gráficas que representan la correlación de la precipitación con las
variables seleccionadas. La varianza explicada llega al 85% y solo la elevación supone el
30%.

43
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

4,5 120
ELEVAC IÓ N RELATIVA LÍNEA PIVO TE
4,0
100

3,5

Precipitación, mm
80
Elevación, Km

3,0

60
2,5 Elevación relativa 0.0 Km
Elevación relativa 0,3 Km
Elevación relativa 0,6 Km
40
2,0 Elevación relativa 0,9 Km
Elevación relativa 1,2 Km
Elevación relativa 1,5 Km
1,5 20

1,0
0
S SE 0-10º 10º-25º
SO O
25º-45º 45º-65º
NO E
65º-90º 90º-225º
N NE
Cero 225º-360º

ORIENTAC IÓ N EXPOSIC IÓN

Figura 13. Diagrama de Spreen

Burns (1953) reproduce la misma técnica gráfica de correlación múltiple para su aplicación en
pequeñas cuencas tomando como fuente los trabajos de Lindsey, Kholer y Pauhlus de la
Universidad de Stanford. Éstos asumían leyes regionales en las que se obtiene mayor
precipitación con mayor altitud, mayor pendiente, mayor elevación relativa y mayor
exposición a la entrada de masas húmedas. Según refiere Burns (1953), la experimentación de
Lindsey en Sierra Nevada, había permitido concluir que la lluvia aumentaba hasta la cota
1.500 msnm, para luego decrecer.
Burns adapta el método a cuencas del oeste de Glendora, en California. El tamaño de la
cuenca de experimentación es de unos 70 km2 con desniveles entre 500 y 1.645 m. Se
utilizaron medias de once años de precipitación de 141 pluviómetros, con una densidad
equivalente de 1 estación cada 0,39 km2. Los índices son:
1. Altitud de la estación sobre el nivel del mar. De la misma forma que había sido
definida por Spreen (1947). Se considera que cuanto mayor sea la altura, la
temperatura se reduce y las condiciones de la masa de aire se acercan a la saturación,
lo que da precipitación. En sentido opuesto actúa el factor de vaciado del contenido de
humedad en altura conforme la masa de aire pierde humedad por condensación. Los
dos factores hacen que exista una altitud intermedia, más baja que la cima, donde se ha
de alcanzar la precipitación máxima. En las cuencas de experimentación de San Dimas
se asume que este punto tendría una altura superior a la cima

44
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

2. Pendiente. Este índice es nuevo respecto a los considerados en los trabajos de Spreen.
Cuanto más rápido y vertical sea el ascenso, mayor cantidad de precipitación, lo que
permitiría localizar las áreas de lluvia máxima en las ladera más pronunciadas. Es un
factor asociado a la localización de la estación, pero depende de la configuración de
las laderas. Sin embargo, la elección de un índice relacionado con este fenómeno es
difícil.
3. Elevación relativa. En este caso se reformula la definición dada por Spreen. Se define
como la diferencia de altitud respecto al punto de mayor elevación en un radio de 8 km
sobre el cuadrante NE ya que la entrada de los frentes húmedos en las cuencas de
experimentación es del SO. Se supone que la introducción de este factor está
relacionada conque el punto queda a barlovento de la barrera orográfica donde la
precipitación aumenta en función del efecto barrera.
4. Orientación. Esta variable se reformula también buscando reflejar la estructura de la
cuenca respecto a la posición de la estación, que podrá estar expuesta a la entrada de
los frentes o en umbría. Se considera un modelo de ocho direcciones básicas de
orientación. La dirección considerada es la correspondiente a la perpendicular trazada
desde la divisoria hacia la estación.
5. Regionalización climática. Permite tratar de forma global el resto de variables que no
se han tenido en cuenta explícitamente. En el estudio presentado por Burns (1953) se
distinguen cuatro regiones, con gradientes hipsométricos distintos. La región de mayor
gradiente no coincide con la de mayores alturas y parece estar más relacionada con la
dirección de entrada del aire húmedo y de la disposición de barreras intermedias.
Burns reformula así el modelo de Spreen (1947) con el objetivo de mejorar los resultados a
escala de cuenca. Mientras el modelo de 1947 sería aplicable regionalmente en grandes
escalas, los nuevos índices de Burns permiten mejorar los resultados en las cuencas de
experimentación de las Montañas de San Gabriel en California explicando, con la selección
de variables dada, un 84% de la varianza.
Una de las dificultades con la que se enfrenta este nuevo modelo es la selección de un variable
que refleje el efecto barrera sobre un punto de la cuenca. La existencia de barreras en
dirección SO en la zona de experimentación hace que en el punto se recoja menos
precipitación ya que el ascenso ha sido forzado durante el avance de la masa de aire húmedo.
Para su consideración, probó con la diferencia de alturas entre la estación y el máximo en un
radio de 8 km sobre el cuadrante SO. El óptimo se encontró con 3 km, pero finalmente no se
consideró como índice explícitamente utilizado en la formulación y se asumió como factor
englobable dentro de las características representadas por la regionalización.
Schermerhorn (1967) reduce la selección de índices a tres, el índice de elevación, efecto
barrera y latitud suponiendo que el efecto orográfico en las lluvias se hace consistente al
trabajar con medias de varios años.
1. Índice de elevación. Se parte de la hipótesis de unificar en una sola variable el efecto
de la altitud y elevación relativa considerada en los anteriores modelos. Se toma
entonces un único índice representativo de un área determinada. Para las cuencas del
oeste de los estados de Washington y Oregón, donde los frentes húmedos entran por el
SO, se define un índice como media de las alturas máximas encontradas en los ángulos
de 0º, 30º, 60º y 90º del cuadrante NE. El peso de las alturas encontradas en los

45
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

primeros 6,5 km (4 millas) es el doble del asignado a las alturas encontradas entre los
6,5 y 16 km (10 millas). Además, se acepta que cuando llueve sobre una cumbre, a
sotavento se registran todavía importantes cantidades de precipitación por lo que este
índice se transforma en la media de alturas máximas del cuadrante SO en los primeros
6,5 km sobre los mismos radios.
2. El efecto barrera a sotavento de la entrada del viento por el que se registra una
disminución de precipitación a lo largo de distancias importantes. Para su
parametrización se consideró la media de las alturas máximas a partir de los primeros
6,5 km hacia la costa en los radios de 210º, 220º, 230º y 240º respecto al norte. En este
caso se toma por tanto el complementario al efecto de mantenimiento de lluvias a
sotavento citado en el párrafo anterior. No obstante, el efecto de barrera no queda
adecuadamente representado cuando la barrera se hace irregular.
3. Latitud, que representa un factor regional de descenso de precipitaciones de norte a sur
en las cuencas de experimentación

2.3.2.2 MODELO DE HANSON

Hanson (1982) selecciona una variable regresora, la altitud, pero implementada regionalmente
para generación de series sintéticas medias areales de lluvia. Las regiones se delimitan en
función del carácter predominante del viento en superficie, ascendente o descendente.
Barlovento y sotavento son inicialmente asimilados a estas zonas de ascenso y descenso
respectivamente. Dentro de la región de ascenso queda incluida la franja de sotavento en la
que una vez alcanzada la cumbre, el viento continúa en ascenso. El modelo trabaja con medias
anuales y con datos mensuales, respetando la variabilidad estacional de las regresiones con la
altitud. El área de estudio es la cuenca experimental de Reynolds Creek en Idaho, EE.UU., de
unos 234 km2 con altitudes entre los 1.097 msnm del desagüe, 1.525 m en el límite este y
1.830 msnm en el oeste. Las correlaciones encontradas entre altitud y precipitación para cada
zona son excelentes, con valores de R2 de 0,92 en las estaciones con viento ascendente y R2 de
0,86 en las de descenso para los datos anuales. Con datos mensuales los valores se mantienen
en los mismos niveles, excepto para los meses del verano donde se reducen a valores
alrededor de 0,75 para vientos ascendente o descendente, alcanzándose un mínimo en agosto
de 0,55. Según Hanson (1982) la pérdida de significación durante los meses de verano y
especialmente en agosto se debe a que la mayoría de las precipitaciones en este mes se deben
a tormentas con patrón distinto al ciclónico de invierno. Para estos casos se simplificó en una
sola ecuación de regresión la relación entre precipitación y altitud.

2.3.2.3 EXPERIMENTACIÓN EN LA CORDILLERA DEL HIMALAYA

La Cordillera del Himalaya constituye un territorio de experimentación de los efectos de la
orografía en la lluvia por sus dimensiones y estructura. Los efectos de la cordillera aparecen
en escalas sinópticas y las altitudes del núcleo central son de un orden de magnitud
considerable, lo que permitiría observar cómo se agota el contenido de agua de una masa de
aire en ascenso. Presente pre-cordilleras que van provocando una secuencia de descargas de
humedad y los tipos de lluvia son variados, ciclónicas, convectivas y las derivadas de la
estación monzónica, cargadas de humedad.
Singh y Kumar (1995) utilizaron registros anuales y estacionales, invierno, premonzón,
monzón y postmonzón, de lluvia del Chenab en Pakistán al oeste de los Himalayas para

46
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

estudiar las relaciones con la orografía. Durante el invierno predominan los ciclones
extratropicales; en el premonzón, los fenómenos convectivos y el postmonzón es una época
seca. Los gradientes de lluvia cambian estacionalmente y en función de la ladera, barlovento y
sotavento, con un área de transición donde se registran altas precipitaciones.
En la cordillera se distinguen tres partes, la exterior, media e interior. El máximo de lluvia
anual se da en la cordillera exterior, mientras que le mínimo se da en la interior. En la exterior
y durante la estación del monzón, se registra una disminución de precipitación en las laderas
de barlovento a partir de una altura con el máximo de lluvia situado alrededor de los 600
msnm; durante el invierno, pre y postmonzón, las lluvias de las cumbres se trasladan hacia
sotavento. Durante el monzón los máximos se dan en la cordillera externa y en la media.
El efecto orográfico más claro se da en la cordillera media. El aumento de precipitación con la
altitud es continuo, a barlovento y a sotavento, con máximos de lluvia entre los 1.600 y 2.000
msnm. La explicación dada a este fenómeno es que en las estaciones no monzónicas la
humedad del aire es mucho menor con lo que se llega a condiciones de saturación a mayor
altura, permitiendo sobrepasar las cimas de la cordillera exterior. Durante la época del
monzón esto no ocurre ya que el aire está cargado de humedad y, ante un ascenso forzado, se
satura rápidamente, produciéndose una maduración rápida de la nube.
En el lado de barlovento se registra una disminución de la precipitación a partir de la altitud
de 1.800 msnm. En las laderas de sotavento ocurre el mismo fenómeno, con máximos en la
cota de los 2.000 msnm de altitud, excepto en la época invernal en las que se da un marcado
descenso de precipitación conforme aumenta la altitud. La similitud en las cotas de máximo
entre barlovento y sotavento en las épocas de pre y post monzón se justifica por el predominio
de fenómenos convectivos que alcanzan las mismas alturas. La intensidad de lluvia en la
cordillera media crece con la altitud del lado de barlovento, lo que le hace alcanzar altas
precipitaciones anuales; en el lado de sotavento es el número de días el que crece con la
altitud para alcanzar volúmenes de lluvia similares.
En la zona alta de los Himalayas, la precipitación disminuye exponencialmente debido al
menor contenido de humedad en el aire. A partir de una altitud de 4.000 msnm, la
precipitación se hace insignificante durante los meses del invierno y escasa durante el resto de
estaciones. Las intensidades y número de días con precipitación también se hacen menores
con la altitud.
Alpert (1986) refiere el trabajo de Dhar y Rakhecha (1980) en el que las máximas
precipitaciones asociadas al monzón se dan en altitudes de la cordillera media, entre los 2.000
y 2.400 msnm. Otro pico de lluvia se encuentra al pie de la cordillera exterior, lo que en
conjunto les lleva a utilizar un polinomio de 4º grado para representar la relación entre altitud
y lluvia. Este polinomio presenta oscilaciones descendentes hacia sotavento y tendencia
creciente en las laderas de barlovento. En Dhar y Nandargui (2004) se utilizan lluvias totales
anuales para concluir que las mayores lluvias se dan al pie de la cordillera y que la tendencia
general de la relación altitud y lluvia es decreciente.
La existencia de este máximo de precipitaciones en alturas menores a las cimas de las
montañas está ligada según Daly et al. (1994) a las regiones subtropicales donde existe un
límite para el desarrollo vertical de la nubosidad. En zonas templadas el máximo ocurre cerca
de la cima (Daly et al., 1994). Las excepciones se asocian al efecto de reducción de humedad
en la masa de aire ascendente cuando se tienen amplias formaciones montañosas con grandes
distancias horizontales entre la base y la cima (por ejemplo 120 km, tal como citan respecto a

47
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

Sierra Nevada en California). También se puede dar el máximo en la ladera de sotavento,

superada la cima debido a un ascenso rápido favorecido por pendientes pronunciadas y cimas
estrechas, por ejemplo en situaciones en las que la distancia horizontal entre la base y la cima
es del orden de los 10 km.
Haile et al., (2011) estudian las características de las tormentas en la cabecera del Nilo Azul.
Encuentran que la intensidad de lluvia disminuye con la altitud, mientras que las mayores
duraciones se dan a cotas mayores. Del producto de ambas, la cantidad de lluvia también
aumenta con la altitud. Estas mismas relaciones las encuentran Barros et al. (2000) con datos
TRMM sobre el monzón del año 1999. En el Himalaya y para ese evento, las duraciones son
menores en valle que en altura; al contrario ocurre con las intensidades. Además, encuentran
que los picos de lluvia aparecen entre la noche y la madrugada coincidiendo con un flujo
catabático, hacia el fondo del valle, debido a los intercambios de calor de la vegetación. En
los Alpes, Allamano et al. (2009), vuelve a encontrar que los eventos de duración menor
muestran una correlación negativa con la altitud que, si bien se suaviza, se mantienen en
eventos de mayor duración de hasta 24 h, que explican en función del mecanismo de
agotamiento de la humedad en altura.
Los datos del proyecto TRMM en las montañas de Himalaya dan una visión vertical de la
lluvia, si bien atenuada por las limitaciones de la longitud y frecuencia de los equipos de
trabajo. Bookhagen y Burbank (2006) estiman las bandas en las que se dan las lluvias
máximas, situándolas entre los 0,9 ± 0,4 km de altitud y una segunda banda de lluvia máxima
en laderas interiores, situada en los 2,1 ± 0,3 km de altitud. Los datos de partida son series
promediadas de estimaciones de lluvia de 8 años.

2.3.2.4 CARACTERIZACIÓN DE LLUVIAS CONVECTIVAS

La mayor parte de los estudios anteriormente referidos se han realizado con datos anuales,
estacionales o mensuales. La simulación de las precipitaciones convectivas es el objetivo de
Duckstein (1972b). El modelo de lluvias (Fogel y Duckstein, 1969, Fogel et al., 1971 y
Duckstein et al., 1972) se basa en una caracterización probabilística del número de eventos
por estación climática, de la cantidad de lluvia por evento y de la lluvia estacional como
convolución de ambas (Duckstein et al., 1972b). Mediante un análisis de regresión estiman
que tanto el número de tormentas por estación climática como la precipitación por evento se
incrementan linealmente con la altitud, siendo más pronunciado el gradiente de la primera
variable en las cuencas de experimentación. Por tanto, de dos regresiones lineales, el valor
esperado de la precipitación total, variable producto de ambas, corresponde a una regresión
cuadrática de la precipitación con la altitud, si bien cabe esperar un valor reducido del
coeficiente de regresión que afecta al cuadrado de la altitud.
Loukas y Quick (1993) estudian la influencia de la altitud en la cantidad total de
precipitación, la intensidad horaria y la duración. En una pequeña cuenca de
aproximadamente 3 km2 cercana a Vancouver, Canadá, y para las precipitaciones de verano
asociadas a fenómenos convectivos o a débiles sistemas frontales, hallan que las
precipitaciones totales aumentan hasta una cierta altitud, para luego disminuir; las
intensidades decrecen conforme aumenta la altitud, de lo que se deriva que las duraciones de
lluvia han de ser mayores en altitudes medias y altas, al contrario de lo reflejado por Singh et
al. (1995). Este comportamiento no es generalizable ya que la gama de tormentas estudiada no
supera los 2 años de periodo de retorno y cabe esperar mayor consistencia con la altitud en
tormentas extensas asociadas a sistemas frontales. Entre las causas que se proponen para este

48
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

comportamiento está la del mecanismo de siembra-alimentación de las lluvias sobre una capa
inferior de nubes con ascenso forzado. La altura a la que se producen las mayores tasas de
precipitación es equivalente entonces a la de la base de la nube media, aunque ha de cambiar
conforme a las características de la tormenta y de la región. Loukas y Quick (1993) recogen
de otros autores un valor de unos 800 m.

2.3.2.5 MODELO PRISM

El modelo PRISM, Precipitation-elevation Regressions on Independent Slopes Model, (Daly
et al., 1994; Daly et al., 2008) enlaza el análisis de las relaciones lluvia orografía con
productos derivados de los MDE y el uso de los SIG como las orientaciones o índices
topográficos que consideran la localización de las estaciones en valle o ladera. En cada celda
en la que se discretiza el territorio se estima la precipitación en función de una ecuación de
regresión local que liga la altitud con la precipitación, considerando la orientación del terreno
donde se ubican las estaciones. La orientación permite seleccionar estaciones y el territorio
bajo las mismas características climáticas, mientras que la altitud es la variable predictiva
básica en ecuaciones de regresión. Las relaciones lineales entre precipitación y elevación son
más sencillas de manejo respecto al uso relaciones logarítmicas y exponenciales.
En el modelo PRISM las ecuaciones de regresión se usan con la finalidad de extrapolar las
relaciones encontradas entre la lluvia y la altitud hasta la cumbre. La evidencia experimental
que justificaría esta opción se encuentra en que en latitudes medias no se desarrolla
completamente la nube por lo que las lluvias máximas alcanzan la cumbre. En latitudes
tropicales, el desarrollo sí es completo y hace que la lluvia máxima se de en altitudes
intermedias. En todo caso, en el modelo son los datos los que marcan la tendencia de las
ecuaciones de regresión.
En las versiones más recientes de PRISM se consideran al menos dos regiones en sentido
vertical, lo que permite introducir cambios en la evolución de la variable. En el caso de la
precipitación, este término permite delimitar regiones en las que la lluvia aumenta con la
altitud y otras superiores en las que disminuye. La altitud de la primera capa varía entre los
2.200 y 4.000 msnm en función del conocimiento experimental sobre el perfil vertical de las
lluvias (Daly et al., 2008).
Otras consideraciones de la estructura del modelo se dedican a la localización de las lluvias
respecto a la cumbre y a las laderas de barlovento y sotavento. Las cordilleras suficientemente
extensas hacen que la condensación se de antes de alcanzar la cumbre, tal como ocurre en
Sierra Nevada en la que hay unos 120 km en horizontal desde la base hasta la cumbre. En los
casos opuestos, con anchuras de cordillera en horizontal reducidas, cabe esperar que la
aceleración del aire sobre las pendientes cercanas a la cumbre haga que la lluvia la sobrepase
y las máximas lluvias se registren a sotavento.
La formulación conceptual del modelo considera que tanto la orientación como la altitud
tienen carácter local por lo que la resolución mínima de trabajo es de 5 minutos y la
orientación se calcula como el ángulo del gradiente orográfico respecto al norte en un MDE
suavizado en función de las altitudes que rodean a cada celda. La estimación de la lluvia es
función de la estacionalidad de la lluvia debido a los diferentes tipos de tiempo. Durante el
predominio de las lluvias ciclónicas, hay forzamiento orográfico e incremento de
precipitación. Durante el verano, la presencia de la montaña activa la convección de masas de
aire y la generación de tormentas.

49
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

En modelo PRISM se utilizó inicialmente en territorios del norte de Oregón y en el oeste de

EE.UU. (Daly et al. 1994). Actualmente se usa para el cálculo de mapas de lluvia en el
territorio completo de EE.UU. (Daly et al. 2008). Las escalas de cálculo de la lluvia son
diaria, mensual y anual.

2.3.2.6 TÉCNICAS MULTIVARIADAS DE INTERPOLACIÓN

Hay et al. (1998) recuperan el uso de índices como los comentados anteriormente
relacionados con la altitud, orientación, efecto barrera o pendiente, implementados en
ecuaciones de regresión multivariadas dependiente de información extraída de los MDE y el
uso de herramientas de los SIG. Destacan la importancia del paso temporal de trabajo y la
necesidad de trabajar a escalas mayores como las diarias ya que las mensuales son suma de
eventos diferentes hasta el punto de reflejar distintas relaciones entre la precipitación y altitud.
Un volumen importante de la documentación bibliográfica sobre altitud y precipitación se
centra en la optimización de los métodos de interpolación por medio de comparativas.
Respecto a la selección de variables utilizadas no aportan mucho más que lo mencionado en
los apartados anteriores. El modelo multivariado de Marquínez et al. (2003) utiliza cinco
variables para estimar la precipitación. Tres de ellas están relacionadas con los efectos de la
orografía y las otras dos estarían relacionadas con la presencia del mar y la dirección
predominante de entrada de los frentes del noroeste. Las variables seleccionadas son la
elevación en el punto de medida y estimación, elevación y pendiente promedio por cuenca y
distancia al mar y a un eje de referencia situado en el oeste. Las variables promediadas por
cuenca, elevación y pendiente, persiguen mejorar la significación al filtrar efectos locales del
punto de medida (Daly, 1994). La ecuación de regresión utilizada por estos autores es de
tercer grado en cada variable, no existiendo efectos multiplicativos entre las variables.
Asimismo, se ajusta una ecuación de regresión para los valores anuales, la época seca y la
época húmeda, de las que se explican el 67%, el 58% y el 67% de la varianza
respectivamente. La mejora al introducir las variables promediadas es del 10% en términos de
la varianza explicada. Ninyerola et al. (2005, 2007a, 2007b) usan las técnicas de regresión
múltiple con corrección de residuos siendo las variables regresoras la altitud, la latitud, la
continentalidad que, a su vez, considera diferentes funciones de distancia al mar, la curvatura
del terreno y la radiación solar. Finalmente, AEMET (2011) utiliza ecuaciones de regresión
múltiple con tratamiento por krigeado simple de los residuos. Las variables predictivas son la
altitud, la distancia al litoral, la latitud y la longitud.

2.4 SÍNTESIS
Los anteriormente denominados modelos físicamente basados dan actualmente soluciones al
forzamiento orográfico de la precipitación utilizando un conjunto de ecuaciones basadas en
consideraciones sobre la dinámica del aire húmedo y los cambios de fase del agua, sobre la
mecánica del movimiento de masas de aire, especialmente en términos de la interacción del
viento contra la ladera, y consideraciones termodinámicas en cuanto hay flujos de calor
latente y sensible que llegan a condicionar el flujo de masas de aire sobre una barrera
orográfica. Es evidente que la parametrización de modelos de este tipo exige un conocimiento
preciso de un alto número de variables atmosféricas y fisiográficas, manejables en un
contexto científico dependientes de la escala de trabajo. Por ello, solo se aplican a pequeñas
áreas de estudio muy instrumentadas.

50
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

Este enfoque no ha encontrado aun una respuesta definitiva a la simulación del complejo
conjunto de procesos relacionados no solo con el ascenso forzado de una masa de aire sobre
una ladera, sino también con otros en los que la orografía también juega un papel principal
como son la convergencia horizontal de masas de aire, los ascensos forzados, el dipolo y el
bloqueo orográfico, los procesos de siembra y alimentación y las tormentas en laderas de
sotavento, entre otros. No parece por tanto adecuada, la implementación y utilización de estos
métodos a la escala del territorio de España, a series históricas y a escalas mensuales en los
que se mezclan diferentes tipos de eventos y génesis y masas de aire.
Los modelos físicamente basados permiten la elaboración de simplificaciones conceptuales y
de parámetros que puedan utilizarse como predictivos en ecuaciones de regresión. En este
sentido un primer paso se da al contemplar el forzamiento orográfico como el ascenso del aire
húmedo, la reducción de presión de vapor saturante y el aumento de la condensación, en
incrementos decrecientes si se parte de condiciones de saturación y para un gradiente térmico
constante. Otra derivación de los modelos físicamente basados y simplificados en ladera es la
que identifica como variables clave de la contribución orográfica a la acción del viento en
superficie y al gradiente orográfico y el producto vectorial de ambos, OFA. Este factor sería
predictivo de la lluvia en altitud, mayorando la lluvia en pendientes mayores.
La existencia de bandas o cotas de lluvia máxima, generalizando entre los 1.000 y 2.000
msnm, a partir de las cuales la lluvia decrece también se plantea en la bibliografía como
posibilidad asociada a este modelo simplificado. Se han observado en la cordillera del
Himalaya con tecnología TRMM, pero no hay acuerdo sobre si estas bandas son extrapolables
a latitudes templadas o si las lluvias máximas se encuentran en las proximidades de las
cumbres, tal como asumen modelos experimentales como el PRISM.
Sin embargo, los modelos físicamente basados tienen la limitación de la escala en la que
pueden ser aplicados, surgiendo problemas conceptuales y prácticos a la hora de tratar con
complejas orografías. Entre ellos se han citado la estimación del campo de velocidades del
viento, necesario como dato en un modelo simplificado, la introducción de condiciones
dinámicas y de advección de lluvia a sotavento de las laderas expuestas a las masas de aire, de
microfísica de la lluvia relacionada con los cambios de fase y termodinámicas por los
balances energéticos.
La gran ventaja de los modelos aquí denominados experimentales es evitar el complejo
conjunto de ecuaciones y parámetros de la fundamentación físicamente basada, la resolución
numérica o tiempos de proceso demasiado dilatados. Sin embargo, la dependencia de la
información registrada es mayor y tanto las relaciones utilizadas como la selección de
variables dependen de las características climáticas de las cuencas y de la escala de
experimentación. La extrapolación de estos modelos a cuencas diferentes exige por tanto una
revisión e, incluso, una nueva formulación a través de regresiones aproximadas a la realidad.
Los procedimientos basados en un menor condicionamiento como el proporcionado por
regresiones entre precipitación y variables como la altitud, orientación o pendiente han sido
utilizados con profusión en hidrología. Las comparaciones entre los resultados alcanzados
mediante regresión y los modelos numéricos de fundamento físico concluyen la aptitud de los
primeros, siempre y cuando la red sea suficiente.
En este marco, la altitud es la variable básica en los estudios de regresión, aunque hay
modelos que, con diferentes criterios, parametrizan las pendientes, orientación y el efecto
barrera principalmente. Estos modelos estadísticos se enfrentan al problema del necesario

51
2. Precipitación. Procesos y Factores Condicionantes. La Orografía en los Métodos Físicos y Experimentales

reajuste en territorios distintos a los de la experimentación original. Este reajuste atiende no

solo a parámetros de una ecuación de regresión, sino también a su propia definición ya que
parámetros como la distancia al mar o el efecto barrera de una sucesión de cadenas
montañosas suelen definirse conforme a características locales. Incluso, cabe preguntarse por
la validez de estas regresiones ante distintos tipos de evento y en distintas épocas del año, con
predominio de unos u otros tipos de génesis.
Con todo, el problema de los métodos experimentales es el de la escasez de información en
las mayores cotas que sustente la formulación de relaciones estadísticas y que recoja la
variabilidad de la lluvia bajo distintas condiciones. La falta de información deriva típicamente
en la utilización con finalidad extrapolativa de relaciones entre lluvia y altitud fundamentadas
en las relaciones encontradas en altitudes medias a las mayores cotas o a áreas diferentes a la
de experimentación.
La fundamentación física podría aportar criterios o recomendaciones para tratar la lluvia en
altitud, pero tal como se ha destacado la casuística es considerable y la propia fundamentación
física compleja. El coste de las campañas experimentales es también elevado, aunque es de
esperar que nuevas técnicas de registro como la proporcionada por el radar vertical
incorporado en proyectos con un objetivo climático como el TRMM o el aumento de la
densidad con incorporación de estaciones automáticas en área montañosas mejore este estado
de la cuestión. De cualquier manera, parece apropiado dado el estado de conocimiento actual,
asumir criterios como que ante la necesidad de extrapolar a mayores cotas, las regresiones
adapten la tendencia a los escasos datos existentes; que la lluvia es creciente en altitud pero en
incrementales decrecientes, siempre en función al menos de la variabilidad de la pendiente;
que ante orografía y altitudes elevadas hay cotas intermedias de lluvia máxima; o que
cordilleras de anchura de cumbre considerable seguirán modelos de lluvia a barlovento,
mientras que las menores trasladarán parte de la lluvia a sotavento.
Por último, respecto a las ecuaciones de regresión, sería de esperar que la agregación mensual
de datos de lluvia reforzara la consistencia de las relaciones de lluvia y orografía y que se
redujera en periodos en los que las componentes convectivas sean predominantes. La razón
consistiría en que la contribución convectiva añadiría un factor de variabilidad a las lluvias
asociadas a frentes. Pero la relación entre la escala temporal y el tipo de lluvia no está clara y
mientras algunos autores se decantan por el uso de registros diarios, mensuales o anuales en
los que la correlación de las lluvias con la altitud sería consistente, otros destacan que la suma
de eventos de lluvia oscurece las relaciones con la altitud.

52
3. Series de Precipitación Histórica y Completado

3 SERIES DE PRECIPITACIÓN HISTÓRICA Y

COMPLETADO

3.1 LA RED TERRESTRE DE MEDIDA DE LA PRECIPITACIÓN EN

ESPAÑA
En España, la institución estatal responsable del servicio público de información
meteorológica es la AEMET10. Las mediciones proceden de distintos tipos de sensores, de los
cuales se consideran medidas directas de lluvia las que recogen los aparatos de tierra. Son
indirectas las que usan el radar meteorológico y las técnicas de teledetección. El volumen total
de las precipitaciones que llegan al suelo durante un periodo de tiempo se expresa en función
del nivel que alcanzaría el agua sobre una proyección horizontal de la superficie terrestre, una
vez se hayan fundido todas las precipitaciones caídas en forma de nieve o hielo (OMM,
1994).

10
AEMET, anteriormente Dirección General Instituto Nacional de Meteorología, INM. El INM se transformó
según Real Decreto de 8 de febrero de 2008 Consejo de Ministros, a iniciativa del Ministerio de Medio
Ambiente y a propuesta conjunta de los Ministerios de Administraciones Públicas y Economía y Hacienda, al
amparo de la Ley 28/2006, de 18 de julio, de Agencias estatales para la mejora de los servicios públicos. Su
finalidad y cometido es el desarrollo, implantación y prestación de los servicios meteorológicos que son
competencia del Estado, así como el apoyo al ejercicio de otras políticas públicas y actividades privadas,
contribuyendo con ello a la seguridad de bienes y personas, y al bienestar y desarrollo sostenible de la sociedad.
Desde su origen se ha denominado Instituto Central Meteorológico (1887), Observatorio Central Meteorológico
(1911), Servicio Meteorológico Español (1920), dependiente del Instituto Geográfico, Servicio Meteorológico
Nacional (1932) e Instituto Nacional de Meteorología (1978)
http://www.aemet.es/

53
3. Series de Precipitación Histórica y Completado

3.1.1 TÉCNICAS DE MEDIDA DE LA LLUVIA

3.1.1.1 SENSORES DE TIERRA

Tal como se define en la Guía de Prácticas Hidrológicas (OMM, 1994) “los aparatos no
registradores o pluviómetros consisten en receptáculos abiertos con lados verticales, por lo
general en forma de cilindros rectos … con una superficie de recepción de 200 a 500 cm2,
aunque en algunos países se utiliza un área de 1.000 cm2…(sic)” (Figura 14). Las dimensiones
estandarizadas permiten traducir el volumen recogido a mm. Estas medidas se pueden corregir
en función del viento y altura del medidor o de otros problemas derivados de la evaporación o
el registro de precipitaciones sólidas (Sumner, 1988). Se estima que la precisión de los
medidores es de unos 0,25 mm o 0,01 pulgadas.
Los equipos registradores o pluviógrafos permiten conocer la evolución en el tiempo de los
volúmenes recogidos de lluvia normalmente mediante tres principios mecánicos. Hay
pluviógrafos de pesada, de flotador y de cangilones. El primero, de pesada, traduce el peso del
agua acumulada en registro de lluvia. El de flotador registra la variación de niveles de agua en
un depósito con flotador al que se conecta un transmisor. El de cangilones vuelca el agua
recogida alternativamente en cada una de las dos cubetas de las que dispone cuando se
desequilibra por llenado, mandando una señal en cada pulso.

Figura 14. Pluviómetro y depósitos de recogida

Existen una serie de problemas asociados a la instrumentación de los sensores terrestres. No

son equipos que den información espacial, sino que hay que inferirla de las medidas de un
conjunto de estaciones. Además, el equipo provoca interferencias en el aire. Los errores
derivados de las turbulencias que se crean alrededor de los equipos de medida, especialmente
cuando la precipitación es en forma de nieve, llegan a ser de un orden de magnitud
equivalente a un 25% de la medida (Roe, 2005; Germann et al., 2006). Otro tipo de errores
están claramente asociados al diseño, mantenimiento o a técnicas de medida anticuadas e
inapropiadas (Sumner, 1988). La más importante se deriva de las condiciones de medida del
entorno. Las medidas no deben estar afectadas por el efecto sombra que da la vegetación de
altura o construcciones próximas y el pluviómetro se ha de situar donde no haya turbulencias
de aire que impidan la recogida de la lluvia. En ciertos casos, es difícil encontrar una posición
adecuada para el pluviómetro, tal como ocurre en zonas de montaña donde el propio relieve
provoca turbulencias en la circulación del aire. Entre otras se citan las referentes a procesos
como:

54
3. Series de Precipitación Histórica y Completado

1. La evaporación. Los depósitos se diseñan para impedir la salida y no acumular calor.

Se llega incluso a disponer una capa de aceite de unos 7,6 mm que cubra el agua
(recomendación EE.UU.)
2. La retención y condensación. Parte del agua que debe entrar en el depósito puede
quedar retenida en el sumidero y retrasar su entrada y contabilización o evaporarse
posteriormente sin ser contabilizada. Por otro lado, los equipos de medida pueden
provocar condensación sobre ellos y el registro de una precipitación falsa
Aparte de los problemas de medida, la disposición de un número de registradores terrestres no
garantiza la capacidad de registrar la posición e intensidad de las tormentas de lluvia; es decir,
la variabilidad espacio temporal de la lluvia. Tetzlaff y Uhlenbrook (2005) recogen de la
bibliografía valores del tamaño de celdas de tormenta comprendidas entre 15 km, de 1 a 5 km
o celdas convectivas de hasta 2 km2 que, escasamente, pueden ser captadas con redes de hasta
1 estación en 20 km2.

3.1.1.2 RADAR METEOROLÓGICO

Los radares meteorológicos permiten el estudio espacio temporal de nubes y tormentas en
términos de localización, estructura e intensidad de lluvia. El fundamento del radar reside en
la emisión de un haz de ondas electromagnéticas que, al encontrar un obstáculo, son
reflejadas, absorbidas o dispersadas. La medición de la energía reflejada es un índice en el
sector explorado por la rotación de la antena de la intensidad de la precipitación en altura y
superficie. La gran ventaja del radar es entonces la posibilidad de obtener campos de
precipitación en amplias regiones y captar eventos que escapan a la red meteorológica
convencional o, incluso, de alta densidad (Tetzlaff y Uhlenbrook, 2005).
Las medidas radar son función, entre otros, de factores meteorológicos, del tamaño, tipo y
concentración de partículas, de la dispersión del suelo, atenuación del impulso refracción del
medio y del relieve. Las gotas de lluvia, nieve y granizo reflejan la onda enviada, con una
señal proporcional a la intensidad de precipitación y tamaño de las gotas, dando una visión
tridimensional de la atmósfera. La posición se calcula en función del tiempo que tarda en
regresar la onda reflejada por la gota a la antena.
El impulso de radiación electromagnética pertenece a la región del microondas, con
longitudes de onda generalmente entre 1 y 10 cm. En función de la longitud de onda del
impulso, se definen los tipos de radar de la tabla siguiente (Tabla 2).

Radar Longitud de onda, λ, Descripción

y frecuencia

K 0,75 y 2,5 cm Con pequeña longitud de onda, esta antena captaría fenómenos
como gotas de niebla
12 y 40 GHz

X 2,5 y 4 cm Se utiliza con alcances de hasta 60 km, pero son sensibles a la

detección de partículas de pequeño tamaño
8 y 12 GHz
Se usan para el estudio del desarrollo de nubes
La atenuación del impulso en la atmósfera es importante

55
3. Series de Precipitación Histórica y Completado

Radar Longitud de onda, λ, Descripción

y frecuencia

C 4 y 8 cm El alcance es medio, hasta los 120 km de distancia

4 y 8 GHz

S 8 y 15 cm Los alcances de medida de este tipo llegan a los 240 km de

distancia
2 y 4 GHz
La menos afectada por el fenómeno de atenuación y
especialmente indicada para el registro de lluvias fuertes por su
capacidad de penetración

Tabla 2. Tipos de radar

Siendo E la energía captada por el radar e I la intensidad de lluvia y a y b parámetros a

ajustar, la siguiente expresión muestra la ecuación de regresión básica.
Ec. 3-1. Regresión entre la energía captada por el radar y la intensidad de lluvia

E = a· I b
Los parámetros a y b se ajustan por calibración con datos registrados en pluviómetros
convencionales. Los valores del exponente b varían entre 80 y 660; los de a, entre 1,2 y 1,9
(Sumner, 1988), en función del tipo de precipitación, convectiva o estratiforme (Rigo y
Llasat, 2004 y 2005). A su vez, en casos de lluvias muy intensas puede requerirse el uso de
otros métodos para estimar la intensidad de lluvia. El radar tiene como problema básico el que
la precipitación que se quiere estimar es en superficie y no en altura, donde es más sencilla la
lectura del eco sin interferencias (Kitchen et al, 1992). En general se destaca la siguiente serie
de problemas sobre esta técnica (Joss et al., 1997; Rigo, 2004; Germann et al, 2006):
1. La precipitación en bajas altitudes puede pasar inadvertida y no ser detectada
2. La precipitación detectada en altura puede no alcanzar el suelo por evaporación o
acción del viento (advección de lluvia)
3. Los cambios de fase líquido-hielo repercuten en el eco que recibe la antena receptora y
provocan errores de interpretación de intensidad de la lluvia
4. La evaporación desde el suelo puede reflejar la onda emitida
5. Incapacidad para detectar la lluvia fina
6. Las exploraciones de cota baja interceptan obstáculos, dejando zonas en sombra, como
ocurre en áreas de relieve
7. Hay condiciones que inducen a una propagación anómala del haz emitido relacionadas
con la variación vertical del índice de refracción
8. La señal es atenuada por la presencia en la atmósfera de moléculas que absorben y
dispersan la señal. Este efecto depende del diámetro y constante dieléctrica de las
partículas, así como de la longitud de onda de la señal. Las mayores longitudes de
onda son atenuables en menor medida

56
3. Series de Precipitación Histórica y Completado

9. Sobreelevación del haz de rayos en grandes distancias por efecto de la refracción

causada por las variaciones verticales de presión, temperatura y humedad atmosférica
10. Diferentes tamaños y distribuciones de gota oscurecen la estimación de la lluvia total
La montaña, en particular, es causa de errores en las medidas debidas al retorno de ecos
procedentes del mismo suelo y al efecto pantalla de la cordillera que deja zonas en sombra
(Germann et al., 2006). Por ello, programas como el suizo han optado por la instalación en
cumbres de un conjunto de estaciones de radar que amplían el horizonte visual a costa de no
dar una lectura en superficie de la lluvia.
Existen radares con medidas de otras variables meteorológicas. Los radares NEXRAD,
Acrónimo inglés para NEXt generation RADar system, utilizan el efecto Dopler para estimar
la lluvia y la velocidad y dirección del viento (Choi et al., 2009), siempre que el aire
transporte algo que refleje la radiación microondas. Otros radares como los VHF, acrónimo
inglés para Very High Frequency, trabajan con longitudes de onda entre 1 y 6 m por lo que
pueden detectar cambios de densidad en el aire y sondear el viento de la atmósfera (Cotton,
1990).
Los datos del radar meteorológico se utilizan básicamente para la predicción horaria o a muy
corto plazo (nowcasting, menos de tres horas) y para el seguimiento de tormentas ya que
permite disponer de la estructura interna del sistema de precipitación con una alta resolución
espacial. La disponibilidad de información histórica ampliaría su posible utilización a otras
áreas de la hidrología como los recursos hídricos, pero se enfrenta al problema de la
recopilación y aplicación de técnicas de reanálisis para el análisis de calidad y estimación de
series de lluvia, aspectos que actualmente son materia de investigación (Delrieu et al, 2009).
En España hay 15 radares meteorológicos de AEMET con capacidad Doppler sin doble
polarización. 13 de ellos están situados en la Península y otros 2 en cada uno de los
archipiélagos, Baleares y Canarias. 14 de ellos trabajan en el dominio de frecuencias de C y
uno de ellos, el de Níjar, en S. La doble polarización permite mediante dos haces horizontal y
vertical describir la distribución de gotas, granizo o hielo. Mediante la incorporación del
Doppler, se puede registrar velocidad y dirección del movimiento de las nubes, así como
movimiento en su interior.

3.1.1.3 SATÉLITES Y TELEDETECCIÓN

Las imágenes de satélite permiten extraer información sobre las nubes y precipitación sobre
un territorio. La técnica se basa en detectar la radiación electromagnética característica
emitida por los cuerpos desde la superficie de la tierra o desde la atmósfera. Tanto los satélites
circumpolares y los geoestacionarios se utilizan con fines meteorológicos. Los primeros
tienen una órbita que pasa alrededor de los polos y desde la altura de unos 1.000 km realizan
varias órbitas diarias con periodo 1,5 horas. Los geoestacionarios están a una altura
considerablemente mayor, unos 36.000 km, y se mantienen fijos respecto un punto de la
Tierra, lo que les permite seguir la evolución de un sistema nuboso.
La información del visible permite identificar tipos de nubes y seguir su evolución
morfológica cuando reciben luz, es decir, durante el día. Los estratos dan apariencia suavizada
y los cúmulos, un aspecto apelotonado. La correlación entre brillo de la nube y la intensidad
de lluvia es baja por lo que los datos del visible se usan con otra información para su
estimación (Kidd y Levizzani, 2011).

57
3. Series de Precipitación Histórica y Completado

El infrarrojo informa sobre la temperatura en superficie y en el techo de las nubes, sobre la

altura a partir de la temperatura y sobre el contenido de vapor en un perfil de humedad de la
atmósfera. Mediante la combinación de ambas informaciones, altura y perfil de humedad, se
clasifican las nubes en función de su tipo (cúmulos, cirros, estratos) y se identifican las
potencialmente productoras de lluvia (menor temperatura, mayor altura y potencialmente más
lluviosa). Además, el infrarrojo con longitudes de onda en 15 µm, capta las variaciones de la
energía emitida por el CO2 de la atmósfera, dependiente de la temperatura, por lo que también
se obtiene información sobre el perfil vertical de la temperatura próxima a los sistemas
tormentosos.
Con sistemas pasivos de microondas se estiman las cantidades de lluvia al captar la energía
emitida-absorbida por las gotas de lluvia (mayor tamaño, mayor absorción) siempre que se
tenga un fondo uniforme frío (océanos), lo que no ocurre sobre la tierra donde esta estimación
de lluvia no es fiable. Sin embargo, la dispersión que la lluvia o el hielo produce en la
radiación procedente de la tierra permite detectar las zonas de lluvia, de nieve o hielo y los
desiertos. El satélite AQUA está equipado con sensores de microondas que barren áreas de
unos 1.500 km y dan unas resoluciones entre los 4 y 50 km. Incorpora sensores del visible
(VIS) e infrarrojo (IR) MODerate-resolution Imaging Spectroradiometer (MODIS) que con
36 bandas VIS/IR facilita información de las propiedades de las nubes como el radio de las
gotas de lluvia y su fase (Kidd y Levizzani, 2011).
La información de satélite se utiliza predominantemente para realizar un seguimiento de
situaciones atmosféricas en la predicción inmediata y de corto plazo. También se recomienda
el uso del satélite para elaborar climatologías en zonas con baja densidad de estaciones. El
consorcio EUropean Organisation for the Exploitation of METeorological SATellites,
EUMETSAT11, trabaja en la difusión y producción de información de satélite durante 24
horas los 365 días del año a través de los centros meteorológicos nacionales. En total hay
unos 5 satélites geoestacionarios que producen información climática: Meteosat Second
Generation satellites (MSG) de EUMESAT, 2 Geostationary Operational Environmental
Satellite (GOES) y el Multifunctional Transport Satellites (MTSAT) de Japón. Suelen estar
equipados con VIS/IR (Kidd y Levizzani, 2011). Las predicciones se elaboran de información
proporcionada por satélites geoestacionarios (Meteosat) para el seguimiento atmosférico y de
la presencia de nubes. También se apoya en la información de mayor detalle proporcionada
por satélites circumpolares (MetOp).
Se denomina Nowcasting SAF al conjunto de herramientas operativas y servicio de asistencia
para el uso de imágenes satélite en la predicción inmediata. Estas aplicaciones cuentan con
una participación activa de AEMET. En el caso de la precipitación, estas herramientas sirven
para la identificación de nubes de lluvia débil o fuerte, predicción probabilística de las
intensidades de lluvia o el seguimiento de sistemas convectivos (Convective Rainfall Rate) y
de las intensidades que producen.
La misión TRMM, Tropical Rainfall Measuring Mission, se inició en noviembre de 1997 con
el objetivo específico de dar medidas de precipitación en bajas latitudes, entre los 36º de
latitud norte y sur (Kidd y Levizzani, 2011; Nesbitt y Anders, 2009; Nesbitt et al., 2006;
Bookhagen y Burbank, 2006; Barros et al., 2000). Dispone de diferentes equipos de medida

11
http://www.eumetsat.int/Home/index.htm

58
3. Series de Precipitación Histórica y Completado

como el radiómetro pasivo microondas con una frecuencia de 37 GHz y resolución de 7 a 10

km en superficie (TMI) y un radar meteorológico de frecuencia 13,8 GHz, es decir, tipo K y
2,2 cm de longitud de onda, y resolución de 4 a 6 km en superficie y de 250 m en vertical
(PR). El primero detecta mejor las lluvias a cotas reducidas e intensidades mayores que 0,5
mm/h (Barros et al., 2000). El segundo opera preferiblemente con altas intensidades de lluvia
en áreas de fuertes pendientes y altitudes entre 1 y 2 km. Anders et al. (2006) señala la
infraestimación y sesgo en las estimaciones de lluvia en las mayores altitudes cuando se dan
lluvias de baja intensidad (menores a 0,7 mm/h) o nevadas de intensidad baja o moderada.

3.1.2 RED TERRESTRE EN ESPAÑA: AEMET, SAIH Y SIAR

Las observaciones meteorológicas en España datan desde la primera mitad del siglo XVIII,
aunque es a mitad del XIX cuando se organiza la coordinación de registros y la publicación de
estadísticas (AEMET, 2011). En esta reciente publicación de AEMET se indica que la red de
observación meteorológica actual cuenta, después de haber iniciado su automatización en
1985, con 109 estaciones principales, 766 estaciones meteorológicas, automáticas, 1.276
estaciones termométricas y 2.472 estaciones pluviométricas, de lo que cabe deducir un total
de 3.347 estaciones con registro de lluvia. Históricamente ha llegado a tener más de 5.000
estaciones en servicio durante los años 70 (AEMET, 2011). AEMET gestiona la difusión de
información meteorológica en España. Su secuencia de medida permite usar datos a diferentes
escalas temporales, diarias, mensuales, estacionales o anuales. En la Figura 15 se representa la
situación de los sensores terrestres de AEMET de los que se tiene información en la base
HIDRO del CEDEX. Se distingue entre estaciones pluviométricas, termométricas y
termopluviométricas.

Figura 15. Red meteorológica AEMET

El inventario realizado con motivo de la publicación del LBAE (MARM, 2000a) cifraba en
algo más de 9.000 el conjunto de estaciones meteorológicas históricas y en más 5.000 el

59
3. Series de Precipitación Histórica y Completado

número de estaciones meteorológicas activas o en servicio. Las siguientes tablas (Tabla 3 y

Tabla 4) están tomadas del mismo LBAE y representan los estadísticos del conjunto de
estaciones históricas y del conjunto de estaciones activas por Confederaciones Hidrográficas.
En ambas tablas se ha añadido la columna con el cálculo de la densidad de estaciones dentro
de los límites de las anteriores, definidos como Demarcaciones Hidrográficas.

Ámbito Pluviométricas Termopluviométricas Completas Automáticas Totales Área (km2) Densidad

(km2/estación)
Norte I 326 74 8 3 411 17.600 43
Norte II 241 169 8 12 430 17.330 40
Norte III 74 88 3 2 167 5.720 34
Duero 757 355 15 10 1.137 78.960 69
Tajo 257 355 18 6 636 55.810 88
Guadiana I 344 298 6 8 656 53.180 81
Guadiana II 124 74 3 2 203 7.030 35
Guadalquivir 782 382 23 7 1.194 63.240 53
Sur 215 147 14 1 377 17.950 48
Segura 110 182 6 8 306 19.120 62
Júcar 447 318 18 5 788 42.900 54
Ebro 663 748 34 14 1.459 85.560 59
Galicia Costa 82 97 10 1 190 13.130 69
C.I. Cataluña 170 242 30 4 446 16.490 37
Baleares 130 38 7 0 173 5.010 29
Canarias 435 164 23 0 622 7.440 12
Total 5.157 3.731 226 83 9.197 506.470 55
Tabla 3. Nº de estaciones meteorológicas históricas (MARM, 2000a)

Cuenca Pluviométricas Termopluviométricas Completas Automáticas Totales Área (km2) Densidad

(km2/estación)
Norte 213 268 23 18 522 40.650 78
Duero 339 215 12 10 576 78.960 137
Tajo 105 177 15 6 303 55.810 184
Guadiana 153 206 6 10 375 62.210 166
Guadalquivir 385 198 13 7 603 63.240 105
Sur 166 54 14 1 235 17.950 76
Segura 70 156 5 8 239 19.120 80
Júcar 180 193 15 5 393 42.900 109
Ebro 214 498 16 14 742 85.560 115

60
3. Series de Precipitación Histórica y Completado

Cuenca Pluviométricas Termopluviométricas Completas Automáticas Totales Área (km2) Densidad

(km2/estación)
C.I. Cataluña 70 132 15 4 221 13.130 59
Baleares 134 43 7 0 184 16.490 90
Canarias 485 183 18 0 686 5.010 7
Total 2.514 2.323 159 83 5.079 506.470 100
Tabla 4. Nº de estaciones meteorológicas en servicio en el año 2000 (MARM, 2000a)

La densidad de las redes meteorológicas se adapta a las posibilidades materiales existentes en

cada momento y lugar. La OMM (1994) establece una serie de recomendaciones mínimas que
hace dependientes de la variabilidad esperada de la lluvia en función de la localización en
zonas costeras, montañosas, interiores o áridas (Tabla 5). Estas recomendaciones advierten de
la posibilidad de encontrar situaciones complejas que hagan insuficientes las cifras mínimas
recomendadas. Es también frecuente encontrar en la bibliografía hidrológica referencias a la
insuficiencia de la red meteorológica para registrar con precisión las lluvias de una región, de
un territorio montañoso o lluvias con una importante componente convectiva, por lo que las
cifras OMM serían insuficientes.

Territorio Pluviómetros Pluviógrafos

(km /estación)
2
(km2/estación)

Zonas costeras 900 9.000

Zonas montañosas 250 2.500

Llanuras interiores 575 5.750

Zonas escarpadas/ondulantes 575 5 750

Pequeñas islas 25 250

Zonas urbanas 10 a 20

Zonas polares y áridas 10.000 100.000

Zonas costeras 900 9.000

Tabla 5. Recomendaciones OMM (1994) sobre red pluviométrica básica

Si las cifras de la tabla anterior (Tabla 5) se comparan con las correspondientes a la red activa
en España (Tabla 4), se comprueba que, en términos globales, los indicadores son superiores a
los mínimos de la OMM. En todas las cuencas, con excepción del Tajo y Guadiana, los
indicadores son inferiores a la mitad de los recomendados, lo que sería indicativo de una
buena calidad de la red.
El SAIH se comenzó a instalar en España en los años 90. Recopila información
pluviométrica, niveles de embalse y caudales con el propósito principal de servir de alerta
temprana. Teniendo en cuenta la fecha de inicio de medidas, las series registradas son cortas
para una evaluación de recursos hídricos. Por otro lado, debido a que los objetivos iniciales de
instalación de esta red se centraban en el registro de señales que sirvieran de alarma, surge el

61
3. Series de Precipitación Histórica y Completado

problema de la falta de homogeneización con los criterios de instalación de estaciones

meteorológicas para la medida de lluvia.
El SAIH no dispone de un repositorio público de información desde donde se acceda al
conjunto completo de datos pluviométricos, aunque sí hay acceso a las series temporales de
cada pluviómetro desde la web del MARM12. La Tabla 6 y Figura 16 muestran las estaciones
de lluvia del SAIH y la fecha de puesta en marcha en cada Demarcación Hidrográfica.

Demarcación Inicio
Hidrográfica medidas

Júcar 01/01/1990

Segura 01/01/2000

Ebro 01/01/1997

Guadalquivir 01/10/1999

Tajo 01/01/2000

Guadiana 09/11/2006

Agencia Andaluza del 01/01/2000

Agua

Tabla 6. Descripción de la red SAIH Figura 16. Red pluviométrica de la red SAIH

Desde el año 1998 está activo el SIAR13, formado por un conjunto de estaciones
agroclimáticas con registro de temperatura y humedad del aire, velocidad y dirección del
viento, radiación solar y precipitación para estimar las necesidades de riego con datos reales
en los regadíos. La red depende del MARM y cuenta con datos en casi todas las provincias de
España14 (Figura 17). La instalación de estas estaciones sigue los criterios de estandarización
de medidas climáticas y las condiciones de mantenimiento de la red, con una alta calidad en la
información registrada. Sin embargo, las series son cortas y, a escala nacional, los datos de
lluvia son redundantes con los ya existentes en estaciones AEMET cercanas. Estas series
pueden ser útiles para completado de lagunas y análisis de calidad de los periodos comunes de
información.

12
http://www.mma.es/portal/secciones/aguas_continent_zonas_asoc/saih/
13
http://www.mapa.es/siar/
14
Sin cobertura SIAR las provincias de Pontevedra, Orense, Asturias, Cantabria, Vizcaya, Álava, Guipúzcoa, La
Rioja, Gerona, Lérida, Tarragona y Barcelona

62
3. Series de Precipitación Histórica y Completado

Figura 17. Red agroclimática SIAR

3.1.3 REPRESENTATIVIDAD DE LA RED METEOROLÓGICA Y OROGRAFÍA

3.1.3.1 MODELOS DIGITALES DE ELEVACIÓN Y ORIENTACIÓN

La información digital de la topografía de España utilizada en este trabajo procede de la
digitalización de las curvas de nivel del mapa cartográfico nacional 1:25.000 del IGN y
composición de un MDE en formato ráster en cuadrícula. El MDE original del IGN de 25 m
de resolución contenía únicamente las altitudes de la Península y del archipiélago Balear por
lo que, partiendo de la misma colección de curvas de nivel digitalizadas del IGN, se compuso
la parte de las Islas Canarias restante a la misma resolución de 25 m. El conjunto se
remuestreó en 200 y 500 m de resolución. En las imágenes que ilustran este trabajo, las Islas
Canarias aparecen desplazadas 500.000 m hacia el este y 750.000 m hacia el norte. La parte
portuguesa procede de la descarga de información de altitudes del Consorcio de Información
Espacial, CGIAR-CSI15. Estos datos proceden originalmente del proyecto de la NASA Shuttle
Radar Topographic Mission (SRTM) y dan 90 m de resolución.
El MDT de las orientaciones del terreno (Figura 18) se ha derivado del MDE anterior
utilizando los algoritmos del comando r.slope.aspect del SIG-GRASS (GRASS Development
Team, 2008; Neteler y Mitasova, 2004). Esta orientación del terreno o rumbo es el ángulo que
señala el norte y la proyección sobre el plano horizontal del vector del gradiente (Felicísimo,
1994). En el SIG-GRASS los ángulos se miden desde el este en sentido contrario a las agujas
del reloj y se calcula en cada celda considerando las altitudes vecinas de la matriz 3x3 del
MDE (Figura 18). Guan et al. (2005) utilizan un criterio de mejora en el coeficiente de
significación de las ecuaciones de regresión entre la lluvia y la altitud para recomendar los 5
km de resolución en el cálculo de las orientaciones. Daly et al., (1994) rebajaban la resolución
de trabajo a los 2 km para el cálculo de orientaciones, pero aplicando una serie de filtros
intermedios de suavización del MDE. En el presente trabajo se ha comprobado que el uso del
mapa de orientaciones de 200 m de resolución derivado del MDE de la misma resolución

15
http://srtm.csi.cgiar.org/

63
3. Series de Precipitación Histórica y Completado

combinado con una holgura de 90º en la selección de ángulos de orientación permite obtener
muestras similares a las derivadas del cálculo de orientaciones sobre MDE de resolución
5.000 m. Se evita de esta manera el manejo de un tipo de información definida de manera
imprecisa en las referencias consultadas. Por último, se han considerado pendientes llanas y,
por tanto sin orientación, a las inferiores a un 1%. No se ha localizado ningún criterio en la
bibliografía que respalde esta decisión y la sensibilidad en la interpolación, con muy escasas
zonas de montaña en estas condiciones, es muy reducida. Las pendientes se calculan entre
cada celda y la que da la máxima pendiente de las 8 vecinas utilizando el mismo comando
r.slope.aspect del SIG-GRASS.

Figura 18. MDT de orientaciones obtenido mediante el SIG-GRASS en España y Portugal

3.1.3.2 DISPONIBILIDAD DE PLUVIOMETRÍA EN ALTITUD

La Figura 19 representa sobre el MDE la posición de estaciones pluviométricas de las redes
de AEMET, del SAIH y del Servicio Integral de Asesoramiento al Regante, SIAR. La mayor
parte de los registros pluviométricos se encuentran en valles y zonas pobladas por lo que la
red meteorológica recoge escasa información en zonas altas. Estas áreas de mayor altitud
reciben mayor cantidad de precipitación y generan mayor cantidad de recurso. Es además
donde cabe esperar mayor variabilidad de la precipitación y donde encontrar un considerable
grado de incertidumbre si se piensa en las dificultades para explicar los fenómenos físicos que
allí ocurren. La mejora que introducen las redes SAIH y SIAR no es determinante,
especialmente si se tiene en cuenta la falta de adecuación de la red SAIH a los criterios
estandarizados de las redes de medida meteorológicas y a que ambas redes solamente cuentan
con información pluviométrica desde finales de los años 90.

64
3. Series de Precipitación Histórica y Completado

Figura 19. Red pluviométrica en Cordillera Cantábrica y Picos de Europa

En otras zonas de España se vuelven a encontrar ejemplos que ilustran la falta de estaciones
de la red en zonas altas y las aglomeraciones de información en las bajas. Las figuras
siguientes (Figura 20 a Figura 26) muestran la distribución de los pluviómetros en el Pirineo,
Sistema Ibérico, Sierra de Gredos, Cazorla y Sierra Nevada para comprobar que la baja
densidad de pluviómetros en altura es un problema generalizado en España. Únicamente las
Islas Canarias parecen dar una mayor densidad de sensores en altitud.

Figura 20. Red pluviométrica en el Pirineo Figura 21. Red pluviométrica en la Sierra de Gredos

65
3. Series de Precipitación Histórica y Completado

Figura 22. Red pluviométrica en el Sistema Ibérico y la Figura 23. Red pluviométrica en la Sierra de Cazorla
cabecera del Turia

Figura 24. Red pluviométrica en Sierra Nevada Figura 25. Red pluviométrica en la Sierra de Ronda

Figura 26. Red pluviométrica en Islas Canarias

Sin embargo, como se ha comprobado anteriormente, la densidad de registros pluviométricos

en España es superior al orden de magnitud de las recomendaciones mínimas de la OMM
(1994) que cifraba en 250 km2/estación el mínimo en zonas montañosas (Tabla 5). La
siguiente Figura 27 muestra el MDE de España derivado de la información digital del IGN y
el reparto de la superficie en función de la altitud. Este reparto se ha elaborado utilizando la
información de resolución 25 m. El histograma que muestra el reparto de superficies en altitud
muestra un sesgo positivo y destaca el predominio de áreas entre las altitudes de 200 y 1.000

66
3. Series de Precipitación Histórica y Completado

msnm. Áreas entre 1.000 y 1.200 msnm ocupan unos 50.000 km2. Las superiores a la cota
1.200 msnm se encuentran en el mismo orden de magnitud de los 50.000 km2.
120000

100000

80000

Superficie (km 2)
60000

40000

20000

< 200

200-400

400-600

600-800

800-1000

1000-1200

1200-1400

1400-1600

1600-1800

1800-2000

> 2000
Altitud (msnm)

Figura 27. MDE y reparto de superficie en España por altitud

Inicialmente, para manejar una densidad uniforme, el reparto de estas estaciones en altitud
debería ser similar al de las áreas de la Figura 27. El aumento de densidad debe darse en las
clases de mayor variabilidad de la lluvia, tal como ocurre en las zonas de montaña o en las
zonas de costa. El histograma de la Figura 28 muestra el reparto de estaciones de medida de la
lluvia en España considerando el territorio dividido en franjas de 200 m de altitud. También
muestra un sesgo positivo, con un núcleo regular entre los 200 y 1.000 msnm y un pico
secundario entre los 600 y 800 msnm. La densidad de estaciones aumenta en las cotas bajas
entre los 0 y 200 msnm y en la costa, donde la variabilidad de lluvias también es mayor, pero
no en las áreas de mayor altitud, donde se comprueba el descenso importante del número de
estaciones. En cotas superiores a los 1.200 msnm únicamente se encuentra un 6% del total de
estaciones históricas, de las cuales, aproximadamente un 20%, son estaciones de Canarias.
Por encima de los 1.400 msnm, el porcentaje de estaciones es la mitad del anterior y las de
Canarias son casi el 30% del total. A pesar de estas cifras, los mínimos OMM se siguen
cumpliendo con el total de estaciones históricas.

67
3. Series de Precipitación Histórica y Completado

Figura 28. Histograma del nº de estaciones en altitud en España

Los cambios de localización de las series, del entorno en el que se realizan las medidas o la
falta de mantenimiento hacen que surjan componentes de heterogeneidad en las series y
periodos sin registros o lagunas. La siguiente gráfica (Figura 29) está elaborada con las series
de la base de datos HIDRO (Quintas, 1996) procedentes a su vez de AEMET y de registros
históricos anteriores a 1970 procedentes de las antiguas oficinas de hidrometría de las
Confederaciones Hidrográficas, responsables de la toma de datos en un número reducido de
estaciones meteorológicas. Se representan el número de estaciones con registro anual
completo en cada año hidrológico desde 1804 y la estimación de lluvia media en España
obtenida por media aritmética del número total de datos de lluvia anual disponibles. El
número de estaciones con registro anual completo no coincide con el número de estaciones ya
que parte de las estaciones pasan por periodos de avería o abandono sin registro. El conjunto
total de estaciones históricas en España con las que se cuenta para la realización de este
trabajo es de 11.660, superior al número de estaciones manejado en el LBAE y muy superior
al de datos disponibles en cada año. El máximo se da en la primera mitad de los años 70 y
solamente alcanza la cifra de 4.500 series con año completo.
La Figura 29 permite comprobar el crecimiento importante de la red pluviométrica entre los
años 40 y 70. Desde principios de la década de los 70, la disponibilidad de información ha ido
decreciendo hasta las aproximadamente 3.000 series de años completos de principios del s.
XXI, similar al número de estaciones que indica AEMET (2011). Hay un último tramo de
descenso hasta las casi 2.000 estaciones en el año 2004/05. En la misma figura se representa
superpuesta una estimación de lluvia media anual calculada con una media aritmética del
conjunto anual de registros disponible en España. Es interesante observar asimismo que son
apreciables visualmente leves componentes de tendencia ascendente o descendente de lluvia
que coinciden con los ascensos o descensos del número de estaciones activas.

68
3. Series de Precipitación Histórica y Completado

Figura 29. Nº de series con registro anual completo y promedio de lluvia anual en España

Finalmente, la Figura 30 muestra la cobertura espacial de la red pluviométrica en distintos

años. En cada celda se ha calculado el número de pluviómetros con registro anual completo
cercano considerando un alcance máximo de 10 km. Es por tanto equivalente a un área de
influencia de cada pluviómetro de unos 300 km2 y escasamente superior a los 250 km2 por
estación como umbral de densidad mínima recomendado por la OMM en zonas montañosas.
En color marrón oscuro se representan las celdas para las cuales existe un número reducido de
pluviómetros en las cercanías. En azul, las celdas con un número alto de pluviómetros
alrededor. En colores claros, las celdas con un número medio de estaciones en las
proximidades. Cada mapa representa el número de estaciones cercanas a cada celda de un año
en particular y la serie se ha construido en pasos de 5 años desde 1960 hasta el año 2000.

69
3. Series de Precipitación Histórica y Completado

70
3. Series de Precipitación Histórica y Completado

Figura 30. Nº de estaciones con registro anual completo disponibles en radios de 10 km

A pesar de que la Figura 30 refleja únicamente la posición de estaciones en un plano por lo

que no permite distinguir directamente la altitud de las estaciones, se puede comprobar que
existen zonas montañosas de reducida densidad en el noroeste peninsular, en las cabeceras del
Ebro, Duero, Tajo y Guadalquivir, en el Pirineo y cabecera del Segre, margen izquierda del
Tajo, así como en los cursos medios y bajos de los ríos Duero, Tajo y Guadiana. La Figura 30
muestra la mejora de las condiciones de medida en los años 70 y el empobrecimiento de la red
posterior, significativamente en la cuenca del Guadalquivir y sur de la Península. La
aplicación de técnicas de completado de series pluviométricas puede aliviar al menos el
problema de la variable evolución de la disponibilidad de información siempre que exista una
estación con un registro tomado durante un periodo temporal que se pueda comparar al de
otras estaciones.
La Figura 31 desagrega los datos de la serie de lluvia de la Figura 29 en franjas de 200 m de
altitud para destacar el efecto de la altitud en las lluvias. Es decir, se seleccionan las
estaciones comprendidas en cada una de las franjas de 200 m de altitud desde 0 msnm hasta
1.200 mnsm y superiores y se calcula el número de estaciones con registro anual completo y la
media anual de la lluvia registrada. El número de estaciones se representa acumulando el total
de estaciones en cotas inferiores a la del intervalo de cálculo. Las series de lluvia promediadas
se corresponden a las medias aritméticas de datos anuales registrados en estaciones que
situadas en cada franja de altitud. Tal como ya se había mostrado en la Figura 28, la mayoría
de estaciones se encuentran a cotas inferiores a los 1.200 msnm. Utilizando las mismas franjas
de altitud, se comprueba que las lluvias medias en cotas bajas son claramente inferiores a las
de las superiores y al ser la distribución sesgada, es decir, con mayor número de datos en las
menores cotas, la media final resulta más próxima a los datos de las cotas inferiores. Las
lluvias medias de las cotas más altas son superiores, casi un 30% mayores las de cotas
superiores a los 1.200 msnm respecto a la media del conjunto completo de estaciones.

71
3. Series de Precipitación Histórica y Completado

Figura 31. Nº de series con registro anual completo y promedio de lluvia anual por franjas de altitud

3.2 TÉCNICAS DE COMPLETADO DE SERIES PLUVIOMÉTRICAS

Uno de los problemas que frecuentemente aparece en hidrología es la existencia de lagunas en
las series de datos registrados de una estación meteorológica o hidrométrica y la necesidad de
pronosticar sus valores. Estas lagunas pueden extenderse durante un periodo extenso por
problemas de mantenimiento de la red o abandono; o bien pueden tener un carácter puntual.
También son frecuentes los errores en el procesamiento y en la trascripción de datos.
Existen dos alternativas de cálculo para el completado de información. Reproducir el
fenómeno físico o utilizar procedimientos estadísticos (Estrela, 1992a y 1992b). La
simulación del fenómeno físico se complica por la dificultad intrínseca para la simulación de
algunos fenómenos. En el caso de las precipitaciones, depende del manejo de modelos sobre
circulación atmosférica y los factores fisiográficos implicados. Físicamente es un fenómeno
complejo que se aborda como una respuesta aleatoria. Otros procesos, como la generación de
escorrentía, ligada a la ocurrencia de precipitaciones, admiten la simulación del ciclo
hidrológico conforme a leyes conceptuales o físicamente basadas.
Los procedimientos estadísticos se basan en la información subyacente en la propia serie de
datos de cada estación y en la relación que las series mantengan con los de otras estaciones
con las que comparten la misma región climática o hidrológica. Son los modelos de
interpolación temporal, autorregresivos y de regresión en general.
Se manejan conceptos similares en el problema del completado y en la generación de series
sintéticas. Éstas son de utilidad cuando se trata de calcular algún estadístico, ligado a una
frecuencia según patrones de diseño. En ellas, los datos se asumen como pertenecientes a un
fenómeno aleatorio que maneja por medio del conocimiento de una serie suficientemente
larga o de su función de distribución. Las propiedades estadísticas básicas describen su
tendencia central, su variabilidad, el coeficiente de asimetría, la correlación con otras series o
la autocorrelación, que intenta describir el hecho de que caudales altos o bajos en series
hidrometeorológicas tienden a ser seguidos por caudales altos o bajos, respectivamente. La
aplicación de estas técnicas exige admitir hipótesis dependientes del tipo de dato, por las
cuales usualmente se distingue entre datos meteorológicos e hidrométricos.

72
3. Series de Precipitación Histórica y Completado

La elección de un intervalo temporal de trabajo tiene influencia en el tipo de modelo a utilizar.

En los apartados siguientes se realiza una exposición de las técnicas clásicas de regresión de
completado de series meteorológicas y de caudales con escala mínima mensual, que es
generalmente la escala temporal de trabajo utilizada en estudios de recursos.

3.2.1 PROPIEDADES DE LAS SERIES TEMPORALES

Las series temporales son secuencias de datos históricos o sintéticos producidos por un
proceso aleatorio durante sucesivos intervalos de tiempo. En los apartados siguientes se
considera que el término i-ésimo, xi, de una serie temporal está constituido por una parte
determinista, di, y una parte aleatoria, ei,
Ec. 3-2. Descomposición del modelo de series temporales

xi = d i + ei

La parte determinista es función de las características de la serie como la media, la

variabilidad de la muestra y los tipos de correlación que mantenga la propia serie consigo
misma o con otras registradas en el entorno. La parte aleatoria tiene asociada una función de
distribución, por ejemplo, una función uniforme, la normal, logarítmico normal, etc. Es decir,
este diseño, válido para completado y generación de series sintéticas, ha de considerar las
siguientes cuestiones (Fiering y Jackson, 1971):
a. ¿Un valor anterior guarda o no información del siguiente o siguientes valores?. Si
es así ¿cómo?. ¿Es el inmediatamente anterior o es una serie de valores
anteriores?. ¿Los modelos han de considerar la información contenida en cuántos
pasos anteriores?

b. ¿Qué variables se pueden seleccionar con información sobre una dada?. ¿Podemos
diseñar un modelo estocástico que permita prever, por ejemplo, una serie de
caudales con los registrados en otros puntos del territorio o con series de
precipitación?. ¿Se pueden aprovechar las características regionales del
fenómeno?.

Una serie temporal quedaría caracterizada con el conocimiento de las funciones de

distribución correspondientes a cada paso t en que se realiza y las relaciones entre ellas. En
cada paso, es posible una multitud de resultados con una distribución de probabilidad
asociada. Con suficientes realizaciones a lo largo del tiempo, podríamos manejar la
distribución conjunta, la de dos variables consecutivas o la de cualquier subconjunto de
variables. En la práctica esta caracterización se simplifica a conocer el vector de las medias
correspondientes a cada instante, las varianzas y las covarianzas.
La estacionariedad hace referencia al mantenimiento de estas propiedades en el tiempo y, en
concreto, se denomina estacionariedad débil cuando media y varianza se mantienen
constantes y las covarianzas solamente dependen del paso o intervalo de tiempo considerado:
1. Media: µ(t)= µ

2. Desviación típica: σ(t)= σ

73
3. Series de Precipitación Histórica y Completado

3. Covarianzas, γ(xt+k,xt)= γk o si se prefiere en términos del coeficiente de

autocorrelación, ρk= γk/ γo.

Otro estadístico de la serie temporal es el coeficiente de asimetría o de sesgo, representativo

de la falta de simetría de las distribuciones hidrológicas. Desde la perspectiva en que se
estudian aquí las series temporales, su influencia es importante para elegir el tipo de función
de distribución o la transformación necesaria en los datos. Las funciones de distribución
normal y logarítmico normal son referencia por aplicación del teorema central del límite.
Cuando los sesgos son pronunciados, se recurre a funciones tipo gamma como las expuestas
en capítulos anteriores.
En Fiering y Jackson (1971) se destaca el papel que tiene la persistencia de los datos
hidrológicos en la selección del número de datos para estimar las propiedades anteriores.
Aparte de la influencia negativa que tiene la posible actividad humana en la estimación de los
estadísticos anteriores, se menciona el que el hecho de que los datos hidrológicos tiendan a
parecerse a los anteriores. Series con una alta persistencia, requerirán mayor cantidad de
valores a la hora de estimar la media. Otras con persistencias bajas, tienen menor necesidad de
valores. Los autores mencionados refieren necesidades entre los 30 y 50 datos.
La existencia de ciclos en las series temporales hace que no se cumpla la propiedad de
estacionariedad. Sin embargo, la consideración de ciclos constantes permite sortear este
problema utilizando los asociados a los ciclos en cuestión y transformaciones como la
normalizante u otras similares. Una vez estimado el paso temporal y el tratamiento de los
ciclos estacionales, el procedimiento a seguir constaría de las siguientes fases
1. Elegir el periodo de completado en función de las necesidades del estudio y de las
características de los datos existentes como problemas por alteraciones,
disponibilidad suficiente de datos, etc.

2. Calcular estadísticos como la media, desviaciones típicas, coeficientes de sesgo y

coeficientes de autocorrelación.

3. Tanteo de funciones de distribución adecuadas a los datos. Primero, se tantea el

posible ajuste según una normal o una logarítmico normal. Si se estima que el
sesgo es importante, habrá que ir a una distribución gamma.

4. Transformación de las series hidrometeorológicas para filtrar las componentes

estacionales o eliminar los sesgos.

5. Establecimiento de la ecuación de regresión y decisión sobre el grado de

correlación: simple, doble, triple, etc.

6. Proceder al completado estableciendo criterios de orden y priorización en las

variables transformadas.

7. Deshacer las transformaciones realizadas sobre las series completadas.

74
3. Series de Precipitación Histórica y Completado

3.2.2 COMPLETADO DE SERIES MENSUALES SIN PERSISTENCIA

Con carácter general, el completado de datos meteorológicos se puede realizar utilizando una
serie de técnicas que abarcarían desde la consideración de la media aritmética, que permite
rellenar datos entre series bajo determinadas condiciones de similitud; el ratio normal; el
inverso distancia al cuadrado y aquellos métodos que aprovechan superficies de interpolación
representativas del dato en una región, como las isoyetas para las precipitaciones; hasta los
métodos de regresión simple y múltiple, que permiten la obtención de los valores incógnita en
función del grado de asociación entre series de datos.
Ec. 3-3. Ecuación del ratio normal

1  P4 P P 
Pi , 4 = ⋅  ⋅ Pi ,1 + 4 ⋅ Pi , 2 + 4 ⋅ Pi ,3 
3  P1 P2 P3 
en la que el subíndice i es indicativo de la fecha del dato a rellenar en una estación 4 a partir
de los datos contemporáneos registrados en las estaciones 1, 2 y 3 y de las relaciones en
media de las series registradas.

3.2.2.1 REGRESIÓN SIMPLE

La relación se establece entre dos variables, dependiente e independiente, mediante el ajuste
de una curva o ecuación de regresión a la nube de dispersión que exprese la relación entre
ambas. Hay diversas maneras.
Cabe mencionar la validez de un ajuste a sentimiento que permitiría introducir la experiencia
del autor en la estimación. Sin embargo, la falta de una expresión analítica reduce la utilidad
de esta técnica. Otra opción es utilizar una expresión matemática predefinida. Elegido el tipo
de relación, lineal o polinómica, exponencial, logarítmica, etc. queda encontrar el mejor ajuste
en función de los datos disponibles. En el caso de la regresión lineal, una recta expresa la
relación entre las dos variables. Depende de dos parámetros, a, pendiente, y b, término
independiente.
Ec. 3-4. Recta de regresión lineal

y est = a· x + b

El método de los mínimos cuadrados se basa en la minimización del error cuadrático de la

curva de ajuste respecto a los valores realmente registrados. Este error cuadrático medio se
define como el sumatorio de las diferencias al cuadrado entre el valor de y muestral y el
estimado yest mediante la ecuación de ajuste para el correspondiente valor de x. La condición
de minimización dependiente de los parámetros ak, se expresa entonces como:
Ec. 3-5. Error cuadrático y condiciones para el ajuste por mínimos cuadrados

n
ECM = ∑ ( yi − yiest ) 2
i =1

∂ECM
∀k ∈ (1, n ) → =0
∂a k

75
3. Series de Precipitación Histórica y Completado

Permitiendo obtener los parámetros ak de la función f(x) que representa al yest. La estimación
de a y b con una expresión lineal y mínimos cuadrados queda,
Ec. 3-6. Expresión del ajuste de la ecuación de regresión lineal por mínimos cuadrados

y est = a ⋅ x + b
n n n
ECM = ∑ ( yi − yiest ) 2 = ∑ ( yi − (a· xi + b )) =∑ yi2 + (a· xi + b ) − 2· yi ·(a· xi + b )
2
( 2
)
i =1 i =1 i =1

∂ECM n n

∂a
= ∑ (2·(a· xi + b )· xi − 2· yi · xi ) = 2·∑ a· xi2 + b· xi − yi · xi = 0 ⇒ ( )
i =1 i =1

n n n n

⇒ a·∑ xi + b·n· x − ∑ xi · yi = 0 ⇒ a·∑ xi + b·n· x = ∑ xi · yi  ⇒
2 2

i =1 i =1 i =1 i =1 
∂ECM n 
= ∑ 2·(a· xi + b ) − 2· yi = 0 ⇒ a· x + b = y ⇒ b = y − a· x 
∂b i =1 
n n n n
2
⇒ a·∑ xi2 + b·n· x = ∑ xi · yi ⇒ a·∑ xi2 + n· y· x − n·a· x = ∑ xi · yi ⇒
i =1 i =1 i =1 i =1
n n

∑ x ·y i i ∑ x ·y i i
i =1 − y· x i =1 − y· x
⇒a= n ⇒b= y− n ·x
 n
  n

 ∑ xi2   ∑ xi2 
2 2
 i =1 −x   i =1 −x 
 n   n 
   
   
Siendo x e y las medias las series x e y, rxy, el coeficiente de correlación de Pearson,
COV(x,y), la covarianza y σ x y σ y , las desviaciones típicas de las series, queda
Ec. 3-7. Parámetros de la ecuación de regresión lineal obtenidos por mínimos cuadrados

σ y COV ( x, y ) σ y COV ( x, y )
a = rxy ⋅ = · = b = y −a⋅x
σx σ x ·σ y σ x σ x2
En el caso anterior se ha ajustado la curva utilizando como medida de error las distancias
verticales. El resultado se puede implementar en la ecuación de regresión quedando,
Ec. 3-8. Ajuste por mínimos cuadrados. Criterio de distancias verticales

COV ( x, y )
y est − y =
σ x2
(
· x−x )
Si se toman distancias horizontales, la expresión del ajuste es distinta e igual a:
Ec. 3-9. Ajuste por mínimos cuadrados. Criterio de distancias horizontales

(x − x ) = COVσ( x, y)·(y
2
est
−y )
y

76
3. Series de Precipitación Histórica y Completado

Y la media geométrica de ambas expresiones es:

Ec. 3-10. Media geométrica del parámetro a de los criterios de distancia horizontal y vertical

n
( x i − x) ⋅ ( yi − y )
COV ( x, y ) 2
n
∑
ρ = rxy = 2 2
= i =1
σ x ⋅σ y σ x ⋅σ y

Las expresiones anteriores sobre un ajuste por mínimos cuadrados se pueden ampliar al caso
de considerar un elemento aleatorio ε en la relación entre dos variables. Entonces, la
ecuación de regresión se expresa como sigue,
Ec. 3-11. Recta de regresión considerando el término aleatorio

yiest = a ⋅ xi + b + ε i
La distribución del error está condicionada a la de las variables utilizadas. Para una
distribución simétrica, se estimarían la tendencia central y desviación típica del error,
dependiente de las condiciones de ajuste. En el caso del ajuste por mínimos cuadrados, la
esperanza del error es nula y la varianza depende de la desviación típica de la variable
dependiente y del coeficiente de correlación entre variables.
Ec. 3-12. Condición esperanza nula del error

[ ]
E yi − yiest = E [ yi − b − a ⋅ xi ] = y − b − a ⋅ x = 0
Ec. 3-13. Término de varianza del error

[(
E yi − yiest ) ] = σ ⋅ (1 − r )
2 2
y
2
xy

Es decir, partiendo de unas variables x e y pertenecientes a una distribución normal, el término

de error queda caracterizado por pertenecer a una N(0, σ y ⋅ 1 − rxy2 ).

Las ecuaciones anteriores se han obtenido utilizando los datos sin transformación alguna. Sin
pérdida de generalidad, se pueden expresar los resultados anteriores en función de los
residuos normalizados:
Ec. 3-14. Ajuste por mínimos cuadrados en función de los residuos normalizados

COV ( x, y ) y est − y x−x

y est − y =
σ 2
(
· x− x +ε ⇒) σy
= rxy ·
σx
+ξ
x

Con ξ perteneciente a una N(0, (1 − r ) ) al haber dividido entre la desviación típica de y.

2
xy

Con distribuciones de tres parámetros, normalizadas las variables, y con la notación

Ec. 3-15. Ajuste por MC en función de los residuos normalizados y distribución Gamma

y est − y x−x
= rxy · + ξ · 1 − rxy2
σy σx

77
3. Series de Precipitación Histórica y Completado

se tendría ξ perteneciente a una Gamma(0, 1, γξ) tal que el coeficiente de sesgo del ruido, γξ,
es función del de la variable independiente y del coeficiente de correlación de Pearson,
(Fiering y Jackson, 1971)
Ec. 3-16. Sesgo del ruido

1 − rxy3
γξ = ·γ x
(1 − r ) 2 1,5
xy

Y la variable ξ que se puede generar de una t perteneciente a N(0,1)

Ec. 3-17. Variable gamma

3
2  γ ·t γ 
2
2
ξ = ·1 + ξ − ξ  −
γξ  6 36  γ ξ

cuya utilización se desaconseja (Fiering y Jackson, 1971) por la sensibilidad de los

coeficientes de sesgo a la información disponible.

3.2.2.2 REGRESIÓN MÚLTIPLE EN SERIES MENSUALES SIN PERSISTENCIA

En la siguiente deducción se añade la consideración de los ciclos estacionales en una serie sin
persistencia y se contempla la formulación de una variable en función de otras. En el caso de
una variable en función de otras dos, la regresión es bivariada. CORMUL es un modelo de
regresión bivariado con estacionalización previa programado en el CEH-CEDEX (Estrela,
1989). Actualmente se encuentra implementado en el modelo para el Cálculo
Hidrometeorológico de Aportaciones y Crecidas, CHAC y en el Sistema Integrado para la
Modelización de procesos Precipitación-Aportación SIMPA (Álvarez et al., 2005; Ruiz
García, 1998; Estrela y Quintas, 1996).
Los factores y la forma de filtrar estas componentes cíclicas o estacionales características de
cada serie se establecen en función de la estructura de los datos. Suele ser habitual considerar
que los datos meteorológicos se mantienen estacionarios durante el ciclo de completado y que
su estructura coincide con la de datos distribuidos normalmente. De acuerdo a esto, una
normalización en función de la media y desviación típica de cada uno de los meses,
estacionalización, bastaría para eliminar la componente cíclica, homogeneizando la totalidad
de los datos de cada serie. Los residuos siguen una función de distribución normal de media 0
y desviación típica 1 (Fiering y Jackson, 1971; Salas et al. 1980; Abtew et al., 1993).
Ec. 3-18. Transformación normalizante

1 N
1 N xij − x j
xj =
N
∑x ij ; Sj =
N − 1 i =1
(
⋅ ∑ xij − x j )
2
; tij =
Sj
i =1

donde j es el índice mensual de 1 a 12, xij es el dato meteorológico correspondiente al año i y

mes j, x j media de los datos del mes j, N número de años de la serie, Sj desviación típica de la
serie correspondiente al mes j. La serie de residuos correspondiente se obtiene en tij,
estacionaria en media y varianza.

78
3. Series de Precipitación Histórica y Completado

En la práctica, tratándose de datos xij meteorológicos mensuales, la correspondiente serie de

residuos tij, no suele presentar autodependencia temporal y así se supone al plantear los
modelos de completado. A continuación se expone la metodología de cálculo para el caso
particular en que se realice una regresión bivariada. El proceso que se describe sería
prácticamente idéntico si se considerasen más estaciones en la ecuación de regresión. Para el
establecimiento de la ecuación de regresión, los valores tij correspondientes a una estación se
expresan como una función lineal de los de otra pareja de estaciones mediante la ecuación
estocástica de regresión bivariada siguiente:
Ec. 3-19. Regresión múltiple en los residuos

tij3 = t 3 + a1 (tij1 − t 1 ) + a 2 (tij2 − t 2 ) + ε ij

donde los superíndices 1, 2 representan a las estaciones de referencia para completar la
estación de superíndice 3; a1 y a2 son los coeficientes de regresión parcial, función de los
coeficientes de correlación simple r13, r23 y r12 al añadir la condición de error cuadrático
mínimo. εij es un ruido independiente y normalmente distribuido de media 0 y desviación
(
típica Sε . Los valores medios de los residuos tij en cada estación t 1 , t 2 , t 3 tienen valor 0 ya )
que corresponden a series normales previamente estacionalizadas. De acuerdo a la
mencionada condición de error cuadrático mínimo, las expresiones de los coeficientes de
regresión a1 y a2 son:
Ec. 3-20. Coeficientes de la ecuación de regresión bivariada por mínimos cuadrados

s3 r −r ⋅r  s3 r − r ⋅r 
a1 = ⋅  13 23 2 12  a2 = ⋅  23 13 2 12 
s1  1 − r12  s2  1 − r12 
donde s1, s2 y s3 son las desviaciones típicas de las series tij correspondientes a cada estación
y, dado que estas series han sido previamente estacionalizadas, su valor será 1, r12 es el
coeficiente de correlación simple entre los residuos de las estaciones 1 y 2; r13 es el
coeficiente de correlación simple entre los residuos de las estaciones 1 y 3; r23 es el
coeficiente de correlación simple entre los residuos de las estaciones 2 y 3, según la expresión
siguiente donde m y n representarían las diferentes combinaciones entre las estaciones
mencionadas:
Ec. 3-21. Coeficiente de correlación de Pearson

∑ (t
∀ij
m
ij )(
− t m ⋅ tijn − t n )
rmn =
∑ (t ) ∑ (t )
m 2 2
ij −t m ⋅ n
ij −t n
∀ij ∀ij

Se puede comprobar que la media del ruido εij es cero, mientras que su desviación típica sería
función del error cuadrático cometido en la ecuación de regresión. Se puede estimar a partir
de la expresión:
Ec. 3-22. Varianza del ruido

Sε2 = S 32 ⋅ (1 − ( R123 ) 2 )

79
3. Series de Precipitación Histórica y Completado

siendo R123 el coeficiente de correlación múltiple entre las estaciones 1 y 2 con la número 3,
que para valores de desviación típica s1, s2 y s3 unitarios toma la expresión:
Ec. 3-23. Coeficiente de correlación múltiple

 r 2 + r 2 − 2 ⋅ r12 ⋅ r13 ⋅ r23 

R123 =  13 23 
 1 − r122 
con valores comprendidos entre 0 y 1.
La ecuación de regresión se formula para cada pareja de estaciones que pueden
correlacionarse con la estación que se desea completar. En el momento de rellenar un dato se
debe elegir aquella pareja de estaciones que proporcione el completado más satisfactorio. El
criterio seguido para realizar esta elección se basa en la formación de una matriz de
priorización para cada estación a completar, función de los coeficientes de correlación
múltiple entre las series de residuos y del número de datos comunes entre las tres estaciones.
Los términos de la matriz de priorización para la estación a completar k es la siguiente, para
cada pareja de estaciones de referencia m y n,:
Ec. 3-24. Matriz de priorización

a
k  N 
Pmn = Rmn ⋅  mnk 
 12 ⋅ N 
donde Pmn es el elemento (m,n) de la matriz de priorización correspondiente a la estación a
k
completar k, Rmn el coeficiente de correlación múltiple entre la estación k y las estaciones m y
n de referencia y Nmnk el número de datos mensuales registrados a la vez en las tres estaciones
m, n y k. El exponente a suele ser un dato que se introduce para ponderar la importancia que
tiene en el completado el número de datos comunes entre las tres estaciones. Se puede
determinar experimentalmente bajo el criterio de generar series con mínimo error cuadrático.
Halladas las matrices de priorización de cada estación, se elige cuál es la mejor pareja para
rellenar un mes en cuestión. En principio se escogerá para cada estación k la pareja de
referencia con un mayor valor de priorización, pero la existencia de los valores en el mes de
completado en esas estaciones m y n, origina que se tengan que elegir sucesivas parejas de
estaciones de acuerdo a valores decrecientes de priorización.
Dado que las series completadas han sido las tij, se precisa deshacer la transformación para
obtener la serie desestacionalizada y completada xij. Ello se consigue aplicando la siguiente
expresión a los residuos completados de la estación k:
Ec. 3-25. Transformación inversa de la normalización. Desestacionalización

xij = x j + S j ⋅ tij
Para aplicar esta metodología es preciso agrupar previamente las estaciones meteorológicas en
grupos homogéneos o afines, estableciendo un control previo de las estaciones que sirven de
referencia para el completado de una dada. Se evita así la transmisión de heterogeneidades y
errores de unas estaciones a otras.

80
3. Series de Precipitación Histórica y Completado

3.2.3 COMPLETADO DE SERIES MENSUALES CON PERSISTENCIA

El planteamiento del caso de regresión simple con persistencia es idéntico al del apartado
anterior considerando que la serie x corresponde a la desplazada, por ejemplo, un intervalo de
tiempo. Los modelos estocásticos multivariados de regresión utilizados para rellenar lagunas
en series de aportaciones mensuales consideran, a diferencia del caso anterior, la existencia de
una estructura de autocorrelación temporal en la serie de datos de cada estación, permitiendo
además extraer información a través de la correlación espacial con otras estaciones.
A continuación se expone la metodología propuesta por el Cuerpo de Ingenieros de los
EE.UU., que se ha estandarizado bajo la denominación del modelo HEC-4. Este modelo
permite rellenar lagunas en secuencias de aportaciones basándose en la autocorrelación de una
estación y de sus relaciones estadísticas con otras (correlación espacial).
Como en el caso anterior, el primer paso consiste en extraer la serie de residuos de acuerdo a
la estructura según la cual se distribuyen los datos de las series de aportaciones. El programa
plantea como hipótesis que las series se comportan de acuerdo a una distribución LogPearson
III con lo que, habiendo transformado las series originales en series de los logaritmos de las
aportaciones mensuales, se consideran la media, desviación típica y coeficiente de sesgo del
logaritmo de la serie según las expresiones siguientes: yij = log xij
Ec. 3-26. Media, desviación típica y sesgo de las series logarítmicas

N N N

∑ yij ∑ (y ij − y j ) ∑ (yij − y j )
2 3

i =1 i =1 N i −1
yij = log xij yj = σj = gj =
N N −1 (N − 1) ⋅ (N − 2) σ j 3
donde yij es el logaritmo de las aportaciones en el mes j del año i, y j es la media de la serie
logarítmica de las aportaciones en el mes j y N es el número de años de la serie. Se
estacionalizan las series de acuerdo a las expresiones:
Ec. 3-27. Transformación considerando el sesgo y la componente cíclica estacional

yij − y j 6   g j ⋅ tij   gj
tij = kij = ⋅ 3  + 1 − 1 +
σj gj   2   6

donde tij es una serie estacionaria a la que se han suprimido las tendencias estacionales. A sus
valores podría ajustarse, en primera aproximación una distribución normal, ya que los xij han
sufrido una transformación logarítmica normalizante previa. Este tratamiento se debe al hecho
suficientemente conocido de que las aportaciones no siguen una distribución normal. A los
valores tij, el modelo HEC-4 no les ajusta una normal, sino una distribución Pearson-III en la
que se hace intervenir el coeficiente de sesgo periódico g j , resultando una nueva variable ki,j.
El modelo de regresión planteado sobre la serie de residuos es del tipo
Ec. 3-28. Modelo de regresión

M
k ijo = bo k ijo−1 + ∑ b1 ⋅ k ij1 + ε ij
1=1

81
3. Series de Precipitación Histórica y Completado

donde k ijo es el valor en el mes j del año i de la variable transformada (Pearson-III) en la

estación a completar o, k ijo−1 es el valor en el mes j-1 del año i de la variable transformada
(Pearson-III) en la estación a completar o, bo es el coeficiente autorregresivo (temporal), b1 es
el coeficiente de regresión entre las estaciones o y 1, k i1, j es el valor en el mes j del año i de la
variable transformada (Pearson-III) en la estación de referencia 1, M es el número de
estaciones consideradas en la regresión, εij es el ruido de media 0 y desviación típica σε
El proceso de completado de datos es similar al expuesto en el método de completado de
precipitaciones. Como se observa en el planteamiento de ecuaciones, las diferencias básicas
estriban en la propiedad de autocorrelación de las series de caudales y en la necesidad de
transformaciones normalizantes de las mismas.

3.2.4 GENERACIÓN DE NÚMEROS ALEATORIOS

Los ordenadores personales tienen la posibilidad de generar números pseudoaleatorios. Son

máquinas deterministas y utilizando los mismos datos, dan idénticos resultados. Los números
aleatorios se construyen entonces respetando propiedades de series aleatorias. Pertenecen a
una función de distribución uniforme, desde la que se pueden derivar números pertenecientes
a otras poblaciones.
Una función de distribución uniforme es aquélla para la que los casos posibles, dentro del
dominio [0,1], son independientes unos de otros y son equiprobables.

3.2.4.1 FUNCIÓN DE DISTRIBUCIÓN UNIFORME. MODELO LINEAL

Se consideran los siguientes parámetros:
a. Valor inicial x0, nulo o positivo

b. Multiplicador a, nulo o positivo

c. Incremento c, nulo o positivo

d. Divisor m, mayor que todos los términos anteriores

Generar los valores de la serie xi utilizando el resto de la división del modelo lineal axi-1+c
entre m.
Ec. 3-29. Generación de números aleatorios. Modelo lineal

 (a· xi −1 + c ) 
xi = resto  
 m

3.2.4.2 FUNCIÓN DE DISTRIBUCIÓN NORMAL

La generación de números aleatorios normales se puede basar en la aplicación del teorema
central del límite, es decir, en que la suma de números aleatorios pertenecientes a una función
de distribución idéntica (también se puede extender al caso contrario), con media µ y varianza
finitas, σ2, es aproximadamente normal, con media n·µ y varianza n·σ2. Si se generan
números normales utilizando 12 valores de la función de distribución uniforme a los que se

82
3. Series de Precipitación Histórica y Completado

restan 6 unidades, se tendrá una normal de media cero y desviación típica unidad. La
transformación de Box-Muller utiliza dos números uniformemente distribuidos con media 0 y
varianza 12, para generar números normales de media 0 y varianza, 12.
Ec. 3-30. Transformación Box-Muller

1
ti = ln ·cos(2·π ·u2 )
u1

3.3 APLICACIÓN DEL COMPLETADO A SERIES

PLUVIOMÉTRICAS EN ESPAÑA
Tradicionalmente se ha considerado que la persistencia de las series de lluvia mensual es baja,
por lo que el procedimiento de regresión múltiple en series mensuales sin persistencia
expuesto anteriormente es aplicable (Salas et al., 1980; Fiering y Jackson, 1971). Un modelo
de regresión múltiple mejora los resultados al reducir la sensibilidad a los errores que podrían
transmitirse desde una única estación meteorológica. Para homogeneizar temporalmente la
disponibilidad de información, se han completado las series de lluvia desde 1930 utilizando
un parámetro umbral de priorización de 0,5. Cada estación se ha completado utilizando las 30
estaciones más cercanas, de las que se toman las 2 con mejor valor de priorización según la
metodología expuesta anteriormente. La estacionalización previa de las series filtra la
dependencia climática de medias y variabilidad. La siguiente gráfica muestra el resultado del
completado final. Se logra una disponibilidad de más de 7.000 estaciones meteorológicas
desde mediados de los años 40 y un máximo de estaciones superior a las 8.000 desde 1970
hasta el año 2000 (Figura 32). Aunque no figuran en los estadísticos y gráficas siguientes, en
el ejercicio de completado se han incluido casi 800 series mensuales de pluviometría de
Portugal. Esta información ha sido descargada del Sistema Nacional de Información de
Recursos Hídricos del Instituto del Agua de Portugal, SNIRH-INAG16.

Figura 32. Series de lluvia disponibles por completado y promedio de lluvia en España

16
http://www.inag.pt/

83
3. Series de Precipitación Histórica y Completado

Los mapas de densidad de estaciones muestran una mejoría de la disponibilidad de

información en toda España (Figura 33). Hay alta densidad de estaciones completadas en el
Levante y costa mediterránea así como en zonas del interior como el eje del Guadalquivir y
parte del Guadiana, tramo medio del Duero, Sil, cabecera del Ebro o algún afluente como el
Gállego. El completado no resuelve el problema de la existencia de zonas con baja densidad
ya que sigue siendo escaso el número de estaciones en altitud en áreas del centro peninsular,
noroeste y Pirineos. En concreto, el área de la Cordillera Cantábrica y los Picos de Europa,
Pirineo navarro y leridano, cabecera del Tajo, Montes de Toledo y la comarca de Las Hurdes,
las sierras en la transición entre el Guadiana y Guadalquivir y vertiente mediterránea de la
cabecera del Segura. En los archipiélagos la apariencia de la disponibilidad de datos
solamente se reduce en la isla de Fuerteventura donde las precipitaciones son muy reducidas.

84
3. Series de Precipitación Histórica y Completado

Figura 33. Densidad de información pluviométrica completada

La Figura 34 muestra el resultado del completado de información desagregado por intervalos

en función de las cotas del terreno. Los intervalos son de 200 m de amplitud y se representa el
número de estaciones con años completos o completados, así como la precipitación media del
conjunto de pluviómetros de ese intervalo. El número de estaciones se acumula y cada

85
3. Series de Precipitación Histórica y Completado

evolución del número de estaciones representa el total de estaciones con año completo a cota
igual o inferior a la de referencia. Las precipitaciones promedio lo son exclusivamente de las
estaciones de cada intervalo de cotas. Desde la cota 1.200 m ya no parece existir un
incremento significativo de estaciones cuando, sin embargo, son los pluviómetros que
mayores cantidades registran, tal como se aprecia en las series promediadas. Si la media del
conjunto de pluviómetros completados oscila alrededor de los 600 mm anuales, la media de
los pluviómetros en cotas superiores a los 1.200 msnm oscila alrededor de unos 900 mm
anuales, es decir, es un 30% superior.

Figura 34. Series de lluvia disponibles por completado y promedios de lluvia por altitud

3.4 SÍNTESIS
Los datos de lluvia en España se registran mediante la red terrestre de pluviómetros, el radar y
el satélite. Las últimas dos técnicas, radar y satélite, proporcionan estimaciones espacialmente
distribuidas y en perfiles de lluvia en altura. Pero en la práctica encuentran numerosos
problemas técnicos para estimar cuantitativamente la lluvia en cualquier punto del territorio.
No captan cualquier intensidad de lluvia o nieve y, particularmente en el caso del radar
horizontal, son sensibles a la presencia de obstáculos, como los montañosos, tanto por la
presencia de ecos de la propia superficie como por dejar zonas en sombra. En comparación
con la red terrestre básica, no se dispone actualmente de series históricas de medida. Sin
embargo, experiencias combinadas entre imagen de satélite y radar vertical del TRMM abren
las posibilidades de exploración y cuantificación de la lluvia en la montaña, con información
sobre la estructura del campo de lluvias, permitiendo identificar y seguir eventos que pueden
no ser detectados completamente en la red pluviométrica convencional.
La red pluviométrica terrestre cuenta con otra serie de inconvenientes. La información que
produce es puntual y los patrones que representan la variabilidad espacial de la lluvia hay que
extraerlos del estudio de continuidad de la variable registrada. La densidad de la red y el
mantenimiento son variables en el espacio y en el tiempo, lo que repercute en la calidad de los
datos y en la presencia de lagunas en las series históricas.
Una perspectiva espacial de la densidad de pluviómetros revela que, en un número importante
de áreas montañosas, la red está en los mínimos recomendados por la OMM. Se comprueba
que el número de equipos terrestres es más escaso en altura, donde cabe esperar un

86
3. Series de Precipitación Histórica y Completado

incremento de lluvia significativo. En media, los pluviómetros en cotas superiores a los 1.200
msnm dan al menos un 30% más de lluvia que la media dada por el total de pluviómetros.
Desde un punto de vista hidrológico, el que la máxima lluvia se dé en montaña, supone que la
generación de escorrentía y recurso es también mayor dado que, además, son áreas de menor
evapotranspiración potencial y pendientes pronunciadas. Asimismo, al combinar altas tasas de
precipitación y escorrentía con la baja densidad, se concluye la mayor incertidumbre en estas
áreas. La resolución del problema de la relación entre lluvia y orografía es fundamental desde
el punto de vista hidrológico y la implementación de resultados de interpolación en los
modelos de recursos.
De otro lado, la disponibilidad de registros es variable en el tiempo y se comprueba la mejora
de las condiciones de medida, en términos de número de instrumentos y equipos activos,
durante los años 70 y el empobrecimiento de la red posterior, significativamente en la cuenca
del Guadalquivir y sur de la Península. Los problemas de calidad en las series de pluviometría
no se han analizado en este trabajo debido a que, si bien algunos tipos de error accidentales se
identifican con facilidad, la componente de errores sistemáticos es mucho más compleja y hay
fuentes de heterogeneidad ligadas a cambios en el carácter del clima difícilmente distinguibles
de los que se derivan de cambios en el entorno y condiciones de medida. En todo caso, si los
errores se comportaran aleatoriamente, cabría esperar su compensación del manejo del
conjunto de series.
Los procedimientos como el completado de series de pluviometría basados en la utilización de
técnicas de regresión múltiple con estacionalización previa han probado su utilidad, hasta
hacer prácticamente constante desde 1950 la disponibilidad de datos registrados. La sencillez
del procedimiento ha permitido procesar más de 12.400 series de pluviometría en España y
Portugal, homogeneizando la disponibilidad de información. Los datos originales solamente
permiten manejar un máximo de 4.500 series con registro anual completo, distintas de año a
año, durante el primer lustro de los años 70, pasando a más de 8.000 una vez completadas las
series. Desde los años 70 hasta la primera década del siglo XXI, hay un aumento ligero de
disponibilidad de información pluviográfica completada, lo que invita a tomar el periodo de
referencia a aquel comprendido entre los años hidrológicos 1970/71 y 2000/01 que coincide
con el estándar actual de valores climáticos normales17. En todo caso, el completado de series
de pluviometría mensual no resuelve el problema de la baja densidad de la red en altura.
Las redes pluviométricas del SAIH y el SIAR no resuelven problemas como los anteriores. La
red SIAR es redundante a la información disponible en AEMET, ya que sus puntos de medida
se sitúan en zonas de regadío, cercanas a las poblaciones con registros históricos. Cabe
esperar que la calidad de su información sea alta, por lo que su corto periodo de medida se
puede usar para análisis de la calidad y para el completado de series. El SAIH es una red sin
homologación de acuerdo a las prácticas de medida recomendadas por la OMM y sin un
repositorio de acceso público que permita la descarga y uso de las series. El objetivo original
de la red SAIH no era el registro de información sino servir de señal de aviso o emergencia.
Actualmente se pretende unificar objetivos, ampliando la utilidad de la red SAIH.

17
A este respecto se puede consultar el Atlas Climático Ibérico de AEMET (2011) y la página web de AEMET
sobre valores normales de variables climatológicas,
http://www.aemet.es/es/elclima/datosclimatologicos/valoresclimatologicos

87
3. Series de Precipitación Histórica y Completado

88
4. La Precipitación en España e Influencia Orográfica

4 LA PRECIPITACIÓN EN ESPAÑA E INFLUENCIA

OROGRÁFICA

4.1 CARACTERÍSTICAS GENERALES

4.1.1 VALORES NORMALES Y CAUSAS DE LA IRREGULARIDAD

Las estimaciones de la precipitación media anual en España varían entre los aproximadamente
650 mm/año que tradicionalmente ha dado la AEMET como valor normal en los informes
climatológicos anuales y los casi 680 mm/año del LBAE (MARM, 2000a). La irregularidad es
una característica siempre destacada. Espacialmente, por las notables diferencias entre el
noroeste y el sureste de la Península. El rango de precipitación media anual va desde los más
de 2.800 mm/año hasta los 70 mm/año de puntos del sureste peninsular y Canarias (MARM,
2000a), tal como se infiere de la Figura 7. AEMET (2011) cifra la variabilidad en media anual
entre los más de 2.200 mm/año del noroeste de Navarra y algunas áreas del suroeste de
Galicia hasta los valores más bajos alcanzados en las provincias de Almería, Murcia y sur de
Alicante, con precipitación media anual inferior a los 300 mm/año, no llegando a los 200
mm/año en zonas próximas al cabo de Gata. Al incremento de lluvias con la latitud se añade
el incremento con la altitud, que se mantiene en las distribuciones estacionales de lluvia. A las
tendencias observadas en la lluvia siguen también las del número de días con lluvia que
igualmente disminuyen de norte a sur, aumentan con la altitud y disminuyen hacia el interior.
La Figura 35 muestra una clasificación climática basada en la precipitación media anual que
permite distinguir entre tres regiones: húmeda (más de 800 mm/año), árida (menos de 300
mm/año) y de transición (Capel, 1995). El índice climático de UNESCO fue utilizado en el
LBAE para caracterizar climáticamente España. Este índice es el resultado del cociente entre
la lluvia y la evapotranspiración potencial media anual, cuyo valor medio en España es
aproximadamente de unos 860 mm/año. La Figura 36 ha sido elaborada con datos MARM

89
4. La Precipitación en España e Influencia Orográfica

(2000a). La subdivisión en clases18 climáticas es más detallada que la de la clasificación

climática basada en la lluvia anual (Figura 35), pero sigue mostrando el contraste entre el
norte y noroeste con el sur y sureste peninsular, la señal de las áreas montañosas y el contraste
entre las islas occidentales y orientales de Canarias.

Figura 35. Tipos de clima (Precipitación media anual) Figura 36. Índice de Aridez UNESCO

Los tipos de tiempo están condicionados por el movimiento, humedad y temperatura de las
masas de aire sobre el territorio. Los movimientos de aire son verticales y éstos a su vez
ascendentes (bajas presiones) o descendentes (altas presiones); u horizontales, de masas que
circulan sobre continentes, océanos y mares a distintas latitudes que, a su vez, condicionan la
cantidad de humedad que transportan y su temperatura. La Península Ibérica y las Islas
Baleares están situadas en una zona templada, en el borde meridional de Europa, entre los 35º
y 44º de latitud norte. Es una zona de convergencia de masas frías polares y cálidas de los
trópicos que genera frentes y situaciones de inestabilidad. Las Islas Canarias se encuentran en
el cinturón de altas presiones, entre los 26º y 30º de latitud norte. Su clima es
predominantemente anticiclónico con una marcada influencia de los vientos alisios en las islas
occidentales.
La Península está sometida al influjo de situaciones anticiclónicas, ciclónicas y advectivas de
masas de aire que llegan desde distintas áreas en función de la posición de los centros de
presión. Su frecuencia se asocia a la estacionalidad climática y su variabilidad a la
irregularidad del clima. La Tabla 7 muestra el conjunto de masas de aire activas que actúan
sobre la Península Ibérica. Su carácter es seco si su procedencia es continental (norte de
Europa o África) o húmedo si es marítimo (Mediterráneo o Atlántico); frío si procede del
norte o cálido si su procedencia es de menores latitudes.
Denominación Origen y dirección de entrada Carácter Frecuencia Situación sinóptica
en la Península INV: invierno;
VER: verano;
PRI: primavera;
OTO: otoño
Marítima ártica Océano Ártico. Norte Fría y húmeda OTO, INV y PRI B sobre la Península y A
en el Atlántico. Vaguada
con rumbo norte

18
Zona hiperárida en la que el cociente entre precipitación y ETP total anual no llega al 5%; árida, entre el 5% y
el 20%; semiárida, entre el 20% y el 50%; subhúmeda, entre el 50% y el 75%; húmeda, cuando es mayor que el
75%

90
4. La Precipitación en España e Influencia Orográfica

Denominación Origen y dirección de entrada Carácter Frecuencia Situación sinóptica

en la Península INV: invierno;
VER: verano;
PRI: primavera;
OTO: otoño
Marítima polar Norte de Canadá, Groenlandia. Fría y húmeda INV; todo el año B sobre Islas Británicas y
Noroeste A sobre el Atlántico
Continental polar Rusia y Siberia. Noreste Muy fría y seca INV B sobre la Península y A
en el Atlántico. Vaguada
con rumbo noreste
Continental ártica Cuenca ártica del mar de Fría y húmeda INV B sobre la Península y A
Barents. Noreste en el Atlántico. Vaguada
con rumbo noreste
Marítima subtropical Atlántico subtropical. Oeste Cálida y húmeda VER; oc., resto
del año
Marítima tropical Atlántico tropical. Anticiclón de Cálida y húmeda VER; todo el año B al sur de Islandia y A
las Azores. Suroeste Escasa sobre Canarias y Golfo de
circulación Cádiz
Continental tropical Norte de África y Sahara. Sur- Cálida y seca VER B al sur de Islandia y A en
sureste el norte de África
Tabla 7. Masas de aire activas sobre la Península Ibérica. B, borrasca; A, anticiclón

El mar y el relieve son factores de carácter local que condicionan el clima. El mar presenta
dos mecanismos de contraste con el continente. Su inercia térmica es distinta por lo que
permanece a mayor temperatura cuando se producen advecciones de aire frío que favorecen el
ascenso vertical de aire húmedo y las situaciones de inestabilidad. Por otro lado, el mar opone
una fuerza de fricción al viento reducida si se compara con la que ejerce el continente. Por
esto, la velocidad del viento sobre el continente disminuye, se crean turbulencias y la costa se
convierte en una zona de transición e inestabilidad.
La orografía y las montañas modifican las componentes verticales y horizontales del viento;
provocan una pérdida de su energía por rozamiento y constituyen una fuente de calor sensible
y latente. En España, la disposición orográfica de las Cordillera Cantábrica, Pirineos, Sistema
Central, Sierra Morena y Cordilleras Béticas no se opone frontalmente a la circulación del
oeste, por lo que la influencia atlántica es predominante en la mayor parte de la Península.
Otras dos alineaciones, el Sistema Ibérico y el flanco oriental de la Cordillera Bética sí se
disponen frontalmente a esta advección de masas húmedas procedentes del Atlántico,
generando un área hacia el este peninsular y Levante bajo efecto Föhn que, por otro lado, está
sometida a corrientes húmedas del mediterráneo con ascensión y lluvia. Capel (1995) destaca
como efectos de la configuración orográfica el debilitamiento de oeste a este de las masas
húmedas y la imposibilidad del paso de las masas desde dirección N o NE hacia el S. Martín-
Vide y López-Bustins (2006) resaltan la complejidad del clima mediterráneo cuando se
considera la orografía que lo rodea y aísla de la dinámica atlántica.

4.1.2 VARIABILIDAD ANUAL

La Figura 37 muestra la evolución de la precipitación total anual en España durante el periodo

de estudios en planificación hidrológica, 1940/41-2005/06. El carácter de la precipitación
anual es variable con escasos periodos persistentes en valores bajos o altos. La irregularidad
entre valores anuales en una sucesión de años húmedos y secos es una característica
fundamental. Puede destacarse el predominio de lluvias altas durante la década de los 60 y de
bajas en la década de los 80 y primera mitad de los 90. Las máximas se dan en los años
1940/41, 1959/60 y 1968/69. El valor alcanzado en el año hidrológico 2004/05 es el mínimo

91
4. La Precipitación en España e Influencia Orográfica

de la serie. En esta gráfica se ha superpuesto la evolución de las desviaciones unitarias

acumuladas respecto a la media anual, DUA, para destacar la existencia de tres periodos, dos
predominantemente secos (1940/41 hasta 1957/58 y desde 1979/80 hasta 2005/06) y uno
intermedio predominantemente húmedo (1958/59 hasta 1978/79) (Álvarez-Rodríguez et al.,
2008).
1000 4,00

900 3,50

800 3,00

700 2,50
Precipitación anual (mm)

600 2,00

DUA
500 1,50

400 1,00

300 0,50
Precipitación total anual España
Promedio del ciclo completo
200 0,00
Promedio 1970/71-2000/01
Media móvil centrada (11 años)
100 DUA de lluvia -0,50

0 -1,00
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
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
Figura 37. Lluvia anual (mm) en España y desviaciones unitarias acumuladas (DUA). 1940/41-2006/07

La Figura 38 muestra la evolución anual del cociente entre medias móviles de 11 años y la
precipitación media en las grandes cuencas españolas. La media de España representa
suficientemente la tónica de las grandes cuencas atlánticas. Evoluciones distintas se dan en
cuencas insulares y las que no están expuestas directamente al Atlántico, como las del Norte,
Sur, Segura y, en menor medida, las Cuencas Internas Catalanas. Especialmente estas últimas,
son territorios expuestos al mar Cantábrico o Mediterráneo, a sotavento de los frentes
húmedos del Atlántico, comprendidos entre una cadena montañosa y el mar, con ríos de un
recorrido menor, cuencas menores y variabilidad, por tanto, mayor (Álvarez-Rodríguez et al.,
2008).

92
4. La Precipitación en España e Influencia Orográfica

1,4
España Norte
Duero Tajo
Guadiana Guadalquivir
1,3
Sur Segura
Ebro CIC
Baleares Canarias
Media móvil / precipitación media anual

1,2

1,1

1,0

0,9

0,8

0,7

0,6
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
1981
1982
1983
1984
1985
1986
1987
1988
1989
1990
1991
1992
1993
1994
1995
1996
1997
1998
1999
2000
2001
2002
2003
2004
2005
2006
Figura 38. Ratio lluvias medias móviles (11 años)/lluvia media anual en las grandes cuencas españolas

El periodo 1940/41 hasta 1957/58 es de carácter irregular, aunque predominantemente seco,

con mínimos de lluvia intensos con valores bajos comparables a los alcanzados en el 2004/05.
Esta anomalía negativa de precipitación, entre 1935 y 1950 fue común a toda la Península
(Llasat y Quintas, 2004). Un segundo periodo abarcaría desde finales de los años 50 y los
años 60 hasta la primera mitad de los 70. En ellos hay predominio de años húmedos. Las
medias móviles de la lluvia en España de 11 años superan los 700 mm desde 1955/56 hasta
1974/75, aunque localmente hay años secos como 1963/64 en cuencas orientales del norte y
cabecera del Ebro y cuencas mediterráneas, 1964/65 en cuencas del Duero y 1964/65 y
1966/67 en cuencas de margen derecha del Ebro.
Desde la segunda mitad de los años 70, la lluvia total anual es predominantemente inferior a
los valores medios de la serie 1940/41-2005/2006. Las secuencias pluviométricas que abarcan
desde los años 80 y primera mitad de los 90 muestran como singularidad una persistencia en
los valores bajos, aunque hay un año claramente húmedo en todas las cuencas de la Península,
1987/88. Desde mediados de los años 90, las lluvias parecen comportarse de nuevo con gran
variabilidad, dando picos y valles de escasa persistencia. En las cuencas atlánticas, los años
1998/99 y 2004/05 son de lluvias mínimas.

4.1.3 ESTACIONES CLIMÁTICAS

La advección de masas de aire húmedo procedentes del Atlántico es la principal fuente de

lluvia sobre la Península Ibérica, siendo reducida la magnitud de las lluvias de procedencia
tropical. Durante el invierno, la Península Ibérica se halla en la zona de turbulencia polar,
cuyo borde meridional está aproximadamente en los 40º de latitud. La acción de los frentes
fríos y húmedos del invierno es variable sobre la Península. Su componente es zonal, aunque
también adopta una componente del noroeste o, incluso, del suroeste en función de la posición
de la depresión atlántica. Las lluvias recorren de oeste a este la mayor parte de la Península,
pero también pueden quedar localizadas en el borde septentrional cantábrico. La ondulación

93
4. La Precipitación en España e Influencia Orográfica

en la circulación zonal también favorece la penetración de borrascas hacia el sur de la

Península con posibilidad de precipitaciones importantes (Font Tullot, 1983; Capel, 1995). Si
la componente es del suroeste, las lluvias se darán predominantemente en los tramos medios y
bajos del Guadalquivir, Guadiana y Tajo, con efecto Föhn hacia la vertiente norte de la
Cordillera Cantábrica. Las borrascas atlánticas llegan debilitadas al Mediterráneo donde
provocan fenómenos de ciclogénesis local por contraste de temperaturas con el mar.
Procedente del Atlántico norte también llegan a la Península masas de aire ártico marítimo
con circulación meridional. Hay lluvias importantes en las montañas y temporales de nieve en
invierno y, situada sobre el Mediterráneo, provoca altas lluvias en la costa mediterránea y
Baleares.
Durante el verano se da predominantemente la situación opuesta a la que favorece la
circulación polar marítima. El borde meridional de la acción de los frentes polares se sitúa en
los 50º de latitud norte, por lo que en la Península predomina la situación anticiclónica y
almacenamiento de calor y humedad en capas bajas de la atmósfera con desarrollos
convectivos de carácter local y escasa circulación horizontal. Hay aumento de la temperatura
y reducción de la lluvia. También entran masas cálidas y húmedas por el oeste con lluvias en
el Cantábrico y Pirineos. Con advección procedente de la circulación marítima meridional del
ártico surgen fenómenos convectivos especialmente intensos cuando la penetración es de aire
polar continental al Cantábrico en verano. La precipitación convectiva y local es
predominante en esta época del año, pudiéndose llegar a cantidades de lluvia notables en el
Pirineo, Cordillera Ibérica y litoral.
La primavera es una estación de transición entre el predominio de la turbulencia polar y el
anticiclón del verano. El comportamiento es más irregular y gran parte de la lluvia está ligada
a los ciclones extratropicales, cálidos y húmedos, y al paso de frentes, con lluvias moderadas
en la zona mediterránea por reactivación de los ciclones sobre el mar. En función de la
posición relativa de los centros de presión, se dan situaciones con circulación ondulada sobre
la Península. En primavera predominan los flujos de componente norte y los bloqueos en el
Atlántico, con el anticiclón en el norte y oeste y la borrasca al sur.
En otoño llegan a la Península Ibérica masas subtropicales cálidas y húmedas. Los fenómenos
convectivos surgen con fuerza en el área mediterránea favorecidos por el contraste entre la
temperatura del mar y el avance de masas de aire frío, por ejemplo por advección del noreste
de masas continentales polares. Como en primavera, se dan situaciones de circulación
ondulada cuya inestabilidad puede suponer la formación de gotas frías (depresión en niveles
altos) o un bloqueo sobre el continente y flujos del sur, suroeste. Estas situaciones de flujo
meridional favorecen episodios de lluvia muy intensos. Otoño es la estación más lluviosa en
el Mediterráneo (Martín-Vide y López-Bustins, 2006).

4.1.4 VARIABILIDAD DE LA MEDIA Y DESVIACIÓN TÍPICA MENSUALES

La zona norte de la Península Ibérica es de carácter húmedo y abarca desde el noroeste

gallego, la Cordillera Cantábrica, la depresión altitudinal de las vascongadas, los Pirineos y la
provincia de Gerona. Coincide con la mayor parte de la denominada España Húmeda (Capel,
1995) que estaría delimitada por la isoyeta de 800 mm/año (Figura 35) y abarcaría el norte de
España, desde Galicia hasta Gerona con importantes lluvias en Galicia, la comarca de
Sanabria en Zamora, en los Picos de Europa y valle del Pas, Guipúzcoa, Navarra y cuenca del
Gállego; el Sistema Central desde las Hurdes hasta Somosierra; los Montes de Toledo y Sierra

94
4. La Precipitación en España e Influencia Orográfica

Morena; los Sistemas Béticos, desde la provincia de Cádiz hasta la Sierra de Cazorla; y las
áreas húmedas de islas occidentales del Archipiélago Canario como la isla de la Gomera.
Las mayores altitudes de la zona norte se encuentran en los Pirineos y Cordillera Cantábrica,
superando los 1.500 msnm con máximos en Aneto (3.403 msnm) y Monte Perdido (3.352
msnm) y Peña Cerredo (2.678 msnm). Los relieves occidentales bifurcan las corrientes de aire
zonales hacia el Golfo de Vizcaya y cuenca del Duero o, si hay componente meridional,
cortan el paso de las borrascas del noroeste atlántico hacia el Duero. Los pirenaicos, cortan el
paso a las borrascas del norte de Europa cuando llevan dirección hacia la vertiente meridional
de los Pirineos. Asociadas a estas altitudes hay zonas frías, definidas así de acuerdo al índice
térmico de Koppen. Es decir, zonas con menos de 4 meses al año en que se superan los 10ºC
de temperatura media diaria, como también ocurre en el Sistema Central y Sierra Nevada.
En el norte no hay un marcado periodo seco y las lluvias se dan durante todo el año. Las
máximas se originan en otoño e invierno, con vientos atlánticos del oeste y noroeste. La
cantidad de lluvia disminuye desde la costa hacia el interior, aunque la presencia del relieve
hace que se den mayores lluvias a mayor altitud, contrastando las laderas enfrentadas al mar
con las opuestas a sotavento. En la zona norte, el contraste de la temperatura del mar en el
Golfo de Vizcaya y la componente que allí se remansa de la corriente del Golfo, puede
provocar fenómenos de ciclogénesis. Las Figura 39 y Figura 40 muestran las medias y
desviaciones típicas de lluvia de las estaciones de Santiago de Compostela y Santander con
máximos en invierno y apreciables cantidades de lluvia durante los meses de verano.

Figura 39. Estacionalidad de la lluvia en Santiago de Figura 40. Estacionalidad de la lluvia en Santander
Compostela

El clima mediterráneo tiene cuatro estaciones en las que el invierno y verano son
marcadamente secas y la primavera y otoño se definen como transiciones. El invierno no es
excesivamente frío y transcurre desde diciembre a febrero aproximadamente. El verano es
largo y caluroso, alcanzando temperaturas superiores a los 35ºC en julio y agosto. La
primavera es irregular, entre el carácter invernal y veraniego. Las precipitaciones se dan en
dos temporadas y su origen es el mediterráneo y el ya mencionado atlántico, aunque las
borrascas pueden llegar debilitadas. Las Figura 41 y Figura 42 muestran las medias y

95
4. La Precipitación en España e Influencia Orográfica

desviaciones típicas de las series mensuales registradas en Barcelona y Zaragoza. Destacan

los valles durante el invierno y verano y las épocas de lluvia en otoño y primavera.

Figura 41. Estacionalidad de la lluvia en Barcelona Figura 42. Estacionalidad de la lluvia en Zaragoza

Este régimen mediterráneo presenta diferentes modalidades en la Península Ibérica

dependientes de la latitud y la orografía. En Cataluña el desarrollo de tormentas y el efecto de
la ciclogénesis mediterránea suavizan la sequía estacional del verano; en invierno las lluvias
suelen tener carácter frontal.
La costa del Sureste peninsular de las provincias de Almería, Murcia, Alicante, Málaga y
Granada, está bajo el influjo de las corrientes cálidas del norte africano y el debilitamiento de
los frentes atlánticos, por lo que las lluvias son escasas, con veranos secos y tormentosos e
inviernos suaves (Capel, 1982). Según el índice de Koppen esta zona es subtropical, con 4 a
11 meses cálidos. Coincide con al denominada España Árida de precipitaciones inferiores a
los 300 mm (Capel, 1995). Las Figura 43 y Figura 44 presentan las lluvias de Valencia y
Alcantarilla, con reducciones muy notables de lluvia durante el verano.

96
4. La Precipitación en España e Influencia Orográfica

Figura 43. Estacionalidad de la lluvia en Valencia Figura 44. Estacionalidad de la lluvia en Alcantarilla, Murcia

En Andalucía, cuenca del Guadalquivir, Sierra Morena y Cordilleras Béticas el clima es

producto de la combinación de influencias norteafricanas y atlánticas. Los valles son zonas
templadas cálidas con 4 meses o más de temperaturas superiores a los 20ºC. Las Cordilleras
Béticas también superan los 1.500 msnm con máximos en Veleta (3.130 msnm) y Mulhacén
(3.481 msnm) pero su orientación oeste-este hace que no se opongan al avance de los frentes
húmedos. Hay efecto orográfico de la precipitación en las Sierras de Grazalema, Cazorla y
Segura que sí se disponen cuasifrontalmente a la entrada de frentes atlánticos.
En el centro (Figura 46) y suroeste de la Península (Figura 47), Huelva, Extremadura (Figura
48) y occidente de Salamanca y Zamora (Figura 45), continúa siendo predominante la
influencia atlántica. Las altiplanicies centrales están rodeadas de montañas, lo que en el caso
del Duero provoca la disminución de precipitación y la atenuación de las borrascas que se
anulan en el Sistema Central (Peñalara, 2.405 msnm, y Almanzor, 2.680 msnm) cuando
proceden del norte. La altitud hace que las temperaturas sean bajas. Los inviernos son fríos y
los veranos secos con primaveras cortas. Son zonas templadas frías con temperaturas
inferiores a los 20ºC.

97
4. La Precipitación en España e Influencia Orográfica

Figura 45. Estacionalidad de la lluvia en Zamora Figura 46. Estacionalidad de la lluvia en Madrid

Figura 47. Estacionalidad de la lluvia en Sevilla Figura 48. Estacionalidad de la lluvia en Badajoz

Canarias es la región meridional de España. Tiene lluvias anuales de régimen alisio en las
islas occidentales (Figura 49). En las islas orientales de Fuerteventura y Lanzarote, el clima es
subdesértico sin efectos orográficos, que sí son más importantes en la isla de Gran Canaria
(Figura 50), en la que la transición hacia el clima oriental se atenúa por el relieve.

98
4. La Precipitación en España e Influencia Orográfica

Figura 49. Estacionalidad de la lluvia en Santa Cruz de Figura 50. Estacionalidad de la lluvia en Tamaraceite en Gran
Tenerife Canaria

La variabilidad estacional de lluvias se ha representado habitualmente por medio de

estadísticos como la media y la desviación típica. De acuerdo a los párrafos anteriores, ambos
estadísticos tienen una alta variabilidad estacional y espacial en España. La Figura 51 presenta
histogramas mensuales del conjunto de estaciones. Las series de datos corresponden a las
lluvias completadas del periodo 1970/71-2000/01. El reparto de frecuencias de estos
histogramas debe corresponder principalmente al predominio de unas características
climáticas en España condicionado en todo caso por la disponibilidad de datos ya que la
distribución de estaciones no es uniforme en el territorio.
Los histogramas muestran el predominio de la influencia atlántica, con una estación climática
seca en verano y máximos de lluvia a finales del otoño y principio del invierno. Las medias de
lluvia máxima son de casi 500 mm de lluvia en el sector noroccidental de la Península Ibérica.
Los meses de menor lluvia son los de julio y agosto, con medias alrededor de los 20 mm/mes.
En todos los meses, se comprueba que los histogramas tienen un sesgo positivo, es decir,
existe un dominio predominante de valores y un número de casos menor con valores altos
alejados de ese núcleo central. Los altos valores de lluvia quedan entonces infrarrepresentados
frente al dominio central de frecuencias si se toma el conjunto de información en bloque y no
se considera ningún método de ajuste que lo corrija.

99
4. La Precipitación en España e Influencia Orográfica

100
4. La Precipitación en España e Influencia Orográfica

101
4. La Precipitación en España e Influencia Orográfica

Figura 51. Histogramas de lluvias medias mensuales en España. Periodo 1970/71-2000/01

Las siguientes figuras (Figura 52 y Figura 53) representan la lluvia media mensual del
conjunto de estaciones pluviométricas proyectadas en dos únicos cortes de la Península
Ibérica: uno de oeste a este y otro desde el sur al norte. En abscisas de ambas figuras se
representan las coordenadas geográficas x e y (en coordenadas UTM y huso 30). Los datos de
las Islas Canarias se representan desplazados de su longitud y latitud real, siendo fácilmente
reconocibles por los saltos de información entre islas.
Es evidente que los factores locales quedan difuminados en la amalgama de puntos
proyectados sobre dos únicos cortes, aunque se identifican perfectamente los incrementos de
lluvia en la costa y los orográficos en el interior. La fuente de variabilidad más destacada es
función de la posición geográfica (longitud y latitud). La Figura 52 representa la variación de
lluvia de oeste a este. Permite comprobar que la lluvia disminuye de la costa hacia el interior.

102
4. La Precipitación en España e Influencia Orográfica

La nube de puntos tiene forma en U y balancea estacionalmente. Durante otoño e invierno,

hay mayores lluvias en la fachada atlántica; en primavera y en verano, es en la fachada
mediterránea donde se dan lluvias más altas.
Coincidiendo con la localización de las cadenas montañosas interiores, se registran ascensos y
descensos de lluvia en la mayoría de los meses del año. Los estivales escapan a esta tónica
para ser las zonas de costa las que registran las lluvias más altas.
Oeste Este Oeste Este

Oeste Este Oeste Este

Oeste Este Oeste Este

103
4. La Precipitación en España e Influencia Orográfica

Oeste Este Oeste Este

Oeste Este Oeste Este

Oeste Este Oeste Este

104
4. La Precipitación en España e Influencia Orográfica

Oeste Este Oeste Este

Oeste Este Oeste Este

Figura 52. Lluvia media mensual en función de la coordenada x (UTM30)

La Figura 53 muestra la variación de la lluvia media mensual desde el sur hacia el norte. Se
comprueba la magnitud de las lluvias en la fachada cantábrica respecto al resto y la tendencia
monótona de aumento de lluvia desde el sur hacia el norte, especialmente durante los meses
de primavera y verano, concretamente entre mayo y septiembre. Además, durante las
estaciones climáticas de mayor la influencia de los frentes atlánticos, es decir, durante el final
de la primavera y el verano, se deja de percibir claramente el ascenso monótono en el corte de
sur a norte. Los incrementos de lluvia en áreas interiores coinciden con la presencia
orográfica. Las Figura 52 y Figura 53 destacan además la insularidad de las Islas Canarias19.
Sur Norte Sur Norte

19
En las gráficas las Islas Canarias aparecen desplazadas de su posición real para facilitar la representación

105
4. La Precipitación en España e Influencia Orográfica

Sur Norte Sur Norte

Sur Norte Sur Norte

Sur Norte Sur Norte

106
4. La Precipitación en España e Influencia Orográfica

Sur Norte Sur Norte

Sur Norte Sur Norte

Sur Norte Sur Norte

107
4. La Precipitación en España e Influencia Orográfica

Sur Norte Sur Norte

Sur Norte Sur Norte

Figura 53. Lluvia media mensual en función de la coordenada y (UTM30)

De ambos conjuntos de gráficas (Figura 52 y Figura 53), se infiere que las mayores lluvias en
otoño e invierno se dan en la fachada atlántica y en el norte, mientras que en primavera y
especialmente en verano se desplazan hacia el Mediterráneo.
Las desviaciones típicas mensuales exhiben un comportamiento parejo al de las medias. La
Figura 54 presenta diagramas de dispersión mensuales entre medias y desviación típica. Se
comprueba la existencia de un efecto proporcional entre ambos estadísticos. Los coeficientes
de correlación de Pearson son altos, alcanzando valores entre 0,8 y 0,9.

108
4. La Precipitación en España e Influencia Orográfica

109
4. La Precipitación en España e Influencia Orográfica

110
4. La Precipitación en España e Influencia Orográfica

Figura 54. Diagramas de dispersión de medias y desviación típica de la lluvia mensual

4.1.5 VARIABILIDAD DEL COEFICIENTE DE VARIACIÓN MENSUAL

El coeficiente de variación se define como el cociente entre la desviación típica y la media.

Dada la proporcionalidad entre ambos términos, este factor filtra una fuente de
heterogeneidad local. El efecto se denomina de proporcionalidad entre medidas de
localización y variabilidad (Isaaks y Srivastava, 1989). Si se considera el coeficiente de
variación como una variable localmente estacionaria, resultaría adecuada para aplicar
procedimientos de interpolación geoestadísticos.
Las siguientes figuras (Figura 55 y Figura 56) representan cómo varían los coeficientes de
variación en función de las coordenadas geográficas x e y (coordenadas en UTM huso 30). El
coeficiente de variación también muestra una deriva en función de las coordenadas

111
4. La Precipitación en España e Influencia Orográfica

geográficas x e y (en huso UTM30) aunque de menor magnitud que el de las variables media
y desviación típica mensual. Hay diferencias entre los valores Peninsulares y los de las Islas
Canarias y una componente decreciente desde el sur hacia el norte y de este a oeste,
especialmente marcada durante los meses de verano, producto de alta variabilidad y medias
reducidas. También destacan los saltos de los coeficientes calculados en zonas de montaña.
Oeste Este Oeste Este

Oeste Este Oeste Este

Oeste Este Oeste Este

112
4. La Precipitación en España e Influencia Orográfica

Oeste Este Oeste Este

Oeste Este Oeste Este

Oeste Este Oeste Este

113
4. La Precipitación en España e Influencia Orográfica

Oeste Este Oeste Este

Oeste Este Oeste Este

Figura 55. Coeficiente de variación de la lluvia media mensual en función de la coordenada x (UTM30)

Mientras la coordenada x permite contemplar en los meses invernales como enero el paso
entre la zona de influencia atlántica a la mediterránea de menores medias mensuales, la
coordenada y revela la suave deriva de los meses de otoño y verano, decreciente desde el sur
hacia el norte.

114
4. La Precipitación en España e Influencia Orográfica

Sur Norte Sur Norte

Sur Norte Sur Norte

Sur Norte Sur Norte

115
4. La Precipitación en España e Influencia Orográfica

Sur Norte Sur Norte

Sur Norte Sur Norte

Sur Norte Sur Norte

116
4. La Precipitación en España e Influencia Orográfica

Sur Norte Sur Norte

Sur Norte Sur Norte

Figura 56. Coeficiente de variación de la lluvia media mensual en función de la coordenada y (UTM30)

4.2 ANÁLISIS EN COMPONENTES PRINCIPALES DE LA LLUVIA

4.2.1 UTILIDAD DE LAS COMPONENTES PRINCIPALES EN ESTUDIOS
CLIMÁTICOS

Una cuestión a estudiar es si el conjunto de características anteriormente descritas permite

delimitar regiones climáticamente homogéneas en las que explorar el gradiente altitudinal de
la lluvia. El análisis factorial y el análisis de componentes principales son técnicas utilizadas
en la regionalización climática (Sumner, 1988). En ambas, se crean nuevas variables o
factores con el objetivo de manejar la incertidumbre en términos de covarianza. El análisis
factorial identifica un número reducido de factores que representan la relación entre un grupo

117
4. La Precipitación en España e Influencia Orográfica

de variables correlacionadas. Los factores no son conocidos explícitamente, aunque cada

variable se expresa mediante ecuaciones de regresión múltiple de éstos. La técnica de
componentes principales es un caso particular del análisis factorial donde las relaciones que se
establecen con los factores no correlacionados son lineales, siendo el primero el que explica el
mayor porcentaje de la varianza, el segundo, el segundo mayor porcentaje y así,
sucesivamente. Las componentes principales se extraen del análisis de correlación y a
posteriori se define el significado de los factores.
El coeficiente de correlación se ha utilizado para definir regiones bajo la hipótesis de que su
variación se debe a la variabilidad del clima. Berndston (1987) estudió con datos de la red
meteorológica tunecina cómo variaban los coeficientes de correlación de Pearson en función
de la localización y distancia, de la estación climática y del paso temporal de las series.
Concluía que los coeficientes de correlación se hacían menores con el paso temporal, es decir,
que los estimados a partir de series diarias son menores que los de las mensuales y que el
descenso del nivel de correlación era más rápido con datos de menor paso temporal. En
función de las estaciones, el coeficiente de correlación también variaba, siendo mayores los
asociados a meses húmedos que los de los secos, los últimos con lluvias localizadas e
irregulares y sensibles a la utilización de los ceros de las series. Otras conclusiones del estudio
fueron que la estructura de correlación con la distancia decaía conforme se hacía
predominante el carácter de la época seca y se recuperaba al avanzar hacia la húmeda. Los
factores topográficos como la costa y orografía también determinan la continuidad de los
patrones climáticos, reduciendo el grado de asociación entre series o causando la aparición de
anisotropías.
La utilización de los coeficientes de correlación entre series temporales medias en cuencas
permite definir los denominados conglomerados y con ellos regiones de afinidad climática
(MARM, 2000a; Sumner, 1988). Para ello se calcula la matriz de correlación de todas las
series y se eligen los máximos coeficientes alcanzados entre dos estaciones para formar el
primer grupo. Sucesivamente se siguen valorando las correlaciones para ir añadiendo
estaciones o grupos a los conglomerados ya formados. En MARM (2000a) y Álvarez-
Rodríguez y Estrela (2000) se utilizó este criterio de conglomerados para regionalizar lluvias
medias regionales dentro de los ámbitos español y europeo respectivamente. A medida que se
van agrupando estaciones y regiones, se debilita el coeficiente de correlación generalizado en
una serie monótonamente decreciente. Sin embargo, si el decrecimiento es suave en intervalos
entre los que hay significativos descensos del coeficiente de correlación medio, se obtiene un
criterio para definir el número y estructura de las regiones (Álvarez-Rodríguez y Estrela,
2000).
Vicente-Serrano y López-Moreno (2006) aplican las componentes principales al índice
estandarizado de precipitación y al estudio de las tendencias regionales sobre la evolución de
las sequías invernales en el Pirineo de cuyos resultados se infieren distintas características
regionales entre el Pirineo, valle del Ebro y costa Mediterránea. Las componentes principales
sobre datos de presión atmosférica han sido utilizados para clasificar tipos de tiempo por
diferentes autores. Esteban et al. (2006) trabajan en la región de Europa occidental y Rasilla
(2003) en la Península Ibérica.
Holawe y Dutter (1999) trabajan sobre conglomerados con una medida de afinidad en las
regiones en función de los parámetros de los semivariogramas de series binarias de
precipitación. Los parámetros de los que depende el semivariograma son el alcance, la pepita
y meseta, estandarizadas estas últimas al dividirlas por la varianza total y la probabilidad de

118
4. La Precipitación en España e Influencia Orográfica

lluvias respectivamente. Dan correlaciones con características climáticas relacionadas con el

carácter de los ciclos, siendo mejores con los húmedos. La interpolación de estas permite
observar la existencia de patrones homogéneos por lo que se procedió a la formación de
conglomerados minimizando la suma de diferencias cuadráticas de cada uno de ellos.
Otra magnitud con significación regional es el semivariograma acumulado puntual (Sen,
1998). Desde cada estación se define un semivariograma como la suma acumulada de las
diferencias entre los valores de la variable separadas una distancia menor o igual que h. Según
Sen (1998), la forma de este semivariograma acumulado proporciona información sobre la
variabilidad del fenómeno, la dependencia espacial y el radio de influencia desde cada
localización y la estructura de las tormentas. En los estudios de crecidas en España, se han
utilizado series de máximos y los parámetros de las funciones de distribución ajustados a los
máximos de lluvia con criterios regionales. En NERC (1978) y Ferrer (1992 y 1993) se citan
criterios de regionalización basados en la afinidad regional de medias y coeficientes de
variación entre otros hidrológicos relacionados con características fisiográficas de las cuencas.

4.2.2 COMPONENTES PRINCIPALES EN SERIES ANUALES DE LLUVIA

La Figura 57 muestra las 4 primeras componentes procedentes del análisis de más de 7.000
series pluviométricas completadas entre 1970/71 y 2000/0120. Los resultados en componentes
por estación se interpolaron para mejorar la visión de la estructura general.

CP1. Varianza: 36% CP2. Varianza: 13%

20
Conforme a OMM, 30 años definen un año medio en meteorología y, respecto a 1960/61-1990/91, el número
de registros del periodo 1970/71-2000/01 es mayor (Figura 34) y mayor número de años secos

119
4. La Precipitación en España e Influencia Orográfica

CP3. Varianza: 6% CP4. Varianza: 5%

Figura 57. Componentes principales de lluvia total anual. Periodo 1970/01-2000/01

La interpretación de las componentes principales es un problema complejo. Las dos primeras

componentes de las lluvias anuales parecen destacar un patrón atlántico con circulación zonal
y entradas de frentes húmedos desde el suroeste (CP1) y oeste-noroeste (CP2). La disposición
también zonal de las principales barreras orográficas de la Península permite el paso de los
frentes hasta las cabeceras de los ríos mediterráneos donde la oposición montañosa es frontal
y crea un efecto Föhn hacia el Mediterráneo. En este supuesto, en la CP1 aparece una zona de
contraste entre regímenes de lluvia en el Cantábrico y en la ladera norte de Guadarrama y
Somosierra, a la sombra de las mayores altitudes de Gredos. El área cantábrica podría quedar
afectada por una desviación del aire húmedo hacia el Golfo de Vizcaya o por efecto Föhn si la
componente del viento es de suroeste. En CP2 el contraste se da entre el sector noroccidental,
con transición en el Duero, cursos medios y bajos del Tajo y Guadiana hasta los tramos de
cabecera de estos ríos atlánticos. Cuando la entrada del noroeste es predominante, la
configuración orográfica de la Península, predominantemente de oeste a este, es clave
interrumpiendo el flujo hacia el interior de la Península y cabeceras de los grandes ríos
peninsulares. La CP3 parece indicar el predominio de un patrón de lluvias con una
componente meridional en la que las cordilleras de la mitad norte como la Cantábrica e
Ibérica bloquean la penetración del frente húmedo hacia el resto de la Península. La última
componente solo parecería distinguir el cuadrante nororiental de la Península. El conjunto de
las 4 CP de lluvias anuales resaltaría la importancia de los patrones atlánticos de lluvia frente
a los mediterráneos y el contraste de regímenes pluviométricos atlánticos y mediterráneos por
efecto de la orografía.
Rodríguez-Puebla et al. (1998) interpretan los resultados del análisis en componentes
principales de 51 estaciones pluviométricas en España con registros durante el periodo 1949-
1995. La CP1 es similar a la de la Figura 57. Según Rodríguez-Puebla (1998) tendría un grado
de correlación significativo con el índice de abril del EA (East Atlantic)21. La CP2 obtenida en

21
El East Atlantic (EA) es un indicativo de la variabilidad climática en el Atlántico Norte. Se calcula en función
de un dipolo existente entre el norte a sur pero, respecto a la NAO, los centros están desplazados hacia el sureste.
Una anomalía positiva es indicativa de altas temperaturas en Europa durante todos los meses del año, así como

120
4. La Precipitación en España e Influencia Orográfica

este trabajo se relacionaría con el índice de diciembre de NAO y es similar a la CP3 de la

Figura 57. Las CP3 y CP4, la última con correlación significativa con el índice de diciembre
SCAND22, representarían la segunda de la figura anterior. La dificultad de utilizar el índice
NAO en el área Mediterránea es destacada por Martín-Vide y López-Bustins (2006) que
proponen otros índices como el WeMOi23 elaborado con datos del área mediterránea.
Rodríguez-Puebla et al., (2001) realizaron un estudio considerando las componentes
invernales y las relaciones con índices climáticos.

4.2.3 COMPONENTES PRINCIPALES EN SERIES ESTACIONALES

La Figura 58 muestra las componentes principales de la lluvia estacional considerando las

precipitaciones trimestrales de octubre, noviembre y diciembre; enero, febrero y marzo; abril,
mayo y junio; y julio, agosto y septiembre. En estas componentes vuelve a aparecer el
contraste entre las áreas atlánticas y mediterráneas así como la compartimentación que
provoca la orografía en función, en todo caso, de la dirección de entrada de los frentes
húmedos del Atlántico.
La CP1 de otoño distingue áreas del Cantábrico y Golfo de Vizcaya, así como otras en el
Levante y Baleares, respecto al resto de la Península Ibérica. Es de esperar que estén
relacionadas con lluvias provocadas por inestabilidades generadas en el Cantábrico y
Mediterráneo. La CP2 otoñal muestra una señal que podría asimilarse a la circulación del
Atlántico predominante en invierno y, por tanto, en transición estacional, con frentes que
llegan a la Península desde el norte o desde el noroeste. En la CP3 se unen el Cantábrico,
cabecera del Ebro y sector nororiental de la Península.
Otoño

CP1. Varianza: 43% CP2. Varianza: 10% CP3. Varianza: 10%

altas precipitaciones en el norte de Europa y Escandinavia y bajas en el sur. Históricamente ha mostrado

predominio de fase positiva entre 1977 y 2004, especialmente intensa y persistente durante los años 1997-2004
22
El índice de Escandinavia (SCAND) registra diferencias entre el oeste y este de Europa y Asia. La fase
positiva refleja la existencia de situaciones de bloqueo con anticiclones sobre la Península Escandinava y Oeste
de Rusia. En esta situación las temperaturas en Rusia central y oeste de Europa son menores que las normales y
las lluvias son superiores a las normales en el centro y sur de Europa e inferiores a las normales en Escandinavia
23
El índice WeMOi se elabora con las diferencias de presión entre San Fernando y Padua. Muestra una
correlación importante con las lluvias del área del Golfo de Valencia. A escala diaria es un índice utilizado para
predicción de eventos extremos. Valores positivo excluyen la posibilidad de lluvias altas en el área comprendida
entre Málaga y Marsella, mientras que valores inferiroes a -4 indican una alta probabilidad de lluvia extrema
(Martín-Vide y López-Bustins, 2006)

121
4. La Precipitación en España e Influencia Orográfica

Invierno

CP1. Varianza: 52% CP2. Varianza: 10% CP3. Varianza: 6%

Primavera

CP1. Varianza: 40% CP2. Varianza:13 % CP3. Varianza: 8%

Verano

CP1. Varianza: 33% CP2. Varianza: 11% CP3. Varianza: 7%

Figura 58. Componentes principales de la lluvia estacional

La CP1 de invierno ya destaca la circulación zonal del Atlántico sobre la Península. Las CP2
y CP3 invernales son similares a las correspondientes CP2 y CP3 de otoño. La señal de lluvias
desde el norte puede deberse a la advección de aire ártico marítimo. En primavera, la CP1
sigue siendo atlántica, de dirección de entrada suroeste, aunque se aprecia un decrecimiento
de lluvia en zonas de montaña del sistema Central. Las CP2 y CP3 destacan las regiones
ligadas al Mediterráneo y sur de la Península. Por último en verano, además de la CP1
atlántica, las CP2 y CP3 subdividen la fachada mediterránea en norte y sur, posiblemente
ligadas a la oscilación de los centros de borrascas en el Mediterráneo. Al igual que en el caso
de las componentes anuales, el factor orografía delimita regiones con distinto comportamiento
pluviométrico, si bien se hacen variables en función de los tipos de tiempo, estaciones y las
distintas escalas temporales de análisis.
El conjunto de componentes principales, tanto las derivadas de las series anuales como las de
las series estacionales, permite destacar una serie de conclusiones. Se pueden considerar
varias regiones en España en función de la latitud y longitud. Hay variabilidad de norte a sur

122
4. La Precipitación en España e Influencia Orográfica

como del oeste al este, es decir, del Atlántico al Mediterráneo. La orografía compartimenta las
regiones de influencia si la entrada de aire húmedo es frontal o aproximadamente frontal
forzando el ascenso y la pérdida de humedad de la masa de aire. Pero el efecto orográfico es
variable en función de la dirección de entrada del aire. Otros efectos locales que inducen la
convectividad alrededor del Golfo de Vizcaya y del Mediterráneo, asociados o no a la
orografía, complican aún más la delimitación de regiones homogéneas. La estacionalidad
multiplica estos aspectos anteriores al considerar la variabilidad intranual.

4.3 EXPLORACIÓN DEL GRADIENTE ALTITUDINAL DE LA

LLUVIA
4.3.1 PERFILES DE LLUVIA ANUAL Y ALTITUD

Las siguientes figuras (Figura 60 hasta Figura 70) muestran la colección de cortes del MDE
de la Península Ibérica a los que se superponen las lluvias completadas del periodo
comprendido entre 1970/71 y 2000/01 en el pluviómetro más cercano al eje de corte. La
Figura 59 muestra la guía de cortes realizada. Estas muestras permiten comprobar la
existencia del gradiente altitudinal de la lluvia, variable como se comprueba, en muy cortas
distancias a lo largo del territorio. Otro efecto que aparece es la tendencia de la lluvia desde la
costa hacia el interior.
Sección nº 1

Sección nº 3

Sección nº 5

Sección nº 7

Sección nº 9

Sección nº 12

Sección nº 10

Sección nº 8

Sección nº 6

Sección nº 4

Sección nº 2

Figura 59. Guía de secciones en MDE. Clases impares, cortes de sur a norte; pares, de oeste a este

La Figura 60, sección nº 1, corta a Galicia de sur a norte y muestra lluvias suavemente
decrecientes desde la costa atlántica hacia el interior. En esta trayectoria las cotas ascienden
hasta los aproximadamente 950 msnm en unos 130 km. A continuación las lluvias sí parecen
seguir el gradiente altitudinal de la lluvia con decrecimiento hasta el eje del río Miño
(aproximadamente 450 mm en un desnivel de aproximadamente 1.000 m) y ascenso hasta la
frontera con Portugal (400 mm en 1.100 m). Mirás-Ávalos et al. (2007) refieren la

123
4. La Precipitación en España e Influencia Orográfica

complejidad del patrón anual de lluvia en Galicia donde se espera un aumento con la altitud y
un decrecimiento conforme aumenta la distancia a la costa, así como una pérdida de
regularidad estacional por efecto de orografía de menor escala.

Figura 60. Sección 1. Entre Portugal y el Atlántico en Cabo Ortegal

La siguiente sección, Figura 61, pasa por las cuencas de los ríos Guadalete y Barbate,
Guadalquivir, Guadiana, Tajo, Duero y Nalón en el Cantábrico. Desde el sur y hasta
aproximadamente la sierra de Guadalupe en la mitad de la sección y divisoria entre el Tajo y
Guadiana, la lluvia muestra un suave decrecimiento con incrementos de 200 mm ante las
divisorias sur y norte del Guadalquivir. La divisoria del Duero en Gredos ya provoca un
considerable incremento en la lluvia, unos 700 mm en 1.200 m de ascenso. Las lluvias se
reducen en valles y ascienden con la altitud con suave decrecimiento hacia el centro del valle
del Duero. El siguiente incremento pluviométrico importante se da en la vertiente sur de la
Cordillera Cantábrica con 900 mm en 1.400 m de ascenso. La cara norte de la Cordillera
Cantábrica sufre un marcado gradiente altitudinal de la lluvia que no es seguido por la lluvia.
En unos 2.000 m de descenso, los registros darían un decrecimiento de lluvia de 300 mm para
volver a incrementarse en los últimos 30 km hasta la costa.

Figura 61. Sección 3. Entre costa atlántica en Barbate y cantábrica en Castrillón

124
4. La Precipitación en España e Influencia Orográfica

La siguiente sección, Figura 62, también presenta más de 800 km de trayectoria sobre la
Península. La parte más meridional encuentra una compleja orografía de en Sierra Nevada
hasta los valles del Genil y Guadalquivir. La precipitación no muestra claramente un
gradiente altitudinal de la lluvia y se mantienen alrededor de los 500 mm/año, bajando a los
400 mm/año en el Guadalquivir y ascender hacia la divisoria del Guadiana con un gradiente
de 350 mm en 700 m. En la cuenca del Tajo se registra un incremento de lluvia desde margen
izquierda hasta la sierra de Guadarrama equivalente a unos 600 mm en 1.100 m.

Figura 62. Sección 5. Costa mediterránea en Almuñécar y cantábrica en Santander

La sección de la Figura 63 parte de la costa mediterránea, cruza la cuenca del Segura y del
Júcar, pasa por la cabecera del Turia y atraviesa el valle del Ebro hasta el Pirineo. En esta
última cuenca contrasta fuertemente el gradiente altitudinal de la lluvia de margen derecha,
unos 200 mm de incremento en 800 m de desnivel, con la de margen izquierda, 1.500 mm en
unos 1.000 m de desnivel.

Figura 63. Sección 7. Aproximadamente entre Mazarrón y Sangüesa

Por último, la Figura 64 traza un corte sur-norte desde la costa mediterránea hacia el Pirineo
Catalán de algo más de 200 km de longitud. Desde el sur, se distingue claramente un descenso
de lluvia a sotavento de la primera barrera orográfica en el Priorato catalán. La diferencia

125
4. La Precipitación en España e Influencia Orográfica

entre la lluvia registrada en la costa y la del Pirineo es reducida, especialmente cuando se

consideran los más de 2.500 m de diferencia de altitud de lo que cabe volver a destacar los
problemas de la red de medida respecto a la falta de representatividad de las estaciones
situadas en fondos de valle.

Figura 64. Sección 9. Costa mediterránea en Cambrils hasta el Pirineo

El primer corte oeste-este, Figura 65, se ha trazado desde el atlántico en la desembocadura del
Guadalquivir hasta el campo de Tabernas en la costa mediterránea de Almería. La disposición
de Sierra Nevada es paralela a la costa y a la propia trayectoria del corte por lo que es de
esperar que los gradientes más pronunciados se den en la dirección perpendicular coincidente
con la sección nº 5. En la llanura de desembocadura del Guadalquivir se aprecia un descenso
de la lluvia hacia el interior y un suave gradiente creciente con la orografía aproximadamente
a 30 km de la costa. El gradiente es de unos 300 mm en 900 m de ascenso. A sotavento de la
sierra de Ronda la lluvia desciende y asciende en secuencias coincidentes con la orografía.
Desde el punto de vista del Mediterráneo hacia Sierra Nevada, el ascenso de lluvias es suave a
pesar de las altitudes alcanzadas.

Figura 65. Sección 2. Guadalquivir en Sanlúcar de Barrameda y costa mediterránea en Almería

126
4. La Precipitación en España e Influencia Orográfica

La siguiente sección, Figura 66, parte del cauce del Guadiana en la frontera Portuguesa y
acaba en el Mediterráneo, en la Manga del Mar Menor. Es clara la importancia de las lluvias
atlánticas frente a las registradas en la fachada mediterránea una vez superadas las cumbres de
la sierra de Cazorla. En la parte atlántica, la tendencia general y los pulsos de lluvia coinciden
con los de la orografía. El máximo gradiente se da en el lado occidental de Cazorla con un
ascenso de lluvia de casi 900 mm en 1.100 m de ascenso. En el lado mediterráneo las lluvias
descienden bruscamente y, a continuación, siguen un suave gradiente de 300 mm en 1.000 m
estabilizándose en los 300 mm de lluvia.

Figura 66. Sección 4. Portugal en Rosal de la Frontera y Mediterráneo en San Pedro del Pinatar

El siguiente corte, Figura 67, también parte del río Guadiana y llega hasta el Mediterráneo en
la llanura del Júcar, habiendo atravesado anteriormente la llanura de San Juan en la cabecera
del Guadiana. A lo largo del eje del río Guadiana no se aprecia un gradiente altitudinal de la
lluvia claro hasta llegar a las estribaciones de los Montes de Toledo. Hacia el Mediterráneo,
hay una fuerte disminución de lluvias e incrementos de unos 100 mm en la plataforma de los
Campos de Montiel. En la cuenca del Júcar, las precipitaciones más altas se registran en la
costa y de cara al mar Mediterráneo.

Figura 67. Sección 6. Portugal (cercana a Badajoz) y costa mediterránea en Gandía

127
4. La Precipitación en España e Influencia Orográfica

En la Figura 68 se vuelve a apreciar el descenso de lluvias desde la costa mediterránea hacia

el interior siguiendo el curso del río Tajo. Los gradientes orográficos son claros, aunque
también se distinguen particularidades como las altas precipitaciones registradas en la margen
izquierda del Tiétar, a menor altura que las de la margen derecha.

Figura 68. Sección 8. Portugal y costa mediterránea en Benicasim

La Figura 69, sección 10, atraviesa el Duero y Ebro y vuelve a presentar ascensos y
disminuciones de lluvia conforme a la orografía. En los extremos del corte, sin embargo,
aparecen los fenómenos opuestos. Desde la costa portuguesa el incremento de lluvias hasta la
plataforma del Duero es reducido, pero desde la frontera, las lluvias disminuyen hasta
estabilizarse sobre la llanura. En la cuenca del Ebro se registra un descenso en la lluvia que se
estabiliza, como la altitud, en áreas cercanas al río. Desde el curso principal del Ebro hasta la
costa, las lluvias tienen una suave tendencia creciente que no sigue al relieve de la costa.

Figura 69. Sección 10. Frontera con Portugal y costa Mediterránea en Cambrils

El último corte, Figura 70, atraviesa la Península desde Galicia hasta las proximidades del
cabo de Rosas en el Mediterráneo, habiendo pasado por la cuenca del Miño, Duero y Ebro.
Tanto en el Atlántico como en el Mediterráneo, las tendencias globales indican un descenso
desde la costa hacia el interior. Si se considera una escala menor, los gradientes orográficos de

128
4. La Precipitación en España e Influencia Orográfica

la lluvia son más claros y, por lo general, a los ascensos de altitud le corresponden
incrementos de lluvia. Los gradientes más importantes se dan en el Atlántico, de unos 700 mm
en unos 500 m de ascenso en áreas cercanas a la costa o de 1.500 mm en 1.100 m. En el Ebro,
en ambas márgenes, los gradientes son de aproximadamente 600 mm en 900 m de ascenso.

Figura 70. Sección 12. Costa atlántica en Vigo y la mediterránea cerca de Las Rosas

Las secciones anteriores (Figura 60 a Figura 70) se han trazado según las direcciones sur-
norte y oeste-este. Las alineaciones de las Cordilleras en la Península Ibérica siguen
direcciones similares a una de estas dos, lo que facilita la observación del comportamiento de
la lluvia en función de la orografía. En general, se comprueba la existencia de correlaciones
positivas entre la lluvia anual y la orografía, pero con gradientes de magnitud variable, entre
0,3, 0,6 y 1,2 hasta los 1,5 mm/m de cordilleras del norte peninsular y Pirineos. También se
comprueba la ocurrencia de lluvias altas en la costa y la reducción hacia el interior, con
variaciones importantes de lluvia en reducidas distancias.
Una perspectiva estacional de los anteriores cortes (Figura 71 y Figura 72) deja comprobar la
variabilidad estacional de los gradientes altitudinales. En la época húmeda, resultan
proporcionales a los anuales, pero se reducen conforme las lluvias se reducen. Singularmente,
en las mismas gráficas se comprueba la diferencia de comportamiento pluviométrico entre las
áreas mediterránea y cantábrica. Mientas en la mediterránea (Figura 72) las lluvias invernales
se reducen, en la cantábrica (Figura 71) las lluvias se mantienen durante todo el año si bien las
otoñales e invernales marcan los máximos estacionales.

129
4. La Precipitación en España e Influencia Orográfica

Figura 71. Sección 5. Costa mediterránea en Almuñécar y cantábrica en Santander. Lluvia estacional

Figura 72. Sección 8. Portugal y costa mediterránea en Benicasim. Lluvia estacional

4.3.2 SELECCIÓN REGIONAL DE DATOS

La Figura 73 muestra un conjunto de áreas en las que se han seleccionado los datos de lluvia
media mensual y altitud para explorar las relaciones entre ambas variables. El carácter de esta
selección es regional, es decir, se explora el gradiente de un conjunto de estaciones
pertenecientes a un área determinada. Cada zona es aproximadamente rectangular, de
longitudes reducidas, entre los 50 y 100 km, buscando homogeneidad desde el punto de vista
de las lluvias.

130
4. La Precipitación en España e Influencia Orográfica

1
3

Norte
2 4 5
6
8

10
11
9

7
14
15

12 Rumbo (º)

16
13

Holgura (º)

18
17
Holgura (º)
19

20
21

Figura 73. Áreas de exploración del efecto orográfico y parámetros de selección

Las dispersiones entre lluvia media mensual y altitud de cada una de las zonas anteriores se
presentan en las gráficas comprendidas entre la Figura 74 y la Figura 95. Se trata de zonas del
Cantábrico, Vascongadas, Pirineo Navarro, Aragonés y Catalán, Sistemas Ibérico y Central,
Sierra de Gredos, Montes Universales, Cordilleras Penibéticas y Sierra de Ronda. La
selección de estaciones tiene en cuenta el valor de la orientación del terreno sobre el que está
instalada cada estación pluviométrica y la orientación principal de la región que, en el mapa
de la Figura 73, se señala con una flecha superpuesta al rectángulo de selección. La
orientación o rumbo se han calculado con el MDE del IGN a 200 m de resolución.
El rumbo principal maximizaría el efecto regional de la orografía sobre las lluvias si la
incidencia de la masa de aire húmedo se produjese según esa dirección. Una vez escogida la
orientación o rumbo de la barrera montañosa, se seleccionan todas estaciones con orientación
o rumbo comprendido entre este principal y una holgura del rumbo, H.R. Este parámetro
puede variar y de hecho se han tanteado selecciones con holguras de 90º y 60º. Producen
conjuntos de diagramas de dispersión distintos, pero sin consecuencias prácticas relevantes en
la mayoría de zonas. Holguras menores, por ejemplo de 30º, reducen excesivamente el
número de datos y hacen que la regresión pierda significación. Al contrario, cuanto mayor es
la holgura del rumbo, se mejora la representatividad regional de cada dato, evitando el
problema de la indefinición de la escala de cálculo de la orientación de una celda y los
cambios de resolución para su estimación tal como realiza el modelo PRISM entre otros (Daly
et al., 1994; Guan et al., 2005).
El potencial de regresión es una medida del condicionamiento impuesto por un punto a la
recta de regresión. Entre los puntos de los diagramas de dispersión se pueden distinguir
aquellos con potencial alto y los de potencial muy alto. De acuerdo a la siguiente expresión
(Ec. 4-1), se clasifican como valores de potencial medio o alto a aquellos valores de hi
superiores a 0,2; los superiores a 0,5 son potenciales muy altos. La Ec. 4-1 presenta la
definición de potencial, hi, siendo i el índice que recorre el conjunto total de puntos n. yesti es
el valor estimado por regresión lineal, a y b son los coeficientes de la recta de regresión

131
4. La Precipitación en España e Influencia Orográfica

ajustada por mínimos cuadrados (Ec. 3-6), rxy es el coeficiente de correlación de Pearson, σ x
y σ y las desviaciones típicas de las series registradas x e y y x e y las correspondientes
medias.
Ec. 4-1. Potencial de una observación en regresión simple

yiest = a· xi + b 

σy  n  ( )(
1 xi − x · x j − x )· y n
1 x −x ( )
2

a = rxy ⋅  ⇒ yi
est
= ∑  +
σ x2
 j = ∑ hij · y j ⇒ hi = hii = + i 2
σx  n
j =1   j =1 n σx
b = y − a ⋅ x 
Los puntos con un potencial medio o alto se representan con un triángulo invertido de color
naranja, mientras que los puntos de potencial muy alto se representan superponiendo al caso
anterior un triángulo vertical de color rojo (Figura 74 a Figura 95). No es una medida de
extremo, ya que conforme los puntos se alejan del centro de gravedad, el potencial se hace
mayor. Pero puede ser indicativo del grado de aislamiento de los puntos por ser mayor el
potencial cuando los puntos están aislados.
Se han incluido tres rectas de regresión. En color rojo y trazo fino, la ajustada a la nube
completa de puntos; en color rojo y trazo grueso, la ajustada a la nube de puntos sin
considerar los puntos de potencial muy alto; en color marrón y trazo fino la recta ajustada
únicamente a los valores de la muestra registrados por encima de la cota que marca el tercer
cuartil de la muestra completa. En la leyenda de cada gráfica figuran los siguientes índices:
1. N representa el número de puntos de la muestra
2. P.RL. es la pendiente de la recta de regresión ajustada a la muestra sin los puntos de
mayor potencial
3. T.I. es el término independiente de la recta de regresión ajustada a la muestra sin los
puntos de mayor potencial
4. R2 coeficiente de determinación o porcentaje de la varianza total explicada por la
variable predictiva o regresora
5. MSR, cuadrado medio de regresión y MSE, error cuadrático medio
Ec. 4-2. Cuadrado medio de regresión Ec. 4-3. Error cuadrático medio
N
MSR = ∑ yiest − y( )
2
MSE = ∑
N
(y − y )
i
est 2
i
i =1 i =1 N −2

6. pvF es el p-valor del contraste F sobre la relación entre ambas variables; bajos valores
del p-valor indican la existencia de una relación entre altitud y precipitación media
mensual
Ec. 4-4. Estadístico de la prueba F

MSR
f =
MSE

132
4. La Precipitación en España e Influencia Orográfica

Figura 74. Dispersión y regresión altitud-lluvia. Cantábrica, norte (1). H.R. 90º

133
4. La Precipitación en España e Influencia Orográfica

Figura 75. Dispersión y regresión altitud-lluvia. Cantábrica, norte (1). H.R. 60º

134
4. La Precipitación en España e Influencia Orográfica

Figura 76. Dispersión y regresión altitud-lluvia. Cantábrica, sur (2). H.R. 90º

135
4. La Precipitación en España e Influencia Orográfica

Figura 77. Dispersión y regresión altitud-lluvia. Cantábrica y vascongadas, norte (3). H.R. 90º

136
4. La Precipitación en España e Influencia Orográfica

Figura 78. Dispersión y regresión altitud-lluvia. Cantábrica y vascongadas, sur (4). H.R. 90º

137
4. La Precipitación en España e Influencia Orográfica

Figura 79. Dispersión y regresión altitud-lluvia. Pirineo Navarro y Aragonés, suroeste (5). H.R. 90º

138
4. La Precipitación en España e Influencia Orográfica

Figura 80. Dispersión y regresión altitud-lluvia. Pirineo Aragonés y Catalán, suroeste (6). H.R. 90º

139
4. La Precipitación en España e Influencia Orográfica

Figura 81. Dispersión y regresión altitud-lluvia. Costera Catalana, sureste (7). H.R. 90º

140
4. La Precipitación en España e Influencia Orográfica

Figura 82. Dispersión y regresión altitud-lluvia. Ibérica, norte (8). H.R. 90º

141
4. La Precipitación en España e Influencia Orográfica

Figura 83. Dispersión y regresión altitud-lluvia. Ibérica, sur (9). H.R. 90º

142
4. La Precipitación en España e Influencia Orográfica

Figura 84. Dispersión y regresión altitud-lluvia. Ibérica, oeste (10). H.R. 90º

143
4. La Precipitación en España e Influencia Orográfica

Figura 85. Dispersión y regresión altitud-lluvia. Ibérica, este (11). H.R. 90º

144
4. La Precipitación en España e Influencia Orográfica

Figura 86. Dispersión y regresión altitud-lluvia. Gredos, norte (12). H.R. 90º

145
4. La Precipitación en España e Influencia Orográfica

Figura 87. Dispersión y regresión altitud-lluvia. Gredos, sur (13). H.R. 90º

146
4. La Precipitación en España e Influencia Orográfica

Figura 88. Dispersión y regresión altitud-lluvia. Navacerrada, noroeste (14). H.R. 90º

147
4. La Precipitación en España e Influencia Orográfica

Figura 89. Dispersión y regresión altitud-lluvia. Navacerrada, sureste (15). H.R. 90º

148
4. La Precipitación en España e Influencia Orográfica

Figura 90. Dispersión y regresión altitud-lluvia. Cabecera del Turia, oeste (16). H.R. 90º

149
4. La Precipitación en España e Influencia Orográfica

Figura 91. Dispersión y regresión altitud-lluvia. Cazorla, oeste (17). H.R. 90º

150
4. La Precipitación en España e Influencia Orográfica

Figura 92. Dispersión y regresión altitud-lluvia. Cazorla, este (18). H.R. 90º

151
4. La Precipitación en España e Influencia Orográfica

Figura 93. Dispersión y regresión altitud-lluvia. Sierra Nevada, norte (19). H.R. 90º

152
4. La Precipitación en España e Influencia Orográfica

Figura 94. Dispersión y regresión altitud-lluvia. Sierra Nevada, sur (20). H.R. 90º

153
4. La Precipitación en España e Influencia Orográfica

Figura 95. Dispersión y regresión altitud-lluvia. Sierra de Ronda, oeste (21). H.R. 90º

Las gráficas anteriores revelan que las relaciones de la lluvia con la altitud son variables en el
tiempo y en el espacio. Es común a todas las áreas de exploración la pérdida de linealidad

154
4. La Precipitación en España e Influencia Orográfica

conforme se reducen las precipitaciones desde finales de la primavera hasta el verano. En

otoño e invierno se recupera la linealidad excepto en como las Vascongadas, la Cordillera
Costero Catalana o la vertiente norte de la Cordillera Cantábrica cuya característica común es
ser territorios de orografía cercana al mar con una complejidad climática ya advertida al
analizar las componentes principales en el apartado anterior (Figura 57 y Figura 58). Es de
esperar que la suma de factores relacionados con la convectividad, la transición entre costa y
continente y la presencia orográfica no permita clasificar mejor las lluvias y áreas en las que
se clarifique el efecto orográfico. En las dos vertientes costeras de áreas del norte, Cantábrica
y Vascongada, los valores de pvF y de los coeficientes R2 son indicativos de una reducida
relación entre variables, que mejora en algunos casos cuando se consideran holguras del
rumbo de 60º respecto a las holguras de 90º. Sin embargo, estas mejoras no son sustanciales.
Sí son apreciables las diferencias existentes entre selecciones con orientaciones o rumbos a
180º de distancia, correspondientes a las vertientes norte y sur, este y oeste.
Los gráficos de dispersión del interior de la Península son menos erráticos que los de costa.
La vertiente sur del Cantábrico queda resguardada del mar y el efecto orográfico se hace
apreciable, a pesar de que la orientación de la Cordillera Cantábrica es paralela a la dirección
de las masas de aire atlánticas. Hacia el sur de las Vascongadas, el Sistema Ibérico evidencia
mayor linealidad en las relaciones entre lluvia y altitud según el índice R2. Los más altos
valores de R2 se obtienen en el Pirineo, en el mencionado Sistema Ibérico y en el Central,
especialmente en sus fachadas norte y oeste. En otros casos, más que de pérdida de linealidad,
se hace evidente la heterocedasticidad en cotas medias del dominio de valores de la muestra,
con valores de lluvia máximos en esas cotas medias, entre los 1.000, 1.200 e incluso 1.500
msnm en Sierra Nevada, mayores que las que se obtienen en otras superiores. La complejidad
de las muestras se debe a un conjunto de interacciones entre fenómenos meteorológicos y
locales ya comentados en los apartados anteriores. En el caso de Sierra Nevada, llegan masas
húmedas del Atlántico conducidas por diferentes recorridos que siguen la disposición de las
Cordilleras Subética y Penibéticas del valle del Guadalquivir.
En la mayor parte de gráficos (norte de la Cordillera Cantábrica, en la región Vascongada, en
la vertiente norte del sistema Ibérico, en los Pirineos, en el Sistema Central, en Sierra Nevada,
Sierra de Cazorla, Montes Universales y Cordillera Costero Catalana) se aprecia la distancia
existente entre los datos registrados a mayor altura respecto a la nube de principal puntos. Dos
índices sirven para destacar esta distancia: la definición de potencial y la representación de las
rectas de regresión ajustadas a los valores de la muestra superiores al tercer cuartil. Los
puntos con potencial alto y muy alto se han señalado en las gráficas con caracteres especiales
para destacar que los datos a mayores cotas se encuentran alejados de la nube principal de
datos y que, como extremos, condicionan el ajuste de las rectas de regresión. El ajuste de una
regresión lineal a los puntos de mayor altitud destaca además el diferente carácter de las
relaciones entre lluvia y altitud en las mayores cotas.
Las Figura 96, Figura 97 y Figura 98 se extraen de la información de tres conjuntos de cortes
del MDE obtenidos en la Cordillera Cantábrica, Pirineo y Sistema Central-Navacerrada. Cada
figura representa un conjunto de cortes del MDE con separaciones de unos 500 m en una
longitud de unos 40 a 60 km. Se dibujan superpuestos desde un punto de vista transversal al
conjunto de ellos para apreciar la evolución de la altitud y de la precipitación; en color oscuro
se representa la sección central y en blanco una sección promediada de las alturas.
Finalmente, en cada figura se ha situado la posición de cada pluviómetro con una leyenda que,

155
4. La Precipitación en España e Influencia Orográfica

con una gradación de tamaño, simboliza la precipitación media del mes de diciembre del
periodo 1970/71-2000/01.

Figura 96. Perfiles del MDE en la Cordillera Cantábrica y lluvia media en diciembre

Figura 97. Perfiles del MDE en el Pirineo y lluvia media en diciembre

156
4. La Precipitación en España e Influencia Orográfica

Figura 98. Perfiles del MDE en el Sistema Central y lluvia media en diciembre

Cualquiera de las tres zonas seleccionadas tiene altitudes superiores a los 2.000 msnm por lo
que esta representación sería adecuada para valorar cómo evoluciona la lluvia en altura y si
existen máximos de lluvia intermedios ligados a un vaciado del volumen de vapor en el
ascenso de una masa de aire húmedo. Sin embargo, la presencia de un número importante de
estaciones en áreas de cota baja y la escasez de pluviómetros en altura no permite obtener
conclusiones en este sentido. Mucho menos cuando se pretende utilizar una variable como la
pendiente, con fundamento físicamente basado para su uso.
El establecimiento de relaciones regionales entre lluvia y orografía se enfrenta al problema de
la alta variabilidad de la lluvia en pequeñas distancias lo que provoca que, en cada muestra,
puedan aparecer mezcladas diferentes tendencias. En cada región definida, los sucesivos
valles se disponen transversalmente al rumbo principal, provocando que las laderas de un área
montañosa se enfrenten con diferentes ángulos a la dirección del viento predominante, lo que
empobrecerá las relaciones entre lluvia y altitud. Dada esta situación, las nubes de puntos no
reflejan gradientes altitudinales de la lluvia uniformes. En las regresiones regionales rara vez
se encuentra algún mes con gradientes superiores a los 0,8 mm/m que, por otra parte, serán
promedios de gradientes heterogéneos. Esta situación no encuentra solución si se definen
rumbos principales en cada región. En el siguiente apartado se explora desde un punto de
vista local el gradiente altitudinal de la lluvia mediante cortes del MDE.

4.4 SÍNTESIS
Las descripciones de los apartados anteriores permiten comprobar cómo la lluvia en España
está condicionada por el influjo de masas de aire húmedas y un conjunto de factores locales
entre los que se ha destacado la orografía o la situación relativa respecto a la costa. Las lluvias
medias mensuales aumentan con la latitud, y de este a oeste, dejando al Atlántico como el
principal influjo de humedad. Disminuyen desde la costa hacia el interior y tenderían a ser
mayores conforme aumenta la altitud, especialmente durante los meses invernales y en el
interior de la Península. En vertientes costeras esta relación se hace más errática, lo que podría
asociarse a una mayor actividad convectiva en el Cantábrico y Mediterráneo, en la que la
configuración orográfica respecto a la costa es un factor multiplicador. Estas tendencias se
difuminan y pierden desde finales de primavera y durante el verano, estaciones climáticas de

157
4. La Precipitación en España e Influencia Orográfica

carácter seco, de reducidas lluvias cuyo orden de magnitud no se maneja fácilmente en los
diagramas de dispersión con la altitud. Pero mientras en el Cantábrico las lluvias se mantienen
durante todo el año, en la época estival e invernal, las lluvias dan los valores mínimos
estacionales.
La exposición de cada punto del territorio al influjo de masas de aire con diferentes
direcciones y la estructura y la posición de las diferentes cordilleras condicionan los tipos de
tiempo. La costa es en sí misma un factor de discontinuidad entre el mar y la superficie
terrestre. El efecto de la orografía en la lluvia no solamente es acrecentar la lluvia sobre las
laderas expuestas al frente húmedo y reducir la humedad del aire en su recorrido, sino
también conducirla a lo largo de valles o hacia zonas abiertas. Los diferentes tipos de tiempo
dependen de la relación entre la dirección de entrada del frente húmedo y la disposición
montañosa. Si la montaña se opone frontalmente al avance de la masa de aire, crea una
discontinuidad entre barlovento y sotavento. Si la desvía, permite su penetración de masas
húmedas a lugares más alejados de la costa.
Los mapas de componentes principales hacen evidentes los factores anteriores y la
dependencia respecto a la orografía, la posición relativa de la costa y a la variabilidad
estacional. Muestran una exposición contrastada a distintos regímenes de lluvia en
coincidencia con la posición de relieves ortográficos, así como áreas sometidas a una alta
variabilidad durante el año. Entre éstas últimas cabe citar la del Golfo de Vizcaya, Pirineo
Aragonés y Leridano o la cabecera de ríos atlánticos como Duero, Tajo y Guadiana. Su
variabilidad climática complica la delimitación de regiones en las que estudiar el gradiente
altitudinal de la lluvia.
La exploración del gradiente altitudinal de la lluvia en España permite contrastar su
dependencia espacio-temporal. En los cortes del MDE al que se superponen las medias de
lluvia anual más cercanas se encuentran gradientes entre 0,3, 0,6 y 1,2 y los hasta 1,5 mm/m
de cordilleras del norte y Pirineos. Estacionalmente, estas relaciones se mantienen más o
menos proporcionalmente hasta la época seca. También se encuentran relaciones inversas
entre altitud y lluvia en estrechas franjas de costa, en el interior o durante la estación estival.
El estudio del grado de correlación entre la altitud y la lluvia vuelve a encontrar el problema
de la escasez de puntos de medida en altura. La variabilidad de estas zonas está por tanto
infrarrepresentada al compararla con la densidad de medida de territorios de menor altitud.
Supone además la indefinición de las regresiones en las áreas de mayor altitud y la falta de
apoyo cuando, aparte de la altitud, se pretende introducir mayor número de variables en
ecuaciones de regresión múltiple como la orientación, pendiente, orografía regional, etc. El
caso de la pendiente es especialmente notable porque mientras se llega a un conocimiento de
su variabilidad espacial por medio de los MDE, se encuentran muy pocos puntos en áreas de
máxima pendiente en la que modelos físicamente basados pronostican altas precipitaciones
recomendando el uso de índices como el OFA mencionado en capítulos anteriores.

158
5. Métodos de Interpolación

5 MÉTODOS DE INTERPOLACIÓN

5.1 SIMULACIÓN HIDROLÓGICA DISTRIBUIDA Y AGREGADA

La precipitación histórica básica para un estudio de recursos hídricos procede de las medidas
de altura de lluvia alcanzadas por unidad de superficie (mm o l/m2) en los pluviómetros y
pluviógrafos de una cuenca. A partir de esta información puntual, se estima cómo se ha
producido la lluvia en un territorio, es decir, su distribución espacial, una superficie
representativa de lluvia caída sobre la cuenca en cada intervalo de tiempo.
Los modelos hidrológicos distribuidos trabajan con la variabilidad espacial de variables y
parámetros (Beven y Moore, 1993; Beven, 2001). La aplicación de modelos numéricos hace
que en la práctica sea usual considerar esta variabilidad sobre un conjunto de celdas de una
cuenca discretizada, por ejemplo, según un mallado regular. En cada celda se suceden una
serie de procesos con diferentes intensidades según sus características fisiográficas y las
relaciones de vecindad entre celdas. Un modelo agregado es un modelo que simplifica la
variabilidad de parámetros y variables en valores medios para toda la cuenca. Una tercera
clase define aquellos modelos que, en apariencia agregados, utilizan parámetros que corrigen
el efecto de la variabilidad en la cuenca (Maurer et al., 2002, Nijssen et al., 2001).
La obtención de la distribución espacial de la precipitación atiende por tanto a diferentes fines
según el tipo de modelo que se maneje. Para modelos agregados, bastará obtener una
precipitación media de la cuenca, mientras que, para los distribuidos, será necesario obtener
una superficie de precipitaciones, es decir, los valores de precipitación en cada una de las
celdas en las que se subdivida la cuenca.
El problema planteado exige la utilización de herramientas que permitan el manejo de
información registrada y su combinación con evidencias de la influencia que otros factores
fisiográficos tengan en la incidencia del fenómeno. La precipitación varía espacialmente en

159
5. Métodos de Interpolación

función del esquema general de circulación atmosférica y de un conjunto de factores locales

como son la orografía, la acción del viento en superficie, el mar que se expresan en función de
variables como la altitud, la pendiente y la orientación del terreno entre otras, condicionando
características tales como el tipo de chubasco, su alcance o intensidad.
El modelo lineal de interpolación de una superficie de precipitación es función los datos
registrados puntualmente, P(xi, yi) se expresa de la siguiente manera:
Ec. 5-1. Modelo de ponderación lineal para la precipitación en un punto de coordenadas (x, y)

P ( x, y ) = ∑ ω i ( x, y ) ⋅ P ( x i , y i )
i

siendo P(x, y) la precipitación en la celda de coordenadas (x, y) y ωi(x, y) el factor de

ponderación en las coordenadas (x, y) relativo al valor registrado en el pluviómetro de
coordenadas (xi, yi). La precipitación media de toda la cuenca es el promedio de alturas de
lluvia alcanzadas sobre la cuenca de superficie total A. Es decir, suponiendo una superficie
continua de lluvia, la integral de la lluvia sobre el dominio de la cuenca o el sumatorio
ponderado por el área A, si se asume un dominio discreto de mallado regular:
Ec. 5-2. Integración de la precipitación en la media areal

1 1
P= ∫ P ( x, y ) ⋅ dxdy o P = ∑ P( x, y )·∆x·∆y
A A
donde ∆x e ∆y son las resoluciones oeste-este y norte sur del mallado regular. En un modelo
agregado, la precipitación media de la cuenca se obtiene directamente de los valores
registrados puntualmente:
Ec. 5-3. Modelo de ponderación lineal para la precipitación media areal

1 1
P= ·∫ ∑ ω i ( x, y )·P ( xi , y i )·dxdy = ·∑ P ( xi , yi )·∫ ω i ( x, y )·dxdy =
A i A i
1
∑i ω i ⋅ P( xi , yi ) ⇒ ω i = A·∫ ω i ( x, y )·dxdy
donde, tal como se señaló anteriormente, los ωi son los pesos para el cálculo de la
precipitación areal en esa cuenca y P(xi, yi) la precipitación registrada en el pluviómetro i.
Los pesos ωi(x, y) y ωi sintetizan la información sobre el tratamiento de la lluvia y sus valores
dependen del método de interpolación elegido. Su uso se puede extender a la consideración
aleatoria del fenómeno, de lo que cabría distinguir entre métodos determinísticos y métodos
estocásticos. Para los primeros, las variables introducidas y las relaciones entre ellas son
ciertas; para los segundos el fenómeno y las relaciones entre las variables implicadas se
analizan en términos de probabilidad de ocurrencia, con dependencias espaciales y temporales
que se extraen del análisis de los datos registrados. El hecho de introducir información como
la del patrón de continuidad espacial en los métodos de interpolación óptima hace que, al
menos en zonas de baja densidad de medida, estos métodos sean teóricamente superiores
(Tabios y Salas, 1985; Goovaerts, 2000). En la práctica, con cualquier procedimiento de
interpolación, la disponibilidad adecuada de información, espacial y temporal, es la que

160
5. Métodos de Interpolación

condiciona realmente la estimación de la lluvia y la caracterización de cualquier función o

patrón de continuidad (Borga y Vizzaccaro, 1997; Singh y Chowdhury, 1986).
El tratamiento estocástico se fundamenta en la existencia de distintos factores de
incertidumbre. Los datos pluviométricos y, en general, cualquier tipo de registro, están
afectados por incertidumbres debidas a errores de medida o lectura dependientes del tipo de
aparato, de su ubicación y de su relación con su entorno (Dingman et al., 1988). Dejando
aparte los problemas del tratamiento de la información, cuando se trata de los pluviómetros o
pluviógrafos, se habla de la influencia de fenómenos atmosféricos como el viento, la
evaporación, la nieve o la condensación del vapor. Estos afectan tanto a la magnitud
registrada como a su representatividad espacial.
Por último, la complejidad de los diferentes mecanismos de generación de lluvia también
encuentra un soporte apropiado en el tratamiento estocástico. Las lluvias convectivas,
localizadas, generadas por un rápido ascenso de una masa de aire húmedo se contemplan
generalmente con una carga aleatoria considerable. Tampoco resulta fácil identificar y
representar mecánicamente los efectos orográficos en la lluvia.
El objetivo de la red de medida es registrar con la mayor intensidad posible la variabilidad de
la lluvia, pero finalmente se adapta a las posibilidades prácticas, variables a lo largo del
tiempo. Así, se comprueba que la mayor parte de los datos climáticos se registran en los valles
y zonas pobladas, dejando con una escasa cobertura las zonas montañosas donde la
variabilidad es mayor (Abtew et al., 1993; MARM, 2000a). Por esto, cobran importancia
técnicas que permiten manejar la distribución espacial de precipitaciones como el radar o
satélite, plataformas técnicas de análisis capaces de integrar distintos tipos de información
como los SIG u otras herramientas analíticas que trabajen u obtengan las incertidumbres de
las estimaciones realizadas.
Los siguientes apartados del presente capítulo se dedican a la exposición de metodologías más
usuales de interpolación.

5.2 MEDIA ARITMÉTICA

5.2.1 MODELO AGREGADO

La precipitación media areal es aquella media representativa de la caída sobre el total del área
de la cuenca. La primera aproximación a ésta es un promedio de los registros en los
pluviómetros de la cuenca (Creutin y Obled, 1982; Singh, 1988),
Ec. 5-4. Precipitación media areal.

∑ P( x , y )
i =1
i i
P=
N
Es un método simple, pero tiene varios inconvenientes de aplicación. Por un lado, su finalidad
es agregada. Para que sea representativa tiene que haber partido de datos tomados en una red
de medida con una densidad uniforme. El método no recibe ni da información sobre las
diferencias que existan en la cuenca, por lo que los resultados solo son representativos de
cuencas con una variabilidad muy reducida, por ejemplo, cuencas muy llanas sin gradientes
importantes de precipitación.

161
5. Métodos de Interpolación

Las medias aritméticas de precipitación de aquellas cuencas con un grado de forzamiento

orográfico considerable pueden corregirse discretizando en función de la altitud y la
orientación áreas en las que se admita con mayores garantías una estimación de lluvia
constante. La media areal sobre una cuenca se estima como media ponderada en función del
área delimitada considerando altitud y orientación. En resumen se siguen los siguientes pasos
para estimar una lluvia media areal (Singh, 1988):
1. Delimitar franjas de territorio en función de la altitud en la cuenca
2. Subdividir las anteriores zonas en subzonas según la orientación del terreno
3. En cada subzona se determina la precipitación media de todos los pluviómetros m
que se encuentren dentro de cada subzona. La precipitación media areal de la
cuenca es media ponderada en función del área de cada subzona, ai,
Ec. 5-5. Promedio en subzonas Ec. 5-6. Promedio areal

∑ P( x , y ) ∑a ⋅ P
i subzona _ i N
siendo A = ∑ ai
i i
i =1 P= i
Psubzona _ j = A i =1
m

y A, el área total de la cuenca.

Esta modificación es función de variables fisiográficas que afectan a la distribución espacial
de la lluvia, pero necesita una densidad de pluviómetros adecuada de la lluvia de cada
subzona. En la práctica, una baja densidad pluviométrica condiciona la delimitación de las
zonas. En una situación con abundante información permitiría incluir un mayor número de
variables fisiográficas como la pendiente relacionada con la acción del viento en superficie.

5.2.2 VENTANAS O MEDIAS MÓVILES

La extensión natural hacia un modelo distribuido son las denominadas ventanas o medias
móviles. En cada una de las celdas, se calcula la precipitación media de los datos registrados
en el conjunto de pluviómetros que queden dentro de un contorno de selección de
determinadas características centrado en la misma celda.

Ec. 5-7. Ventanas o medias móviles

∑ P( x , y )
i =1
i i
P ( x, y ) =
m

Registro pluviométrico
Celda de cálculo
Contorno de búsqueda

162
5. Métodos de Interpolación

Figura 99. Ventanas o medias móviles

Las medias móviles pueden aplicarse en cuencas con cierta variabilidad espacial, permitiendo
introducir patrones de comportamiento a través del número m de puntos o del contorno
geométrico escogido. Sin embargo, es de esperar problemas de aplicación en áreas de baja
densidad donde encontrar puntos sea difícil o con aglomeraciones de estos que provoquen
redundancias de información. La superficie de precipitación final presenta discontinuidades
entre celdas por lo que para mejorar la continuidad es necesario aplicar filtros que trabajen
con los valores que rodean a una celda.

5.2.3 ESTRATEGIAS DE BÚSQUEDA Y SELECCIÓN DE DATOS

Los procedimientos como el anterior dependen de dos factores: el modelo de cálculo y la

selección de datos o estrategias de búsqueda de información (Isaaks y Srivastava, 1989). El
objetivo principal de este segundo aspecto sería la identificación de los registros que dan
información para estimar la lluvia de una celda y desechar aquella otra redundante o
intrascendente.
Los criterios de selección de información se extraen del propio conjunto de información y de
la variabilidad que cabe esperar en función de factores fisiográficos. En el caso de las
precipitaciones, se consideran la presencia de barreras montañosas y la distancia al mar. En
ambos casos, la variabilidad es alta en pequeñas distancias. Las precipitaciones tienden a
diferenciarse en altura y se mantienen en valores similares los pluviómetros situados en la
misma cota; también tienden a diferenciarse conforme aumenta la distancia a la costa. Por
tanto, las precipitaciones registradas según direcciones paralelas a la barrera montañosa o a la
costa, se parecerán más que los de la dirección de máxima pendiente, lo que en sí define un
principio de anisotropía. En términos de selección de estaciones para la estimación de la lluvia
de una celda, es más eficiente seleccionar registros en la dirección paralela que en la de
máxima pendiente que, en un dominio de trabajo de dos dimensiones y con una dirección
preferente de búsqueda, se traduce en contornos de búsqueda elípticos. En otros casos en los
que no se pueda determinar una dirección de máxima continuidad, se usan contornos de
búsqueda circulares.
En la práctica, la densidad de pluviómetros sobre la cuenca no es uniforme. Se usan entonces
contornos de búsqueda de dimensión variable hasta encontrar un número mínimo de
pluviómetros más cercanos que dé consistencia a la estimación. Un grado de mayor
flexibilidad se logra si el número m de datos se hace variable entre un mínimo y un máximo.
Está justificado controlar el número máximo para reducir el tiempo de proceso y la
sensibilidad a seleccionar puntos alejados que no contengan información relevante a escala
local. Isaaks y Srivastava (1989) recomiendan un mínimo de 4 puntos y un máximo hasta los
12.
Existen métodos de interpolación que discriminan adecuadamente las redundancias
provocadas por aglomeraciones de datos en la misma zona como los denominados métodos
óptimos o, incluso, el sencillo método de Thiessen, pero en otros casos es necesario incluir
algún control de selección. La búsqueda por cuadrantes filtra el efecto de las redundancias de
información si, habiendo planteado las circunferencias y elipses de búsqueda, se añade un
control sobre el número de puntos seleccionados por cuadrante. Isaaks y Srivastava (1989)

163
5. Métodos de Interpolación

recomiendan escoger únicamente los más próximos por cuadrante cuando existan demasiados
y continuar la búsqueda en el resto.

5.3 MÉTODO DE LAS ISOYETAS

El fundamento del método de las isoyetas consiste en el trazado manual de contornos de lluvia
constante o isoyetas utilizando los datos pluviométricos y la información subjetiva que se
considere oportuna. Se obtiene una superficie de precipitaciones de forma similar a como se
representan los planos topográficos, representando con cada curva un valor de lluvia
constante. Algunos criterios de trazado de isoyetas son los siguientes:
1. Con lluvias de carácter convectivo, las isoyetas tenderán a formar un patrón circular
que degenera a elíptico por el movimiento de la tormenta (Fogel et al., 1969)
2. La presencia de barreras orográficas provoca el ascenso de las masas de aire y el
incremento de precipitación en zonas altas, por lo que la topografía sirve de índice
para trazar las isoyetas
La precipitación media se obtiene por ponderación lineal considerando la lluvia media, Pi, en
cada franja de área ai comprendida entre isoyetas. Considerando N franjas, queda
Ec. 5-8. Ponderación de la precipitación media calculada por isoyetas

∑a ⋅ P i i N
P= i =1
siendo A = ∑ ai
A i =1

y A el área total de la cuenca.

Isoyeta Superficie Precipitación Peso ai/A

15,2 350 0,241
400
19,3 450 0,306
500
17,5 550 0,277
600
7,0 650 0,111
700
4,1 750 0,065
Figura 100. Isoyetas con contornos de lluvia constante TOTAL 63,1 495,3 1
Tabla 8 Aplicación método de las isoyetas

Este método permite que el analista introduzca su experiencia y adapte la distribución espacial
de precipitaciones a influencias como el tipo de lluvia, la orografía, pendientes, dirección de
entrada de determinados frentes húmedos, etc. Sin embargo, la introducción de información
subjetiva sin apoyo en una red densa de pluviómetros que guíen con certeza el trazado de las
isoyetas se convierte en un defecto metodológico. Además, la experiencia del analista no es
en principio automatizable, lo que impide una aplicación sistemática a un conjunto extenso de
eventos de lluvia.

164
5. Métodos de Interpolación

5.4 MÉTODOS DE POLIGONACIÓN

5.4.1 THIESSEN

Es uno de los métodos habitualmente utilizados para obtener precipitaciones media areal de
una cuenca. La documentación original (Thiessen, 191124) exponía el método para la
estimación de precipitaciones medias areales en territorios extensos. El procedimiento
consiste (Tabios y Salas, 1985; World Climate Programme, 1985; Abtew et al., 1993; Naoum
y Tsanis, 2004a) en extrapolar la precipitación registrada en un pluviómetro al conjunto de
puntos de la cuenca que cumplan la condición de ser los que tienen a ese pluviómetro dado
como el más cercano. Es decir, la precipitación de cada celda es la del pluviómetro más
cercano (Creutin y Obled, 1982) y la media areal se calcula por ponderación areal delimitando
las zonas de influencia de cada pluviómetro. La delimitación de zonas de influencia se realiza
de la siguiente manera:
1. Triangulación del territorio uniendo los pluviómetros con los adyacentes mediante
segmentos
2. Trazado de las mediatrices de los segmentos que unen los pluviómetros. Los
segmentos que se forman al cortarse éstas alrededor de los pluviómetros son los
lados de los polígonos de influencia de cada polígono
3. Se planimetran las áreas ai de influencia de cada parcela del interior de la cuenca
4. Se calcula la precipitación media areal de la cuenca teniendo en cuenta que la
precipitación de cada subzona corresponde a cada pluviómetro
Este método permite introducir información de los pluviómetros exteriores a la cuenca de una
forma razonable, además de aparecer la distancia como criterio básico. Pero sigue
proporcionando una distribución de lluvias discontinua y no tiene en cuenta otros tipos de
influencia, al menos en un principio, como por ejemplo la orografía. En la siguiente figura se
muestra el esquema de polígonos resultado del método. Una ventaja de aplicación es que los
pesos ya consideran las posibles redundancias en los datos. En los lugares con aglomeraciones
de datos, los polígonos resultantes son más pequeños y su peso menor al estimar la lluvia
media areal. Al contrario ocurre en las zonas de baja densidad, donde las áreas y los pesos son
mayores.

24
Thiessen, A.H., 1911. Precipitation for Large Areas. Monthly Weather Review 39, pp.: 1082-1084

165
5. Métodos de Interpolación

Figura 101. Aplicación del método de Thiessen

A continuación se muestra un ejemplo de aplicación:

Figura 102. División de la cuenca según los polígonos de Thiessen

Polígono Estación Lluvia (mm) Superficie (km2) Peso ai/A

1 E1 430 12 0,194
2 E2 480 28 0,452
3 E3 635 7 0,113
4 E4 570 15 0,242
TOTAL 510 62 1
Tabla 9 Aplicación método de Thiessen

5.4.2 THIESSEN MODIFICADO POR ISOYETAS

La utilización de un criterio únicamente basado en las distancias resulta poco satisfactorio en

casos en los que se conoce la influencia de otros factores. Sin embargo, el método de Thiessen
es especialmente ventajoso cuando se han de repetir los cálculos un número alto de veces, tal
como sucede cuando se trata con series mensuales de lluvia en modelos de recursos hídricos.
Cuando se ha de reproducir el mismo cálculo de lluvia sistemáticamente para diferentes
eventos de lluvia es útil recurrir a la implementación de patrones de lluvia que reflejen cómo
se distribuye normalmente la lluvia en una cuenca. Estos patrones, convenientemente tratados,
pueden servir para la corrección de las estimaciones dadas por un método como el de
Thiessen.
El método del Thiessen modificado consiste en la superposición de un patrón de lluvias
obtenido por isoyetas al método de Thiessen. A cada polígono de Thiessen se le asigna un

166
5. Métodos de Interpolación

factor corrector Ki, consistente en el cociente entre la estimación de lluvia areal de cada
polígono de Thiessen calculada por isoyetas y la registrada en el pluviómetro:
Ec. 5-9. Esquema de ponderación del Thiessen Modificado

Pai ai
Ki = Pi a = K i ⋅ Pi P=∑ ⋅ Pi a
Pi i A
siendo las Pai, las precipitaciones areales que le corresponden al polígono i según el método
de las isoyetas; Pi, la precipitación areal según Thiessen, correspondiente a la del pluviómetro
i; Pia, la precipitación transformada; ai, las áreas poligonadas según Thiessen y A el área total
de la cuenca.
La aplicación de este método exige que se esté trabajando sobre precipitaciones con cierta
estabilidad espacial, es decir, que a lo largo de los sucesivos episodios de lluvia considerados,
se mantenga el patrón de isoyetas estimado inicialmente. El coeficiente Ki se calcula mediante
la aplicación de los métodos de isoyetas y Thiessen a un suceso suficientemente consistente
que, según el tipo de suceso de lluvias considerado, se obtiene de valores medios de
precipitación durante intervalos de tiempo mayores o iguales al de cálculo. Por ejemplo, se
suelen manejar patrones de precipitaciones obtenidos a partir de intervalos de tiempo
decenales, permitiendo la aplicación de los correspondientes Ki a datos anuales.

Figura 103. Superposición de las isoyetas a los polígonos de Thiessen

5.4.3 PONDERACIÓN EN FUNCIÓN DE LA ALTITUD

Las altitudes se introducen explícitamente en la delimitación de los polígonos siguiendo el

procedimiento expuesto en Singh (1988). Los pasos a seguir son:
1. Se divide la cuenca en triángulos uniendo los pluviómetros con los adyacentes
mediante segmentos al igual que en el caso de Thiessen
2. Sobre estos segmentos se proyectan los puntos de altitud media de cada dos
pluviómetros
3. Entre cada tres pluviómetros se trazan los triángulos que unen los puntos de altitud
media anteriormente hallados
4. Las medianas desde cada vértice al punto medio del segmento opuesto de estos
últimos triángulos forman los límites de los polígonos de influencia de cada
pluviómetro

167
5. Métodos de Interpolación

5. Delimitados los polígonos de cada estación, se planimetran las áreas de cada uno
de ellos para obtener los pesos con los que se obtiene la precipitación media de la
cuenca según la fórmula de ponderación lineal
Respecto al método de Thiessen, este procedimiento añade como otros una complejidad
mayor al delimitar las áreas de influencia de cada pluviómetro en función de la altitud o de
otras variables geomorfológicas (Llanos-Acebo et al., 1995; Sen, 1998).

5.5 ESQUEMAS EN FUNCIÓN INVERSA DE LA DISTANCIA

Al considerar la continuidad de una variable en el territorio, el aumento de distancia entre dos
puntos supone una menor similitud entre los datos, lo que justifica el uso factores de
ponderación dependientes de una función inversa de la distancia. El esquema de ponderación
lineal facilita su uso. Algunas de las funciones de ponderación son las siguientes (Gambolati y
Volpi, 1979; Tabios y Salas, 1985; World Climate Programme, 1985; Singh, 1988; Weber y
Englund, 1992; Abtew et al., 1993; Weber y Englund, 1994; Naoum y Tsanis, 2004a; Lloyd,
2005; García et al., 2008; Lu y Wong, 2008; Favilene et al. 2010; Tobin et al., 2011):
Ec. 5-10. Funciones de ponderación por inverso de distancia

1 1 1 1 1 2
, 2, 3, , 2
, e − cd , e − cd
d d d 1 + cd 1 + cd
siendo d la distancia entre el dato y el punto de estimación y c una constante a parametrizar.
También se utilizan funciones armónicas cuando se requiera introducir periodicidades en la
interpolación. Los esquemas que se usan con mayor frecuencia son los del tipo inverso de
distancia, IDW por sus siglas en inglés, Inverse Distance Weighted:
Ec. 5-11. Ponderación por inverso de distancia, IDW

N
Pi
∑d b
( x, y )
P ( x, y ) = Ni i
1
∑i d b ( x, y )
i

donde N y b son los parámetros que definen la forma de la función interpolada y que
dependerían de la topografía, las características de la lluvia e incluso la estación climática y
densidad de la red.
1. N es el número de pluviómetros más cercanos utilizados para obtener la precipitación
en una celda. Usar más de un dato para estimar el valor de una celda es una de las
mejoras respecto al Thiessen, reduciendo la sensibilidad al error. La ponderación de
cada dato se hace función de la distancia a la celda. Sin embargo, este procedimiento
basado únicamente en un criterio de distancias no filtra las redundancias de
información derivadas de las aglomeraciones de datos en redes irregularmente
espaciadas. En estos casos puede ser necesario realizar una selección previa de los
pluviómetros de cálculo.
La Figura 104 muestra en 3D los resultados de la interpolación utilizando distinto
número de puntos. En el primer caso, se representa la estimación usando un único
vecino, resultado que entonces coincide con el de Thiessen. Otro aspecto destacable es

168
5. Métodos de Interpolación

que cuanto mayor sea el número de puntos, más suavizada será la superficie resultado.
Además, cuanto mayor sea el número de puntos, la superficie tiende a un valor medio
sobre el que destacan los valores extremos de la muestra.

Figura 104. Comparación de las superficies estimadas con 1, 3, 6 y 12 puntos de interpolación

2. b es el exponente positivo que pondera las distancias. Siendo mayor que 1, cuanto
mayor sea este exponente, mayor será la velocidad a la que se pierde información
conforme aumenta la distancia desde la celda al pluviómetro. Este parámetro
permitiría reflejar lluvias de alta concentración espacial si la red de medida tiene una
densidad aceptable. Es frecuente la utilización de valores de b igual a 2 y el método se
conoce entonces como inverso de distancia al cuadrado. A la vista de las siguientes
figuras (Figura 105), no parece que las variaciones entre 1 y 3 produzcan diferencias
significativas entre los resultados alcanzados, aunque se observa que un mayor
exponente revela regiones de influencia de cada dato en las que el valor interpolado
presenta escasa variabilidad. Falivene et al. (2010) aplican el método a la estimación
de la distribución espacial de la propiedades caloríficas de carbón y concluyen que a
mayor valor del exponente, menor suavización de la superficie interpolada y mayor
error por calibración cruzada. Por otra parte, esta conclusión es indicativa de la
necesidad de usar un conjunto amplio de criterios de comparación entre métodos de
interpolación y no únicamente los basados en calibración cruzada, sensibles al grado
de suavización de la superficie resultado.

169
5. Métodos de Interpolación

Figura 105. Comparación de las superficies estimadas con exponentes 0,5, 1, 2 y 4

La Figura 106 muestra el resultado de interpolar por IDW valores de precipitación dispersos
por la cuenca que se representan con color rojo. La superficie no es continua y hay fracturas
delimitando las áreas de influencia de cada dato. Se distinguen además áreas de fuerte
curvatura para adaptarse a todos los valores registrados.

Figura 106. Distribución espacial de la lluvia por IDW

Este método solo utiliza información geométrica para el cálculo de la lluvia por lo que
cualquier corrección para aproximar los resultados a patrones conocidos de lluvia pasa por la
selección de estaciones o la inclusión de nuevos datos en áreas singulares. Aparte quedan las
estrategias de búsqueda combinando direcciones preferentes mediante contornos elípticos o el
uso de límites máximo y mínimo del número de datos. Los mayores inconvenientes de este
método son la insensibilidad a las aglomeraciones y redundancias de información (Tabios y
Salas, 1985; Gambolati y Volpi, 1979) o la falta de un medios para considerar factores que

170
5. Métodos de Interpolación

con carácter local condicionan los valores de variables climáticas como la lluvia y orografía
(Tobin et al., 2011).
La precipitación media sobre la cuenca se calculará según expresiones que dependen del
número N de celdas que pertenecen a la cuenca
Ec. 5-12. Estimación de la precipitación media areal desde una retícula regular

∑ P ( x, y) ⋅ ∆x ⋅ ∆y
i i i N
P= i =1
siendo A = ∑ ∆xi ⋅ ∆yi
A i =1

y Pi(x, y) la precipitación en la celda de resolución ∆xi y ∆yi.

5.6 INTERPOLACIÓN POLINÓMICA

La técnica de interpolación polinómica (Tabios y Salas, 1985; Abtew et al., 1993; Naoum y
Tsanis, 2004a) consiste en ajustar globalmente un polinomio de grado k función de las
coordenadas x e y, respecto a un origen de referencia. Se considera que la precipitación en un
punto de coordenadas (x, y) es combinación lineal de K+1 polinomios de orden i=0..K.
Ec. 5-13. Modelo de interpolación polinómica

K
P ( x, y ) = ∑ φ i · f i ( x, y )
i =0

El grado de los polinomios ha de ser bajo para evitar fluctuaciones en el ajuste (Gambolati y
Volpi, 1979). La siguiente expresión corresponde a un polinomio de grado 1, dependiente de
3 parámetros ai que se determinan en función de los datos conocidos.
Ec. 5-14. Precipitación en función de un polinomio de grado 1

P ( x, y ) = a1 + a 2 ⋅ x + a 3 ⋅ y
La utilización de polinomios de grado bajo implica obtener superficies suavizadas que, en el
caso de las lluvias, representan mejor una tendencia regional de los registros de lluvia (Naoum
y Tsanis, 2004a). Si lo que interesa es mejorar la precisión del ajuste, se puede optar por
transformaciones de los datos originales y hacer dependiente la fórmula anterior de residuos
transformados de la lluvia de los que se espera un comportamiento suavizado. Este puede ser
el caso de residuos obtenidos al filtrar media y varianza mensual. New et al (1998a y 1998b)
aplicaron para una serie de variables meteorológicas registradas en todo el mundo,
precipitación incluida, un proceso de interpolación mensual que trabajaba sobre los
logaritmos de los residuos una vez filtrada la media. Los logaritmos de los residuos se
interpolaban y, una vez deshecha la transformación, se componían con la capa media para dar
capas mensuales de la variables en cuestión. Sobre el mapa de medias se realizó un
tratamiento del efecto de la altitud en la precipitación.
Otra posibilidad que se tiene para la utilización de los polinomios en el ajuste de superficies
de precipitación es aplicar este esquema en subdominios del área de estudio. Es decir, ajustar
superficies a cada subdominio, en función de los datos de ese subdominio y de determinadas
condiciones de continuidad con los subdominios adyacentes, por ejemplo, continuidad de
primer y segundo orden.

171
5. Métodos de Interpolación

5.6.1 INTERPOLACIÓN DE LAGRANGE

Dados n puntos con datos de precipitación, se considera el sistema formado por la sustitución
de la precipitación registrada en cada punto con sus coordenadas (xj, yj) con el índice j de 1
hasta n en la ecuación polinómica. Cuando el número de puntos n es igual al número de
coeficientes de las funciones, K+1, el sistema es determinado con n ecuaciones y n
incógnitas. Utilizando una expresión matricial el vector de incógnitas queda como función de
la inversa de la matriz formada por los valores de los polinomios en los n puntos considerados
(Gambolati y Volpi, 1979).
Ec. 5-15.Interpolación de Lagrange

K n
∀j = 1..n : P ( x j , y j ) = ∑ φi · f i (x j , y j ) ⇒ F ·φ = P ⇒ φ = F · P ⇒ φi = ∑ α ij · P ( x j , y j )
−1

i =0 i =1

Si se quiere expresar la solución anterior en el formato de ponderación lineal, se sustituyen las

soluciones encontradas en la fórmula de interpolación polinómica (Tabios y Salas, 1985).
Ec. 5-16. Formulación polinómica en términos de ponderación lineal

K  n  n
K  n
P( x, y ) = ∑ ∑ α ij ·P( x j , y j ) · f i ( x, y ) = ∑ ∑α ij · f i ( x, y )·P( x j , y j ) = ∑ ω j ( x, y )·P( x j , y j )
i =0  j =1  j =1  i =0  j =1

Con un polinomio de grado 1, hay 3 incógnitas ai (i desde 1 hasta 3) que se ajustan conocida
la lluvia en 3 pluviómetros de la cuenca. El sistema de ecuaciones queda:
Ec. 5-17. Sistema de ecuaciones en una interpolación polinómica

n=3
∀j = 1..3 : P ( x j , y j ) = a1 + a2 ⋅ x j + a3 ⋅ y j
donde j recorre los pluviómetros existentes en la cuenca (1 a n, igual a 3). Gambolati y Volpi
(1979) destacan la necesidad de utilizar datos regularmente distribuidos en el espacio para
mejorar el ajuste de los polinomios.

5.6.2 CONDICIÓN DE MÍNIMOS CUADRADOS

El sistema anterior es determinado ya que combina el mismo número de incógnitas que de

registros. Sin embargo, con un alto número de datos el sistema resulta sobredimensionado. El
método de mínimos cuadrados (Gambolati y Volpi, 1979) resuelve por aproximación el ajuste
de una función al conjunto de registros. Para ello, se plantea un funcional como error
cuadrático o suma de las diferencias al cuadrado entre los valores estimados mediante la
función de ajuste y los registros. Los parámetros se obtienen al minimizar este funcional
respecto a ellos mismos.
Ec. 5-18. Error cuadrático

2
n
K 
e = ∑ ∑ φ i · f i ( x j , y j ) − P ( x j , y j ) 
j =1  i = 0 
Para minimizar este funcional, se igualan las derivadas parciales de los coeficientes φi a 0.

172
5. Métodos de Interpolación

Ec. 5-19. Sistema de ecuaciones por mínimos cuadrados

n K n
∂e
∀l = 0..K : = 0 ⇒ ∑∑ φ l · f i ( x j , y j )· f l ( x j , y j ) = ∑ f l ( x j , y j )·P ( x j , y j )
∂φ l j =1 i = 0 j =1

Al resolver:
Ec. 5-20. Pesos al resolver por mínimos cuadrados

n K
∀i = 0..K : φ i = ∑ β ij ·P( x j , y j ) ⇒ ω k ( x, y ) = ∑ β ik · f i ( x, y )
j =1 i =0

En el ejemplo con tres coeficientes, quedaría:

Ec. 5-21. Mínimos cuadrados sobre un ejemplo de polinomio bidimensional

n
e = ∑ ( P( xi , y j ) − (a1 + a 2 ⋅ x j + a3 ⋅ y j )) 2
j =1

∂e ∂e ∂e
=0 =0 =0
∂a1 ∂a 2 ∂a 3

5.6.3 SEGMENTACIÓN: SOLAPE Y SPLINES

La aplicación a territorios extensos, con abundante número de registros en los que el ajuste
polinómico encuentre dificultades para adaptarse a los variables gradientes de lluvia justifica
la segmentación del dominio de trabajo. Esta posibilidad alivia el esfuerzo y tiempo de
computación, proporcional al cubo del número de datos a interpolar, n3. Además, da más peso
a la información local y filtra la extrapolación de información que a grandes distancias dejan
de tener interés, pero necesita de la imposición de condiciones de ajuste entre los segmentos.
La condición de ajuste básica consiste en imponer no solamente el ajuste a los registros de
cada subdominio de trabajo, sino también la continuidad entre los ajustes de subdominios
contiguos y, si se precisa, en las derivadas y en la suavidad de la transición. Este es el
fundamento del ajuste mediante polinomios segmentados o splines (Naoum y Tsanis, 2004a).
Operativamente tiene ventajas la interpolación con solapes entre subdominios. Para ello se
ajustan los polinomios al conjunto de puntos formado por los de cada subdominio más los
incluidos en una ventana 3x3. El algoritmo Franke (Mitasova y Mitas, 1993) considera una
subdivisión tal que el número de datos disponible en el conjunto 3x3 es inferior a un máximo,
kmáx, y superior a un mínimo en cada subdominio, kmín, por debajo del cual, se amplia la
ventana de búsqueda. El orden de magnitud de estos parámetros está entre 300 para el primero
y 200 para el segundo.

Figura 107. Ejemplos de interpolación de splines bilineales (izqda.) y bicúbicos (drcha.)

173
5. Métodos de Interpolación

5.6.4 PLANTEAMIENTO VARIACIONAL

Los polinomios de grado alto no se suelen utilizar directamente como funciones de

interpolación porque imponen falsas oscilaciones de la superficie interpolada. El modelo de
mínimos cuadrados resuelve el ajuste utilizando como condición los errores entre la superficie
interpolada y los registros. El planteamiento variacional enfoca el problema imponiendo una
condición de suavidad en el ajuste de funciones, no necesariamente polinómicas. Una técnica
que permite la utilización de estos ajustes suavizados es la de las funciones Thin Plate
Splines, TPS. Creutin y Obled (1982) recogen la aplicación de una condición de suavización
basada en la minimización de un funcional expresión de la curvatura media de una superficie.
El funcional de curvatura depende de los n puntos dato bajo índice i=1..n y de los parámetros
de las funciones seleccionadas.
Ec. 5-22. Condición de minimización por suavidad

n
∂ n
 2
s ∂2s ∂2s 
∑ [∇s( xi , yi )]2 =∑  2
+ 2· + 
∂x∂y ∂y 2  x = x ; y = y
i =1 i =1  ∂x i i

n
s ( x, y ) = α + β ·(x, y ) + ∑ φ i ·k (( x, y ), ( xi , yi ))
i =1
2 2
k (( x, y ), ( xi , y i )) = ( x, y ) − ( xi , y i ) ·log ( x, y ) − ( xi , y i )
El procedimiento TPS es físicamente equivalente al problema de la deformación de una placa
sometida a un conjunto de esfuerzos. La superficie deformada se obtiene bajo condición de
energía mínima de deformación. Inicialmente, los términos del funcional están constituidos
por expresiones dependientes de la segunda derivada relacionadas con la curvatura, pero
debido a los problemas de ajuste con fuertes gradientes en los datos, se añaden otros términos
al funcional a minimizar (Mitas y Mitasova, 1988; Mitasova y Mitas, 1993; Hofierka et al.,
2002):
• Términos en primera derivada resultando los métodos denominados TPS con tensión
• Términos en terceras derivadas o TPS regulares con tensión
• Finalmente, términos en cualquier orden de derivación o CRS o RST
La función s(x,y) se compone de una tendencia lineal de primer orden, que no aporta términos
en la curvatura al no tener derivadas de segundo orden, más una serie de funciones escogidas
en función del grado de derivación incluido en el funcional. En Mitasova y Mitas (1993),
Mitasova y Hofierka (1993) y Hofierka et al. (2002) se usan funciones radiales y
exponenciales. Si x pasa a representar el vector de coordenadas (x, y), la función T(x) a la
tendencia y R(x) al conjunto de funciones radiales y ri a la distancia entre el punto de
estimación x de coordenadas (x, y) y cada dato en xi de coordenadas (xi, yi), y ϕ un parámetro
denominado de tensión
Ec. 5-23. Superficie de ajuste

n    ϕ · ri 2  2
n
 ϕ·r 2
  
s( x ) = T ( x) + ∑φi ·R( x, xi ) = a1 + ∑ φi ·− e 
+ ln  i   + 0.577215 
2
i =1 i =1      

174
5. Métodos de Interpolación

El término de error a minimizar es función de la suma del error de ajuste, diferencia

ponderada entre datos registrados y estimados por interpolación, y una condición de suavidad
en derivadas de varios órdenes, I(s)
Ec. 5-24. Funcional de error bajo condición de suavidad

∑ (P − s(x ))
2
i i ⋅ ωi + I ( s)·ω0
i =1

El sistema de ecuaciones permite resolver las n+1 incógnitas, φj y a1. El cociente

ωo
ω j es el
parámetro de suavidad, que controla el grado de ajuste entre la superficie interpolada y el
registro,
Ec. 5-25. Ajuste bajo condición de suavidad en función de los parámetros tensión y suavidad

para i = 1..n
   ϕ · ri , j  2   ϕ ·r  
 
n 2
 ω 
a1 + ∑ φ j ·− e + ln  i , j   + 0.577215 + δ i , j · o  = Pi
2 
 2 
j =1     

ωj 

N

∑φ
j =1
j =0

La resolución del sistema de ecuaciones puede dar problemas de resolución, bien por falta de
convergencia o por elevados tiempos de proceso. En el caso de las lluvias, los gradientes y
curvaturas importantes provocan problemas de ajuste de campos de precipitación (Creutin y
Obled, 1982). En el SIG-GRASS (GRASS Development Team, 2008; Neteler y Mitasova,
2004), el comando de interpolación, rst, se ha implementado con el Algoritmo Franke
(apartado 5.6.3) para evitar problemas con grandes volúmenes de información. Los
parámetros del modelo a calibrar son la suavidad, ω o smooth, y la tensión, ϕ o tension.
Hofierka et al. (2002) refieren valores de los parámetros de tensión aplicados a lluvias anuales
entre 50 y 100; los de suavizado en 0,1. Las siguientes figuras (Figura 108 a Figura 110)
ilustran la sensibilidad de los parámetros tensión y suavidad del modelo TPS. La Figura 108
representa un corte transversal de 4 superficies ajustadas con distintos valores del parámetro
suavidad. Éste influye en la desviación vertical del ajuste entre la superficie interpolada y el
dato. Cuando es nulo, la superficie pasa por los registros. Valores altos hacen que las
superficies tiendan al valor medio constante.

175
5. Métodos de Interpolación

140.0

120.0
(mm)
100.0
Precipitación

80.0
mm

60.0
s0
S=0
s1
S=1
40.0
s10
S=10
s100
S=100
20.0
Registro
Puntos
Cercano
Puntos cercanos
0.0
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
21000
22000
23000
24000
25000
26000
27000
28000
29000
30000
31000
32000
33000
34000
35000
36000
Distancia (m)

Figura 108. Corte transversal de superficies con distintos valores del parámetro suavidad

El parámetro tensión se relaciona con la distancia de influencia. La Figura 109 representa dos
superficies ajustadas con distintos valores del parámetro tensión. Con valores más bajos, las
superficies resultantes son de tipo placa y mayores son las distancias de influencia o alcance;
los valores altos dan superficies tipo membrana, pero alcances menores, con curvaturas altas
en las proximidades de los puntos.

Tensión 50; suavidad, nula. Placa Tensión 100; suavidad, nula. Membrana

Figura 109. Sensibilidad al parámetro tensión con suavidad nula

La Figura 110 muestra un corte trasversal de distintas superficies ajustadas con valor nulo del
parámetro suavidad, pero distintos valores del de tensión. Los valores bajos del parámetro
tensión producen inestabilidades en la resolución del sistema de ecuaciones.

176
5. Métodos de Interpolación

190.0 t10s0
t=10
t50s0
t=50
170.0 t100s0
t=100
(mm)
t1000s0
t=1000
150.0 Puntos
Registro
Precipitación

Cercano
Puntos cercanos
130.0
mm

110.0

90.0

70.0

50.0
0
1000
2000
3000
4000
5000
6000
7000
8000
9000
10000
11000
12000
13000
14000
15000
16000
17000
18000
19000
20000
21000
22000
23000
24000
25000
26000
27000
28000
29000
30000
31000
32000
33000
34000
35000
36000
Distancia (m)

Figura 110. Corte transversal de las superficies con distintos valores del parámetro tensión

Hutchinson (1998a y 1998b) realiza, dentro de los trabajos del Spatial Interpolation
Comparison 97 (Dubois et al., 1998), la interpolación de los datos diarios de 100
pluviómetros de Suiza mediante thin plate splines con una transformación previa de los datos.
Esta transformación previa es de raíz cuadrada para suavizar el sesgo positivo de la muestra.
En la interpolación se añade un tratamiento integrado del efecto de la topografía y variables
relacionadas como pendiente y orientación. La aplicación del método thin plate spline
realizada es como sigue:
1. Filtrado de la información redundante. La existencia de registros próximos con valores
de precipitación transformada diferentes dificulta el ajuste de la superficie continua.
Se aplica entonces un procedimiento iterativo que calcula el error estimado entre
punto y la superficie de ajuste. Superado un umbral, el registro se retira. A la vez que
se van retirando, se comprueba cómo la distancia mínima entre puntos en los que se
registra este efecto aleatorio.
2. La solución del procedimiento anterior es de compromiso. En el problema planteado
se retiró un 10% de los registros y una distancia mínima entre estos de 7,3 km.
3. La consideración de topografía y otras variables como la pendiente y orientación
derivadas de un MDE se realiza de forma integrada mediante polinomios que trabajan
explícitamente con estas variables. Así se exponen los siguientes procedimientos:
a. polinomio bivariado sobre las coordenadas f(x, y)
b. el trivariado parcial en el que el spline se representa mediante una función f(x,
y) al que se añade la influencia constante de la elevación: f(x, y) + a·h
c. el trivariado f(x, y, h) donde la influencia de la elevación es variable
d. el pentavariado parcial f(x, y, h) + a·p + b·q en el que la influencia de la
pendiente y orientación es constante y variable de la elevación
e. el tetravariado f(x, y, p, q); donde la influencia de la pendiente y orientación es
variable en el espacio, sin dependencia explícita de la altitud

177
5. Métodos de Interpolación

Varios autores destacan la equivalencia o incluso las mejoras de este procedimiento respecto
al krigeado. Hofierka et al. (2002) y Hargrove (1997) utilizan los RST y señalan como ventaja
formal respecto al krigeado el que el ajuste mediante splines no necesita de una calibración
externa de parámetros como ocurre con el semivariograma, del que hay que definir tipo,
efecto pepita, rango y alcance previamente al proceso de krigeado. Hargrove (1997) añade
que el RST no hace ninguna hipótesis de estacionariedad y que con sucesivos órdenes se hace
suficientemente flexible para adaptar la lluvia a una variabilidad condicionada no solamente a
la altitud sino también a las componentes de viento dominantes y de la carga de humedad,
situaciones en la que el cokrigeado es una pobre elección.

5.7 FORMAS CUADRÁTICAS

La interpolación mediante formas cuadráticas se realiza suponiendo que en cada punto se
pondera la contribución de N formas cuadráticas con su centro o vértice en el punto de medida
(Tabios y Salas, 1985; Abtew et al., 1993; Borga y Vizzaccaro, 1997; García et al. 2008). La
función de ponderación de la variable precipitación o su transformada se expresa como:
Ec. 5-26. Ponderación mediante formas cuadráticas

N
P ( x, y ) = ∑ ci · g ( xi , yi )
i =1

siendo N el número de puntos cercanos, g(xi, yi) una función cuadrática dependiente de la
distancia entre el punto donde se estima la variable en cuestión, (x, y), y el punto con dato (xi,
yi); ci son coeficientes de ponderación que se calculan planteando el siguiente sistema que
relaciona los datos registrados con los resultados de la ponderación utilizando formas
cuadráticas. Tomando un número de puntos cercanos igual al de parámetros a determinar,
queda
Ec. 5-27. Sistema de ecuaciones de interpolación cuadrática y expresión matricial

N
∀j = 1..N : Pj = ∑ ci · g ij ⇒ P = G·C ⇒ C = G ·P ⇒
−1

i =1
N N N N
N 
⇒ ci = ∑ hij ·Pj ⇒ Po = ∑ ∑ hij ·Pj · g oi = ∑ ∑ hij · g oi ·Pj
j =1 i =1 j =1 j =1  i =1 
En Borga y Vizzaccaro (1997) se recoge la recomendación de Moore et al (1989), según los
cuales la formulación se extendía a un parámetro adicional de ajuste b para controlar un
crecimiento o decrecimiento excesivo de la pendiente de la superficie interpolada
Ec. 5-28. Ponderación mediante formas cuadráticas

N
P ( x, y ) = ∑ ci · g (xi , yi ) + b
i =1
N

∑c
i =1
i =0

Las formas cuadráticas utilizadas son las de un cono y de un hiperboloide, ya que el

paraboloide plantea problemas de resolución de la matriz por no ser definida positiva. En el

178
5. Métodos de Interpolación

caso del cono, los términos gi coinciden con la distancia. En el caso de un hiperboloide
aparece una constante más, a, cuyo valor óptimo coincide aproximadamente con la mitad del
factor de escala horizontal según recoge Borga y Vizzaccaro (1997) de Lee et al. (1974).
Ec. 5-29. Expresión de las formas cuadráticas del cono e hiperboloide

gi = (xi − x )2 + ( yi − y )2
2 2
g i = a 2 + ( xi − x ) + ( yi − y )

5.8 REGRESIÓN LINEAL MÚLTIPLE Y VENTANAS MÓVILES DE

REGRESIÓN
El modelo PRISM (Daly et al., 1994) descrito anteriormente (apartado 2.3.2) utiliza un
esquema de regresión basado en la elevación y orientación del terreno para estimar la
precipitación. Desestima el uso del krigeado en cualquiera de sus formas porque las relaciones
entre lluvia y altitud son variables en grandes territorios. Marquínez et al. (2003) utilizan
variables relacionadas con la orografía, distancia desde la costa, distancia desde el oeste por
ser la dirección predominante de entrada de los frentes y un parámetro regional dependiente
de la altitud y la pendiente para plantear un modelo de regresión múltiple en Asturias. La
siguiente ecuación expresa los términos de este ajuste en función de un número n-1 de
variables zi consideradas. Las técnicas de ajuste y el planteamiento teórico son similares a los
ajustes de funciones polinómicas expuestas anteriormente. La aplicación de un modelo de este
tipo permite obtener un único índice de ajuste al considerar la superficie de ajuste y los
errores respecto al dato.
Ec. 5-30. Expresión de la ecuación de regresión múltiple

n
P ( x, y ) = ∑ ai · zi
i =0

Guan et al. (2005) incorporan ecuaciones de regresión múltiple en función de las coordenadas
x e y, la altitud, dirección de entrada del frente húmedo (supuesta invariable a escala mensual)
y la orientación del terreno, pero corrigen el resultado final interpolando los residuos del
ajuste mediante krigeado. Ninyerola et al. (2005, 2007a, 2007b) describe la misma línea de
trabajo basada en regresión múltiple con corrección de residuos. Las variables regresoras son
la altitud, la latitud, la continentalidad que, a su vez, considera diferentes funciones de
distancia al mar, la curvatura del terreno y la radiación solar.
Un problema a destacar de este método es la indefinición sobre el grado de representatividad
local o regional de las variables implementadas. Por ejemplo, Daly et al., (1994) y Guan et al.
(2005) se discute sobre qué resolución de trabajo tomar para representar adecuadamente la
influencia del entorno en la estimación de lluvia ya que la influencia de parámetros como la
orientación es en parte local y en parte regional. El modelo PRISM (Daly et al., 1994)
considera celdas desde 6 a 9 km de resolución a los 2 km con una serie de filtros de
suavización intermedios. Guan et al. (2005) usan para el cálculo de las orientaciones celdas
entre 3 y 9 km, recomendando un valor intermedio de 5 km.

179
5. Métodos de Interpolación

Si las regresiones se plantean desde cada celda, se tiene un método de interpolación

distribuido que en la bibliografía se define como regresión local o en ventanas móviles. El
fundamento de este procedimiento adapta la selección de información mediante medias
móviles al uso de una ecuación de regresión en cada celda en la que se plantee el uso de
variables como la altitud con un carácter predictivo (Daly et al., 1994; Naoum y Tsanis,
2004b; Lloyd, 2005). Los coeficientes son particulares de cada celda por lo que la ejecución
de este modelo en territorios extensos resulta costosa en relación a los tiempos de proceso. En
los términos más sencillos:
Ec. 5-31. Expresión de la recta de regresión lineal

P ( x , y ) = a· z + b

Siendo z la altitud en msnm, P(x, y) la precipitación y a y b los coeficientes de la ecuación de

regresión, particulares del punto de coordenadas (x, y) y variables con la estación climática y
tipo de lluvia (Daly et al., 1994; Naoum y Tsanis, 2004b; Lloyd, 2005).

5.9 INTERPOLACIÓN ÓPTIMA

5.9.1 FUNDAMENTOS

Los métodos estocásticos de interpolación óptima consideran eventos de una variable

aleatoria, precipitación o su transformada, en el dominio dos dimensiones (x, y). La
estimación de valores y de su distribución espacial se apoya en el análisis del grado de
continuidad espacial de la variable. Esta estructura se representa mediante modelos teóricos
de correlación, covarianzas, correlogramas o semivariogramas, dependientes de la distancia y
extraídos del análisis de la muestra de información. Establecida la estructura de dependencia
espacial, se determinan los coeficientes de la fórmula de ponderación lineal aplicando dos
condiciones: el estimador debe ser insesgado y la varianza del error del modelo, mínima.
Las primeras referencias sobre la interpolación óptima son de Gandin (1965)25 y Belousov et
al. (1971)26 según Tabios y Salas (1985). Su fundamento (Chua y Bras, 1982; Chirlin y
Wood, 1982; Tabios y Salas, 1985; Abtew et al., 1993) consiste en la minimización de la
varianza del error, suponiendo que todos los puntos del plano tienen la misma función de
distribución y que la relación entre ellos se representa mediante una distribución dependiente
de la distancia. El error de la estimación en un punto de coordenadas (xo, yo) es diferencia
entre el valor estimado y el registrado, tal como se expresa a continuación:
Ec. 5-32. Error en la estimación en un punto de coordenadas (xo, yo)

R ( xo , yo ) = ∑ ωi ⋅ Pi − P ( xo , yo )
∀i

siendo i el índice de cada uno de los datos utilizados para estimar el valor en (xo, yo); P(xo, yo)
es el valor registrado de precipitación o cualquier otra variable. La esperanza del error bajo la

25
Gandin, L.S., 1965. Objective Analysis of Meteorological Fields, traducido del ruso por R. Hardin, en Israel
Program for Scientific Translation, Jerusalem. 242 pp
26
Belousov, S.L.; Gandin, L.S. y Mashkovich, S.A. 1971. Computing Processing of Meteorological Data. Israel
Program for Scientific Translation, Jerusalem. 210 pp.

180
5. Métodos de Interpolación

condición de estacionariedad es nula, tal como se comprueba en la siguiente expresión al

añadir la condición de sesgo nulo cuando la esperanza de la variable no es nula.
Ec. 5-33. Esperanza del error. Interpolación óptima

 
E [R( xo , yo )] = E ∑ ωi ⋅ Pi − P( xo , yo ) = ∑ ωi ⋅ E [P ] − E [P ]
 ∀i  ∀i
Ec. 5-34. Condición de sesgo nulo. Interpolación óptima

E [R( xo , yo )] = 0 ⇒ ∑ ωi ⋅ E [P ] − E [P ] = 0 ⇒ ∑ ωi = 1
∀i ∀i

Según Creutin y Obled (1982), en el original de Gandin (1965) la condición de error

insesgado no es necesario plantearla sobre los pesos ya que el procedimiento de interpolación
se plantea sobre los residuos y la esperanza sería nula.
La varianza del error de estimación, Var[R(xo, yo)], depende de las covarianzas dos a dos
entre los datos, Covij, y de los datos con el punto de estimación, Covoi, dependientes a su vez
del modelo función de distribución conjunta, función de la distancia. La minimización de la
varianza, conduce a hallar los valores de los pesos ωi con los que se estima el valor P(xo, yo)
en función de los Pi.
Ec. 5-35. Varianza del error. Interpolación óptima

n n n
Var[R( xo , yo )] = ∑ ∑ ωi ·ω j Covij + Var (Po ) − 2·∑ ωi ·Covoi
i =1 j =1 i =1

Para minimizar el término de varianza dependiente de los n pesos con la condición de

sumatorio de pesos igual a la unidad hay que formar un Lagrangiano y añadir un parámetro
más.
Ec. 5-36. Minimización del Lagrangiano. Interpolación óptima

n n n
 n 
L = ∑ ∑ ωi ·ω j Covij + Var (Po ) − 2·∑ ωi ·Covoi + 2·µ ·∑ ωi − 1
i =1 j =1 i =1  i =1 
∂L
∀i = 1..n : = 0 ⇒ ∑ ω j ·Covij − Covoi + µ = 0
∂ωi
de donde se obtiene un sistema de ecuaciones cuya expresión matricial es:
Ec. 5-37. Sistema de ecuaciones en la interpolación óptima

C11 .. C1n 1 ω1  C 01 

 .. .. .. 1  ..   .. 
 · =
C n1 .. C nn 1 ω n  C on 
    
 1 1 1 0  µ   1 
Donde los términos de covarianza han de ser los del modelo impuesto ya que no se pueden
conocer los del punto que se está estimando. Si no se hubiera considerado la condición sobre

181
5. Métodos de Interpolación

los pesos, el sistema anterior tendría dimensión n, sin la última fila y columna de la matriz
principal.
El krigeado es un estimador lineal insesgado por lo que también responde al acrónimo BLUE
(Best Linear Unbiased Estimator). Es lineal porque las estimaciones se realizan a través de
combinaciones lineales de los datos. Es insesgado al imponer como condición que el error
residual medio debe hacerse nulo y es el mejor puesto que minimiza la varianza del error. Por
tanto, se basa en los mismos principios expuestos anteriormente, pero la herramienta de
simulación de la estructura espacial de la variable no son las covarianzas, sino el
semivariograma. El krigeado implica y englobaría una primera fase de análisis geoestadístico
de los datos para detectar interdependencias entre las series de datos y ajustar un modelo
teórico de covarianzas a través de un semivariograma.
Además de la distancia, el semivariograma permite introducir la dirección y anisotropías de
procesos físicos. Se pueden definir semivariogramas en función de distintas direcciones de
continuidad espacial. Para ello se considerarán únicamente aquellos puntos separados por una
distancia h en cada dirección, estimando γ(h) y rehaciendo la interpolación adecuadamente.
El krigeado se ha presentado bajo la premisa de estacionariedad. Esta ha de ser al menos local
y la forma de tratarla o de poder respetar tendencias en los datos, añadirlas en la estructura u
otras variables explicativas, hace que aparezcan diversas formas de krigeado. Así se habla
desde el presentado krigeado simple, ordinario, cokrigeado y del krigeado con deriva al
imponer una estructura subyacente a los datos, deriva, tratada como una función determinista
que contiene la información sobre la tendencia, etc. Consideraciones adicionales hacen que
estos grupos se subdividan dando lugar a una familia de técnicas más amplia, tal como se
exponen con detalle en los apartados siguientes.
La geoestadística proporciona un conjunto de herramientas estadísticas para incorporar la
estructura espacial en el análisis de datos, interpolación y simulación de fenómenos naturales
(Gómez-Hernández, 1996). Frente a otro tipo de modelos de interpolación, obtiene una
medida de la incertidumbre que, en todo caso, depende del modelo supuesto de estructura
espacial (Gambolati y Volpi, 1979). Desde el punto de vista geoestadístico, el medio se
representa por un modelo probabilístico. Los valores registrados constituyen una realización y
los atributos en puntos sin medida se estiman con un nivel de incertidumbre asociado. Sin
información registrada, la incertidumbre es máxima y equiprobable en todos los puntos del
dominio y se reduce si se consideran los valores registrados y la estructura de dependencia
espacial del fenómeno natural. Esta estructura de dependencia espacial se infiere del análisis
de la muestra sobre la que se ajusta un modelo representativo de la población subyacente. Es
decir, el fenómeno natural se analiza mediante funciones aleatorias bajo la hipótesis de que
cada realización está compuesta por una componente determinista o estructurada y otra
aleatoria o errática.
Debido a la linealidad de la formulación y a la posibilidad de incorporar variables secundarias
(Gómez-Hernández, 1996), así como a la posibilidad de generar series sintéticas y simular
procesos, la geoestadística se ha aplicado en hidrología con diferentes objetivos entre los que
se citan la interpolación de variables hidrológicas como la precipitación, temperatura o
evapotranspiración (Chua y Bras, 1982; Creutin y Obled, 1982; Bras y Rodríguez-Iturbe,
1985; Tabios y Salas, 1985; Dingman et al. 1988; Abtew et al. 1993; Martínez-Cob, 1996;
Borga y Vizzaccaro 1997; Holawe et al. 1999; Goovaerts, 2000; Tobin et al., 2011), a la
estimación de campos de precipitación combinando la procedente del radar y la pluviométrica

182
5. Métodos de Interpolación

(Krajewski, 1987; Seo et al., 1990a y 1990b; Cassiraga y Gómez-Hernández, 1996a y 1996b),
al completado de información hidrológica (Teegavarapu, 2006), al diseño de redes de medida
(Rodríguez-Iturbe y Mejía, 1974) dada la estimación de incertidumbre, a la derivación de los
MDE (Weber y Englund, 1992 y 1994) y a la estimación de niveles piezométricos, la
parametrización de modelos de aguas subterráneas y a la resolución del problema inverso
(Gambolati y Volpi, 1979; Volpi et al., 1979; Samper y Carrera, 1990). Gambolati y Volpi
(1979) también destacaron algunos aspectos negativos de su uso como la similitud del modelo
de interpolación con modelos deterministas (Tabla 11), su escasa fundamentación física y las
dificultades para manejar los términos conceptuales involucrados y la deriva o tendencia.

5.9.2 DEPENDENCIA ESPACIAL Y SEMIVARIOGRAMAS

La estructura de dependencia espacial entre los valores de dos puntos del dominio se
incorpora mediante tres tipos de funciones. La función de covarianza mide el grado de
asociación entre dos variables y está representada por la esperanza del producto de las
variables. Si u1 y u2 son vectores de dos puntos distintos, m(u1) y m(u2), las medias de la
variable en esos puntos y Z(u1) y Z(u2), el valor de las variables,
Ec. 5-38. Función de covarianza

Cov(u1 , u2 ) = E[(Z (u1 ) − m(u1 ) )(

· Z (u 2 ) − m(u2 ) )] = E [Z (u1 )·Z (u2 )] − m(u1 )·m(u 2 )
Una segunda función es el semivariograma, que es una medida de las diferencias en función
de la distancia.
Ec. 5-39. Función semivariograma

1 1
[
γ (u1 , u2 ) = ·Var [(Z (u1 ) − Z (u 2 ) )] = ·E (Z (u1 ) − Z (u 2 ) − m(u1 ) + m(u2 ) )2
2 2
]
La tercera es la función de correlación, procedente de la estandarización de las covarianzas
por las desviaciones típicas.
Ec. 5-40. Función de correlación

Cov(u1 , u 2 )
ρ (u1 , u2 ) =
σ (u1 )·σ (u2 )
En la práctica se necesita trabajar con hipótesis que simplifiquen el problema de la estimación
de variables. Una primera hipótesis se basa en suponer que hay homogeneidad y que todos los
puntos del espacio tienen la misma distribución de frecuencias aleatoria. En sentido general,
supondría la invariancia del modelo para cualquier traslación de un vector h, pero
normalmente se restringe el significado de estacionariedad a la invariancia de los dos
primeros momentos y de las relaciones que ligan los puntos dos a dos. Es decir, se trabaja
conforme a la estacionariedad de segundo orden, en medias, varianzas y covarianzas,
1. La esperanza de la variable Z(u) existe y no depende de la posición u.
Ec. 5-41. Estacionariedad en medias

∀u : E[Z (u )] = m

183
5. Métodos de Interpolación

2. La covarianza de cualquier pareja de variables aleatorias separadas por un vector h

existe y solo depende del vector h. La estacionariedad de las covarianzas implica la de
las varianzas con separación nula.
Ec. 5-42. Estacionariedad en las covarianzas

C (Z (u ), Z (u + h) ) = C (h )
En un proceso estacionario de segundo orden, el semivariograma y la covarianza solo
dependen de la separación entre dos puntos. Ambas magnitudes están relacionadas mediante
la varianza como se describe a continuación,
Ec. 5-43. Relación entre semivariograma y covarianzas bajo la hipótesis de estacionariedad

1 1
[ ] [
γ (h) = ·E (Z ( x + h) − Z ( x) )2 = ·E (Z ( x + h) − m − Z ( x) + m )2 =
2 2
]
1
2
[ 2 2
= · E (Z ( x + h) − m ) + (Z ( x) − m ) − 2·(Z ( x + h) − m )(
· Z ( x) − m ) = ]
= Var ( x) − C (h)
En procesos en los que la media varía lentamente, se admite que el semivariograma definido
en función de la esperanza de la diferencia al cuadrado de dos variables separadas una
distancia h es independiente del valor local de la media, ya que en el semivariograma la
diferencia de medias es reducida. No es así en el caso de la covarianza, ya que esta última
depende del producto de las medias.
Hay fenómenos sin varianza, pero cuyo semivariograma sí existe. En los problemas de
estimación que trata la geoestadística, es suficiente con que se cumpla la condición de función
aleatoria intrínseca, es decir, que sea estacionaria en la variable derivada por incrementos. En
función de los incrementos considerados, k incrementos necesarios para lograr la
estacionariedad, la esperanza y la varianza existen y son independientes del vector u. Se habla
entonces de funciones aleatorias intrínsecas de orden k y se define una cuarta función que
represente la continuidad espacial de la variable, pero no sobre los incrementos, sino sobre
estas combinaciones necesarias para lograrla. Sería la covarianza generalizada. Se trata de
una técnica aplicable cuando sobre la variable no se puede suponer la estacionariedad de las
medias (Chua y Bras, 1982; Seo et al. 1990a y 1990b; Samper y Carrera, 1990).
La función semivariograma es la que normalmente se utiliza en geoestadística en el ejercicio
de inferencia. Da menos problemas de identificación que la función de covarianzas (Samper,
1990), que sí aparece explícitamente a la hora de resolver los sistemas de interpolación por
krigeado. A partir de los semivariogramas experimentales, se ajusta un modelo continuo de
dependencia espacial, cuyas posibilidades de elección están restringidas a unos cuantos
modelos que evitan problemas de inestabilidad de los sistemas de ecuaciones en que se
formula el krigeado (Isaaks y Srivastava, 1989; Samper y Carrera, 1990; Goovaerts, 2000).
Son, en todo caso suficientes, para representar la continuidad de la mayoría de fenómenos
naturales. Siendo a, el alcance o distancia representativa de la máxima continuidad espacial y,
b, la meseta o varianza del fenómeno, los modelos de semivariograma más usuales son los
siguientes:
1. Modelo pepita o discontinuidad en el origen por errores de medición o discontinuidad
del medio

184
5. Métodos de Interpolación

Ec. 5-44. Semivariograma modelo pepita

0, h = 0
γ ( h) = 
b, resto
2. Modelo lineal. Representa un crecimiento lineal del semivariograma
Ec. 5-45. Semivariograma modelo lineal

a·h, a·h < b

γ ( h) = 
b, a·h ≥ b
3. Modelo esférico. Aplicable a fenómenos continuos
Ec. 5-46. Semivariograma modelo esférico

  h h 
3

b·1,5·  − 0,5·  , h < a

γ (h) =    a   a  

b, h ≥ a
4. Modelo exponencial. Alcanza la meseta de manera asintótica y se toma como alcance
la distancia con la que se logra el 95% de la meseta. Da una menor pendiente en el
origen respecto al caso anterior
Ec. 5-47. Semivariograma modelo exponencial

 −  
 h

γ (h) = b· 1 − e  a  

 
 
5. Modelo Gaussiano. También con el alcance en el 95% de la meseta. Se aplica a
fenómenos continuos y de evolución suavizada
Ec. 5-48. Semivariograma modelo Gaussiano

 
2
h
− 
γ (h) = b·1 − e  a  
 
 
6. Modelo monomial, con el exponente menor que dos para no dar problemas de
estabilidad. Se aplica a fenómenos fractales
Ec. 5-49. Semivariograma modelo monomial

γ (h) = b·hθ
θ ∈ (0,2 )
7. Combinaciones lineales de semivariogramas bajo el principio de superposición
Ec. 5-50. Semivariograma combinación lineal

L
γ (h) = ∑ α l ·γ l (h)
0

185
5. Métodos de Interpolación

100000

Semivariograma
90000

80000

70000

60000

50000

40000

30000 Semivariograma muestral

Modelo lineal
20000 Modelo esférico
Modelo exponencial
10000 Modelo gausiano
Modelo monómico
0
0 15000 30000 45000 60000 75000 90000 105000 120000 135000 150000

Distancia

Figura 111. Semivariograma experimental y modelos teóricos

La climatología y los factores fisiográficos como la presencia del mar, la orografía y la

estación climática y tipos de tormentas asociados tienen influencia en la falta de
estacionariedad, en la anisotropía de los patrones de lluvia y, en definitiva, sobre la estructura
y continuidad espacial de la lluvia, lo que condiciona la selección de los semivariogramas
(Bacchi y Kottegoda, 1995). Journel y Huijbregts (1978), al respecto de la caracterización de
la continuidad espacial mediante semivariogramas indican:
1. Las discontinuidades que se dan en variables climáticas como consecuencia de un
cambio de características en una corta distancia hacen mayor el efecto pepita y la
variabilidad del fenómeno. Este efecto es típico entre las laderas de montañas, donde
para la misma altitud, los fenómenos climáticos son distintos, así como la estructura de
dependencia espacial.
2. Existen factores que en el territorio aparecen con cierta regularidad y alternancia, lo
que hace que en ciertos intervalos de la distancia, los valores se hagan más similares
respecto a otros. Esto se refleja en los semivariogramas como ciclos y ondas. Un
ejemplo típico relacionado con la orografía es el que puede producir la alternancia en
la orientación de las laderas (favorable, en sombra) respecto a la entrada de frentes
húmedos, tal como se aprecia en la Figura 111, donde se comprueba cómo los puntos
del semivariograma muestral dan una onda evolucionando en la distancia.
3. Las anisotropías también aparecen en los fenómenos naturales. La lluvia tiende a ser
mayor conforme aumenta la altitud, lo que hace que los valores sean más similares en
la dirección transversal al ascenso. Este efecto deriva en la anisotropía del fenómeno
asociado a la orografía.
El semivariograma experimental se calcula con la muestra. Generalmente, se registran de
forma dispersa, lo que hace que este semivariograma sea discreto. Para cada paso (distancia)

186
5. Métodos de Interpolación

h, el semivariograma tiene la siguiente expresión, siendo N(h) el número de pares de puntos a

una distancia h y Z(u) el dato de la variable en las localicaciones u y u+h,
Ec. 5-51. Definición de semivariograma muestral

1 N (h)
· ∑ (Z (u + h) − Z (u ) )
2
γ ( h) =
2· N (h) 1

Con esta expresión se obtienen una serie de valores muestrales del semivariograma función de
h. Estos valores aparecen como una nube de puntos en un diagrama (h, γ(h)) como el de la
Figura 111. Sobre esta nube de puntos se ajusta un semivariograma continuo, teórico,
representativo de la dependencia espacial de las variables en estudio.
Considerando la lluvia estocástica en el territorio, una tormenta se considera como la
realización de ese proceso. Bajo la hipótesis de ergodicidad, se estiman los parámetros del
modelo, medias, varianzas y covarianzas en función de esta única realización. Si se dispone
de un conjunto de realizaciones, el problema del ajuste del semivariograma también se enfoca
a través de la unión de éstas (Bacchi y Kottegoda, 1995). Con un total de M realizaciones, el
semivariograma experimental se calcula como,
Ec. 5-52. Semivariograma experimental y media con realizaciones múltiples

M N (h)
1
·∑ ∑ (Z j (ui + h) − Z j (ui ) )
2
γ ( h) =
2·M · N (h) j =1 i =1
1 M N
m* = ·∑∑ Z j (ui )
M · N j =1 i=1
Que se asume constante para el total de realizaciones disponibles.

5.9.3 VALIDACIÓN Y OPTIMIZACIÓN

Los parámetros de los que dependen los semivariogramas, el tipo elegido, el grado de
anisotropía o el esquema de interpolación son susceptibles de optimización en función de
diferentes criterios cuantitativos y gráficos que permitan la apreciación personal y subjetiva
que dé validez a un ajuste.
El procedimiento de calibración cruzada (Isaaks y Srivastava, 1989) consiste en evaluar el
error en cada punto de registro respecto a la superficie ajustada con el resto de registros. Del
error en cada punto, se deriva un estadístico global que caracteriza la calidad del ajuste. Este
procedimiento se aplica sobre todos y cada uno de los datos, es decir, realizando tantas
interpolaciones como datos se tengan, retirando de cada una de ellas un solo valor real del
grupo, interpolando y calculando el error a ese dato. Una técnica alternativa y que no consume
tantos recursos consiste en elaborar los términos de error con una única interpolación, de la
que se han retirado un porcentaje de datos escogidos aleatoriamente o clases de información
seleccionada por cumplir una condición.
Siendo ei la diferencia entre el valor registrado y el obtenido por interpolación utilizando el
resto de valores de la muestra, se usan los siguientes términos de error (Chua y Bras, 1982;
Bacchi y Kottegoda, 1995; Martínez-Cob, 1996; Naoum y Tsanis, 2004a; Falivene et al.,
2010),

187
5. Métodos de Interpolación

Denominación Ecuación

Error medio, EM. Debe aproximarse al valor nulo Ec. 5-53. Error medio
n n

∑ ei
i =1
∑ (Z (u ) − Z
i =1
i
*
(ui ) )
EM = =
n n
Error medio absoluto, EMA Ec. 5-54. Error medio absoluto
n n

∑ ei
i =1
∑ (Z (u ) − Z
i =1
i
*
(ui ) )
EMA = =
n n
Error medio cuadrático, EMC Ec. 5-55. Error medio cuadrático
n n

∑ (Z (u ) − Z ) 2
∑ ei2
i =1 i =1
i
*
(ui )
EMC = =
n n
Error medio cuadrático estandarizado por la varianza Ec. 5-56. Error medio cuadrático estándar
teórica del krigeado en cada punto de registro, EMCS.
Debe aproximarse a la unidad 1 n e 2 1 n Z (ui ) − Z * (ui )
EMCS = ·∑ i 2 = ·∑
( )
2

n i =1 σ i n i =1 σ i2

Sesgo de los errores, CSe, y coeficiente de correlación Ec. 5-57. Coeficiente de sesgo de los errores
de Pearson, rZZ*, entre valores estimados y registrados.
El sesgo debe ser nulo y como en un diagrama de 1 n (ei − me )3
CS e = ⋅∑
dispersión entre valores estimados y registrados el n i =1 σ e3
sesgo y la probabilidad condicional a obtener errores
altos con valores altos son menores cuanto mejor sea Ec. 5-58. Coeficiente de correlación de Pearson entre valores
el ajuste sobre la recta de 45º, el coeficiente de estimados y registrados
correlación de Pearson debe tender a la unidad.
n (Z (u i ) − mZ ) ⋅ (Z * (ui ) − mZ )
∑
*

i =1 n
rZZ * =
σ Z ⋅σ Z *

Tabla 10. Criterios de ajuste

Falivene et al. (2010) destacan la necesidad de completar la optimización por validación

cruzada con otros criterios debido a la dependencia respecto al grado de suavización derivado
del número de puntos utilizado en la interpolación. Mayor nº de puntos, mayor suavización y
menor error. En Gómez-Hernández et al. (2001), se recomienda estudiar el histograma de
errores para comprobar su simetría, media nula y mínima variabilidad; el diagrama de
dispersión de los errores de validación cruzada y los valores estimados para comprobar la
simetría de la nube de puntos alrededor de la línea de error nulo, con dispersión mínima y
constante; y la autocorrelación espacial de errores con un semivariograma efecto pepita.
La distribución espacial de los puntos puede dar problemas al valorar los términos de error
por aglomeraciones y redundancias. Isaaks y Srivastava (1989) recomiendan no utilizar los
errores directamente, sino aplicar algún procedimiento de ponderación previo que deshaga la

188
5. Métodos de Interpolación

influencia de las aglomeraciones. Además, recomiendan realizar la comprobación visual de la

localización de los errores para identificar zonas preferenciales.

5.9.4 MODELOS DE KRIGEADO Y APLICACIONES

El procedimiento de interpolación por krigeado admite diferentes posibilidades atendiendo al

condicionamiento de la estacionariedad y al tratamiento de las relaciones con una o varias
variables secundarias. En función del primer aspecto se distinguen el krigeado simple (KS),
ordinario (KO) o con deriva o universal (KD ó KU). Al considerar las variables secundarias,
surgen el krigeado simple con medias locales o sobre residuos (KSR), krigeado con deriva
externa (KDE), cokrigeado simple (CKS), ordinario (CKO) y cokrigeado colocalizado, simple
(CKCS) u ordinario (CKCO). El tratamiento teórico que se expone a continuación está
principalmente tomado de Goovaerts (1997), Isaaks y Srivastava (1989) y de Samper y
Carreras (1990).
Goovaerts (1997) expresa la ecuación fundamental de interpolación mediante el krigeado
como ponderación lineal de las desviaciones o residuos de los valores registrados respecto a la
media de cada punto (Ec. 5-59). Los pesos se estiman en función de una serie de las hipótesis,
de las cuales dos son básicas. La estimación debe ser insesgada, para lo que las esperanzas de
la estimación y del valor estimado deben ser iguales, de lo que se deducirían unas condiciones
que en Goovaerts (1997) se hacen equivalentes a que la estimación no dependa de valores
desconocidos. En Isaaks y Srivastava (1989) la consecuencia práctica final es que la suma de
pesos que ponderan cada registro para estimar un valor es la unidad. En segundo lugar, la
varianza del error es mínima y dependiente de las covarianzas de las desviaciones o residuos.
Siendo u el vector localización de un punto de coordenadas (x, y) en el que se estima el valor
de una variable Z*(u) como ponderación lineal de un conjunto N de datos registrados, Z(ui), i
el índice de 1 a N, con pesos ωi(u) dependientes del punto de cálculo en cuestión, de la
estructura de dependencia espacial y de las relaciones con variables secundarias o predictivas.
La ecuación general del krigeado queda entonces,
Ec. 5-59. Ecuación general del krigeado sobre una variable

N
Z * (u ) − m(u ) = ∑ ωi (u )·(Z (ui ) − m(ui ) )
i =1

El asterisco es indicativo de valor estimado. Al plantear una condición de mínimo sobre la

varianza, se obtienen los pesos y una expresión de la misma que se utiliza como índice de la
incertidumbre asociada. Esta varianza calculada no es igual a la real (Chua y Bras, 1982) ya
que se parte de un número finito de puntos que no representarán completamente al fenómeno
y porque el semivariograma y tendencias asumidas proceden de ajustes sobre una población
de características desconocidas.

5.9.4.1 FAMILIA DE KRIGEADO

5.9.4.1.1 Krigeado Simple, KS

En este caso la media, m, en todos los puntos del espacio es conocida y el proceso es
estacionario (Isaaks y Srivastava, 1989; Goovaerts, 2000), lo que rara vez se cumple y
dificulta su aplicación directa (Lloyd, 2005). La ecuación del KS se formula sobre los
residuos al considerar la media,

189
5. Métodos de Interpolación

Ec. 5-60. Ecuación general del KS

Z * (u ) − m = ∑ ωi ·(Z (ui ) − m )
i

Se comprueba entonces que la esperanza del error de la estimación es nula y el estimador es

insesgado,
Ec. 5-61. Comprobación del estimador insesgado en el KS

[ ] [
E Z * (u ) − Z (u ) = E Z * (u ) − m − Z (u ) + m = ]
= m + ∑ ωi · E [Z (ui ) − m] − m = ∑ ωi · E [Z (ui ) − m] = 0
i i

La varianza del error de la estimación, σε2,

es función de la covarianza del residuo, CR,
dependiente de la estructura de continuidad y de la distancia entre registros y entre registros y
el punto de estimación,
Ec. 5-62. Varianza de la estimación del KS

σ ε2 (u ) = Var [Z * (u ) − Z (u )] = Var [Z * (u ) − m − Z (u ) + m] = Var [R* (u ) − R(u )] =

[ ] (
= Var R* (u ) + Var [R(u )] − 2·Cov R* (u ), R(u ) = )
  
2
  
[ ]
= E  ∑ ωi ·(Z (ui ) − m)   + E (Z (u ) − m ) − 2· E  ∑ ωi ·( Z (ui ) − m) ·(Z (u ) − m ) =
2

 i    i  
= ∑∑ ωi ·ω j ·CR (ui − u j ) + CR (0) − 2·∑ ωi ·CR (ui − u )
i j i

Con la minimización de la varianza para el conjunto de pesos planteado (i=1..N), se llega al

sistema de ecuaciones del KS,
Ec. 5-63. Sistema de ecuaciones del KS

1 ∂σ ε2
∀i, i = 1..N : · = 0 ⇒ ∑ ω j ·C R (ui − u j ) = C R (ui − u ) ⇒
2 ∂ω i j

 C R (u1 − u1 ) .. C R (u1 − u N )   ω1   C R (u1 − u ) 

⇒  .. .. .. · ..  = 
   .. 

C R (u N − u1 ) .. C R (u N − u N ) ω N  C R (u N − u )
Siendo la matriz de coeficientes del sistema definida positiva, la solución es única. Ésta no
depende del vector u y, a través de las covarianzas entre cada dos puntos de registro, filtra las
redundancias de información de una aglomeración de datos. El término independiente tiene en
cuenta la distancia de cada punto al de estimación. Cuanto mayor sea esa distancia en
términos de covarianzas, menos información contiene para la estimación y menor será el peso
resultante (Isaaks y Srivastava, 1989). Al ser la variable estacionaria y la esperanza de los
residuos nula, las covarianzas de los residuos, CR, son iguales a las de la variable, C.
Ec. 5-64. Equivalencia entre covarianzas de residuos y de la variable original en procesos estacionarios

C R (h) = E [R (u + h)·R(u )] = E [(Z (u + h) − m )(

· Z (u ) − m )] = C (h)

190
5. Métodos de Interpolación

Y la varianza en el punto de estimación es,

Ec. 5-65. Varianza de la estimación en el KS

σ ε2 (u ) = ∑∑ ωi ·ω j ·C R (ui − u j ) + CR (0) − 2·∑ ωi ·CR (ui − u ) = CR (0) − ∑ ωi ·C R (ui − u ) =

i j i i

= C (0) − ∑ ωi ·C (ui − u )
i

Este valor de la varianza es menor que el correspondiente a la variable original, C(0) ó

Var(Z), ya que la incertidumbre se reduce al usar valores registrados en la estimación.

5.9.4.1.2 Krigeado Ordinario, KO

En el KO la media, m(u), varía localmente y la estacionariedad se exige en el entorno de
interpolación. La media es desconocida y se reestima localmente a partir de los registros,
resolviendo el principal problema de aplicación del KS (Lloyd, 2005). En Samper y Carrera
(1990) esta definición se da al krigeado en un entorno y, cuando se refiere a KO, es bajo la
hipótesis de estacionariedad. De cualquier manera, se llega a las mismas soluciones. La
ecuación básica es en este caso,
Ec. 5-66. Ecuación general del KO

Z * (u ) − m(u ) = ∑ ω i ·(Z (ui ) − m(ui )) =∑ ω i ·(Z (ui ) − m(u ))

i i
*
Para que la estimación, Z (u), quede en función de los valores conocidos de la variable, Z(ui),
se impone la condición del sumatorio de pesos igual a uno.
Ec. 5-67. KO y condición de pesos

 
Z * (u ) − m(u ) = ∑ ωi ·( Z (ui ) − m(u )) ⇒ Z * (u ) = ∑ ωi ·Z (ui ) + m(u )·1 − ∑ ωi 
i i  i  ⇒
∑i ωi = 1
⇒ Z * (u ) = ∑ ωi ·Z (ui )
i

La esperanza del error de la estimación es nula al haber impuesto la suma de pesos igual a la
unidad. El estimador es entonces insesgado,
Ec. 5-68. Comprobación del estimador insesgado en el KO

 
[ ]
E Z * (u ) − Z (u ) = ∑ ω i ·E[Z (ui )] − m(u ) = m(u )·1 − ∑ ω i  = 0
i  i 
La varianza del error de la estimación como diferencia entre Z*(u) y Z(ui) a minimizar es
función de los residuos,
Ec. 5-69. Varianza de la estimación del KO

σ ε2 (u ) = ∑∑ ω i ·ω j ·C R (ui − u j ) + C R (0) − 2·∑ ω i ·C R (ui − u )

i j i

191
5. Métodos de Interpolación

En este caso, al tener una condición sobre los pesos, la minimización se plantea a través del
Lagrangiano para llegar al sistema de ecuaciones del KO,
Ec. 5-70. Sistema de ecuaciones del KO

 
L = σ ε2 + 2·µ · ∑ ω i − 1
 i 
1 ∂L
∀i, i = 1..N : · = 0 ⇒ ∑ ω j ·C R (ui − u j ) + µ = C R (ui − u )
2 ∂ω i j

1 ∂L
· = 0 ⇒ ∑ ωi = 1
2 ∂µ i

Admitiendo que la variable aleatoria es estacionaria localmente y la equivalencia entre las

covarianzas de los residuos, CR, y las de la variable, C, la varianza en el punto de estimación
es,
Ec. 5-71. Varianza de la estimación en el KO

σ ε2 (u ) = ∑∑ ωi ·ω j ·CR (ui − u j ) + CR (0) − 2·∑ ωi ·C R (ui − u ) = CR (0) − ∑ ωi ·CR (ui − u ) − µ =

i j i i

= C (0) − ∑ ωi ·C (ui − u ) − µ
i

El valor del parámetro µ ha de ser negativo por lo que la varianza de este modelo es mayor
que la del KS en el que se conocía la media en cada punto (Samper y Carrera, 1990).
La ventaja de este modelo sobre el KS reside en permitir la variabilidad en la media que es
desconocida y no se maneja explícitamente. Así, el KS dará estimaciones más próximas a la
media global que este procedimiento, que permitirá variaciones mayores en puntos con
medias locales superiores o menores a la global (Goovaerts, 1997). En aplicaciones a la
evapotranspiración potencial en zonas del norte de España (Martínez-Cob, 1996) la calidad de
los resultados alcanzados con este método son similares al CK. Algo similar a lo que concluye
Murthy y Abbaiah (2007) en estimaciones de lluvias anuales, estacionales y mensuales con
transformación previa para eliminar el sesgo de los datos de la región de Andhra Pradesh en la
India. Mirás-Avalalos et al. (2007) describen la similitud de resultados con esquemas de
inverso distancia al implementar el modelo a lluvias mensuales en Galicia y la obtención de
mapas de lluvia suavizados que no reproducen los máximos y mínimos registrados, al igual
que Gómez-Hernández et al. (2001) concluyeron con datos de Asturias.
Herrera et al. (2010) utilizan el KO sin uso explícito de la orografía para interpolar mapas de
lluvia diaria desde 1950 hasta el año 2003. Su objetivo es mejorar la resolución temporal y
espacial de la información disponible para el estudio de los escenarios regionalizados de
cambio climático mediante proyecciones de evolución del clima para el siglo XXI con
diferentes supuestos de emisión de gases de efecto invernadero; en particular, se busca
mejorar la representatividad de fenómenos extremos en la información disponible. La
resolución de los mapas es de 0,2º (aproximadamente 20 km) y el ámbito territorial lo
constituyen la Península Ibérica e Islas Baleares. Los datos proceden de una selección de
2.750 estaciones que cumplen una serie de criterios de calidad. El krigeado se aplica en dos
fases. En una primera se interpola la variable binaria ocurrencia de lluvia; en la segunda, los
valores de lluvia.

192
5. Métodos de Interpolación

5.9.4.1.3 Krigeado con Deriva o Universal, KD ó KU

El método de KD ó KU considera variaciones de la media, deriva o tendencia, ajustables
según un polinomio de bajo orden con parámetros desconocidos. El fenómeno se caracteriza
por una deriva determinista y por un residuo de media nula (Chirlin y Wood; 1982; Samper y
Carrera, 1990). Entre el semivariograma de la variable original y el del residuo, Y, resultante
de restar a la variable original la media polinómica, se tiene la siguiente relación.
Ec. 5-72. Relación entre los semivariogramas de la variable original con deriva y el residuo

1 1
[ 2
] [
γ Z (h) = ·E (Z (u + h) − Z (u ) ) = ·E (m(u + h) + Y (u + h) − m(u ) − Y (u ) ) =
2 2
2
]
1
[ 2
= · E (m(u + h) − m(u ) + Y (u + h) − Y (u ) ) =
2
]
1 2
= ·(m(u + h) − m(u ) ) + γ Y (h)
2
La media, m(u), se supone ajustable a expresiones polinómicas en la que los coeficientes ak
son desconocidos pero constantes en el dominio de interpolación. Las funciones fk son
polinomios de orden k sobre las coordenadas. El orden de estos polinomios es bajo para evitar
inconsistencias y que la matriz del sistema quede mal condicionada (Samper y Carrera, 1990).
Ec. 5-73. Deriva en el KD

K
m(u ) = ∑ ak · f k
k =0

Planteando la ecuación general,

Ec. 5-74. Ecuación general del KD

K
Z * (u ) − m(u ) = ∑ ωi ·( Z (ui ) − m(ui )) ⇒Z * (u ) − ∑ ak · f k (u ) =
i k =0

 K

= ∑ ωi · Z (ui ) − ∑ ak · f k (ui ) 
i  k =0 
Como en el caso anterior, para dejar la estimación en función de los valores conocidos de la
variable, Z(ui), se imponen las condiciones sobre las funciones de la deriva.
Ec. 5-75. KD y condiciones sobre las funciones de deriva

K
 K

Z * (u ) − ∑ ak · f k (u ) = ∑ ωi · Z (ui ) − ∑ ak · f k (ui )  ⇒
k =0 i  k =0 
K
 
⇒ Z * (u ) = ∑ ωi ·Z (ui ) + ∑ ak · f (u ) − ∑ ωi · f k (ui ) 
i k =0  i  ⇒ Z * (u ) = ∑ ωi ·Z (ui )
∀k = 0..K : f (u ) = ∑ ωi · f k (ui ) i

i 

193
5. Métodos de Interpolación

Si por convenio se toma que el polinomio de orden cero es la unidad, se tendrá como
condición que el sumatorio de pesos sea la unidad. Se comprueba que la esperanza del error
de la estimación es nula y que el estimador es insesgado.
Ec. 5-76. Comprobación del estimador insesgado en el KD

[ ]
E Z * (u ) − Z (u ) = ∑ ωi · E [Z (ui )] − m(u ) =
i
K K
= ∑ ωi ·∑ ak · f k (ui ) − ∑ ak · f k (u ) =
i k =0 k =0
K
 
= ∑ ak · ∑ ωi · f k (ui ) − f k (u )  = 0
k =0  i 
La varianza del error de la estimación es,
Ec. 5-77. Varianza de la estimación del KD

σ ε2 (u ) = ∑∑ ω i ·ω j ·C R (ui − u j ) + C R (0) − 2·∑ ω i ·C R (ui − u )

i j i

Al tener condiciones sobre las funciones de deriva y los pesos, la minimización se plantea a
través del Lagrangiano y se llega al sistema
Ec. 5-78. Sistema de ecuaciones del KD

K
 
L = σ ε2 + 2·∑ µ k · ∑ ω i · f k (ui ) − f k (u ) 
k =0  i 
K
1 ∂L
∀i, i = 1..N : · = 0 ⇒ ∑ ω j ·C R (ui − u j ) + ∑ µ k · f k (ui ) = C R (ui − u )
2 ∂ω i j k =0

1 ∂L
∀k , k = 0..K : · = 0 ⇒ ∑ ω i · f k (ui ) = f k (u )
2 ∂µ k i

El sistema queda en función de las covarianzas de los residuos, CR, que ya no son
equivalentes a las covarianzas de la variable, C (Goovaerts, 1997). Los términos de las
funciones de deriva no se conocen explícitamente, por lo que tampoco se simplifica el
problema a determinar el semivariograma de unos residuos calculados conocida la media. La
forma de trabajar en este caso es suponer igualdad en un entorno de interpolación reducido
con una deriva insignificante. Es decir, la parte inicial del semivariograma es la que define la
estructura de continuidad. Si hubiera una dirección o un área de deriva nula, se estima en ella
el semivariograma bajo la hipótesis de isotropía en las covarianzas de los residuos (Samper y
Carrera, 1990). Finalmente, la varianza en el punto de estimación es,
Ec. 5-79. Varianza de la estimación en el KD

σ ε2 (u ) = ∑∑ ωi ·ω j ·CR (ui − u j ) + CR (0) − 2·∑ ωi ·C R (ui − u ) =

i j i
K
= CR (0) − ∑ ωi ·C R (ui − u ) − ∑ µ k · f k (u )
i k =0

194
5. Métodos de Interpolación

5.9.4.1.4 Krigeado con Deriva Externa, KDE

La diferencia de este método KDE con el KD es que en este caso la función de deriva se hace
depender de una variable secundaria que toma valores en todo el dominio o en un gran
número de puntos. La media es ahora la expresión de una fórmula de regresión entre ambas
variables, determinista, pero no se considera la correlación cruzada entre ambas variables. Se
utilizan expresiones polinómicas en la que los coeficientes ak son desconocidos pero
constantes en el entorno de interpolación y las funciones yk son K monomios de polinomios de
orden k sobre la variable secundaria. Ya no se puede suponer que la media se mantiene
constante en el entorno de interpolación por lo que desaparecen las facilidades del método
anterior respecto al manejo de las covarianzas. Considerando un ajuste lineal en la deriva,
Ec. 5-80. Expresión de la deriva lineal en el KDE

m(u ) = ao + a1 · y1 (u )
La ecuación general del krigeado en función de este modelo queda expresada en función de la
media y de la deriva lineal externa,
Ec. 5-81. Ecuación general del KDE

1
 1

Z * (u ) − m(u ) = ∑ ωi ·( Z (ui ) − m(ui )) ⇒ Z * (u ) − ∑ ak · yk (u ) = ∑ ωi · Z (ui ) − ∑ ak · yk (ui ) 
i k =0 i  k =0 
Para dejar la estimación en función de los valores conocidos de la variable, Z(ui), se imponen
las condiciones sobre las funciones de la deriva.
Ec. 5-82. KDE y condiciones sobre las funciones de deriva

1
 1

Z * (u ) − ∑ ak · yk (u ) = ∑ ωi · Z (ui ) − ∑ ak · yk (ui )  ⇒
k =0 i  k =0 
1
 
⇒ Z * (u ) = ∑ ωi ·Z (ui ) + ∑ ak · y (u ) − ∑ ωi · yk (ui ) 
i k =0  i  ⇒ Z * (u ) = ∑ ωi ·Z (ui )
∀k : k = 0..1 : y (u ) = ∑ ωi · yk (ui ) i

i 

Cuando k es igual a 0 se tiene como condición que el sumatorio de pesos sea la unidad. Con
estas condiciones se comprueba que la esperanza del error de la estimación es nula y que el
estimador es insesgado.
Ec. 5-83. Comprobación del estimador insesgado en el KDE

[ ]
E Z * (u ) − Z (u ) = ∑ ωi · E [Z (ui )] − m(u ) =
i
K K
= ∑ ωi ·∑ ak · yk (ui ) − ∑ ak · yk (u ) =
i k =0 k =0
K
 
= ∑ ak · ∑ ωi ·yk (ui ) − yk (u )  = 0
k =0  i 
La varianza del error de la estimación es,

195
5. Métodos de Interpolación

Ec. 5-84. Varianza de la estimación del KDE

σ ε2 (u ) = ∑∑ ω i ·ω j ·C R (ui − u j ) + C R (0) − 2·∑ ω i ·C R (ui − u )

i j i

Y con el Lagrangiano y su minimización, se llega al sistema

Ec. 5-85. Sistema de ecuaciones del KDE

1
 
L = σ ε2 + 2·∑ µ k · ∑ ω i · yk (ui ) − yk (u ) 
k =0  i 
1
1 ∂L
∀i, i = 1..N : · = 0 ⇒ ∑ ω j ·C R (ui − u j ) + ∑ µ k ·yk (ui ) = C R (ui − u )
2 ∂ω i j k =0

1 ∂L
∀k , k = 0..1 : · = 0 ⇒ ∑ ω i · yk (ui ) = yk (u )
2 ∂µ k i

La varianza del error en el punto de estimación es,

Ec. 5-86. Varianza de la estimación en el KDE

σ ε2 (u ) = ∑∑ ωi ·ω j ·CR (ui − u j ) + CR (0) − 2·∑ ωi ·C R (ui − u ) =

i j i
1
= CR (0) − ∑ ωi ·C R (ui − u ) − ∑ µ k · yk (u )
i k =0

Goovaerts (1997) advierte que el semivariograma de los residuos depende de la expresión de

la deriva externa y que no debe realizarse un ajuste previo, calcular los residuos respecto a la
deriva y el semivariograma de éstos. En todo caso, recomienda calcular los coeficientes de la
deriva por mínimos cuadrados, calcular los residuos y su semivariograma e interpolarlos con
un KS. Los residuos interpolados se componen finalmente con la deriva.
Gambolati y Volpi (1979) destacaron estos problemas relacionados con el manejo de la deriva
y la estructura de covarianzas de los residuos. Proponían manejar derivas conocidas mediante
funciones monótonas suaves e interpolar los residuos, con lo que no se lograrían diferencias
importantes.
Dingman et al. (1988) también aplicaron este modelo de krigeado a la precipitación anual de
cuencas donde la influencia orográfica era importante. En este caso se comparaba la
aplicación del KDE en dos casos. En el primero, no se imponía la deriva explícitamente. Y en
el segundo se asignaba una deriva calculada como regresión lineal entre la altitud y la
precipitación; el krigeado se utilizaba sobre los residuos por lo que sería análogo a un KSR. El
ajuste del semivariograma se realizaba por iteraciones sucesivas calculando los términos de
error por validación cruzada de siete puntos seleccionados aleatoriamente y modificando los
parámetros del semivariograma. Con el primer modelo, se añadía además el ajuste de los
coeficientes de la deriva implícita, que finalmente fue de grado cero. También se consideró
oportuno restringir la selección de puntos de interpolación a aquellos que caían dentro del
alcance del semivariograma evitando cambios pronunciados en la deriva, aunque los alcances
finalmente estimados fuesen de unos 100 km. Con ambos métodos los resultados son
similares, con ligera ventaja para el primero, que podía trabajar implícitamente con la
tendencia del fenómeno a través de los entornos de interpolación.

196
5. Métodos de Interpolación

Mirás-Avalalos et al. (2007) encuentran que, al implementar el modelo a lluvias mensuales en

Galicia, hay infraestimación de la lluvia, aunque son diferentes a los resultantes del KO y
esquemas de inverso distancia. En todo caso, se destaca la arbitrariedad de la elección de la
tendencia o deriva. Tobin et al. (2011) destacan el KDE sobre el MDE como el método con el
que mejores resultados obtienen al comparar con KO e IDW las estimaciones de eventos de
lluvia con forzamiento orográfico.

5.9.4.1.5 Krigeado Simple sobre Residuos, KSR

La media se estima previamente por promedio en un entorno, por regresión (Chua y Bras,
1982; Lloyd, 2005) o por el método que se considere oportuno respecto a variables
secundarias, cuyo valor se conoce en todos los puntos. En cada entorno de interpolación la
media m se considera constante y la ecuación del krigeado con medias móviles queda,
Ec. 5-87. Ecuación general del KSR

(
Z * (u ) − m* = ∑ ωi · Z (ui ) − m* )
i

La esperanza del error de estimación es nula y el estimador es insesgado sin necesidad de

imponer condición sobre los pesos.
Ec. 5-88. Comprobación del estimador insesgado en el KSR

[ ]
E Z * (u ) − Z (u ) = m + ∑ ω i ·E [Z (ui ) − m] − m = 0
i

La varianza del error de la estimación es,

Ec. 5-89. Varianza de la estimación del KSR

σ ε2 (u ) = ∑∑ ω i ·ω j ·C R (ui − u j ) + C R (0) − 2·∑ ω i ·C R (ui − u )

i j i

Y la minimización de la varianza permite plantear el sistema,

Ec. 5-90. Sistema de ecuaciones del KSR

1 ∂σ ε2
∀i, i = 1..N : · = 0 ⇒ ∑ ω j ·C R (ui − u j ) = C R (ui − u )
2 ∂ω i j

Donde las covarianzas de los residuos, CR, se obtienen al estimar el semivariograma y la

varianza de los residuos calculados de los datos de la variable y media supuesta.
Y la varianza en el punto de estimación es,
Ec. 5-91. Varianza de la estimación en el KSR

σ ε2 (u ) = C R (0) − ∑ ω i ·C R (ui − u )
i

Chua y Bras (1982) aplicaron el KU para hallar la lluvia de nueve tormentas en cuencas del
noroeste de Colorado, comparando los resultados de dos métodos de krigeado. El primer
método se basaba en la teoría de funciones intrínsecas y suponía desconocidos los coeficientes
de la función polinómica. Esta teoría se basa en que para manejar variables no estacionarias,
se utilizan combinaciones lineales que hagan desaparecer esta tendencia y estimar el

197
5. Métodos de Interpolación

semivariograma. El segundo método sería asimilable a un KSR ya comentado en el apartado

anterior e imponía una deriva lineal conocida en función de la altitud, ajustada por mínimos
cuadrados, descomponiendo los valores originales en residuos más la tendencia determinista.
Sobre los residuos se aplicaba el KS. Los resultados alcanzados con ambos métodos
resultaron aceptables, y permitieron recomendarlos como métodos de trabajo. No obstante, se
señalaba que el KSR basado en la descomposición de tendencias conseguía mejores
resultados en cuanto a la estimación de valores de precipitación y que la aplicación de las
funciones intrínsecas mejoraba la estimación de la varianza. Otro aspecto destacable de este
estudio es que el orden de las funciones intrínsecas resultó nulo en la casi totalidad de los
casos. Solamente para el caso de una tormenta se consideró oportuno trabajar con un paso
unidad en las funciones intrínsecas.
En Samper y Carrera (1990) aparece definido el krigeado residual, similar a este, con una
deriva conocida e interpolación de los residuos con KO. En Martínez-Cob (1996) se aplicó a
lluvias y evapotranspiración potencial, siendo comparado y alcanzando mejores resultados
que los logrados con el KO y KSR. Goovaerts (2000) realizó con precipitaciones medias
mensuales una aplicación comparada del denominado krigeado simple con medias locales
variables con otros más elaborados como el KDE y CKOC, destacando el primero por la
facilidad con la que se pueden manejar las variables secundarias, la covarianza de los residuos
y por la precisión de los resultados alcanzados. En ese caso se recurrió a la inclusión de una
tendencia lineal de la precipitación con la orografía.

5.9.4.2 FAMILIA COKRIGEADO

5.9.4.2.1 Cokrigeado Simple, CKS

El modelo de cokrigeado simple se plantea como una combinación lineal entre los datos de la
variable principal y los de la secundaria, participando de la estimación, aunque no necesita
estar disponible en todo el dominio. Tanto las medias de la variable principal, como las de la
secundaria son conocidas y constantes.
Ec. 5-92. Ecuación general del CKS

Z * (u ) − m1 = ∑ ω i ·(Z (ui ) − m1 ) + ∑ λl ·(Y (ul ) − m2 )

i l

Se comprueba que la esperanza del error de la estimación es nula y que el estimador es

insesgado,
Ec. 5-93. Comprobación del estimador insesgado en el CKS

[ ]
E Z * (u ) − Z (u ) = m1 − m1 + ∑ ω i ·E [Z (ui ) − m1 ] + ∑ λl ·E [Y (ul ) − m2 ] = 0
i l

La varianza del error de la estimación depende de las covarianzas de las variables y de la

cruzada, por lo que el modelo se complica con tres estructuras de covarianzas.
Ec. 5-94. Varianza de la estimación del CKS

σ ε2 (u ) = ∑∑ ωi ·ω j ·C R11 (ui − u j ) + ∑∑ λi ·λ j ·C R22 (ui − u j ) + 2·∑∑ ωi ·λl ·CR12 (ui − ul ) +

i j i j i l

+ C (0) − 2·∑ ωi ·C (ui − u ) − 2·∑ λl ·C (ul − u )

11
R
11
R
12
R
i l

198
5. Métodos de Interpolación

La varianza se minimiza para el conjunto de pesos planteado (i=1..N; l=1..M) para llegar al
sistema de ecuaciones siguiente,
Ec. 5-95. Sistema de ecuaciones del CKS

1 ∂L
∀i, i = 1..N : · = 0 ⇒ ∑ ω j ·C 11
R (ui − u j ) + ∑ λl ·C R (u i − ul ) = C R (u i − u )
12 11

2 ∂ω i j l

1 ∂L
∀l , l = 1..M : · = 0 ⇒ ∑ ω i ·C 12
R (u l − ui ) + ∑ λ j ·C R (u l − u j ) = C R (ul − u )
22 12

2 ∂λl i j

Al ser estacionaria, las covarianzas de los residuos, CR, son iguales a las de la variable, C. La
varianza en el punto de estimación es finalmente,
Ec. 5-96. Varianza de la estimación en el CKS

σ ε2 (u ) = C R (0) − ∑ ω i ·C R (ui − u ) − ∑ λl ·C R (ul − u ) = C (0) − ∑ ω i ·C (ui − u ) − ∑ λl ·C (ul − u )

i l i l

Si no existiera correlación entre las variables, los términos cruzados se anulan y se tiene el
KS.

5.9.4.2.2 Cokrigeado Ordinario, CKO

Como en el caso del KO, aquí se considera que la variable aleatoria es estacionaria en el
entorno de interpolación. La media se mantiene desconocida. El cokrigeado se plantea cuando
no se dispone del valor de la variable secundaria en todos los puntos del plano.
Ec. 5-97. Ecuación general del CKO

Z * (u ) − m1 (u ) = ∑ ω i ·(Z (ui ) − m1 (u )) + ∑ λl ·(Y (ul ) − m2 (u ))

i l

Para que la estimación no dependa de las medias desconocidas, la sumas de los pesos se hacen
unidad y nula,
Ec. 5-98. Condiciones en los pesos del CKO

Z * (u ) − m1 (u ) = ∑ ωi ·( Z (ui ) − m1 (u )) + ∑ λl ·(Y (ul ) − m2 (u )) ⇒

i l

  
⇒ Z * (u ) = ∑ ωi ·Z (ui ) + 1 − ∑ ωi ·m1 (u ) + ∑ λl ·Y (ul ) − ∑ m2 (u )
i  i  l l 

∑i i  ⇒
ω = 1

∑l l 
λ = 0

⇒ Z (u ) = ∑ ωi ·Z (ui ) + ∑ λl ·Y (ul )
*

i l

El estimador es insesgado al cumplir las condiciones anteriores sobre los pesos. Estas
condiciones pueden tomar otra forma. Por ejemplo si se escala adecuadamente la variable
secundaria para que el valor de su media coincida con la de la variable principal, se considera
la siguiente condición con resultados distintos a los de la anterior (Isaaks y Srivastava, 1989).

199
5. Métodos de Interpolación

Ec. 5-99. Condición del CKO estandarizado

∑ω + ∑ λ
i
i
l
l =1

La varianza del error de la estimación depende de los términos de covarianzas de las dos
variables y de los términos cruzados.
Ec. 5-100. Varianza de la estimación del CKO

σ ε2 (u ) = ∑∑ ωi ·ω j ·C R11 (ui − u j ) + ∑∑ λi ·λ j ·C R22 (ui − u j ) + 2·∑∑ ωi ·λl ·CR12 (ui − ul ) +

i j i j i l

+ C (0) − 2·∑ ωi ·C (ui − u ) − 2·∑ λl ·C (ul − u )

11
R
11
R
12
R
i l

La minimización del Lagrangiano conduce al siguiente sistema de ecuaciones para el conjunto

de pesos planteado (i=1..N; l=1..M),
Ec. 5-101. Sistema de ecuaciones del CKO

   
L = σ ε2 + 2·µ o · ∑ ω i − 1 + 2·µ1 · ∑ λl 
 i   l 
1 ∂L
∀i, i = 1..N : · = 0 ⇒ ∑ ω j ·C 11 R (ui − u j ) + ∑ λl ·C R (ui − ul ) + µ o = C R (u i − u )
12 11

2 ∂ω i j l

1 ∂L
∀l , l = 1..M : · = 0 ⇒ ∑ ω i ·C R12 (ul − ui ) + ∑ λ j ·C R22 (ul − u j ) + µ1 = C 12
R (u l − u )
2 ∂λl i j

1 ∂L
· = 0 ⇒ ∑ ωi = 1
2 ∂µ o i

1 ∂L
· = 0 ⇒ ∑ λl = 0
2 ∂µ1 l

Las covarianzas de los residuos, CR, se consideran equivalentes a las de la variable, C. La

varianza en el punto de estimación es finalmente,
Ec. 5-102. Varianza de la estimación en el CKO

σ ε2 (u ) = CR (0) − ∑ ωi ·CR (ui − u ) − ∑ λl ·CR (ul − u ) − µo =

i l

= C (0) − ∑ ωi ·C (ui − u ) − ∑ λl ·C (ul − u ) − µo

i l

Goovaerts (2000) encuentra ventajas en el uso de CKO cuando el coeficiente de correlación

de Pearson supera el valor de 0,75. Murthy y Abbaiah (2007) no encuentran ventajas
sustanciales en su uso respecto al krigeado ordinario con transformación previa de los datos
de lluvia para corrección de la asimetría de su distribución.

5.9.4.2.3 Cokrigeado Colocalizado, CKC

El CKC solo utiliza el dato de la variable secundaria co-localizado con el punto de estimación
o en las posiciones cercanas. Esta técnica se utiliza para evitar inestabilidades en el sistema
del krigeado al existir un contraste entre el bajo grado de correlación de variables principales

200
5. Métodos de Interpolación

dispersas y el alto grado de variables secundarias registradas en todo el dominio de trabajo

(Goovaerts, 2000). El sistema se reduce y su resolución es más rápida. Por contra,
desaprovecha la intensidad del muestreo de la variable secundaria y de su capacidad
predictiva. Se consideran los modelos del KS y KO.

5.9.4.2.3.1 Cokrigeado Simple Colocalizado, CKSC

En el caso de conocer las medias y utilizar únicamente el dato de la variable secundaria
colocalizada, el sistema se derivaría de
Ec. 5-103. Ecuación general del CKSC

Z * (u ) − m1 = ∑ ω i ·(Z (ui ) − m1 ) + λ ·(Y (u ) − m2 ))

i

Que da estimas insesgadas y de cuya varianza minimizada se obtiene el sistema

Ec. 5-104. Sistema de ecuaciones del CKSC

1 ∂L
∀i, i = 1..N : · = 0 ⇒ ∑ ω j ·C R11 (ui − u j ) + λ ·C R12 (ui − ul ) = C R11 (ui − u )
2 ∂ω i j

1 ∂L
· = 0 ⇒ ∑ ω i ·C R12 (ui − u ) + λ ·C R22 (0) = C R12 (0)
2 ∂λ i

del que se supone que las covarianzas de los residuos son iguales a las de la variable por su
estacionariedad. Es importante destacar que el sistema no necesita manejar la estructura de
covarianzas de la variable secundaria, basta con conocer su varianza. Se suele aplicar una
simplificación para la estructura cruzada derivada de una analogía markoviana, con lo que
solo sería necesario estimar el semivariograma de la primera variable.
Ec. 5-105. Simplificación del cálculo de covarianzas cruzadas

C 12 (0) 11
C 12 (h) = ·C (h)
C 11 (0)

5.9.4.2.3.2 Cokrigeado Ordinario Colocalizado, CKOC

Este modelo se aplica sin conocer las medias, pero suponiéndolas constantes en el entorno de
interpolación. Si de la variable secundaria se considera únicamente el dato colocalizado, la
condición de pesos debe ser la estándar y queda un sistema,
Ec. 5-106. Sistema de ecuaciones del CKOC

1 ∂L
∀i, i = 1..N : · = 0 ⇒ ∑ ω j ·C 11 12 11
R (ui − u j ) + λ ·C R (u i − u l ) + µ = C R (ui − u )
2 ∂ω i j

1 ∂L
· = 0 ⇒ ∑ ω i ·C 12 22 12
R (u i − u ) + λ ·C R (0) + µ = C R (0)
2 ∂λ i

∑ωi
i + λ =1

201
5. Métodos de Interpolación

5.10 COMPARACIONES ENTRE MÉTODOS DE INTERPOLACIÓN

La comparación y selección de los métodos de interpolación es objeto frecuente de estudio y
cuenta con una extensa bibliografía (Gambolati y Volpi, 1979; Creutin y Obled, 1982; Singh
y Chowdhury, 1986; Tabios y Salas, 1985; World Climate Programme, 1985; Singh, 1988;
Weber y Englund, 1992; Abtew et al. 1993; Weber y Englund, 1994; Goovaerts, 2000;
Gómez-Hernández et al., 2001; Naoum y Tsanis, 2004a y 2004b; Mirás-Avalos et al., 2007;
Saghafian y Bondarabadi, 2008; Favilene et al., 2010; Tobin et al. 2011). El problema se
plantea sobre un conjunto de datos de lluvia u otras variables a los que se aplican diferentes
métodos de interpolación para valorar la bondad de unos u otros métodos. El criterio de
validación es una superficie conocida de lluvia o una medida del error por calibración cruzada
(Isaaks y Srivastava, 1989; Falivene et al. 2010).
Sin embargo, no parece que pueda concluirse la superioridad clara de uno u otro método
(Isaaks y Srivastava, 1989; Martínez-Cob, 1996; Gómez-Hernández et al. 2001; Naoum y
Tsanis, 2004a; Falivene et al. 2010) debido a la dependencia de los resultados alcanzados a las
características climáticas de la zona de estudio, a la densidad y representatividad de la red de
medida y al paso temporal del estudio hidrológico (Creutin y Obled, 1982; Tabios y Salas,
1985; Abtew et al., 1993; Naoum y Tsanis, 2004b; Saghafian y Bondarabadi, 2008; Falivene
et al. 2010). Necesariamente hay que destacar que los métodos se adaptan en función de la
información disponible y de la experiencia del técnico, lo que da lugar a una amplia variedad
de parametrizaciones y resultados que impiden tener una visión clara de las bondades de uno
u otro método (Naoum y Tsanis, 2004b; Lloyd, 2005). Tampoco el uso de modelos complejos
garantiza la obtención de resultados más precisos (Gómez-Hernández et. al, 2001). En todo
caso, sí se encuentra un acuerdo en la necesidad de utilizar información secundaria para
estimar el campo de lluvias en función de una serie de registros dispersos por el territorio
(Lloyd, 2005).
Las características climáticas de la zona de estudio y el tipo de lluvia influyen en la bondad de
los resultados entre métodos que pueden ser más sensibles a información local o que faciliten
incluir en la estructura de cálculo información adicional de carácter predictivo para estimar la
lluvia en zonas no cubiertas por la red. En el clima tienen influencia factores fisiográficos
como la altitud del terreno, pendiente o la dirección de los vientos, entre otras, con los que
establecer relaciones de correlación. Lu and Wong (2008) destacan la bondad de los métodos
de inverso distancia cuando la estructura de correlación espacial es baja, mientras que los
resultados alcanzados con krigeado son mejores cuando la correlación espacial es elevada.
La densidad y representatividad de la red de medida es un factor clave con dos aspectos a
considerar. El primero se refiere a la existencia de áreas en las que la variabilidad de la lluvia
está escasamente cubierta por la red; el segundo se refiere a la redundancia de información
con efectos en los modelos de interpolación. La bondad del ajuste de los modelos de
interpolación es distinta en cada uno de estos casos y podría distinguirse entre interpolaciones
y extrapolaciones en aquellas áreas montañosas escasamente representadas por la red
(Saghafian y Bondarabadi 2008). Los procedimientos de interpolación óptimos como el
krigeado caracterizan la variabilidad del campo de precipitaciones de los registros, lo que se
convierte en una desventaja de aplicación en casos en los que esta variabilidad esté mal
representada, como suele ser el caso (Naoum y Tsanis, 2004b). La complejidad del problema
aumenta al encontrar que en distancia reducidas, los registros de la lluvia varían
considerablemente por lo que los modelos han de incorporar estrategias de filtrado y selección

202
5. Métodos de Interpolación

de información (Isaaks y Srivastava, 1989; Falivene et al. 2010). Desde este punto de vista, el
método de Thiessen es un buen método para el cálculo de precipitaciones medias areales, ya
que asigna pesos proporcionalmente al área de influencia de la estación, menor donde hay
mayores aglomeraciones.
Teóricamente, los métodos estocásticos ofrecerían alguna ventaja formal al trabajar
explícitamente con la aleatoriedad del fenómeno y, por tanto, con la incertidumbre de las
estimaciones. Sin embargo, aunque la perspectiva del problema es distinta al considerar las
relaciones ciertas, los métodos determinísticos manejan conceptos similares (Gambolati y
Volpi, 1979). El error cuadrático mínimo y la minimización de la varianza del error serían
equivalentes por lo que en la práctica las ventajas entre unos y otros no están claras. Otros
ejemplos de la similitud de estructuras estocásticas y determinísticos aparecen cuando se
valoran los modelos de continuidad espacial de los métodos óptimos dados en términos de
covarianzas o las estructuras similares que se encuentran al usar procedimientos polinómicos
y splines, variacionales o de formas cuadráticas (Matheron, 1981; Creutin y Obled, 1982;
Abtew et al. 1993; Mitasova y Mitas, 1993; Borga y Vizzaccaro, 1997, Hofierka et al., 2002;
Mitasova et al., 2005). Estos últimos ajustan el valor de los pesos al resolver un sistema de
ecuaciones que, por un lado, depende de una matriz que refleja las relaciones de continuidad
en la distancia entre registros y, por otro lado, de un vector, término independiente del
sistema, donde se valora, en función de la distancia, la contribución de cada registro en la
estimación de un punto de coordenadas (xo, yo). Por tanto, son métodos que, al igual que los
métodos óptimos (Isaaks y Srivastava, 1989) tienen en cuenta las redundancias de
información y la ponderación de cada dato en función de las distancias y de la estructura de
continuidad espacial impuesta.
La Tabla 11 muestra una colección de referencias bibliográficas en las que se alcanzan
resultados comparables entre métodos determinísticos y krigeado.
Método determinístico Referencia bibliográfica
Splines Matheron, 1981
Splines con condición de suavización Creutin y Obled, 1982
Formas cuadráticas Tabios y Salas, 1985
Planteamiento variacional Mitasova y Mitas, 1993
Formas cuadráticas Michaud y Soorooshian, 1994
Lluvias cincominutales
Inverso distancia y splines Weber y Englund 1992 y 1994
Formas cuadráticas Borga y Vizzacaro, 1997
Thiessen e inverso distancia Dirks et al. 1998
Inverso distancia Gómez-Hernández et al. 2001
Inverso distancia Mirás-Avalalos et al. 2007
Inverso distancia Lu y Wong, 2008
Inverso distancia Favilene et al. 2010
Tabla 11. Referencias sobre comparaciones entre métodos determinísticos y krigeado

El tratamiento de la variabilidad de la lluvia en un territorio es por tanto un problema

complejo. Esta complejidad aumenta cuanto menor es el intervalo de trabajo. A intervalos de
tiempo menores, mayor componente aleatoria y menor continuidad espacial en el territorio
(Bacchi y Kottegoda, 1995). Los intervalos de tiempo para los que es necesario conocer la
lluvia en un territorio pueden oscilar entre los 5-15 minutos o menos para el estudio de
tormentas y su evolución y las distribuciones interanuales de estudios hidrológicos de
recursos. Loukas et al. (1993) deducen que las tormentas asociadas a lluvias frontales de

203
5. Métodos de Interpolación

mayor duración son las más consistentes, mientras que la correlación espacial de otras se
pierde antes. Este paso temporal de trabajo tiene también influencia en la aplicabilidad de los
métodos de interpolación. Para los pasos temporales más reducidos y, especialmente cuando
se trata de tormentas convectivas con alta incertidumbre respecto a su localización espacial y
en las que difícil encontrar factores locales que tengan repercusión en su distribución espacial,
se recurre al seguimiento conjunto mediante radar y contraste con modelos de celdas. Cuando
se trata de intervalos temporales más amplios, por ejemplo, los abordados en los estudios de
recursos hídricos, cobran mayor importancia los patrones normales de precipitación y la
interpolación de anomalías. Se acepta que trabajando con pasos temporales mayores se
elimina parte de la componente aleatoria y las variables se hacen más consistentes en lo que
se refiere a sus dependencias espaciales y temporales. Es de esperar que los efectos locales
más importantes se manifiesten con mayor claridad.
No siempre la aplicación de un método busca la máxima precisión en la estimación. Hay
ocasiones en las que solo interesa una visión rápida de un fenómeno por lo que la utilización
de los métodos sencillos es suficientemente adecuada. Cualquier método determinístico
(Borga y Vizzaccaro, 1997) y, en concreto los esquemas de inverso distancia (Mirás-Avalos et
al., 2007), da una visión rápida de la distribución espacial de la variable bajo cualquier
circunstancia.

5.11 SÍNTESIS
Los apartados anteriores describen un conjunto de procedimientos de interpolación, así como
los criterios manejados en diferentes estudios comparativos. Las redes de medida cuentan con
al menos dos problemas que tienen influencia en la selección de los métodos de interpolación.
La baja densidad de la red de medida con registros insuficientes en áreas de alta variabilidad
como la montaña y las redundancias de información. Los métodos de interpolación trabajan
con tres elementos: los datos registrados puntualmente, las variables que pueden ser utilizadas
con carácter predictivo y las técnicas de selección de datos.
Los métodos de interpolación se han venido clasificando entre deterministas o estocásticos,
aunque el análisis de unos y otros revele similitudes conceptuales en la parametrización. Sin
embargo, formalmente se encuentran justificaciones al enfoque estocástico como son las
incertidumbres de las medidas o la complejidad de los mecanismos de generación de lluvia
del proceso físico analizado.
La variable predictiva elemental en los esquemas de interpolación es la distancia, que en sí se
define como razón del denominado Primer Principio de la Geografía. Los métodos de
interpolación la utilizan explícitamente, a través de reglas de selección de datos y formulando
medidas de continuidad espacial. Una segunda variable es la localización para, a
continuación, seleccionar otras como la altitud, orientación, pendiente, etc. Aunque no parece
que pueda proponerse un mejor método de interpolación, sí es recomendable el apoyo en
variables predictivas que suplan las carencias de las redes de medida. Aparte queda la
consideración de la variabilidad estacional y temporal de los eventos de lluvia que se
manifiestan con distinta intensidad en un territorio.
La gran ventaja formal del planteamiento geoestadístico reside en la consideración aleatoria
del fenómeno y en el estudio de la continuidad espacial por medio del semivariograma. Sin
embargo, variables como la precipitación o aquellas otras que puedan ser introducidas en los
modelos con carácter predictivo no son estacionarias y dependen de un alto número de

204
5. Métodos de Interpolación

factores locales, lo que complica su tratamiento mediante esta técnica. Tampoco las relaciones
entre la precipitación y las variables predictivas se mantienen invariables y en la práctica
varían también en el tiempo y en el espacio. Ambos factores son fundamentales cuando se
pretende utilizar un método de interpolación en grandes territorios. La falta de datos en zonas
de alta variabilidad como las montañas tampoco hace recomendable el uso de técnicas cuya
parametrización sea sensible a la falta de información en estas zonas. Esto condena la utilidad
del cokrigeado. Con todo, si se logra filtrar mediante una transformación adecuada la
variabilidad de la lluvia, el krigeado sobre residuos, simple u ordinario, proporciona la
máxima libertad con el mínimo número de consideraciones para automatizar el ajuste de un
semivariograma.
El objetivo de la tesis se centra en la implementación de modelos de interpolación que
integren el tratamiento orográfico donde la densidad de las medidas se reduce drásticamente,
en todo el territorio de España y reproducible mes a mes para componer mapas mensuales de
lluvia en un intervalo temporal suficientemente amplio para elaborar estudios de recursos
hídricos y planificación hidrológica. Dados estos condicionantes y las características ya
analizadas de la red de medida, el conjunto formado por los procedimientos de interpolación y
las técnicas de selección de datos debería contemplar:
1. Flexibilidad para introducir relaciones de la lluvia con el conjunto de variables que se
considere predictivo
2. Posibilidad de implementación en todo el territorio nacional donde se encuentra que
tanto las medias, variabilidad, correlación espacial, las direcciones de continuidad de
la lluvia y las relaciones con cualquier variable predictiva son variables en función de
características locales como la orografía y la presencia del mar
3. Filtrado de redundancias de datos
4. Resolución en un intervalo de tiempo razonable para proceder con la simulación del
resto de variables del ciclo hidrológico
La exposición anterior ofrece un conjunto de procedimientos con los que poder derivar una
formulación híbrida que permita no perder el fundamento físico de las relaciones entre
variables. Los modelos de regresión en ventanas móviles aplicados a un territorio como
España en celdas de 200 m de resolución suponen un esfuerzo de cálculo alto, asumible si se
plantea para el estudio de condiciones de lluvia medias variables mensualmente. Los
procedimientos como el krigeado pueden utilizarse sobre las anomalías resultantes de filtrar
una componente con características locales y estacionales particulares, tal como se expone en
el siguiente capítulo.

205
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

6 APLICACIÓN A ESPAÑA DE UNA METODOLOGÍA

PARA LA ESTIMACIÓN DE LA DISTRIBUCIÓN
ESPACIAL DE LA PRECIPITACIÓN

6.1 PROPUESTA DE UN MODELO HÍBRIDO DE INTERPOLACIÓN

6.1.1 FUNDAMENTOS

Los anteriores capítulos exponen las bases para la elección de un modelo de interpolación de
series mensuales de lluvia. Este modelo debe incorporar una solución de interpolación de la
lluvia en montaña y ser suficientemente práctico en términos de tiempo de proceso para los
resultados sean implementados a su vez en un modelo de evaluación de recursos hídricos. La
delimitación de regiones climáticamente homogéneas es un problema complejo en el contexto
de este trabajo. La variabilidad de tipos de tiempo, la estacionalidad y del efecto de los
factores locales hacen de la regionalización un problema de difícil solución. Además, se ha
destacado el problema de la reducida densidad de pluviómetros en altitud.
Lo anterior ha determinado la elección de un procedimiento consistente en formular
regresiones de lluvia y altitud con un enfoque local, es decir, desde cada celda, considerando
el conjunto de información disponible en las cercanías para parametrizar la relación entre
lluvia y altitud en cada celda. Se consideran dos componentes tratadas independientemente.
La lluvia es variable en el tiempo y espacio en función de la circulación atmosférica, de la
localización geográfica y de factores locales tales como la orografía y la presencia del mar.
Una componente se supone ligada a los esquemas de circulación atmosférica general; la otra,
a los factores locales.
La estacionalidad climática induce variabilidad en los registros mensuales de lluvia. En
hidrología ha sido habitual tratar esta heterogeneidad en función de medidas de localización y

207
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

variabilidad como la media aritmética y la desviación típica (Fiering y Jackson, 1971; Salas et
al., 1980; Hipel y McLeod, 1994). Otra hipótesis de trabajo ha sido obviar la autocorrelación
temporal de series mensuales de lluvia suponiéndolas independientes. Con objeto de
homogeneizar la disponibilidad de información, en este trabajo las series históricas de lluvia
en España han sido completadas utilizando un procedimiento de regresión bivariada con
estacionalización previa, tal como se ha expuesto en capítulos anteriores (apartado 3.1.3.2).
Mediante el completado se logra homogeneizar la disponibilidad de información en todas las
series pluviométricas y hacer así comparables estadísticos de series completas. En la práctica,
el completado de series ha permitido pasar de unas 3.000 a 4.000 series anuales completas
registradas en estaciones meteorológicas a más de 8.000 (apartado 3.3) durante el periodo
comprendido entre los años hidrológicos 1970/71-2000/01.
El modelo de interpolación que se propone guarda similitudes con el modelo de completado
expuesto (apartado 3.2) en cuanto a la consideración de componentes. Cada dato de lluvia se
supone compuesto por una estructura de características locales, expresadas en términos de
medias y desviaciones típicas mensuales, y unas anomalías o residuos variables en el tiempo.
La estacionalidad queda asumida en el modelo al tratar mensualmente las medias y
desviaciones típicas. En el modelo de completado, las medias y desviaciones típicas son
características de cada serie temporal. En el caso de la interpolación, las medias y
desviaciones típicas mensuales son mapas que han de deducirse del conjunto extraído de las
series registradas puntualmente.
Las técnicas de regresión y ventanas móviles se usan para obtener estos mapas de patrones de
media y desviación típica mensual en función de variables predictivas como la orientación y
la altitud. En cada celda o punto de coordenadas x e y se formula una ecuación de regresión
con las medias y desviaciones típicas deducidas de las series registradas en las cercanías. En
total se formulan tantas ecuaciones como celdas en las que se discretiza el territorio. Es decir,
si solamente se considerara el territorio de España, unas 2.000.000 con resolución de 500x500
m; casi 12.500.000 con resolución 200x200 m. Además, queda considerar el número de meses
(12) y de estadísticos (2, media y desviación típica).
Hallados los patrones de media y desviación típica mensual en cada punto del territorio de
España, se pueden obtener conjuntos de anomalías de lluvia, correspondientes a una fecha
determinada. Se cuenta con que en cada estación y fecha se dispone de un valor de lluvia
registrada en mm. La media y desviación típica mensual vienen dadas por la lectura en las
coordenadas x e y mencionadas del mapa de medias y de desviaciones típicas de ese mes. El
residuo o anomalía se calcula utilizando la ecuación de normalización mensual (Ec. 3-18)
entre el dato de lluvia registrada en una coordenada x e y y la media y desviación típica
mensual leídas en esas mismas coordenadas. La razón de utilizar una resolución tan alta (200
m) es reducir al máximo el efecto del sesgo entre los estadísticos de una estación y los de una
celda del dominio de cálculo.
El conjunto de anomalías de una fecha en particular constituye un conjunto de valores
puntuales georreferenciados cuya continuidad es susceptible de ser estudiada mediante
procedimientos geoestadísticos para posteriormente, aplicar un procedimiento de
interpolación. Al haber filtrado las componentes de media y desviación típica locales, se
supone estacionario el campo de anomalías de cada mes y adquiere sentido la interpolación
por procedimientos de interpolación óptima y la exploración de los términos de continuidad.
La ventaja del procedimiento expuesto reside en que las anomalías dependen de los esquemas

208
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

de circulación atmosférica dominantes, una vez han sido filtradas las componentes con
información de carácter local, media y desviación típica.
Los mapas finales de lluvia mensuales se derivan del conocimiento de los patrones y de los
mapas de anomalías interpoladas. La misma ecuación de normalización vuelve a ser utilizada,
pero esta vez en sentido inverso (Ec. 3-25) para, a partir de un mapa de anomalías de una
fecha determinada y los patrones de media y desviación típica mensual, obtener un mapa de
lluvias de esa fecha.
Este procedimiento debe ser además razonablemente rápido para que el tratamiento de la fase
atmosférica sea práctico en el uso de modelos de evaluación de recursos hídricos y de
transformación de la lluvia en el resto de procesos del ciclo hidrológico. El problema del
tratamiento de la orografía se resuelve en el apartado de estimación de lluvias medias y
desviaciones típicas mensuales. El problema de la redundancia de información se resuelve en
la interpolación de anomalías mediante procedimientos óptimos o geoestadísticos. La
continuidad de las anomalías se representa mediante semivariogramas omnidireccionales
cuyos parámetros son ajustados automáticamente.
En esencia, este tratamiento recoge la experiencia de trabajos ya referidos en la bibliografía
consultada. En Abtew et al., (1993) se trabaja con series de anomalías o residuos
normalizados de series temporales (Fiering y Jackson, 1971); Daly et al. (1994 y 2008) y
Lloyd (2005) abordan el planteamiento de regresiones lineales y el de las ventanas móviles.
La presente propuesta enfoca el problema de la interpolación de lluvias en el territorio
nacional y el de las zonas montañosas a través de patrones estimados con regresiones en
ventanas móviles que tienen como única variable predictiva la altitud, siendo la orientación de
cada celda un criterio de selección de información. Se simplifican las ecuaciones respecto a
las técnicas de regresión múltiple, evitando la inclusión de variables o parámetros que
representan factores locales como la continentalidad, el efecto barrera o la distancia al mar,
cuya definición es siempre compleja y dependiente de las posibilidades y características del
área de experimentación. Además, los porcentajes de varianza explicada en zonas de montaña
no son altos o incluso son muy bajos en épocas estivales o de finales de primavera (Figura 74
a Figura 95). Siendo el resto de variables de carácter secundario y su contribución por tanto,
menor, no se ha considerado oportuno introducir otras variables fisiográficas en las
ecuaciones. Hay que advertir que índices estadísticos como el tanto por ciento de varianza
explicada se elaboran a partir de una muestra de información que tiene importantes
deficiencias ante los escasos datos registrados en las zonas altas y la falta de adaptación entre
la red de medida y la variabilidad del fenómeno en estudio.
La orientación no figura explícitamente en las ecuaciones de regresión, pero se ha utilizado
como criterio de clasificación de las muestras en el cálculo de patrones. Esta variable es
objeto de definiciones que tienen en cuenta las orientaciones de celdas alrededor de la de
cálculo o algún otro factor de escala como el cálculo a menor resolución para representar
áreas mayores. En la presente propuesta, la orientación se ha calculado del MDE a la
resolución de trabajo, siguiendo los algoritmos usuales implementados en SIG. A partir de
este valor, se define un sector angular por suma y resta de un ángulo constante en grados u
holgura tal como se ha mencionado en capítulos anteriores. Es decir, la selección de
condiciones similares de lluvia en función de la orientación no necesita de la igualdad estricta
de orientaciones sino de las comprendidas dentro de unos rangos, con lo se evita los cambios
de resolución y de factores de escala en su cálculo.

209
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Los datos de lluvia en altitud son escasos y el carácter de la lluvia en cotas altas es distinto al
de menores altitudes. El uso de regresiones cuenta entonces con al menos dos inconvenientes.
Por un lado, las muestras están mal condicionadas por la escasez de información y el peso de
la registrada a menores cotas. Por otro, las ecuaciones de regresión se usan en la práctica
como herramientas de extrapolación a estas mayores altitudes.
La consideración de estos aspectos ha determinado la introducción de técnicas adicionales en
las ecuaciones de regresión. Los datos de altitud se transforman por medio de funciones
logarítmicas para reducir la escala de la diferencia de altitud cuando en cotas altas se
extrapola la estimación de lluvia. Desde otro punto de vista, al transformar la altitud mediante
un logaritmo, se logra que la extrapolación de los datos de lluvia sea conservadora respecto a
las variables sin transformar e imponga una curvatura convexa en la relación altitud-lluvia y
zona de cotas altas y lluvias altas. El apoyo teórico a este paso se encuentra en la estimación
simplificada de lluvia bajo forzamiento orográfico, Ec. 2-14 y Figura 12. Experimentalmente
se ha comprobado este efecto en algunas áreas de España, tal como se muestra en las figuras
comprendidas entre la Figura 74 y la Figura 95.
También hay casos con grandes variaciones de lluvia en reducidos cambios de altitud, tal
como ocurre con las lluvias de costa. En este caso, conviene ampliar la escala de la altitud en
cotas bajas por medio de la misma transformación logarítmica. Sin embargo, la densidad de
datos registrados es mayor, por lo que el uso de transformaciones es aquí menos importante.
Por último, las transformaciones logarítmicas aplicadas a la variable precipitación definen una
curvatura cóncava cuando las lluvias se reducen a valores bajos.
La segunda técnica introducida en las regresiones se basa en la modificación de los pesos con
los que se estiman los parámetros de las ecuaciones de regresión. Bajo la hipótesis de que las
relaciones de lluvia y altitud son variables conforme varía la altitud y, en ausencia de un
criterio físico general, los datos más importantes para la estimación de una cantidad de lluvia
a una determinada cota serán los más próximos. En esencia, ante la incertidumbre de la
relación lluvia-altitud, se aplica así el mencionado principio de geografía apoyando la estima
en los valores más cercanos (Tobler, 1970). El criterio inmediato a introducir es el de inverso
de distancia en la ponderación de los puntos de cada ecuación de regresión, dando mayor peso
a los puntos más cercanos al de estimación. Este criterio es suficientemente rápido y práctico.
En definitiva, los patrones de lluvia media y desviación típica mensual se pueden calcular con
los datos de altitud y los valores de medias y desviaciones típicas mensuales de cada serie de
lluvia completada durante el periodo 1970/71-2000/01. Este volumen de información supera a
la información disponible en Herrera et al. (2010) y Ninyerola et al. (2007b) en un factor de 4.
La decisión de usar el procedimiento de las ventanas móviles para estimar los patrones de
lluvias medias y desviaciones típicas se justifica en la ventaja formal de enfocar el problema
localmente desde cada celda. Desde cada una de ellas, se elige el conjunto de información
registrada con carácter predictivo para estimar la lluvia media y desviación típica mensual.
Este procedimiento se ha enfrentado tradicionalmente con el problema de los tiempos de
proceso que, aunque siguen siendo considerables, se limitan al cálculo de los 24 mapas de
estadísticos mencionados. Un modelo basado en la regionalización da mayor consistencia a la
estimación de parámetros, pero puede provocar la infraestimación de características de áreas
no suficientemente representadas en la muestra.
Las técnicas geoestadísticas de interpolación se utilizan para caracterizar la continuidad
espacial de las anomalías mensuales de lluvia sin tener que reproducir ecuaciones de regresión

210
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

en cada mes de simulación del modelo hidrológico. En los patrones de medias y desviaciones
típicas mensuales se consideran representadas las componentes locales, quedando la
variabilidad de las anomalías fundamentalmente relacionada con el esquema de circulación
general dominante en cada fecha. Esta variable sí es regionalizable y su continuidad se puede
representar a través del semivariograma. Utilizando criterios de ajuste automático (Pebesma y
Wesseling, 1997) del semivariograma y supervisión posterior, se interpola mediante krigeado
ordinario la colección de mapas mensuales de anomalías que se componen con los patrones de
medias y desviación típica para transformarlas en lluvias. Sobre otros procedimientos de
krigeado, el ordinario admite variabilidad de la media y una estimación directa del
semivariograma dependiente de la misma variable a interpolar. Técnicas como el cokrigeado
no se ha considerado oportuno utilizarlas por los altos niveles de correlación recomendados en
la bibliografía consultada.

6.1.2 PATRONES MENSUALES DE PRECIPITACIÓN EN VENTANAS MÓVILES

DE REGRESIÓN

Los mapas de lluvia media mensual se calculan formulando en cada celda del territorio
nacional una ecuación de regresión con la altitud como variable predictiva. Siendo P(x,y) la
precipitación en mm/mes estimada en un punto de coordenadas x e y y z(x,y), el valor de la
altitud en msnm en ese mismo lugar, queda
Ec. 6-1. Regresión básica precipitación-altitud

P ( x, y ) = a ⋅ z ( x, y ) + b
La orientación del terreno se usa como criterio de selección de datos con los que
posteriormente se formula cada ecuación de regresión. Desde cada celda, se toma el valor de
la orientación calculada sobre el MDE de 200 m de resolución y se seleccionan los registros
de lluvia situados en celdas cercanas tales que su orientación esté comprendida en el sector
semicircular de 180º formado por el ángulo de orientación de la celda y una holgura de ángulo
±90º. Se ha comprobado que ángulos menores que 45º reducen excesivamente el número de
datos sobre los que formular cada ecuación de regresión; los mayores, es decir, los
comprendidos entre 45º y 90º, no suponen diferencias determinantes con los 90º finalmente
escogidos. Cuando la celda tiene una pendiente menor que un 1% se considera que la
orientación no determina la lluvia de la misma y cualquier dato de lluvia es seleccionado.
La distancia máxima de búsqueda es de 100 km, ampliable hasta encontrar un mínimo de 12
puntos. El número máximo es de 18 puntos. No se ha considerado oportuno incluir en la
ecuación de regresión variables como las coordenadas x e y porque la estimación es local.
La ecuación de regresión solamente considera dos variables, la altitud y la precipitación, que
se transforman mediante una función logarítmica para reducir o ampliar la escala de las
variables. Se han considerado cuatro casos:
1. Correlación positiva entre lluvia y altitud y altitud del punto a estimar superior al
promedio de altitudes. La altitud se transforma logarítmicamente con objeto de reducir
la escala de diferencias entre la nube de puntos y las extrapolaciones en altura
Ec. 6-2. Regresión transformada precipitación-altitud I

P( x, y ) = a ⋅ log[z (x, y )] + b

211
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

2. Correlación negativa y altitud del punto a estimar superior al promedio de altitudes. La

transformación logarítmica se aplica sobre la variable precipitación, ampliándose la
escala en el dominio de lluvias más bajas
Ec. 6-3. Regresión transformada precipitación-altitud II

log[P( x, y )] = a ⋅ z ( x, y ) + b
3. Correlación positiva y altitud del punto a estimar inferior al promedio de altitudes. La
transformación logarítmica se aplica sobre la lluvia, ampliándose la escala en el
dominio de las más bajas
Ec. 6-4. Regresión transformada precipitación-altitud III

log[P( x, y )] = a ⋅ z ( x, y ) + b
4. Correlación negativa y altitud del punto a estimar inferior al promedio de altitudes. La
transformación logarítmica se aplica sobre la variable altitud para aumentar la escala
en las cotas bajas y mejorar la resolución en la extrapolaciones de costa
Ec. 6-5. Regresión transformada precipitación-altitud IV

P( x, y ) = a ⋅ log[z (x, y )] + b
El ajuste de la recta de regresión se realiza por mínimos cuadrados, pero el peso de cada punto
es variable en función de un criterio de inverso distancia al cuadrado al punto de estimación.
Se entiende que esto mejora las estimaciones ante la falta de información en altitud donde las
ecuaciones de regresión extrapolan la caracterización de la relación lluvia-altitud. Siendo x e y
las coordenadas de la celda en la que se estima la lluvia, en la Ec. 3-6 se sustituyen los pesos,
ωi igual a 1/n (Ec. 6-7), que afectan a cada registro por los de la expresión de la Ec. 6-6 en la
que las distancias entre el punto de estimación y cada registro se calculan considerando las
dimensiones x, y y z.
Ec. 6-6. Reparto de pesos por inverso de distancia y distancia entre los puntos i y j

1
b
d ( x, y , z )
ω j ( x, y ) = N j
di = (xi − x )2 + ( yi − y )2 + (zi − z )2
1
∑i d b ( x, y, z )
i

212
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Ec. 6-7. Ajuste ponderado de la ecuación de regresión lineal por mínimos cuadrados
n

∑ x ·y i i n
xi
n
yi 
i =1 −∑ ·∑ 
n n n
a= i =1 i =1 
 n 2  
 ∑ xi  2

 xi  
n
 i =1 − ∑  
 n  i =1 n     n n n
 
    ∑ i i i ∑
ω · x · y − ω i i ∑ ωi · yi
· x ·
n
 a = i =1 i =1 i =1
  2
∑ x ·y i i
  ∑
n
 n
ωi · xi −  ∑ ωi · xi 
2 
i =1 − y· x    i =1 
n i =1
b= y− ·x ⇒
 n 2   
n n n
 ∑ xi  ∑ ω · x · y − ∑ ω i i ∑ ωi · yi
· x ·
 i =1 2   n i i i
−x   b = ∑ ωi · yi −
i =1 i =1 i =1
 n  2
  i =1
n
 n




   ∑
i =1
ωi · xi −  ∑ ωi · xi 
2

 i =1 
1 
ωi = 
n 






6.1.3 INTERPOLACIÓN DE RESIDUOS

Una vez filtradas las componentes locales a través de las medias y desviaciones típicas
mensuales, los residuos representan la variabilidad de la lluvia asociada a los esquemas de
circulación general y son, por tanto, particulares de cada mes. Los residuos resultantes tienen
una componente estructural de continuidad que se representaría por medio de un
semivariograma omnidireccional ya que la influencia de las variables locales mencionadas
habría sido filtrada. La particular variabilidad mensual de la lluvia se refleja en la variabilidad
de la estructura de los residuos por lo que para representar la lluvia mensual es necesario
realizar una calibración automática de los parámetros del semivariograma. Estos parámetros
que representan la estructura de continuidad espacial son el tipo de modelo, el efecto pepita, la
meseta y el alcance descritos en el apartado 5.9.2.
La siguiente figura (Figura 112) muestra histogramas y estadísticos de los residuos obtenidos
para el conjunto de series disponibles en la Península Ibérica durante el año hidrológico
1971/72. Con carácter general, los histogramas muestran un cuerpo central de valores con
apariencia normal y simetría alrededor del valor central, aunque en algunos casos se observa
una componente hacia el sesgo positivo. También aparecen extremos negativos fruto del
tratamiento de valores prácticamente nulos de precipitación con desviaciones típicas
mensuales muy reducidas, lo que numéricamente puede compensar la estimación del sesgo y
hacerlo incluso negativo. Las Islas Canarias muestran un fuerte contraste climático entre las
islas occidentales y orientales y los histogramas del conjunto dan caracteres bimodales. Lo
más apropiado el ajuste en cada una de las islas independientemente.

213
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 112. Histogramas de residuos mensuales del años hidrológico 1971/7227

Este reparto de frecuencias provoca problemas para el análisis y ajuste de los

semivariogramas por lo que previamente se ha considerado la aplicación de dos técnicas. Por
un lado, se ha valorado la selección de información de un cuerpo central de valores que filtre
la existencia de extremos que podrían condicionar la parametrización del modelo de
interpolación. No se ha usado, sin embargo, un criterio de estas características ante el escaso
número de casos en los que esta causa condicione realmente el resultado final de la
interpolación.

27
Estadísticos. MD, media; DE, desviación estándar o típica; CV, coeficiente de variación, CS, coeficiente de
sesgo; MN, mínimo; PC, primer cuartil; MA, mediana; TC, tercer cuartil; MX, máximo

214
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

La corrección del sesgo de los residuos se ha realizado utilizando la transformación de Box-

Cox. Siendo gi el conjunto de residuos obtenidos en las estaciones de medida para el mes y
año dados, n el número de estaciones e qi el valor de la serie transformada, el parámetro λ se
calcula de acuerdo a la minimización del sesgo del conjunto de valores qi
Ec. 6-8. Transformación de Box-Cox

 λ
gi − 1
λ ≠ 0 ⇒ qi =
∀i, i = 1..n :  λ
λ = 0 ⇒ q = log( g )
 i i

La componente estructural de continuidad espacial se representa mediante un modelo de

semivariograma (Figura 119). Se entiende que respecto a otros métodos, el krigeado ofrece
como ventaja formal el manejo explícito de la continuidad espacial. Los residuos se interpolan
mediante krigeado ordinario que respetar la media local de los residuos. Cabría la posibilidad
de utilizar un Krigeado universal o con deriva externa, pero la parametrización del
semivariograma en el caso del ordinario es directa por lo que conceptualmente su ajuste es
más sencillo.
El ejercicio de variografía e interpolación mediante krigeado ha utilizado el paquete
estadísticos gstat (Pebesma y Wesseling, 1997) implementado en el programa R (R
Development Core Team, 2008). El ajuste automático de semivariogramas ha utilizado el
comando fit.variogram y la interpolación del krigeado ordinario, el comando krige (Pebesma,
2007).

6.2 CASO PRÁCTICO. SERIES DE MAPAS DE LLUVIA EN ESPAÑA

6.2.1 APLICACIÓN DEL MODELO DE INTERPOLACIÓN HÍBRIDO MENSUAL

6.2.1.1 PATRONES MENSUALES DE PRECIPITACIÓN EN VENTANAS

MÓVILES DE REGRESIÓN

6.2.1.1.1 Mapas de Lluvia Media

La Figura 113 muestra la colección de mapas mensuales de lluvia media mensual obtenida
mediante el procedimiento descrito anteriormente. La resolución de cálculo es de 200 m,
aunque se remuestrean a 500 m para reducir los tiempos de cálculo de las series de lluvia
mensual del modelo de recursos hídricos. Mensualmente se comprueba la evolución del
dominio del patrón atlántico desde mediados de otoño e invierno, la suavización en primavera
y el dominio seco del verano. La fachada oeste es la que más lluvia recibe, así como el Pirineo
más occidental próximo al Golfo de Vizcaya. Las cabeceras de los principales ríos
mediterráneos reciben lluvias de acuerdo al patrón atlántico. El Pirineo oriental, desde la
cabecera del Segre hasta el Mediterráneo, sufre una oscilación estacional marcada, con lluvias
relativamente más pronunciadas respecto al entorno entre la primavera y verano.

215
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Octubre Noviembre

Diciembre Enero

Febrero Marzo

216
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Abril Mayo

Junio Julio

Agosto Septiembre

Figura 113. Precipitación media mensual

6.2.1.1.2 Mapas de Coeficientes de Variación y Desviación Típica

Los mapas de desviación típica mensual podrían obtenerse mediante ecuaciones de regresión
con la altitud, aunque respecto a la interpolación de valores medios mensuales, la correlación

217
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

entre desviaciones típicas y altitud se debilita. Existe, sin embargo, una opción más
económica en términos de tiempo de proceso basada en aprovechar la proporcionalidad
existente entre medias y desviaciones típicas (Figura 54). El cociente entre ambos estadísticos
es el coeficiente de variación, con menor dependencia a factores locales que la media o la
desviación típica. En las Figura 55 y Figura 56 se muestra la reducción de variabilidad de este
coeficiente respecto a las medias y desviaciones típicas.
El procedimiento de interpolación por krigeado se realiza en dos fases: el estudio de la
continuidad espacial y la aplicación de la condición de minimización de la varianza del error.
La siguiente figura (Figura 114) muestra los semivariogramas ajustados a los coeficientes de
variación de lluvia. Se tratan independientemente las Islas Baleares y Canarias de la Península
Ibérica. Los semivariogramas de las dos primeras presentan oscilaciones derivadas de la
separación en islas. Los de la Península no muestran esos efectos y aunque muestran una
tendencia conforme las distancias son mayores, inducen al uso de un KO para su
interpolación. Considerando la dependencia local de los coeficientes de variación se ha
considerado oportuna la selección del procedimiento de krigeado ordinario, KO. El número de
puntos de interpolación es de 12.

Oct Nov Dic

Ene Feb Mar

Abr May Jun

218
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Jul Ago Sep

Figura 114. Semivariogramas ajustados del coeficiente de variación de la lluvia mensual

La Figura 115 muestra los mapas de coeficientes de variación estimados en %.

Octubre Noviembre

Diciembre Enero

219
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Febrero Marzo

Abril Mayo

Junio Julio

220
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Agosto Septiembre

Figura 115. Coeficiente de variación de lluvia mensual

La Figura 116 muestra los mapas de desviaciones típicas obtenidos por producto de los mapas
de coeficientes de variación y medias de la Figura 113.

Octubre Noviembre

Diciembre Enero

221
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Febrero Marzo

Abril Mayo

Junio Julio

222
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Septiembre
Agosto

Figura 116. Desviación típica de la lluvia mensual

6.2.1.1.3 Evaluación de los Mapas de Medias y Desviaciones Típicas Mensuales

Los anteriores apartados muestran los resultados de la estimación de patrones de lluvia media
y desviación típica mensual. Los mapas de medias se han estimado por medio de ecuaciones
de regresión y los de desviaciones típicas, aprovechando el efecto proporcional existente entre
medias y desviaciones típicas cuyo cociente, el coeficiente de variación mensual, puede ser
interpolado asumiendo estacionariedad local.
La reciente publicación del Atlas Climático Ibérico (AEMET, 2011) permite evaluar
visualmente los resultados de mapas de lluvia media mensual. La colección de mapas muestra
las mismas pautas regionales e, incluso, los mismos órdenes de magnitud de acuerdo a las
leyendas utilizadas.
La Figura 117 muestra los resultados de un ejercicio de calibración cruzada. El uso de esta
técnica presupone que la muestra es estacionaria y sobre ella se calcula un término de error.
En casos como el que se trata, con variabilidad espacial de la lluvia mensual, su uso sobre el
conjunto de datos de España producirá estimaciones de error sesgadas a las condiciones de
ajuste de áreas donde la densidad de la red de medida o la continuidad espacial de la lluvia es
mayor. Por otro lado, la baja densidad de la red en altura implica tener que utilizar las
ecuaciones de regresión como herramientas de extrapolación. Debido a ello, tienen una
importancia alta los escasos datos estimados a las mayores cotas, ya que recogen información
alejada de la nube central de puntos de la relación entre lluvia y altitud. Las regresiones
cambian considerablemente si se eliminan estos puntos y, por tanto, las estimaciones a las
mayores cotas. No se produce el mismo efecto eliminando de las regresiones los puntos de
cotas más altas que los de una altura media que dan un menor condicionamiento de la
regresión (Figura 74 a Figura 95).
La transformación de variables y la ponderación por inverso de distancia se usa para
incorporar criterios razonables en extrapolaciones. El planteamiento teórico del forzamiento
orográfico sostiene el utilizar funciones que reflejen un decremento de las tasas incrementales
de lluvia conforme aumenta la altitud y un criterio razonable de incertidumbre sostiene
utilizar los datos más cercanos para estimar la lluvia de mayor altitud.

223
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Se ha elegido la cota de 1.700 msnm como umbral de corte para evaluar la bondad de las
transformaciones y criterios utilizados en la interpolación frente al uso de técnicas de
regresión lineal directa entre la lluvia y la altitud. El número de datos es escaso frente al total
de series disponible, pero se aproxima al proceso que se quiere evaluar. Siempre bajo las
prevenciones comentadas, se ha calculado un término de error relativo y su media, EMR. La
Figura 117 muestra mensualmente los diagramas de dispersión entre cada dato de lluvia y los
valores interpolados mediante regresión lineal y regresión con variables transformadas. Se
comprueba cómo el EMR se reduce entre un 5% y un 10% a 15% en función del mes
considerado. Esta reducción se incrementa en los meses de verano por efecto de la escala de
los bajos registros.

224
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

225
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 117. Calibración cruzada. Regresión lineal y con variable transformada y ponderada

Los procedimientos de regresión múltiple permiten obtener estimaciones del coeficiente de

determinación R2 o % de la varianza explicada. En el caso de las regresiones en ventanas
móviles, las estimaciones de este coeficiente se obtienen en cada celda del dominio de
cálculo. La Figura 118 muestra la colección de 12 mapas mensuales del coeficiente de
determinación.

226
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Octubre Noviembre

Diciembre Enero

Febrero Marzo

227
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Abril Mayo

Junio Julio

Agosto Septiembre

Figura 118. Coeficientes R2 de las regresiones mensuales en ventanas móviles

Los mapas anteriores muestran coeficientes de determinación con variabilidad estacional y

espacial. Hay áreas en las que se ha encontrado correlación alta entre lluvia y altitud al
evaluarla con el criterio R2. La primera cuestión a tratar es si valores bajos del índice son
indicativos de debilidades del modelo. Obtener valores bajos de R2 en una regresión con la
altitud no es indicativo de que en la práctica el modelo dé estimaciones de baja calidad, indica

228
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

que la altitud no es una buena variable regresora ya que el crecimiento o decrecimiento de

ésta no es seguido por el correspondiente u opuesto de la lluvia.
Este efecto se da en las llanuras donde la orografía no tiene un papel significativo para
condicionar la lluvia ya que su variabilidad es reducida. Ejemplos de estas zonas son la
llanura manchega en la cabecera del Guadiana, el tramo medio del Duero o áreas del sureste y
Levante. En estas zonas, las ecuaciones de regresión dan como estimaciones de lluvia una
tendencia media de la nube de puntos ponderada por el criterio inverso de distancia.
Por otro lado, hay zonas de altitudes importantes donde R2 vuelve a dar valores bajos. Las
causas pueden estar de nuevo en una mala selección de la variable predictiva o en la baja
calidad de la muestra que no permite detectar la relación entre variables. Se ha comprobado la
falta de información experimental que se extrae de la red de media sobre la evolución de las
lluvias en altitud (Figura 96, Figura 97 y Figura 98) y hay evidencia bibliográfica sobre la
existencia de altitudes de lluvia máxima que, bien por agotamiento de humedad, bien por
advección de lluvia, con una orografía y latitud determinada y para unos eventos concretos, se
encuentra en una amplia banda entre los 1.000 y 2.000 msnm de altitud (Colton, 1977; Alpert
y Shafir, 1989 y 1991; Barros et al. 2000; Bookhagen y Burbank, 2006). En España, los 2.000
msnm se alcanzan en los Pirineos, Picos de Europa, Sierra de Gredos o Cordilleras Penibéticas
y Canarias. De la misma manera, la dirección predominante de los vientos, induce a sotavento
áreas bajo efecto Föhn con reducción de lluvias y pérdida de relación entre la lluvia y la
altitud, lo que reduce a su vez el valor del coeficiente de determinación. En el método de
interpolación adoptado, el sistema de ponderación recorta la influencia de los pluviómetros
más alejados, permitiendo dar mayor peso a los datos de estaciones más cercanas, pero es
evidente que si no hay registros que reflejen el cambio de comportamiento, no hay posibilidad
de informar al modelo.
Los mapas anteriores tendrían otra aplicación práctica inmediata. Dadas las premisas
anteriores, permitirían distinguir áreas susceptibles de realizar en ellas campañas de
experimentación en busca de causas y modelos físicos que expliquen la pérdida de
dependencia de la lluvia con la altitud y abra la posibilidad de mejorar los datos disponibles.
Desde este punto de vista, llama la atención el comportamiento de la cordillera y costa
cantábrica. En la cara norte, desde la cuenca del río Eo en la zona occidental de Asturias hasta
la cabecera del río Ebro, la relación de la lluvia con la altitud es comparativamente menos
clara que la que se encuentra en las laderas de sotavento de la cordillera. Teóricamente, al
estar enfrentada esta ladera directamente al mar, cabría esperar mejores resultados, aunque se
podría concluir que la relación entre costa y orografía es aquí singularmente compleja.

6.2.1.2 INTERPOLACIÓN DE RESIDUOS

6.2.1.2.1 Serie 1970/71-2000/01

Los semivariogramas ajustados muestran un acuerdo razonable con el uso de un modelo
esférico con alcances que oscilan alrededor de los 165 km. No se concluye claramente que
exista estacionalidad en los valores del alcance con valores cercanos a los 200 km (en otoño y
en primavera) y mínimos en invierno y verano entre 140 km y 125 km. La suma del rango y el
efecto pepita del semivariograma marca mínimos entre finales de la primavera e inicios del
otoño, para oscilar el resto de meses en valores superiores un 50% a los mínimos. Este
resultado se interpreta como un efecto de la escala de las escasas lluvias del verano.

229
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Los semivariogramas muestrales en las Islas Canarias y Baleares (Figura 120) muestran
oscilaciones fruto de la separación entre islas. A pesar de este problema, se han asumido los
semivariogramas ajustados al conjunto de datos en las Islas ya que para la interpolación de
residuos solamente es relevante la parte inicial del semivariograma. No obstante, es evidente
que se hace recomendable distinguir el ajuste en cada una de las principales islas aunque aquí,
por motivos prácticos se presenten resultados globales de cada uno de los archipiélagos.

Figura 119. Semivariogramas ajustados de residuos mensuales en la Península Ibérica durante 1971/72

Figura 120. Semivariogramas ajustados de residuos mensuales en Islas Baleares y Canarias en dic-1972

230
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

6.2.1.2.2 Comparativa de Procedimientos de Interpolación de Anomalías o Residuos

Se ha considerado oportuno valorar qué método sería recomendable utilizar para la
interpolación de anomalías comparando los resultados por medio de un criterio de validación
cruzada. Teniendo en cuenta los programas de interpolación disponibles y la experiencia
recogida de la bibliografía consultada, se han seleccionado entre los procedimientos
disponibles el de krigeado ordinario, KO, por el manejo explícito de funciones de continuidad
espacial; el planteamiento variacional, RST, por los resultados alcanzados en la comparativa
de Mitasova et al. (2005) y el clásico IDW.
En primer lugar, se han interpolado las casi 8.000 series completadas de lluvia mensual de
España entre los años hidrológicos 1970/71-2000/01. Se añaden las casi 800 series de
Portugal, también completadas. Los patrones utilizados son los expuestos en los apartados
anteriores. La interpolación de residuos se ha realizado mediante los tres procedimientos
mencionados, IDW, RST y KO. Finalmente, se ha calculado la lluvia media anual de ese
periodo. La Figura 121 muestra las desviaciones (%) entre mapas de lluvia media anual entre
cada pareja de métodos, KO respecto a IDW (a), RST respecto a KO (b) y RST respecto a
IDW (c). Se comprueba que los promedios de lluvia alcanzados entre los tres métodos son
similares con desviaciones mayoritariamente comprendidas entre el -10% y 10%.

Interpolación de residuos por KO Interpolación de residuos por RST Interpolación de residuos por RST respecto a
respecto a IDW respecto a KO IDW (c)

Figura 121. Desviación (%) del promedio anual de lluvia 1970/71-2000/01

Sin embargo, al combinar los resultados del IDW con KO y RST se revelan problemas
estructurales del primero, IDW. La imposición de una función de continuidad espacial (KO) o
de un tipo de funciones que las representan (RST) hace lógicamente mayor el peso de la
información regional. IDW es por tanto más sensible a la disposición de datos y a su
variabilidad. Las diferencias entre RST y KO (Figura 121-b) están más suavizadas por la
misma razón. Las siguientes figuras (Figura 122 a Figura 132) muestran perfiles trasversales
de lluvia media anual y altitud en msnm sobre la Península Ibérica. IDW muestra mayor
variabilidad respecto a los otros dos procedimientos, RST y KO.

231
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 122. Sección 1. Entre Portugal y el Atlántico en Cabo Ortegal

Figura 123. Sección 3. Entre costa atlántica en Barbate y cantábrica en Castrillón

Figura 124. Sección 5. Costa mediterránea en Almuñécar y cantábrica en Santander

232
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 125. Sección 7. Aproximadamente entre Mazarrón y Sangüesa

Figura 126. Sección 9. Costa mediterránea en Cambrils hasta el Pirineo

Figura 127. Sección 2. Guadalquivir en Sanlúcar de Barrameda y costa mediterránea en Almería

233
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 128. Sección 4. Portugal en Rosal de la Frontera y Mediterráneo en San Pedro del Pinatar

Figura 129. Sección 6. Portugal (cercana a Badajoz) y costa mediterránea en Gandía

Figura 130. Sección 8. Portugal y costa mediterránea en Benicasim

234
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 131. Sección 10. Frontera con Portugal y costa Mediterránea en Cambrils

Figura 132. Sección 12. Costa atlántica en Vigo y la mediterránea cerca de Las Rosas

La técnica de calibración cruzada (Isaaks y Srivastava, 1989) proporciona un criterio

cuantitativo para seleccionar el mejor procedimiento de interpolación de anomalías entre los
seleccionados, IDW, RST y KO. Los tres procedimientos se han aplicado a los residuos
mensuales de la serie temporal comprendida entre 1970/71 y 2000/01 y se han obtenido series
de error para su comparación. En cada mes se ha estimado el conjunto de errores entre la
anomalía o residuo y el valor interpolado utilizando el resto de anomalías o residuos, así como
el índice final (Tabla 12) del error medio absoluto, EMA (Figura 133) y de la mediana de los
errores (Figura 134). En la Tabla 12, s(ui) es el valor interpolado de la anomalía en cada punto
i considerando únicamente las anomalías de registros en las proximidades de i; r(ui) es el
valor de la anomalía del registro de lluvia en i. Del conjunto de índices de error, se han
seleccionado los EMA y la mediana de errores. EMA evita la compensación entre errores
positivos y negativos; la mediana, la influencia de los extremos en el estadístico de contraste.
Al obtener la mediana de los errores se destaca el efecto de la corrección de sesgo en el
tratamiento previo de residuos, únicamente usada en el krigeado mediante la transformación
de Box-Cox (Ec. 6-8). El resto de diferencias, tal como ya se ha comprobado en términos de
lluvia, no son pronunciadas lo que hace pensar en que la importancia de la elección de
métodos es menor que la disponibilidad de datos y densidad de la red.

235
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Denominación Ecuación

Error medio, EM Ec. 6-9. Error medio

n n

∑ ei
i =1
∑ (s(u ) − r (u ) )
i =1
i i
EM = =
n n

Error medio absoluto, EMA Ec. 6-10. Error medio absoluto

n n

∑e
i =1
i ∑ (s(u ) − r (u ))
i =1
i i
EMA = =
n n

Error relativo medio, ERM Ec. 6-11. Error relativo medio

∑ (s(u ) − r (u ) )r (u )
n
i i

i =1 i
ERM =
n

Error estándar relativo, ESR Ec. 6-12. Error estándar relativo

n 2
 s (ui ) − r (ui ) 
∑ 
i =1 
r (u )
i 

ESR =
n

Coeficiente de eficiencia, CE Ec. 6-13. Error medio cuadrático

n n

∑ (r (ui ) − mr ) − ∑ (s(u i ) − r (ui ))

2 2

i =1 i =1
CE = n

∑ (r (u ) − m )
2
i r
i =1

Tabla 12. Índices de error

236
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

1
KO12p
IDW4p
0.9
IDW12p
RST
0.8

0.7

0.6
MAE

0.5

0.4

0.3

0.2

0.1

0
oct-70

oct-71

oct-72

oct-73

oct-74

oct-75

oct-76

oct-77

oct-78

oct-79

oct-80

oct-81

oct-82

oct-83

oct-84

oct-85

oct-86

oct-87

oct-88

oct-89

oct-90

oct-91

oct-92

oct-93

oct-94

oct-95

oct-96

oct-97

oct-98

oct-99

oct-00
Figura 133. Calibración cruzada. Serie EMA
oct-70

oct-71

oct-72

oct-73

oct-74

oct-75

oct-76

oct-77

oct-78

oct-79

oct-80

oct-81

oct-82

oct-83

oct-84

oct-85

oct-86

oct-87

oct-88

oct-89

oct-90

oct-91

oct-92

oct-93

oct-94

oct-95

oct-96

oct-97

oct-98

oct-99

oct-00
0.15
KO12p
IDW4p
IDW12p
0.1
RST

0.05
Mediana

-0.05

-0.1

-0.15

Figura 134. Calibración cruzada. Serie mediana de los errores

Se ha realizado además una prueba para comprobar el mantenimiento de los niveles de

calidad de las estimaciones conforme se reduce el número de datos de la interpolación.
Consiste en eliminar aleatoria y acumulativamente un porcentaje fijo de estaciones y
comprobar cómo varían los errores respecto a la disponibilidad completa de estaciones. Los
índices se calculan con los mapas de lluvia media anual correspondientes al total de
información y al 80%, 60% y 40% de datos de la red. Con este criterio se hacen patentes las
ventajas de los procedimientos RST y KO respecto al IDW. Los índices de error de la tabla
anterior (Tabla 12) se han aplicado a los sucesivos resultados obtenidos utilizando el conjunto
total de datos y reducciones aleatorias del 20%, 40% y 60%. Los peores resultados se
alcanzan con el procedimiento de interpolación IDW, mientras que tanto los errores del KO
como del RST se mantienen parejos en la mayor parte de los índices seleccionados (Figura
135).

237
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

100 60.00
IDW IDW
95 RST RST
90 KO 50.00
KO
Eficiencia (%)

85
40.00

ema (mm)
80
75 30.00
70
65 20.00

60
10.00
55
50 0.00
20% 40% 60% 80% 100% 20% 40% 60% 80% 100%
% de estaciones en uso % de estaciones en uso

2.50 0.20
IDW IDW
0.18
2.00 RST RST
KO 0.16 KO
1.50 0.14
0.12
1.00
esr
0.10
erm

0.50 0.08
0.06
0.00 0.04
20% 40% 60% 80% 100%
0.02
-0.50
0.00
-1.00 20% 40% 60% 80% 100%
% de estaciones en uso % de estaciones en uso

Figura 135. Índices de error conforme a la disponibilidad de datos

6.3 RESULTADOS FINALES

6.3.1 MAPA DE LLUVIA MEDIA ANUAL

El promedio de lluvia medio anual en España es de unos 655 mm/año durante el periodo
1970/71-2000/01. Las mayores precipitaciones, superiores a los 2000 mm anuales, se alcanzan
en la fachada noroeste de la Península Ibérica, así como en algunas zonas de la Cordillera
Cantábrica y Pirineo Oriental. Sin llegar a la cifra anterior, se encuentran la sierra de Gredos y
sierra de Ronda al sur. Las menores lluvias se dan en zonas de costa del sureste, a sotavento
de Sierra Nevada y en las islas de Fuerteventura y Lanzarote.
La Figura 136 muestra el mapa de precipitación total anual promediado en el periodo
comprendido entre los años hidrológicos 1970/71 y 2000/01. Cada mapa mensual
comprendido en este periodo, se ha obtenido interpolando los residuos de lluvia mensual
registrada mediante krigeado ordinario para componerlos posteriormente con los patrones de
medias y desviación típica de cada mes. De los mapas mensuales se deriva por suma cada
mapa de lluvia anual, cuyo promedio es el representado en la Figura 136.
Respecto a la reciente publicación del Atlas Climático Ibérico de la AEMET, se comprueba
visualmente la similitud de ambos mapas que, prácticamente, utilizan el mismo periodo
temporal. Los máximos de lluvia son superiores a los 2.000 mm/año y se dan en la costa
occidental de la Península Ibérica, entre el sur de Galicia y Portugal; los mínimos en las islas
orientales del Archipiélago Canario y en el sureste Peninsular, a sotavento de la cordillera
Penibética si se consideran los frentes húmedos procedentes del Atlántico.

238
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Es también de interés destacar que la lluvia crece conforme lo hace la altitud, pero las
mayores lluvias no se dan en las mayores cotas del Pirineo, Sistema Central o Sierra Nevada,
sino en aquellas áreas expuestas al influjo de los frentes atlánticos.

Figura 136. Precipitación media anual durante el periodo 1970/71-2000/01 en España y Portugal

Respecto a la estimación de lluvia media anual del LBAE, el mapa de la Figura 136 o su
equivalente calculado para el periodo comprendido entre los años hidrológicos 1940/41-
1995/96 muestra una serie de diferencias con repercusiones en la parametrización de los
modelos de evaluación de los recursos hídricos. Las más importantes diferencias aparecen en
cabecera de la cuenca del Segre, como las del Ésera y Noguera Ribagorzana, en la Cordillera
Cantábrica y Picos de Europa hasta el País Vasco, en la Sierra de la Cabrera entre el Duero y
el Sil, en cuencas del Duero y Ebro alrededor del Moncayo y en la Sierra de Gredos,
especialmente en su cara sur. En todas estas áreas de cota alta, las lluvias estimadas durante la
elaboración del LBAE parecen demasiado altas. Sin embargo, la estimación más reciente da
lluvias mayores en una orla que altitudes medias que rodea a las áreas anteriores.

6.3.2 GRADIENTE ALTITUDINAL DE LA LLUVIA

Los patrones de lluvia obtenidos mediante regresión lineal en ventanas móviles representan la
lluvia media y desviación típica mensual variables estacionalmente (Figura 113 y Figura 116).
En cada celda se ha calculado la precipitación mediante regresión con los registros más
cercanos de orientación similar a la de la celda de cálculo. El ajuste utilizado en las zonas de
altitud suaviza la extrapolación a las mayores cotas mediante transformaciones logarítmicas y
dotando de mayor peso a los puntos más cercanos al de estimación. De esta manera, el
gradiente altitudinal de la lluvia adopta una curvatura convexa en altitudes superiores a los
1.600 ó 1.700 msnm tal como se muestra en la Figura 137, corrigiendo la tendencia creciente

239
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

de la estimación del LBAE (MARM, 2000a). En la Figura 137 se representan las evoluciones
de la lluvia media registrada y completada (series COM) en estaciones AEMET en la
secuencia de franjas de altitud de 200 m de ancho.

Figura 137. Comparativa de los gradientes altitudinales de la lluvia estimados

Un aspecto de interés es el cálculo regional de la variación de lluvia en diferentes cotas. La

Figura 138 muestra un conjunto de regiones en las que se ha dividido el territorio de España
para el seguimiento del estado hidrológico en el denominado Sistema de Información del
Estado Hidrológico, SIEH. Las regiones se han delimitado atendiendo a agrupaciones de
sistemas de explotación y de generación de recurso. Su extensión es razonable para ofrecer
resultados medios areales de la variación de la lluvia en altitud.

240
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 138. Regiones del SIEH en España

Las figuras siguientes (Figura 139 a Figura 148) muestran los gradientes altitudinales de la
lluvia anual estimados a partir de la lluvia media areal en franjas de 200 m de altitud. Los
gradientes mayores se dan en territorios expuestos a los influjos de masas de aire húmedas del
Atlántico y la orografía alcanza una altura suficiente. También hay regiones en las que no se
aprecia gradiente altitudinal de la lluvia anual, tal como ocurre en regiones costeras y áreas
del Mediterráneo a sotavento de los frentes atlánticos. En este sentido, un contraste interesante
se observa en la Figura 144 con unas cuencas expuestas al Atlántico (Guadalete-Barbate) y
otras al Mediterráneo (sistemas I al V del Sur) a la sombra de Sierra Nevada (sistema V del
Sur). La evolución de los gradientes muestra generalmente un crecimiento suavizado de la
lluvia hasta cotas de lluvia máxima entre los 1.000 y 1.500 msnm, para proseguir con un
descenso e, incluso, un incremento posterior en algunas áreas con altitud suficiente.

241
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 139. Gradiente altitudinal de la lluvia en regiones del Norte de España

Figura 140. Gradiente altitudinal de la lluvia en regiones del Duero

242
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 141. Gradiente altitudinal de la lluvia en regiones del Tajo

Figura 142. Gradiente altitudinal de la lluvia en regiones del Guadiana

243
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 143. Gradiente altitudinal de la lluvia en regiones del Guadalquivir

Figura 144. Gradiente altitudinal de la lluvia en regiones del Sur de España

244
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 145. Gradiente altitudinal de la lluvia en regiones del Segura

Figura 146. Gradiente altitudinal de la lluvia en regiones del Júcar

245
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 147. Gradiente altitudinal de la lluvia en regiones del Ebro

Figura 148. Gradiente altitudinal de la lluvia en C.I. de Cataluña, Baleares y Canarias

Cabe destacar que los gradientes son variables estacional y espacialmente. Las Figura 149 y
Figura 150 muestran trayectorias o conjuntos de cortes del MDE (msnm) y del mapa de
lluvias medias anuales (mm/año). En cada trayectoria se extraen los datos de cota y lluvia para
presentarlos en las figuras señaladas. Todos se representan superpuestos desde un punto de
vista perpendicular al conjunto. Las trayectorias intermedias del conjunto y la media de los
datos de cada conjunto de trayectorias se destacan con línea gruesa.

246
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 149. Trayectorias del MDE y lluvia media anual interpolada en la Cordillera Cantábrica

La lluvia en la Cordillera Cantábrica (Figura 149) es función de factores como los mostrados
en la gráfica: proximidad entre la costa y un escalón orográfico pronunciado. Las lluvias
medias anuales se mantienen en valores constantes espacialmente hasta llegar a las cotas más
altas. Más claro es el efecto orográfico en la vertiente de la cuenca del Duero, con reducciones
de lluvia entre las cotas altas y la llanura de 500 y 600 mm anuales.
En el Pirineo y cabeceras del Ésera y Noguera Ribagorzana (Figura 150) los resultados de la
interpolación muestran un suave ascenso de la lluvia de unos 400 mm hasta llegar a los
aproximadamente 1.100 mm/año en relieves que rodean al macizo central donde se mantienen
las lluvias de 1.000 mm/año en media.

Figura 150. Trayectorias del MDE y de lluvia media anual en cabeceras de margen derecha del Segre

Finalmente, la Figura 151 muestra el gradiente orográfico obtenido como cociente entre el
desnivel entre dos celdas y la diferencia de lluvia entre esas dos mismas celdas (máxima

247
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

pendiente según modelo D828). Los gradientes mayores se alcanzan en zonas de montaña y,
preferentemente, en la fachada atlántica. En llanuras y fondos de valle aparecen gradientes
menores e incluso negativos. Éstos también se dan hacia el este de los Picos de Europa,
extendiéndose hacia la divisoria norte del Ebro, y en la Sierra de Gredos. Sobre el Pirineo se
encuentra una banda de altos gradientes en relieves que rodean a las cumbres más altas.

Figura 151. Gradiente actitudinal de la lluvia anual

6.3.3 VARIABILIDAD DE LA LLUVIA ANUAL

Si se amplía el periodo de interpolación desde el año hidrológico 1940/41 hasta el 2008/09, la

media no cambia significativamente. La Figura 152 muestra la evolución de la lluvia total
anual del último periodo. Se ha superpuesto la media móvil de 11 años para destacar los
ciclos húmedos de los años 60 y los secos de los años 50 y 90. Las tendencias del total de la
serie, las de los datos superiores al tercer cuartil o las de los inferiores al primer cuartil son
prácticamente estacionarias.

28
El modelo D8 de direcciones de drenaje es el que discretiza la dirección de drenaje de una gota de agua de una
celda a una de las 8 que la rodean siguiendo la máxima pendiente o máximo desnivel

248
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 152. Serie de lluvias anuales en España

La serie anterior se desagrega en unidades territoriales menores, tal como se muestra en las
figuras siguientes, Figura 154, Figura 155 y Figura 155. Representan las lluvias anuales de
territorios esenciales desde el punto de vista de la planificación hidrológica en España. Se
trata de la cuenca del Ebro, la cabecera del Tajo y cuenca del Segura. Las lluvias del Ebro,
con una extensión de casi 90.000 km2 dan una media anual muy similar a la de la cabecera del
Tajo, pero con menor variabilidad sustancialmente menor. La tendencia de las lluvias del
Ebro no muestran apenas ninguna tendencia. En el caso de la cabecera del Tajo y la cuenca
del Segura, las tendencias de los años húmedos son descendentes pero sin llegar a ser
estadísticamente significativas al aplicar un test de Mann Kendall.

Figura 153. Serie de lluvias anuales en la cuenca del Ebro

249
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Figura 154. Serie de lluvias anuales en la cabecera del Tajo

Figura 155. Serie de lluvias anuales en la cuenca del Segura

6.3.4 IMPLEMENTACIÓN DE LA SERIE DE MAPAS DE LLUVIA MENSUAL Y

DEL MODELO DE INTERPOLACIÓN EN LA EVALUACIÓN DE
RECURSOS HÍDRICOS DE ESPAÑA

El modelo cuasidistribuido de Témez se ha venido utilizando en la evaluación de recursos

hídricos en España. La evaluación del LBAE constituyó un hito en su momento por la escala
temporal y espacial utilizada, con integración de las fases atmosférica, superficial y
subterránea del ciclo hidrológico. En el apartado 1.1.3, Figura 3 y Figura 4 se mostraron los
procesos que contempla la versión cuasidistribuida del modelo de Témez implementada en
SIMPA y se detallaron los problemas encontrados en el tratamiento de las lluvias.

250
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

Igualmente, se describieron los problemas de calibración y de calidad de la información

hidrológica. La calibración de parámetros del modelo del LBAE se apoyó en un conjunto de
puntos de medida de series en régimen natural con un origen diverso. En cuencas de cabecera,
fue posible seleccionar series registradas en estaciones de aforo y otras estimadas por balance
de entradas en embalses cuando se contaba con registros sobre la variación del volumen
embalsado y las salidas por órganos de desagüe. En tramos medios y bajos, se disponía de
series restituidas elaboradas para los Planes Hidrológicos de cuenca por simulación o
restitución de alteraciones (MARM, 2000a).
Los parámetros de los que dependen las leyes que simulan procesos hidrológicos se
relacionaron con información fisiográfica como la delimitación de acuíferos, la topografía, los
usos de suelo o las litologías, entre otras. Desde el momento de elaboración del LBAE se ha
ido actualizando esta información. Entre los cambios más importantes, hay que destacar la del
mapa topográfico nacional y la digitalización del mapa 1:25.000 del IGN, así como la
adopción de las denominadas masas de agua subterránea en sustitución de las unidades
hidrogeológicas con las que se trabajaba desde la publicación del Libro Blanco de las Aguas
Subterráneas (MIE y MOPTMA, 1995) y de los Planes Hidrológicos de cuenca.
La información fisiográfica actualizada permite mejorar el apoyo físico de la simulación
hidrológica y realizar nuevas formulaciones de los mismos. De la misma manera, se han ido
introduciendo nuevos modelos de interpolación de variables climáticas como la precipitación
y las temperaturas, en sus variantes de temperatura media de las máximas, mínimas y medias
diarias, para la estimación de la evapotranspiración potencial, ETP.
Las series de precipitación estimadas en el contexto del presente trabajo presentan diferencias
con las estimaciones realizadas en el LBAE en España. Los valores medios se reducen de los
casi 680 mm/año a los casi 650 mm/año. Localmente se han destacado (apartado 6.3.1) las
existentes en valores medios de áreas como la cabecera del Segre, la Cordillera Cantábrica y
áreas del País Vasco, Sistema Central y noroeste Peninsular.
La ETP en la más reciente evaluación de recursos se ha estimado con el modelo de
Hargreaves recomendado en el informe FAO 56 (Allen et al., 1998), habiendo interpolado las
temperaturas según el mismo procedimiento descrito en la presente tesis. Las regresiones de
la temperatura con la altitud son negativas y de mayor consistencia que las de la lluvia.
Respecto a la estimación del LBAE, los valores de ETP obtenidos son similares, aunque son
menores en el sector noroccidental de la Península, en las cuencas del Miño, Sil y Galicia
Costa y en el área comprendida desde el valle del Ebro al Sistema Ibérico y cabecera del Tajo.
Son incluso mayores los valores de ETP anual obtenidos en áreas de la Cordillera Cantábrica,
Pirineos, Sistema Central y Sierra de Ronda. Éstas últimas son áreas donde el modelo de
interpolación ha reducido la cantidad de lluvia estimada en las mayores altitudes respecto a
las extrapolaciones del LBAE.
Al cambiar la distribución espacial de ambas variables, lluvia y ETP, surge el problema de la
calibración de parámetros. Se ha enfocado la cuestión sobre los mecanismos de generación de
escorrentía implementados en el modelo de Témez y sobre el parámetro de capacidad máxima
de almacenamiento en el suelo, único elemento de regulación en el modelo capaz de
almacenar agua detraída de la lluvia para su evapotranspiración en momentos sucesivos.
El modelo de Témez contempla los volúmenes de escorrentía generados mediante una
formulación similar a la del modelo número de curva basada en un umbral de escorrentía y
una ley no lineal de transformación de lluvia en excedente. Para mantener los mismos niveles

251
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

de error del LBAE respecto a los volúmenes registrados en las estaciones de aforo, se ha
reformulado la caracterización del parámetro capacidad máxima de almacenamiento en el
suelo. En el LBAE este parámetro dependía únicamente de los usos de suelo, con mayores
valores en usos de mayor estructura como los arbóreos. De acuerdo a esto, a las áreas de
montaña con vegetación boscosa se les asignaron los mayores valores de capacidad de
almacenamiento de agua en el suelo, independientemente de las texturas o de las pendientes
del terreno. En la más reciente evaluación de recursos nacional se han incorporado factores
como la pendiente y la textura en la estimación de la capacidad máxima de almacenamiento
en el suelo. En las cabeceras de montaña, este parámetro se reduce conforme aumenta la
pendiente y la textura, lo que supone el aumento de la escorrentía generada y de los
volúmenes de escorrentía directa e infiltración. El alcance de este efecto se limita a las más
altas cotas y pendientes de las áreas señaladas en el apartado 6.3.1 ya que, en cotas medias y
precordilleras, se han estimado mayores cantidades de lluvia.
En definitiva, la estimación de la distribución espacial de las lluvias y la incertidumbre de su
estimación en áreas de alta montaña es un factor de la principal importancia en los estudios de
recursos. Es evidente que limita el influjo de agua para la movilización del resto de procesos
del ciclo hidrológico. Pero por otro lado, se revela en la práctica que los valores de un
conjunto de parámetros asumen la incertidumbre de variables y procesos representados en el
modelo hidrológico. Nuevos patrones de lluvia mensual como los estimados en el contexto de
la presente tesis, suponen la necesidad de adoptar nuevos valores de los parámetros
hidrológicos o, incluso, reconsiderar su estructura.

6.4 SÍNTESIS
Se ha propuesto un procedimiento híbrido de interpolación consistente en la utilización de
patrones mensuales de lluvia media y desviación típica mensual y en la interpolación de
residuos aplicando un krigeado ordinario con optimización automática de parámetros y
corrección del sesgo de las anomalías. Esta propuesta distingue entre el tratamiento local de la
variabilidad estacional de la lluvia (mapas de patrones mensuales) y un tratamiento regional
dependiente de los esquemas de circulación general atmosférica (interpolación de residuos).
Una vez completadas las series pluviométricas, se llega a disponer de más de 8.000 estaciones
en toda España. Las medias y desviaciones típicas mensuales se interpolan en casi 12.500.000
de celdas de resolución 200 m de España. Se añaden casi 800 series completadas y la
superficie de Portugal para llegar a casi 15.000.000 de celdas. La razón de utilizar una
resolución tan alta (200 m) es reducir al máximo el efecto del sesgo entre los estadísticos de
una estación y los de una celda del dominio de cálculo. No obstante, se ha comprobado que la
utilización de la resolución habitual en estudios hidrológicos a escala nacional (500 m) no
implica una diferencia significativa en los resultados alcanzados.
Los patrones de lluvia se estiman utilizando modelos de regresión en los que la altitud es la
variable predictiva y la orientación del terreno es una variable auxiliar para seleccionar la
muestra de datos. Considerando la variabilidad e incertidumbre de los procesos que dan lugar
a la lluvia en la montaña y el problema principal de la red de medida, como es la falta de
densidad de registros en zonas altas, en los procedimientos de interpolación se adoptan dos
técnicas.
En primer lugar, ante la incertidumbre de la lluvia, se aumenta el peso de los pluviómetros
más cercanos a cada celda en la que se estima la lluvia media mensual. Es decir, en cada celda

252
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

se formula una ecuación de regresión dependiente de datos cercanos y los parámetros de la

ecuación, pendiente y término independiente, se hacen depender del punto en el que se va a
calcular la lluvia en función de la altitud o su transformada.
En segundo lugar, se transforman las altitudes con una ecuación logarítmica, una de cuyas
propiedades es reducir la escala en el dominio de valores altos y aumentarla en los bajos.
Desde otro punto de vista, esta transformación impone una curvatura convexa a la relación
entre altitud y lluvia que es acorde a planteamientos teóricos simplificados que describen un
decrecimiento de los incrementos de lluvia con la altitud. La transformación logarítmica se
aplica de igual manera a otras relaciones entre altitud o lluvia para ampliar o reducir la escala
de estas variables, aunque su efecto es menor, bien porque la sensibilidad de los resultados es
menor con lluvias reducidas o bien porque en zonas de altitud reducida la densidad de la red
pluviométrica es mucho mayor.
Los tiempos de proceso para plantear tantas ecuaciones de regresión como celdas no son un
problema para estimar los 12 mapas de patrones de media mensual, mientras que sí lo serían
si se quisiera interpolar las series de lluvia total mensual siendo el número de mapas mayor
que unos 850 en una simulación entre los años hidrológicos 1940/41 y 2010/11. En el
procedimiento propuesto, esta serie de mapas se interpola en términos de anomalías, con un
krigeado ordinario optimizando los parámetros del semivariograma. El ajuste e interpolación
con 12 y 18 puntos se realiza en tiempos razonablemente cortos, lo que permite la
implementación posterior de los procesos hidrológicos de los modelos de evaluación de
recursos hídricos. Los 12 mapas patrón de desviación típica mensual de la lluvia se obtuvieron
comprobada la proporcionalidad con las medias y por krigeado ordinario del coeficiente de
variación, lo que también supuso un considerable ahorro de tiempo de proceso.
Una cuestión discutible es el procedimiento de validación seguido. Un criterio básico es la
comparación con algún otro tipo de estimación realizada sobre la precipitación en España y
evolución temporal a la escala mensual. Desde este punto de vista, solamente se dispone de la
información generada durante el proceso de planificación hidrológica y LBAE. Esta
información fue elaborada con criterios de inverso de distancia, regresiones locales y filtrado
de información redundante. Pero son precisamente estos resultados los que se pretenden
mejorar con un nuevo modelo de interpolación. Los resultados del Atlas Climático Digital de
la Península Ibérica no se han podido utilizar por la dificultad de descarga y manejo del SIG
MiraMon en el que se distribuyen. Tampoco, por su inmediatez los del reciente Atlas
Climático Ibérico de la AEMET, de abril de 2011 que mejoran aparentemente el aspecto de
los mapas de lluvia del primer Atlas mencionado utilizando una metodologías similares.
La validación ha seguido entonces dos caminos conforme al esquema de interpolación de los
datos de lluvia. El primero corresponde a la validación de los patrones de lluvia mensuales. El
segundo, a la optimización de los modelos de interpolación de las anomalías o residuos.
La validación cruzada es la técnica de análisis de estimación de errores de interpolación más
usualmente utilizada. Consiste en la determinación del error resultante de la comparación de
cada dato y el valor resultante en esa localización de la interpolación que usa únicamente el
resto de datos. El problema de esta técnica es que el error es representativo si la muestra es
estacionaria o, incluso, si la muestra recoge suficientemente la variabilidad del fenómeno,
factores ambos que no se dan en el conjunto del territorio español. La validación cruzada
pondera idénticamente cada dato y la estimación del error resulta sesgada a las condiciones de
ajuste de áreas donde la densidad de la red o la continuidad espacial es mayor.

253
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

No obstante, la aplicación en los patrones mensuales del procedimiento de calibración cruzada

en áreas de altitud mayor a 1.700 msnm permite concluir, siendo el número de datos reducido,
la mejora de las estimaciones de regresión con variable transformada y ponderación frente a la
regresión lineal directa entre lluvia y altitud. Los errores medios varían mensualmente, pero se
han cifrado entre un 5% y un 10% al 15%.
Se han presentado los resultados alcanzados mediante el coeficiente de determinación R2.
Como cabe esperar, en zonas de valle o llanuras donde la variabilidad de la altitud y la lluvia
se reducen, se obtienen bajos valores de R2. Este coeficiente también permite destacar
aquellas otras zonas en las que la altitud no es una buena variable regresora, bien por
problemas de la red de medida, que no capta la variabilidad espacial de la lluvia, bien porque
esa variabilidad es suficientemente compleja para ser tratada únicamente con procedimientos
experimentales. Ambas conclusiones conducen a la identificación de áreas en las que es
importante aumentar la red de medida o buscar explicaciones físicas que aclaren el
comportamiento de la lluvia o permitan seleccionar las variables mejor relacionadas con su
variabilidad.
Bajo las hipótesis adoptadas en este trabajo, la interpolación de anomalías o residuos
mensuales, dependientes de los esquemas de circulación general atmosférica, sí son
evaluables mediante procedimientos de validación cruzada. Con esta técnica, se ha encontrado
que los métodos de interpolación como el krigeado y el planteamiento variacional dan
mejores resultados al caracterizar la continuidad de la variable interpolada. El método de
inverso de distancia al cuadrado depende únicamente de la disponibilidad de información en
el entorno de cada punto y sus resultados son peores que los alcanzados con los anteriores
métodos. Otro factor destacable es la corrección del sesgo de las muestras de anomalías para
mejorar en la interpolación la representación de los datos menos frecuentes.
La interpolación de anomalías también ha sido evaluada mediante el diseño de un ensayo de
eliminación aleatoria de estaciones. Dado un conjunto de estaciones, se ha interpolado la serie
mensual completa de lluvias utilizando los métodos de krigeado ordinario, planteamiento
variacional e inverso de distancia al cuadrado sobre las anomalías. Con ellos se ha calculado
la lluvia media anual y se ha ido comparando cada resultado obtenido con un número
reducido de estaciones con el correspondiente al total de estaciones. Se van obteniendo así
diferentes medidas de error que vuelven a destacar las bondades de los métodos de krigeado y
variacionales respecto al inverso de distancia, que no realiza ninguna hipótesis sobre la
continuidad espacial de las variables. En términos de un coeficiente de eficiencia, mientras las
interpolaciones con krigeado y planteamiento variacional se mantienen en valores superiores
casi al 95%, los resultados del inverso de distancia bajan hasta el 75%.
Los resultados del modelo de interpolación implementado han permitido estimar la serie de
mapas de lluvias mensual desde el año 1940/41 hasta prácticamente la actualidad. El nuevo
mapa de lluvias anuales muestra una estimación de lluvias diferente respecto al LBAE en
áreas como la cabecera del Segre, Cantábrico y Vascongadas. La media anual en toda España
es de unos 655 mm/año.
La serie de lluvias estimada en la presente tesis se ha implementado en el modelo de
evaluación de recursos hídricos utilizado en el LBAE y en el proceso de planificación
hidrológica. Ha supuesto la necesidad de reparametrizar el modelo, abriendo la posibilidad de
incluir factores fisiográficos como las texturas del suelo o las pendientes en la calibración del
parámetro capacidad máxima de almacenamiento del suelo del que depende, y así se formula

254
6. Aplicación a España de una Metodología para la Estimación de la Distribución Espacial de la Precipitación

particularmente en el modelo de Témez, la ley de generación de escorrentía. De otro lado, la

necesidad de una reparametrización del modelo, subraya la importancia de la distribución
espacial de las lluvias y de cómo la incertidumbre de su tratamiento se traslada al valor de los
parámetros de un modelo hidrológico.

255
7. Conclusiones

7 CONCLUSIONES

7.1 SÍNTESIS FINAL

Los modelos hidrológicos manejan distintas fuentes de incertidumbre derivadas de la
representación simplificada de los procesos del ciclo hidrológico, del conocimiento impreciso
del medio, de los valores de los parámetros y su representatividad espacial y temporal, de la
escala de trabajo, de la resolución de las ecuaciones que los representan y de las variables
involucradas en la simulación. La precipitación es el principal influjo de los modelos
hidrológicos cuya incertidumbre de estimación se propaga al resto de procesos de ella
dependientes.
Dado que la incertidumbre es mayor en zonas de orografía compleja, debido a la
heterogeneidad de la respuesta de la precipitación, el objetivo principal de esta tesis ha sido la
creación de una metodología para la estima de la precipitación en zonas montañosas a escala
mensual y su posterior aplicación a la mejora de la estima de la precipitación en España. Para
ello se ha propuesto un modelo que se ha definido como híbrido, ya que combina las técnicas
de regresión en ventanas móviles de medias y desviaciones típicas sobre un modelo digital de
elevaciones (MDE) de 200 m de resolución y la interpolación mediante un modelo de
krigeado de la serie mensual de anomalías de precipitaciones respecto a las medias y
desviaciones típicas mensuales.
Las regresiones en ventanas móviles se han formulado en cada una de las más de 15.000.000
de celdas en las que se discretiza el territorio de España y Portugal de cada uno de los 12
mapas de medias mensuales. Dado que la lluvia varía estacionalmente y en función de
factores locales como son la situación respecto a la costa y la orografía, el enfoque local se ha
considerado apropiado después de contemplar la variabilidad de tipos de tiempo derivados del

257
7. Conclusiones

análisis en componentes principales de la lluvia anual y estacional en España y de comprobar

la alta variabilidad de la lluvia en distancias relativamente cortas.
Así pues, en cada una de las celdas en las que se ha discretizado el territorio de España y
Portugal se ha planteado una ecuación de regresión entre la altitud y la lluvia media mensual.
La orientación del terreno se ha utilizado para seleccionar muestras que responden a las
mismas condiciones de exposición a los frentes húmedos. El mismo procedimiento se podría
haber seguido para estimar las desviaciones típicas de la lluvia mensual, pero la existencia de
una alta correlación lineal entre las medias y desviaciones típicas, simplifica el problema,
siendo suficiente la interpolación de los coeficientes de variación, que pueden considerarse
localmente estacionarios.
Estudios teóricos y experimentales, así como el análisis realizado en esta tesis, muestran
consideran la existencia de una cota a partir de la cual la lluvia decrece o ya no aumenta por el
agotamiento de la masa de agua precipitable. Esta razón justifica el que se haya evitado el uso
de ecuaciones de regresión lineal que extrapolaran linealmente la relación entre altitud y
lluvia a las cotas más altas y que se adoptaran ecuaciones con una curvatura suavizada de tipo
convexo. Teóricamente, este aspecto no es definitivo ya que existen otros factores físicos y
termodinámicos que alteran la continuidad de este tipo de curvas. Entre ellos cabe considerar
la variabilidad el expresado en términos del factor orográfico OFA, producto vectorial de la
velocidad del viento y del gradiente orográfico. Este factor predice incrementos de lluvia
mayores allá donde las pendientes del terreno o las velocidades del viento sean mayores.
Se han estimado mapas correspondientes a distintas fechas que delimitan áreas en España con
un número reducido de pluviómetros en las cercanías y que revelan deficiencias de la red de
medida de lluvia al no alcanzar los mínimos recomendados por la Organización
Meteorológica Mundial (OMM). Asimismo, se ha comprobado la escasez de registros en
cotas más altas y su importancia para definir la tendencia de la lluvia en tales cotas. Ambos
factores condicionan la utilidad de las ecuaciones de regresión cuyos parámetros se estiman
con datos registrados a una distancia importante de la celda de cálculo o con un peso alto de
los datos de lluvia registrados en cotas medias o bajas, extrapolando sus registros a las
mayores cotas. Por este motivo se han introducido dos técnicas en el modelo de interpolación.
La primera se ha basado en una transformación logarítmica en zonas montañosas ya que
reduce la escala de distancia entre estos los datos de cotas medias y altas. De la misma forma,
transformaciones similares se han utilizado para aumentar la resolución en valores bajos de
altitud de las zonas de costa donde se encuentran importantes gradientes de lluvia y escasas
variaciones de cota.
La segunda técnica implementada en las fórmulas de regresión lineal se ha referido a la
ponderación de los datos más relevantes en cada celda. La ecuación de regresión puede
entenderse como un ajuste por mínimos cuadrados cuando todos los puntos de la muestra
tienen la misma influencia en el resultado. Debido a la variación del gradiente de altitud, al
aislamiento de los puntos más altos y a la dificultad de manejar variables predictivas que
expliquen un alto porcentaje de la varianza, se ha optado por ponderar los datos para la
estimación de los parámetros de cada ecuación de regresión. El criterio de ponderación
utilizado es el inverso de distancia. Los datos más cercanos a cada punto de estimación son
los que más pesan para definir la pendiente y término independiente de cada regresión lineal.
Se aplica así el principio de geografía, en ausencia de otro tipo de información que permita
mejorar el esquema de ponderación. El modelo de regresión se puede calificar como

258
7. Conclusiones

conservador ante la incertidumbre derivada de zonas con baja densidad de registros donde los
fenómenos físicos que producen lluvia son complejos de reproducir, tal como ocurre en las
zonas de mayor altitud y en las cadenas montañosas.
Una vez planteado un modelo en medias y desviaciones típicas con enfoque local, han
quedado representadas en valores medios mensuales las componentes que proporcionan la
variabilidad local a la lluvia. De esta forma, en cada mes y año, se tiene una lluvia registrada
que, al filtrar las componentes de media y variabilidad, se transforma en una anomalía o
residuo mensual. Esta anomalía representará la componente de circulación general
atmosférica y podrá interpolarse mediante un krigeado ordinario después de optimizar los
parámetros del semivariograma. La interpolación de residuos es una superficie con valor en
todas las celdas del territorio. Una vez obtenida la superficie de anomalías con la
interpolación de anomalías, se ha compuesto con los mapas de media y variabilidad mensual
para estimar la lluvia de cada mes y año dados. Así se ha aplicado desde el año hidrológico
1940/41 hasta 2008/09, es decir, 69 años que, con 12 meses, dan un total de 828 mapas de
lluvia mensual en todo el territorio de España y Portugal.
La metodología propuesta ha integrado la variabilidad climática de las lluvias y de la
circulación de masas de aire húmedo en la formulación de un modelo híbrido. Los patrones
mensuales obtenidos por regresión en ventanas móviles han resuelto localmente la
variabilidad del grado de influencia en la lluvia de los parámetros fisiográficos como la
altitud, orientación y continentalidad o distancia a la costa. La interpolación de residuos se ha
centrado en el problema de la aleatoriedad, alcance y continuidad de los esquemas de
circulación general atmosférica. El planteamiento estadístico a escala mensual ha permitido
reducir el fenómeno al estudio de las relaciones entre las variables fundamentales sin
utilización explícita de un conjunto de causas y modelos físicos.
Frente a un procedimiento como el cokrigeado, el método híbrido de interpolación presenta la
ventaja de la facilidad conceptual con la que se manejan todos los términos del proceso de
interpolación, relaciones entre lluvia y altitud y continuidad de los residuos o anomalías. La
distribución de la lluvia es claramente no estacionaria, como no lo son tampoco las relaciones
que se pueden establecer con variables predictivas como la altitud. Frente a un krigeado
universal o con deriva externa, el ordinario presenta la ventaja de ser conceptualmente
suficiente, una vez han sido filtradas las componentes locales de media y desviación típica
mensual.
Los resultados del modelo híbrido de interpolación han permitido destacar áreas en las que es
necesario mejorar la densidad de la red o estimar mediante otras técnicas como el radar cuáles
son las evoluciones en altitud de la lluvia. El modelo híbrido se puede asimismo aplicar a
otras variables meteorológicas como las temperaturas medias, máximas y mínimas o a la
evapotranspiración potencial, también necesarias en la evaluación de recursos hídricos.
Determinada la serie de mapas de ETP, se han implementado con las lluvias en la versión
cuasidistribuida del modelo de Témez, lo que ha llevado a la necesidad de reparametrizar la
capacidad de almacenamiento máximo del suelo en zonas de montaña, considerando las
características texturales y las pendientes de los suelos. Los valores de este parámetro se
reducen respecto a los calibrados en evaluaciones anteriores.

259
7. Conclusiones

7.2 APORTACIONES ORIGINALES Y OBJETIVOS ALCANZADOS

En el capítulo inicial de esta Tesis se han propuesto cinco subobjetivos concretos relacionados
con la metodología en sí y con los resultados de la aplicación en España. El desarrollo de cada
uno de ellos ha conllevado nuevas aportaciones que se detallan a continuación.

7.2.1 ANÁLISIS DEL ESTADO DE LA RED PLUVIOMÉTRICA EN ALTURA E

IDENTIFICACIÓN DE ÁREAS DE EXPERIMENTACIÓN Y DE MEJORA DE
LA RED DE MEDIDA

Esta aportación se corresponde con el primer objetivo sobre la obtención de un diagnóstico de

la red de medida de la precipitación en España y de su capacidad para representar la
variabilidad de la lluvia y la orografía. Se ha analizado la densidad de la red pluviométrica en
el territorio y su evolución en el tiempo para destacar áreas donde el número de registros es
muy reducido o se sitúa incluso por debajo de los mínimos que indica la OMM. Los
resultados de la interpolación de lluvia son consecuencia de la estructura de la red
meteorológica y de la aplicación de ecuaciones de regresión que relacionan la lluvia y la
altitud. La relación entre ambas variables debiera ser creciente si se asume el ascenso forzado
sobre una ladera y el enfriamiento de una masa de aire. Pero la relación lineal se pierde
cuando el mecanismo de generación de lluvia se hace más complejo, por ejemplo, por factores
relacionados con la convergencia de masas de aire o la proximidad a la costa.
De esto se infiere la utilidad de índices como el coeficiente de determinación para identificar
áreas en las que, debido a la reducción de su valor, el fenómeno de lluvia se hace más
complejo. Esto hace recomendable aumentar la densidad de la red o elaborar estrategias de
medida con otras técnicas como el radar meteorológico y satélite para conocer el
comportamiento local de la lluvia.

7.2.2 COMPLETADO DE SERIES DE LLUVIAS

En el capítulo inicial de esta Tesis se ha mencionado la necesidad del completado de series

para la homogeneización y estimación de las lagunas de las series de registros. Así, un paso
intermedio para los desarrollos anteriores lo ha constituido el completado por regresión
bivariada con estacionalización previa para utilizar series con una disponibilidad homogénea
de resultados entre los años hidrológicos 1970/71 y 2000/01. Este procedimiento ha sido
usualmente utilizado en los trabajos de evaluación de recursos hídricos con apoyo de
regionalizaciones intermedias. En este caso, se ha diseñado un algoritmo de selección de las
estaciones más cercanas para ir completando cada unas de las más de 12.400 series históricas
de España y Portugal.
Una vez completadas las series, se pasa de unas 4.500 series en España hasta casi 8.000 lo que
representa un aumento del 70%. Además, el conjunto de series disponible se hace homogéneo
durante un periodo extenso que surge desde la década de los años 50.

7.2.3 GRADIENTE ALTITUDINAL DE LA LLUVIA

La mejora del conocimiento de la dinámica del proceso de la lluvia en altitud y a la

posibilidad de incluir variables predictivas siguiendo principios físicos y experimentales se
liga a la obtención de leyes de evolución regional de la lluvia y altitud, así como mapas de

260
7. Conclusiones

gradientes orográficos mensuales y anuales que permiten mejorar el conocimiento de la

variabilidad espacial de la lluvia. Respecto a ella se han destacado aspectos como la
interrelación entre lluvia y orografía de la costa cantábrica, el papel del relieve Pirenaico que
rodea a las mayores altitudes del macizo central o la pérdida de relación con la altitud en el
área de la Sierra de Gredos. En todo caso, siempre hay que destacar que estas conclusiones
están derivadas de un tratamiento de datos de lluvia registrados predominantemente en fondos
de valle y con escasez de información en altura.

7.2.4 MODELO HÍBRIDO DE INTERPOLACIÓN DE PRECIPITACIONES

La principal aportación original de la tesis se refiere a la propuesta de un modelo híbrido de

interpolación para su aplicación en la evaluación de los recursos hídricos en referencia a la
selección de técnicas de interpolación adaptables a los datos y conocimiento disponibles para
resolver mensualmente la estimación de la variabilidad de la lluvia a escala regional e
implementación de un método de interpolación de relaciones entre la precipitación mensual y
factores fisiográficos como la altitud y la orientación.
El procedimiento se descompone en dos pasos. Los factores locales se entienden
representados por mapas de medias y desviaciones típicas mensuales derivados de ecuaciones
de regresión en ventanas móviles; los factores de circulación general atmosférica, por
anomalías o residuos respecto a medias y desviaciones típicas, interpolados un krigeado
ordinario. El procedimiento se aplica a la totalidad del territorio nacional, a escala mensual y a
periodos temporales amplios como el abarcado en el proceso de planificación hidrológica. El
modelo híbrido de interpolación se adapta entonces a la variabilidad de la circulación de
masas húmedas al contemplar la variabilidad de anomalías; la variabilidad estacional y
regional de las lluvias y de las relaciones con los factores fisiográficos, al tratar con la
información disponible, medias y desviaciones típicas mensuales.
Se han aplicado criterios de validación comparando los resultados con un número reducido de
opciones, pero los criterios básicos para la composición de un modelo híbrido de
interpolación proceden de consideraciones teóricas y de la experiencia extraída de la
abundante bibliografía existente sobre la interpolación de lluvias. Son condicionantes la
extensión del dominio de trabajo y la escala mensual de cálculo. Por otro lado, dada la
variabilidad y el conjunto de factores intervinientes de carácter local como la altitud,
orientación, latitud, efecto barrera, proximidad al mar, configuración orográfica, etc., se ha
optado por elegir un procedimiento de regresión centrado en cada celda del modelo con
variabilidad mensual. Los procedimientos de cokrigeado con la altitud se descartan
inicialmente debido a la variabilidad de la lluvia en el territorio y a la de las relaciones con la
altitud, con coeficientes de correlación medios y bajos en muchas zonas. Filtradas las
componentes locales, representadas por media y desviación típica, los semivariogramas de los
residuos muestran continuidad e inducen al uso de modelos como el krigeado ordinario para
su interpolación.

7.2.5 APLICACIÓN DEL MÉTODO PROPUESTO A ESPAÑA

Finalmente, en referencia a la aplicación del modelo de interpolación a España, se ha obtenido

la serie de mapas de lluvia de España, completando el territorio de la Península Ibérica con
Portugal. Respecto a las estimaciones del Libro Blanco del Agua en España, LBAE, la lluvia
media derivada del conjunto de mapas finalmente obtenido es menor que la derivada de las

261
7. Conclusiones

estimaciones del LBAE en casi un 5% y la evolución de la lluvia media en altitud corrige los
altos valores alcanzados entonces.
Estos mapas se han utilizado en la evaluación de recursos hídricos de España. Aunque no es
objeto de la presente tesis, la misma metodología de interpolación se ha utilizado con otros
tres grupos de variables: las temperaturas medias de las medias, máximas y mínimas diarias.
Estos mapas permiten la estimación de series de mapas de una segunda variable atmosférica
de gran importancia en estudios de recursos hídricos, la evapotranspiración potencial, ETP.
Ambas series de mapas mensuales representativos de la fase atmosférica, precipitación y ETP,
se han implementado en la versión cuasidistribuida del modelo de Témez, lo que ha llevado a
la necesidad de reparametrizar la capacidad máxima de almacenamiento en el suelo en zonas
de montaña, considerando el conjunto de las características fisiográficas pendiente, texturas y
usos de suelo. El resultado final es una reducción de los valores de este parámetro respecto a
los deducidos durante la elaboración del LBAE.
Uno de los problemas prácticos con los que se enfrentan las evaluaciones de recursos hídricos
en España es la necesaria actualización de resultados para el seguimiento del estado
hidrológico. La metodología de interpolación de variables atmosféricas propuesta permite en
la práctica la continua actualización de las series de recursos hídricos conocido un número
reducido de registros de lluvia y temperatura. Para conocer el estado actual del tiempo y la
variabilidad de la circulación atmosférica general, la AEMET proporciona un número
reducido de registros de la denominada red sinóptica, compuesta por unas 90 estaciones
terrestres. Los patrones mensuales de lluvia y temperatura informan sobre la evolución local
de la lluvia, por lo que la composición con las anomalías, suficientemente representadas por la
red sinóptica de la AEMET, permite obtener estimaciones de lluvia y temperatura en España y
simular las principales variables hidrológicas mensualmente hasta el momento actual.

7.3 FUTURAS LÍNEAS DE INVESTIGACIÓN

7.3.1 ADAPTACIÓN DE LOS MODELOS DE INTERPOLACIÓN A CAMPOS DE
RADAR EN MONTAÑA

Los resultados de la experimentación TRMM en latitudes tropicales son valiosos en cuanto

representan el comportamiento de lluvia en regiones de altitud. El sistema de observación está
compuesto por un equipo de radar y otros sensores pasivos para estudios climatológicos.
Desde la posición del satélite, la lectura es vertical, evitando los problemas de lectura de áreas
con una orografía compleja. Desde el punto de vista de las técnicas de interpolación, la
información derivada de estos proyectos puede ser tratada para elaborar modelos regionales y
estructuras de variabilidad de la lluvia bajo influencia del relieve, lo que permitirá avanzar en
el conocimiento de las relaciones entre la lluvia y la altitud a las cotas más altas donde no se
dispone de una red de medida suficientemente densa.

7.3.2 IMPLEMENTACIÓN DE FACTORES CONVECTIVOS EN EL MODELO

HÍBRIDO DE INTERPOLACIÓN

El modelo híbrido de interpolación está diseñado para su utilización en series mensuales de

lluvia. Las series mensuales engloban eventos tormentosos de menor duración con una
componente aleatoria pronunciada. El objetivo del modelo es integrar elementos de
tratamiento de la variabilidad espacial de la lluvia, en especial, en lo que se refiere a los

262
7. Conclusiones

incrementos de lluvia en montaña, tal como fueron identificados en el LBAE por su

repercusión en la incertidumbre de los estudios de recursos hídricos.
No hay componentes o parámetros en el modelo relacionados con la representación de
componentes convectivas debido a que en la escala mensual parecen suficientemente
representados mediante media, la desviación típica y semivariograma mensual de residuos. Es
de esperar, sin embargo, que el paso a otras escalas temporales como las diarias, necesario en
el esquema de recursos para obtener información de otras variables hidrológicas no
contempladas a escala mensual, mejore la señal de estas lluvias y de su respuesta hidrológica.

7.3.3 IDENTIFICACIÓN DE HETEROGENEIDADES Y PROBLEMAS DE

CALIDAD EN SERIES DE LLUVIA MENSUAL

Los problemas de calidad en las series no fueron tratados bajo la hipótesis de compensación
de errores cuando se manejan grandes volúmenes de información. La tarea de aplicar criterios
homogéneos para la identificación de componentes artificiales en las series de registros de
lluvia es de una gran complejidad, especialmente si se considera que gran parte de esas
componentes son proporcionales a la variable registrada y del mismo orden de magnitud que
el de la variabilidad climática.

263
8. Abreviaturas y Símbolos

8 ABREVIATURAS Y SÍMBOLOS

265
8. Abreviaturas y Símbolos

8.1 ABREVIATURAS

ABREVIATURA SIGNIFICADO

AEMET Agencia Estatal de Meteorología. Antiguo INM, Instituto Nacional de

Meteorología

BOE Boletín Oficial del Estado. Ministerio de Presidencia

CEDEX Centro de Estudios y Experimentación de Obras Públicas. Ministerio de

Fomento y Ministerio de Medio Ambiente y Medio Rural y Marino

CEH Centro de Estudios Hidrográficos del CEDEX. Ministerio de Fomento y

Ministerio de Medio Ambiente y Medio Rural y Marino

CKC Cokrigeado colocalizado

CKS Cokrigeado simple

CKSC Cokrigeado simple colocalizado

CKO Cokrigeado ordinario

CKOC Cokrigeado ordinario colocalizado

CGIAR-CSI Consultative Group on International Agricultural Research - Consortium

for Spatial Information

DUA Desviación unitaria acumulada

GRASS Geographic Resources Analysis Support System

KD Krigeado con Deriva o Universal

KDE Krigeado con Deriva Externa

KO Krigeado Ordinario

KS Krigeado Simple

KSR Krigeado Simple sobre Residuos

KU Krigeado Universal o con deriva

IGME Instituto Geológico y Minero de España. Ministerio de Ciencia e

Innovación

IGN Instituto Geográfico Nacional. Ministerio de Fomento

266
8. Abreviaturas y Símbolos

ABREVIATURA SIGNIFICADO

INAG Instituto del Agua de Portugal

LBAE Libro Blanco del Agua en España. Ministerio de Medio Ambiente y

Medio Rural y Marino

MARM Ministerio de Medio Ambiente y Medio Rural y Marino

MDE Modelo Digital de Elevaciones

MDT Modelo Digital del Terreno

OMM Organización Meteorológica Mundial

ROEA Red Oficial de Estaciones de Aforo

SAIH Sistema Automático de. Información Hidrológica

SNIRH-INAG Sistema Nacional de Información de Recursos Hídricos del Instituto del

Agua de Portugal

SIAR Sistema de Información Agroclimática para el Regadío. Ministerio de

Medio Ambiente y Medio Rural y Marino

SIG Sistema de Información Geográfica

SIMPA Sistema Integrado de Simulación Precipitación Aportación

SRTM Shuttle Radar Topographic Mission

TRMM Tropical Rainfall Measuring Mission

8.2 SÍMBOLOS

SÍMBOLO SIGNIFICADO UNIDAD DE

MEDIDA

∆ Desviación, incremento o variación de la variable %

a Pendiente de la recta de regresión

b Término independiente de una recta de regresión

EM Error medio

EMA Error medio absoluto

267
8. Abreviaturas y Símbolos

SÍMBOLO SIGNIFICADO UNIDAD DE

MEDIDA

EMC Error medio cuadrático

EMR Error medio relativo %

p Presión del aire húmedo Pa

pd Presión del aire seco Pa

e Presión de vapor Pa

esat Presión de vapor de saturación Pa

ρv Humedad absoluta o densidad de vapor Kg/m3

ρa Densidad del aire húmedo Kg/m3

ρd Densidad del aire seco Kg/m3

ma Masa de aire húmedo Kg

md Masa de aire seco Kg

mv Masa de vapor de agua Kg

hr Humedad relativa %

qv Humedad específica Kg/Kg

qvas Humedad específica saturada Kg/Kg

R* Constante universal de los gases J/mol·K

Rv Constante del vapor de agua J/Kg·K

Ra Constante del aire húmedo J/Kg·K

Rd Constante del aire seco J/Kg·K

T Temperatura del aire ºC

z, z(x,y) Altitud en un punto de coordenadas x e y m

P o P(x,y) Precipitación en un punto de coordenadas x e y mm

268
9. Bibliografía

9 BIBLIOGRAFÍA

Abtew, W.; Obeysekera, J. y Shih, G., 1993. Spatial Analysis for Monthly Rainfall in South
Florida. Water Resources Bulletin. American Water Resources Association. Vol. 29, no. 2,
pp.: 179-188. Abril
AEMET, 2008. Generación de escenarios regionalizados de cambio climático para España.
VV.AA. Agencia Estatal de Meteorología. Ministerio de Medio Ambiente. ISBN: 978-84-
8320-470-2
AEMET, 2011. Atlas Climático Ibérico. VV.AA. Agencia Estatal de Meteorología. Ministerio
de Medio Ambiente. ISBN: 978-84-7837-079-5
Allamano P.; Claps, P.; Laio, F.; Thea, C., 2009. A data-based assessment of the dependence
of short-duration precipitation on elevation. Physics and Chemistry of the Earth 34 (2009)
635-641
Allen, R.G.; Pereira, L.S.; Raes, D. y Smith, M., 1998. Crop Evapotranspiration. Guidelines
for computing crop water requirements. FAO Irrigation and Drainage Paper 56. Roma.
Disponible en:
http://www.kimberly.uidaho.edu/water/fao56/
http://www.fao.org/docrep/X0490E/X0490E00.htm
Alpert, P., 1986. Mesoscale Indexing of the Distribution of Orographic Precipitation over
High Mountains. Journal of Climate and Applied Meteorology. Vol.: 25, pp.: 532-545. Abril
Alpert, P. y Shafir, H., 1989. Mesoγ-Scale Distribution of Orographic Precipitation:
Numerical Study and Comparison with Precipitation Derived from Radar Measurements.
Journal of Applied Meteorology. Vol.: 28, pp.: 1105-1117. Octubre

269
9. Bibliografía

Alpert, P. y Shafir, H., 1991. Role of Detailed Wind Topography Interaction in Orographic
Rainfall. Quarterly Journal of the Royal Meteorological Society. Vol.: 117, pp.: 421-426
Álvarez-Rodríguez, J. y Estrela, T., 2000. Regionalization and Drought Characterisation in
Europe. ARIDE Technical Report no. 9. CEDEX, Madrid, Spain. ARIDE, Assessment of the
Regional Impact of Droughts in Europe, ENV4 - CT97 - 0553. Enero 1998 - diciembre 2000
Álvarez J.; Sánchez A. y Quintas L., 2005. SIMPA, a GRASS based Tool for Hydrological
Studies. International journal of geoinformatics, v. 1, n. 1
Álvarez-Rodríguez, J.; Potenciano de las Heras, Á. y Villaverde Valero, J.J., 2008. Evolución
histórica de sequías en España. Revista de Obras Públicas, 155 (3486): 56-68
Anders, A.M.; Roe, G.H.; Hallet, B.; Montgomery, D.R.; Finnegan, N.J. y Putkonen, J., 2006.
Spatial patters of precipitation and topography in the Himalaya, in Tectonics, Climate, and
Landscape Evolution. Willett, S. D. et al. (ed.), pp.: 39-53, Geol. Soc. of Am., Boulder, Colo.
Andrieu, H.; French, M.N.; Thauvin, V. y Krajewski, W.F., 1996. Adaptation and Application
of a Quantitative Rainfall Forecasting Model in a Mountainous Region. Journal of Hydrology.
Vol.: 184, pp.: 234-259. Elsevier Science
Bacchi, B. y Kottegoda, N.T., 1995. Identification and Calibration of Spatial Correlation
Patterns of Rainfall. Journal of Hydrology. Vol.: 165, pp.: 311-348. Elsevier Science
Barros, A. P.; Joshi, M.; Putkonen, J.; Burbank, D.W., 2000. A study of the 1999 monsoon
rainfall in a mountainous region in central Nepal using TRMM products and rain gauge
observations, Geophys. Res. Lett., 27, pp.: 3683-3686
Barros, A.P.; Kim, G.; Williams, E. y Nesbitt, S.W., 2004. Probing Orographic Controls in
the Himalayas During the Monsoon Using Satellite Imagery. Natural Hazards and Earth
System Science, Vol. 4, pp.: 1-23
Barstad I.; Grabowski, W. y Smolarkiewicz, P., 2007. Characteristics of large-scale
orographic precipitation: evaluation of linear model in idealized problems. Journal of
Hydrology 340, pp.: 78-90
Bates, B.C.; Kundzewicz, Z.W.; Wu, S. y Palutikof, J.P., 2008. El Cambio Climático y el
Agua. Documento Técnico VI del Panel Intergubernamental del Cambio Climático, Secretaría
del IPCC, Ginebra, 224 pp.
Bell, R. S. 1978. The Forecasting of Orographically Enhaced Rainfall Accumulations using
10-Level Model Data. Meteorological Magazine. Vol: 107, pp.: 113-124
Bentabol y Ureta, H., 1900. Las aguas de España y Portugal. ITGE, reimpresión 1995, pp.:
347
Bergeron, T., 1968. Studies of orogeinic effects on the areal fine structure of rainfall
distribution. Uppsala Meteorological Institute. Report no. 6
Bergeron, T., 1973. Meteorological studies of precipitation. Part V: Monthly rainfall in
Uppsala field. Uppsala Meteorological Institute. Report no. 38
Berndtsson, R., 1987. On the Use of Cross-Correlation Analysis in Studies of Patterns of
Rainfall Variability. Journal of Hydrology. Vol.: 93, pp.: 113-134. Elsevier Science

270
9. Bibliografía

Beven, K.J., 1987. Towards a new paradigm in hydrology. En Water for the Future:
Hydrology Perspective- IAHS Pub, nº 164, pp.: 393-403
Beven, K.J., 1996. A discussion of distributed hydrological modelling. En Distributed
Hydrological Modelling. Abbott, M.B. y Refsgaard, J.C. (ed.). Cap. 16, pp.: 255-278. Kluwer
Academic Publishers
Beven, K.J. y Moore, I. D., 1993. Terrain analysis and distributed modelling in hydrology.
Beven, K.J. y Moore, I.D. (ed.). Chichester: John Wiley and Sons, cop.
Beven, K.J., 2001. Rainfall-runoff modelling - the primer. John Wiley & Sons Ltd, New York
Beven, K.J., 2002. Towards an alternative blueprint for a physically based digitally simulated
hydrologic response modelling system. Hydrological Processes, 16, pp.: 189-206, doi:
10.1002/hyp.343
BOE 176 de 24/07/2001. Real Decreto Legislativo 1/2001, de 20 de julio, por el que se
aprueba el texto refundido de la Ley de Aguas. Sec 1, pp.: 26791-26817
Bookhagen, B.; Burbank, D. W., 2006. Topography, relief, and TRMM-derived rainfall
variations along the Himalaya, Geophys. Res. Lett., 33, L08405, doi:10.1029/2006GL026037
Borga, M. y Vizzaccaro, A., 1997. On the Interpolation of Hydrologic Variables: Formal
Equivalence of Multiquadratic Surface Fitting and Krigging. Journal of Hydrology 195, pp.:
160-171. Elsevier Science
Boyle, D.P.; Gupta, H.V. y Sorooshian, S., 2000. Toward Improved Calibration of Hydrologic
Models: Combining the Strengths of Manual and Automatic Methods, Water Resour. Res.,
36(12), pp.: 3663-3674, doi:10.1029/2000WR900207
Bras, R.L. y Rodríguez-Iturbe, I., 1985. Random Functions and Hydrology. Addison-Wesley
Publishing Company
Bras, R.L., 1990. Hydrology. An Introduction to Hydrologic Science. Addison-Wesley
Publishing Series in Civil Engineering
Burns, J.I., 1953. Small-scale Topographic Effects on Precipitation Distribution in San Dimas
Experimental Forest. Transactions, American Geophysical Union. Vol. 34, Nº 5. Octubre
Capel, J.J., 1982. La lluvia media en el País Murciano. Período: 1951-1980. Rev. Paralelo 37º,
nº 6, Colegio Universitario de Almería, pp.: 117-130
Capel, J.J., 1995. Mapa pluviométrico de España peninsular y Baleares. Periodo internacional
1961-90. Revista Investigaciones Geográficas. Instituto Universitario. de Geografía.
Universidad de Alicante. Enero-Junio, pp.: 29-40
Casiraga, E.F. y Gómez-Hernández J.J., 1996a. Métodos Geoestadísticos para la Integración
de Información. Departamento de Ingeniería Hidráulica y Medio Ambiente. Universidad
Politécnica de Valencia, España. Mayo
Casiraga, E.F. y Gómez-Hernández J.J., 1996b. Improved Rainfall Estimation by Integration
of Radar Data: a Geostatistical Approach. Departamento de Ingeniería Hidráulica y Medio
Ambiente. Universidad Politécnica de Valencia, España. Geo ENV 96: First European
Conference on Geostatistics for Environmental Applications, Lisboa, noviembre

271
9. Bibliografía

CEH, 1971. Inventario de Recursos Hidráulicos. Dirección General de Obras Hidráulicas.

Ministerio de Obras Públicas
Choi, J.; Olivera, F. y Socolofsky, S.A., 2009. Storm Identification and Tracking Algorithm
for Modelling of Rainfall Fields Using 1-h NEXRAD Rainfall Data in Texas. Journal of
Hydrologic Engineering 14, 721
Colton, D.E., 1977. Numerical Simulation of the Orographically Induced Precipitation
Distribution for Use in Hydrologic Analysis. Journal of Applied Meteorology. Vol.: 15, no.
12, pp.: 1241-1251
Corradini, C., 1985. Analysis of the Effects of Orography on Surface Rainfall by a
parameterized numerical model. Journal of Hydrology. Vol.: 77, pp.: 19-30
Cotton, W.R., 1990. Las tormentas. Edición traducida por Manuel de Castro Muñoz (1999).
Dpto. de Geofísica y Meteorología de la Universidad Complutense de Madrid. Original:
Storms, ASTeR Press.P.O Box 466. Fort Collins, CO 80522. EE.UU.
Creutin, J.D. y Obled, C., 1982. Objective Analyses and Mapping Techniques for Rainfall
Fields: An Objective Comparison. Water Resources Research. Vol. 18, no. 2, pp.: 413-431.
Abril
Chirlin, G.R. y Wood, E.F., 1982. On the relationship between kriging and state estimation,
Water Resour. Res., 18(2), 432-438, doi:10.1029/WR018i002p00432
Chow, Ven te; Maidment, D.R. y Mays, L.W., 1994. Hidrología Aplicada. Mc Graw Hill
Interamericana. Traducido de la edición en inglés, Applied Hydrology. Mc Graw Hill
Chua, S.H. y Bras, R.L., 1982. Optimal Estimators of Mean Areal Precipitation in Regions of
Orographic Influence. Journal of Hydrology. Vol.: 57, pp.: 23-48. Elsevier Science
Collier, C.G., 1975. A Representation of the Effects of Topography on Surface Rainfall
within Moving Baroclinic Disturbances. Quarterly Journal of the Meteorological Society.
Vol.: 101, pp.: 407-422
Daly, C.; Neilson, R.P. y Phillips, D.L., 1994. A Statistical Topographic Model for Mapping
Climatological Precipitation over Mountainous Terrain. Journal of Applied Meteorology. Vol.
33, pp.: 140-158. Febrero
Daly, C.; Halbleib, M.; Smith, J.I.; Gibson, W.P.; Doggett, M.K.; Taylor, G.H.; Curtis, J. y
Pasteris, P.P., 2008. Physiographically sensitive mapping of climatological temperature and
precipitation across the conterminous United States. Int. J. Climatol. DOI:10.1002/joc.1688
Dhar, O.N. y Rakhecha, P.R. 1980. The Effect of Elevation on Monsoon Rainfall Distribution
in the Central Himalayas. Monsoon Dynamics. Lighthill, J., y Pearce, R.P., (ed.). Cambridge
University Press, pp.: 253-260
Dhar, O.N. y Nandargui, S., 2004. Rainfall over the Himalayas. Weather - June 2004, Vol. 59,
nº 6
Delrieu, G.; Braud, I.; Berne, A.; Borga, M.; Boudevillain, B.; Fabry, F.; Freer, J.; Gaume, E.;
Nakakita, E.; Seed, A.; Tabary, P. y Uijlenhoet, R., 2009. Weather radar and hydrology,
Advances in Water Resources, Volume 32, Issue 7, Weather Radar and Hydrology, Julio, pp.:
969-974, ISSN 0309-1708, DOI: 10.1016

272
9. Bibliografía

Dhar, O.N. y Rakhecha, P.R., 1981. The effect of elevation on moonson rainfall distribution
in the Central Himalayas. Moonson Dynamics. Lighthill, J., y Pearce, R.P., (ed). Cambridge
University Press
Dingman, S.L.; Seely-Reynolds, D.M. y Reynolds, R.C. 1988. Application of Kriging to
Estimating Mean Annual Precipitation in a Region of Orographic Influence. Water Resources
Bulletin. Vol. 24. Nº 2. Abril
Dooge, J.C.I., 1988. Hydrology in perspective. Hydrological Sciences Journal, 33: 1, pp.: 61-
85
Duan Q.; Gupta, H.V.; Sorooshian, S.; Rousseau, A. y Turcotte, R., 2003. Preface. En
Calibration of watershed models. AGU Monograph, 1-7
Dubois, G., Malczewski, J. y De Cort, M., 1998. Spatial Interpolation Comparison 97. GI-
DA. Journal of Geographic Information and Analysis. Vol. 2, no. 2, edición especial.
Duckstein, L.; Fogel, M.M. y Kisiel, C.C., 1972b. A Stochastic Model of Runoff Producing
Rainfall for Summer Type Storms. Water Resources Research. Vol. 8, no. 2, pp.: 410-421.
Abril
Duckstein, L., Fogel, M.M. y Thames J. L. 1972. Elevation Effects on Rainfall: a Stochastic
Model. Journal of Hydrology, 18, pp.: 21-35. Elsevier Science
Eagleson, P.S., 1970. Dynamic Hydrology EGU Reprint Series 2
Esteban, P.; Martín-Vide, J. y Mases, M., 2006. Daily Atmospheric Circulation Catalogue for
Western Europe Using Multivariate Techniques. Int. J. Climatol. 26: 1501-1515 (2006).
Wiley InterScience. DOI: 10.1002/joc.1391
Estrela, T., 1989. Los modelos de simulación integral de cuenca y su utilización en estudios
de recursos hídricos. Serie: Ingeniería Civil, Nº 72, pp.: 83-95. ISSN: 0213-8468
Estrela, T., 1992a. Metodologías y Recomendaciones para la Evaluación de Recursos
Hídricos. Monografías del Centro de Estudios y Experimentación de Obras Públicas, CEDEX,
M-24. Centro de Estudios Hidrográficos. Centro de Publicaciones. Secretaría General
Técnica. Ministerio de Obras Públicas y Transportes, MOPT, actual Ministerio de Fomento.
Madrid
Estrela, T., 1992b. Modelos Matemáticos para la Evaluación de Recursos Hídricos.
Monografías del Centro de Estudios y Experimentación de Obras Públicas, CEDEX, M-25.
Centro de Estudios Hidrográficos. Centro de Publicaciones. Secretaría General Técnica.
Ministerio de Obras Públicas y Transportes, MOPT, actual Ministerio de Fomento. Madrid
Estrela, T. y Quintas, L., 1996. A distributed hydrological model for water resources
assessment in large basins. RIVERTECH 96. 1st International Conference on New/Emerging
Concepts for Rivers. IWRA. Sep. 22-26, 1996. Chicago. EE.UU.
Falivene O.; Cabrera L.; Tolosana-Delgado R. y Sáez A., 2010. Interpolation algorithm
ranking using cross-validation and the role of smoothing effect. A coal zone example.
Computers & Geosciences 36, pp.: 512-519
Felicísimo, Á.M., 1994. Modelos Digitales del Terreno. Introducción y Aplicaciones en las
Ciencias Ambientales. Biblioteca de Historia Natural 3. Pentalfa Ediciones

273
9. Bibliografía

Felicísimo, Á.M.; Morán R.; Sánchez J.M.; Pérez D., 2001. Elaboración del Atlas climático
de Extremadura mediante un sistema de información geográfica. GeoFocus, nº 1, pp.: 17-23
Ferrer, J., 1992. Análisis estadístico de caudales de avenida. Monografías M-26. Centro de
Estudios Hidrográficos (CEDEX, MOPT), Madrid, 42 pp.
Ferrer, J., 1993. Recomendaciones para el Cálculo Hidrometeorológico de Avenidas.
Monografías, M37. CEDEX, Madrid, 76 pp.
Fernández-Rasilla, D., 1999. Viento del Sur y Efecto Föhn en la Cordillera Cantábrica.
Monografías CEDEX C-37. Centro de Estudios de Técnicas Aplicadas. Centro de
Publicaciones. Secretaría General Técnica. Ministerio de Fomento. Madrid
Fiering M.B. y Jackson, B.B., 1971. Synthetic Stream Flows, American Geophysical Union,
Washington D.C.
Fogel, M.M.; Duckstein, L., 1969. Point rainfall frequency in convective storms. Water
Resources Research. Vol. 5, no. 6, pp.: 1229-1237
Fogel, M.M.; Duckstein, L. y Kisiel, C.C. 1971. Space-Time Validation of a Thunderstorm
Rainfall Model. Water Resources Bulletin. Vol. 7, no. 2, pp.: 309-316. Abril
Font Tullot, I., 1983. Atlas climático de España. Instituto Nacional de Meteorología. Madrid
Freeze, R. A., Harlan, R. L., 1969. Blueprint for a physically-based, digitally-simulated
hydrologic response model. J. Hydrol. 9, pp.: 237-258
Gambolati, G. y Volpi, G., 1979. A conceptual Deterministic Analysis of the Kriging
Technique in Hydrology. Water Resources Research. Vol. 15. Nº 3, pp.: 625-629. Junio
García, M.; Peters-Lidard, C.D. y Goodrich, D.C., 2008. Spatial interpolation of precipitation
in a dense gauge network for monsoon storm events in the southwestern United States. Water
Resources Research, Vol. 44, W05S13, doi:10.1029/2006WR005788
Genton, M.G. y Furrer, R., 2003. Analysis of Rainfall Data by Simple Good Sense: is Spatial
Statistics Worth the Trouble?, in Mapping radioactivity in the environment. Spatial
Interpolation Comparison 97. Dubois, G.; Malczewski, J., y De Cort, M., (ed.), pp.: 45-50
Germann, U.; Galli, G.; Boscacci, M. y Bollinger, M., 2006. Radar precipitation measurement
in a mountainous region. Q.J.R.Meteorol.Soc., 132, pp.: 1669-1692
Gómez-Hernández, J.J., 1996. Geostatistics and Hydrology: an Overview. Second Joint
Conference & Exhibition on Geographical Information. Barcelona. España. Marzo, pp.: 27-29
Gómez-Hernández, J.; Cassiraga, E.; Guardiola-Albert, C. y Álvarez-Rodríguez, J., 2001.
Incorporating Information from a Digital Elevation Model for Improving the Areal Estimation
of Rainfall. En GeoENV III: Geostatistics for Environmental Applications. Monestiez, P.,
Allard, D., y Froidevaux, R., (ed.). Kluwer Academic Publishers, Dordrecht, pp.: 67-78
Goovaerts, P., 1997. Geostatistics for Natural Resources Evaluation. Oxford University Press.
Nueva York - Oxford
Goovaerts, P., 2000. Geostatistical Approaches for Incorporating Elevation into the Spatial
Interpolation of Rainfall. Journal of Hydrology. Vol.: 228, pp.: 113-129. Elsevier Science

274
9. Bibliografía

Graham, D.N. y Butts, M.B., 2005. Flexible, integrated watershed modelling with MIKE
SHE. En Watershed Models. Singh, V.P., y Frevert, D.K., (ed.), pp.: 245-272, CRC Press.
ISBN: 0849336090
GRASS Development Team, 2008. Geographic Resources Analysis Support System
(GRASS) Software. Open Source Geospatial Foundation Project. http://grass.osgeo.org
Guan, H.; Wilson, J.L., y Makhnin, O., 2005. Geostatistical mapping of mountain
precipitation incorporating autosearched effects of terrain and climatic characteristics. Journal
of Hydrometeorology, 6(6), pp.: 1018-1031
Gupta, H.V.; Sorooshian, S.H.; T.S. y Boyle, D., 2003. Advances in automatic calibration of
watershed models. En Calibration of watershed models. Duan, Q.; Gupta, H.V.; Sorooshian,
S.; Rousseau, A., y Turcotte, R., (ed.). AGU Monograph, 1-7
Haile, A.T.; Rientjes, T.H.M.; Habib, E.; Jetten, V. y Gebremichael, M., 2011. Rain event
properties at the source of the Blue Nile River, Hydrol. Earth Syst. Sci., 15, pp.: 1023-1034,
doi:10.5194/hess-15-1023-2011
Hanson, C.L., 1982. Distribution and Stochastic Generation of Annual and Monthly
Precipitation on a Mountainous Watershed in Southwest Idaho. Water Resources Bulletin.
American Water Resources Association. Vol. 18, Nº 5, pp.: 875-883. Octubre
Hargrove, W.W., 1997. Interpolation of Rainfall in Switzerland using a Regularized Spline
with Tension. Disponible en http://research.esd.ornl.gov/~hnw/sic97
Hay, L.E.; Viger, R. y McCabe, G., 1998. Precipitation Interpolation in Mountainous Regions
Using Multiple Linear Regression: Hydrology, Water resources, and Ecology in Headwaters,
Proceedings of the HeadWater’98 Conference, Kovar, K.; Tappeiner, U.; Peters, N.E. y Craig,
R.G. IAHS Publication No. 248, pp.: 33-38
Herrera, S.; Gutiérrez, J.M.; Ancell, R.; Pons, M.R.; Frías, M.D. y Fernández, J., 2010.
Development and Analysis of a 50 year high-resolution daily gridded precipitation dataset
over Spain (Spain02). International Journal of Climatology, n/a. doi: 10.1002/joc.2256
Hipel, K.W. y McLeod, A.I., 1994. Time Series Modelling of Water Resources and
Environmental Systems. Elsevier. Amsterdam
Hofierka, J.; Parajka J.; Mitasova M y Mitas L. 2002. Multivariate interpolation of
precipitation using regularized spline with tension. Transactions in GIS 6: pp.: 135-50
Holawe, F. y Dutter, R. 1999. Geostatistical Study of Precipitation Series in Austria: Time
and Space. Journal of Hydrology. Vol.: 219, pp.: 70-82. Elsevier Science
Hutchinson, M.F., 1998a. Interpolation of Rainfall data with thin plate Smoothing splines: I
Two dimensional smoothing of data with short range correlation. En Spatial Interpolation
Comparison 97. GI-DA. Journal of Geographic Information and Analysis. Vol. 2, no. 2,
edición especial. Editado por Dubois, Grégoire; Malczewski, Jacek; De Cort Marc
Hutchinson, M.F., 1998b. Interpolation of Rainfall data with thin plate Smoothing splines: II
Analysis of topographic Dependence. En Spatial Interpolation Comparison 97. GI-DA.
Journal of Geographic Information and Analysis. Dubois, G.; Malczewski, J. y De Cort, M.
(ed.), vol. 2, no. 2
IGN, 1990. Corine Land Cover. Instituto Geográfico Nacional. Ministerio de Fomento

275
9. Bibliografía

Isaaks, E.H. y Srivastava, R.M., 1989. An Introduction to Applied Statistics. Oxford

University Press
IPCC, 2001a. Climate Change 2001: Working Group I: The Scientific Basis.
http://www.grida.no/publications/other/ipcc_tar
IPCC, 2001b. Cambio climático 2001. Informe de síntesis. Glosario de términos del Tercer
Informe de Evaluación del IPCC (Anexo B). http://www.grida.no/publications/other/ipcc_tar
Johansson, B. y Chen, D., 2003. The influence of wind and topography on precipitation
distribution in Sweden: Statistical analysis and modelling. International Journal of
Climatology 23, pp.: 1523-1535.
Joss J.; Schändler B.; Galli G.; Cavalli R.; Boscacci M.; Held E.; Della Bruna G.;
Kappenberger G.; Nespor V. y Spiess R., 1997. Operational use of radar for precipitation
measurements in Switzerland. Locarno
Journel, A. G. y Huijbregts, C. L. 1978. Mining Geostatistics: Academic Press. Nueva York
Kidd, C. y Levizzani, V., 2011. Status of satellite precipitation retrievals. Hydrol. Earth Syst.
Sci., 15, pp.: 1109-1116
Kitchen M. y Blackall R.M., 1992. Orographic Rainfall over Low Hills and Associated
Corrections to radar Measurements. Journal of Hydrology. Vol.: 139, pp.: 115-134. Elsevier
Science
Krajewski, W.F., 1987. Cokriging Radar-Rainfall and Rain Gage Data. Journal of
Geophysical Research. Vol.: 92, no. D8, pp.: 9571-9580. Agosto
Kunz, M. y Kottmeier, C., 2006. Orographic Enhancement of Precipitation over Low
Mountain Ranges. Part I: Model Formulation and Idealized Simulations. J. Appl. Meteor.
Climatol., 45, pp.: 1025-1040
Lee, P.S.; Lynn, P.P. y Shaw, E.M., 1974. Comparison of multiquadratic surfaces for the
estimation of areal rainfall. Hydrological Science Bulletin. Vol 19, no. 3, pp.: 303-317
Lorenzo-Pardo, M., 1933. Plan Nacional de Obras Hidráulicas. 3 tomos Reedición: MOP-
CEH, 1933. ISBN: 84-7790-133-3
Loukas, A. y Quick, M. C., 1993. Rain Distribution in a Mountainous Watershed. Nordic
Hydrology, vol. 24, pp.: 225-242
Lu, G.Y. y Wong, D.W., 2008. An adaptive inverse-distance weighting spatial interpolation
technique. Computers & Geosciences 34, pp.:1044-1055
Llamas, J., 1993. Hidrología General. Principios y Aplicaciones. Servicio Editorial de la
Universidad del País Vasco. Edición española de la original, Hydrologie Générale: Principes
et Applications, Gaëtan Morin. Quebec, Canadá
Llanos-Acebo, H.; Llamas-Siendones, J.; Garfias-Soliz, J.; Ba-Mamadou, K.; Antigüedad-
Auzmendi, I., 1995. El método de los dos ejes: método alternativo para la evaluación de las
precipitaciones medias regionales: aplicación a cinco cuencas vertientes de la provincia de
Álava (País Vasco). ISSN: 0213-8468. Ingeniería civil/CEDEX. Madrid. No. 99, (julio-
agosto-septiembre, 1995), pp.: 119-125

276
9. Bibliografía

Llasat, M.C., 1990. Influencia de la Orografía y de la Inestabilidad Convectiva en la

Distribución Espacial de Lluvias Extremas en Cataluña. Acta Geológica Hispánica, 25, 3 pp.:
197-208
Llasat, M.C., 1991. Gota Fría. Col. Boixareu-Universitaria. Editorial Marcombo. Barcelona.
España
Llasat, M.C. y Puigcerver, M., 1994. Meteorological Factors Associates with Floods in the
North-Eastern Part of the Iberian Peninsula. Natural Hazards. Vol.: 9, pp.: 81- 93. Kluwer
Academic Publishers. Países Bajos
Llasat, M.C.; Ramis C. y Barrantes J., 1996. The Meteorology of High Intensity Rainfall
Events over the West Mediterranean Region. Remote Sensing Review, 14, pp.: 51-90
Llasat, M.C. y Puigcerver, M. 1997. Total Rainfall and Convective Rainfall in Catalonia,
Spain. International Journal of Climatology. Vol.: 17, pp.: 1683- 1695. Royal Meteorological
Society
Llasat, M.C., 1997. Meteorological Conditions of Heavy Rains. FRIEND Report Projets H-5-
5 and 1.1, pp.: 269-276, UNESCO. París
Llasat, M.C. y Quintas, L., 2004. Stationarity of Monthly Rainfall Series since the Middle of
the XIXth Century. Application to the Case of Peninsular Spain. Natural Hazards. Nº 31. pp.:
613-622.
Llasat, M.C., 2009. High magnitude storms and floods, en Woodward, J.C., (ed.), The
Physical Geography of the Mediterranean. Oxford University Press, Oxford, pp.: 513-540
Lloyd, C.D., 2005. Assessing the effect of integrating elevation data into the estimation of
monthly precipitation in Great Britain. Journal of Hydrology, 308, pp.: 128-150
MARM, 1996. Guía para la elaboración de estudios del medio físico. Contenido y
metodología. Entonces, Ministerio de Medio Ambiente, MIMAM. Actualmente, Ministerio de
Medio Ambiente, Medio Rural y Marino. Secretaría General Técnica. 809 pp. Madrid
MARM, 2000a. El Libro Blanco del Agua en España. Entonces, Ministerio de Medio
Ambiente, MIMAM. Actualmente, Ministerio de Medio Ambiente, Medio Rural y Marino.
Secretaría General Técnica. Madrid
MARM, 2000b. Documentación Técnica del Plan Hidrológico Nacional. Entonces, Ministerio
de Medio Ambiente, MIMAM. Actualmente, Ministerio de Medio Ambiente, Medio Rural y
Marino. Secretaría General Técnica. Madrid
Marquínez, J.; Lastra, J. y García, P., 2003. Estimation Models for Precipitation in
Mountainous Regions: the Use of GIS and Multivariate Analysis. Journal of Hydrology. Vol.
270, pp.: 1-11. Elsevier Science
Martín-Chivelet, J., 1999. Cambios climáticos: Una aproximación al sistema Tierra. Ediciones
Libertarias. Madrid
Martín-Vide, J. y López-Bustins, J.A, 2006. The Western Mediterranean Oscillation and
Rainfall in the Iberian Peninsula. Int. J. Climatol. 26: 1455-1475 (2006). Wiley InterScience.
DOI: 10.1002/joc.1388

277
9. Bibliografía

Martínez-Cob, A., 1996. Multivariate Geostatistical analysis of Evapotranspiration and

Precipitation in Mountainous Terrain. Journal of Hydrology. Vol. 174, pp.: 19-35. Elsevier
Science
Maurer, E.P.; Wood, A.W.; Adam, J.C.; Lettenmaier, D.P. y Nijssen, B., 2002. A Long-Term
Hydrologically Based Dataset of Land Surface Fluxes and States for the Conterminous United
States. J. Climate, 15, pp.: 3237-3251
McAvaney, B.J., 2001. Model evaluation.Climate Change 2001: The Scientific Basis J. T.
Houghton et al. (ed.), Cambridge University Press, pp.: 471-524
McCulloch, J.S.G., 2007. All our yesterdays: a hydrological retrospective. Hydrol. Earth Syst.
Sci., 11, 3-11, doi:10.5194/hess-11-3-2007
McMillan, H.; Jackson, B.; Clark, M.; Kavetski, D. y Woods, R., 2011. Rainfall Uncertainty
in Hydrological Modelling: An Evaluation of Multiplicative Error Models. Journal of
Hydrology 400, pp.: 83-94
Meijerink, A.M.J.; De Brouwer H..A.M.; Mannaerts, C.M. y Valenzuela C.R., 1994.
Introduction to the Use of Geographic information Systems for Practical Hydrology.
UNESCO. International Hydrological Programme. IHP_IV M 2-3. International Institute for
Aerospace Survey and Earth Sciences (ITC). Publicación número 23
MIE y MOPTMA, 1995. Libro Blanco de las Aguas Subterráneas. Ministerio de Industria y
Energía, Ministerio de Obras Públicas, Transportes y Medio Ambiente. Dirección General de
Obras Hidráulicas, de la Secretaría de Estado de Política Territorial y Obras Públicas,
Dirección General de Calidad de las Aguas, de la Secretaría de Estado de Medio Ambiente y
Vivienda e Instituto Tecnológico Geominero de España. Disponible en:
http://hispagua.cedex.es/documentacion/documentos/libroazul/libroblanco/libroblanco.htm
Mirás-Avalos, J.M.; Paz-González, A.; Vidal-Vázquez, E. y Sande-Fouz, P., 2007. Mapping
monthly rainfall data in Galicia (NW Spain) using inverse distances and geostatistical
methods, Adv. Geosci., 10, 51-57, doi:10.5194/adgeo-10-51-2007
Mitas, L. y Mitasova H., 1988. General variational approach to the approximation problem,
Computers and Mathematics with Applications, v.16, pp.: 983-992
Mitasova, H. y Mitas, L., 1993. Interpolation by Regularized Spline with Tension: I. Theory
and Implementation, Mathematical Geology, 25, pp.: 641-655
Mitasova, H. y Hofierka, J., 1993. Interpolation by Regularized Spline with Tension: II.
Application to Terrain Modeling and Surface Geometry Analysis, Mathematical Geology 25,
pp.: 657-667
Mitasova, H.; Mitas, L. y Harmon, R.S., 2005. Simultaneous spline interpolation and
topographic analysis for lidar elevation data: methods for Open source GIS, IEEE GRSL 2(4),
pp.: 375-379
Moore, R.J.; Watson, B.C.; Jones, D.A.; Black, K.B.; Hagget, C.M.; Crees M.A. y Richards,
C. 1989. Towards an improved system for weather radar calibration and rainfall forecasting
using raingauge data from regional telemetry system. En: New Directions for Surface Water
Modelling. IAHS Publ. no. 181, pp.: 13-21
Murthy K.B.R. y Abbaiah G., 2007. Geostatistical analysis for estimation of mean rainfalls in
Andhra Pradesh, India. International Journal of Geology, Vol. 1, nº1, pp.: 35-51

278
9. Bibliografía

Naoum S. y Tsanis, I.K., 2004a. Ranking Spatial Interpolation Techniques using a GIS-based
DSS, International Journal of Global NEST, 6(1), pp.: 1-20
Naoum S. y Tsanis I.K., 2004b. Orographic precipitation modeling with multiple linear
regression. Journal of Hydrologic Engineering 9(2), pp.: 79-102
NERC, 1974. Flood Studies Report, HMSO, UK.
Neteler, M. y Mitasova, H., 2004. Open Source GIS: A GRASS GIS Approach. 2a edición,
Kluwer International Series in Engineering and Computer Science, 773, Kluwer Academic
Press / Springer, Boston, Dordrecht, pp.: 424
Nesbitt, S.W. y Anders, A.M., 2009. Very high resolution precipitation climatologies from the
Tropical Rainfall Measuring Mission precipitation radar. Geophys. Res. Lett., 36, L15815,
doi:10.1029/2009GL038026
Nesbitt, S.W.; Cifelli, R. y Rutledge, S.A., 2006. Storm morphology and rainfall
characteristics of TRMM precipitation features. Mon. Wea. Rev., 134, pp.: 2702-2721
New, M., Hulme, M. y Jones, P., 1998a. Representing twentieth century space-time climate
variability. I Developing of a 1961-1990 mean monthly terrestrial climate. Climate Research
Unit. School of Environmental Sciences, University of East Anglia. Norwich, NR4 7TJ, Gran
Bretaña
New, M., Hulme, M. y Jones, P., 1998b. Representing twentieth century space-time climate
variability. II Development of 1901-1996 monthly grids of terrestrial surface climate. Climate
Research Unit. School of Environmental Sciences, University of East Anglia. Norwich, NR4
7TJ, Gran Bretaña
Nijssen, B.N., R. Schnur y D.P. Lettenmaier, 2001. Global retrospective estimation of soil
moisture using the VIC land surface model, 1980-1993, J. Clim., 14, pp.: 1790-1808
Ninyerola M.; Pons X. y Roure J.M., 2005. Atlas Climático Digital de la Península Ibérica.
Metodología y aplicaciones en bioclimatología y geobotánica. ISBN 932860-8-7. Universidad
Autónoma de Barcelona, Bellaterra
Ninyerola M.; Pons X. y Roure J.M., 2007a. Objective air temperature mapping for the
Iberian Peninsula using spatial interpolation and GIS. International Journal of Climatology 27,
pp.: 1231-1242. DOI: 10.1002/joc.1462
Ninyerola M.; Pons X y Roure J.M., 2007b. Monthly precipitation mapping of the Iberian
Peninsula using spatial interpolation tools implemented in a Geographic Information System.
Theoretical and Applied Climatology 89, pp.: 195-209. DOI: 10.1007/s00704-006-0264-2
OMM, 1994. Guía de Prácticas Hidrológicas. OMM-Nº 168. Adquisición y proceso de datos,
análisis, predicción y otras aplicaciones. 5a edición, 1994. Organización Meteorológica
Mundial. Ginebra. ISBN: 92-63-30168-9. Disponible en:
http://www.bom.gov.au/hydro/wr/wmo/guide_to_hydrological_practices/WMOSPA.pdf
Orden ARM/2656/2008, de 10 de septiembre, por la que se aprueba la instrucción de
planificación hidrológica
Quintas, L., 1996. La base de datos hidrológicos HIDRO del CEDEX. Revista de Ingeniería
Civil, nº 104, CEDEX. Centro de Estudios y Experimentación de Obras Públicas, Ministerio
de Fomento, Madrid

279
9. Bibliografía

Pebesma, E.J. y Wesseling, C.G., 1997. Gstat, a program for geostatistical modelling,
prediction and simulation. Computersand Geosciences 24(1), pp.: 17-31. Disponible a través
de: http://www.gstat.org/
Pebesma, E.J., 2007. GSTAT user's manual. Disponible a través de
http://www.mirrorservice.org/sites/lib.stat.cmu.edu/R/CRAN/doc/packages/gstat.pdf
Pechlivanidis, I.G.; McIntyre N. y Wheater, H.S., 2008. The Significance of Spatial
Variability of Rainfall on Runoff. iEMSs 2008: International Congress on Environmental
Modelling and Software. Integrating Sciences and Information Technology for Environmental
Assessment and Decision Making. 4th Biennial Meeting of iEMSs,
http://www.iemss.org/iemss2008/index.php?n=Main.Proceedings. Sànchez-Marrè, M.; Béjar,
J.; Comas, J.; Rizzoli, A., y Guariso, G., (ed.). International Environmental Modelling and
Software Society (iEMSs), 2008
Quintas, L., 1998. Sistemas de Información Geográfica. Conceptos. Máster en Hidrología
General y Aplicada. CEDEX. Madrid
R Development Core Team, 2008. R: A language and environment for statistical computing.
R Foundation for Statistical Computing, Vienna, Austria. ISBN 3-900051-07-0, URL
http://www.R-project.org
Ramis, C;M. C. Llasat, A. Genovés, A. Jansà, 1994. The October-1987 floods in Catalonia:
synoptic and mesoscale mechanisms. Meteorological Applications; 1; pp.:337-350
Ramis, C.; Alonso S. y Llasat, M.C., 1995. A comparative study between two cases of
extreme rainfall events in Catalonia (1987-1988). Surveys in Geophysics Journal; 16; pp.:
141- 161
Rasilla, D., 2003. Aplicación de un método de clasificación sinóptica a la Península Ibérica.
Investigaciones Geográficas, 30, pp.: 27-45
Rigo, T., 2004. Estudio de Sistemas Convectivos Mesoscalares en la zona Mediterránea
Occidental Mediante el uso del Radar Meteorológico. Tesis doctoral. Universidad de
Barcelona
Rigo, T. y Llasat, M.C., 2005. Radar analysis of the life cycle of Mesoscale Convective
Systems during the 10 June 2000 event. Natural Hazards and Earth System Sciences, 5, pp.:
959-970
Rigo, T. y Llasat, M.C., 2007. Analysis of mesoscale convective systems in Catalonia (ne of
Spain) using radar for the period 1996-2000. Atmospheric Research, 83, pp.: 458-472
Rodríguez-Iturbe, I. y Mejía J.M., 1974a. The design of Rainfall Networks in Time and
Space. Water Resources Research. Vol. 10, nº 4, pp.: 713-728. Agosto
Rodríguez-Iturbe, I. y Mejía J.M., 1974b. On the transformation of Point Rainfall to Areal
Rainfall. Water Resources Research. Vol. 10, nº 4, pp.: 729-735. Agosto
Rodríguez-Puebla, C.; Encinas, A.H.; Nieto, S. y Garmendía, J., 1998. Spatial and temporal
patterns of annual precipitation variability over the Iberian Peninsula. Int. J. of Climatology,
18, pp.: 299-316

280
9. Bibliografía

Rodríguez-Puebla, C., Encinas, A.H., Sáenz, J., 2001. Winter precipitation over the Iberian
Peninsula and its relationships to circulation indices. Hydrology and Earth System Sciences,
5, pp.: 233-244
Roe, G., 2005. Orographic precipitation. Annual Review of Earth and Planetary Sciences 33,
pp.: 645-671
Rotunno, R. y Ferretti, R., 2001. Mechanisms of intense Alpine rainfall. J. Atmos. Sci., 58,
pp.: 1732-1749
Ruíz García, J.M., 1998. Desarrollo de un modelo hidrológico conceptual distribuido de
simulación continua integrado en un SIG. Tesis Doctoral en Universidad Politécnica de
Valencia. Monografías del Centro de Estudios y Experimentación de Obras Públicas,
CEDEX, M-067. Centro de Estudios Hidrográficos. Servicio de Publicaciones. Secretaría
General Técnica. Ministerio de Fomento. Madrid
Saghafian, B. y Bondarabadi, S.R., 2008. Validity of regional rainfall spatial distribution
methods in mountainous areas. J. Hydrol. Eng., 13, pp.: 531-540
Salas, J.D.; Delleur, J.W.; Yevjevich, V. y Lane, W.L., 1980. Applied Modeling of
Hydrologic Time Series. Water Resources Publications. Fort Collins Colorado, EE.UU.
Samper, F.J. y Carrera, J., 1990. Geoestadística. Aplicaciones a la Hidrología Subterránea.
Centro Internacional de Métodos Numéricos en Ingeniería. Barcelona
Schaake, J.C., 2003. Introduction. En Duan, Q., Sorooshian, S., Gupta, H.V., Rousseau, A., y
Turcotte, R., (ed.). Calibration of watershed models. AGU Monograph, 1-7
Schermerhorn, V.P., 1967. Relations between Topography and Annual Precipitation in
Western Oregon and Washington. Water Resources Research. Vol. 3, nº 3, pp.: 707-711
Sen, Z., 1998. Average Areal Precipitation by Weighted Polygon Method. Journal of
Hydrologic Engineering. Vol. 3. nº 1, pp.: 69-72. Enero
Sen, Z. y Habib Z., 1998. Point Cumulative Semivariogram of Areal Precpitation in
Mountainous Regions. Journal of Hydrology. Vol.: 205, pp.: 81-91. Elsevier Science
Seo, D.J.; Krajewski, W.F. y Bowles, D.S., 1990a. Stochastic Interpolation of Rainfall Data
from Rain Gages and Radar Using Cokriging. 1.- Design of Experiments. Water Resources
Research. Vol. 26. nº 3, pp.: 469-477. Marzo
Seo, D.J.; Krajewski, W.F.; Azimi-Zonoov, A. y Bowles, D.S., 1990b. Stochastic
Interpolation of Rainfall Data from Rain Gages and Radar Using Cokriging. 1.-Results. Water
Resources Research. Vol. 26. Nº 5, pp.: 915-924. Mayo
Singh, P.; Ramasastri, K.S. y Naresh, K., 1995. Topographical Influence on Precipitation
Distribution in Different Ranges of Western Himalayas. Nordic Hydrology, vol. 26, no. 4/5,
pp.: 259-284
Singh, V.P. y Chowdhury, P.K., 1986. Comparing some Methods of Estimating Mean Areal
Rainfall. Water Resources Bulletin. American Water Resources Association. Vol. 22, no. 2,
pp.: 275-282. Abril
Singh, V.P., 1988. Hydrologyc Systems. Vol. I y II-Watershed Modeling. Prentice Hall,
Englewood Cliffs, New Jersey

281
9. Bibliografía

Singh V.P., Woolhiser, D A., 2002. Mathematical modeling of watershed hydrology. Journal
of Hydrologic Engineering, 2002, 7(4), pp.: 270-292
Smith, R.B., 2003, A linear time-delay model of orographic precipitation, J. Hydrology, 282,
pp.: 2-9
Smith R.B. y Barstad, I., 2004. A linear theory of orographic precipitation. J. Atmos. Sci. 61,
pp.: 377-91
Solis, C., 1990. Los caminos del agua. El origen de las fuentes y los ríos. 220 pp. Ed.
Mondadori, Madrid España
Spreen, W.C., 1947. A Determination on the Effect upon Precipitation. Transactions of the
American Geophysical Union. Vol. 28
Sumner, G., 1988. Precipitation: proccess and analysis. Department of Geography. St David’s
University College. Lampeter, Dyfed, UK. John Wiley & Sons.
Tabios III, G.Q. y Salas, J.D., 1985. A Comparative Analysis of Techniques for Spatial
Interpolation of Precipitation. Water Resources Bulletin. American Water Resources
Association. Vol. 21, no. 3, pp.: 365-380. Junio
Teegavarapu, R.S.V., 2006. Use of universal function approximation in variance-dependent
surface interpolation method: An application in hydrology. Journal of Hydrology, Volume
332, Issue 1-2, pp.: 16-29
Témez, J.R., 1971. Modelo matemático de transformación precipitación -aportación.
Asociación de Investigación. Industrial Eléctrica-ASINEL
Tetzlaff, D. y Uhlenbrook, S., 2005. Significance of spatial variability in precipitation for
process-oriented modelling: results from two nested catchments using radar and ground
station data, Hydrology and Earth System Sciences, vol. 9, no. 1-2, pp.: 29-41
Tobin, C.; Nicotina, L.; Parlange, M.B.; Berne, A.; Rinaldo, A., 2011. Improved interpolation
of meteorological forcings for hydrologic applications in a Swiss Alpine region. Journal of
Hydrology. Volume 401, Issues 1-2, 20 April 2011, pp.: 77-89
Tobler, W., 1970. A computer movie simulating urban growth in the Detroit region.
Economic Geography 46 234-240. DOI:10.2307/143141
U.S. Weather Bureau. 1960. Generalized estimates of probable maximum precipitation for the
United States west of the 105th meridian. Technical Paper no. 38, 10.12, Washington
U.S. Weather Bureau. 1961. Interim report, probable maximum precipitation in California:
Hydrometeorological Rept. 36, 37 pp. Washington. Octubre 1961
Vicente-Serrano, S. y López-Moreno, J., 2006. The Influence of Atmospheric Circulation at
Different Spatial Scales on Winter Drought Variability through a Semi-Arid Climatic
Gradient in Northeast Spain. Int. J. Climatol. 26: 1427-1453 (2006). Wiley InterScience. DOI:
10.1002/joc.1387
Volpi, G.; Gambolati, G; Carbognin, L.; Gatto, P. y Mozzi G. 1979. Groundwater Contour
Mapping in Venice by Stochastic Interpolators, 2. Water Resources Research. Vol.: 15. nº: 2,
pp.: 291-297

282
9. Bibliografía

Weber, D.D. y Englund, E.J., 1992. Evaluation and comparison of spatial interpolators.
Mathematical Geology 24, pp.: 381-391
Weber, D.D., Englund, E.J., 1994. Evaluation and comparison of spatial interpolators II.
Mathematical Geology 26, pp.: 589-603
Wilby, R.L.; Charles, S.P.; Zorita, E.; Timbal, B.; Whetton, P. y Mearns, L.O., 2004.
Guidelines for Use of Climate Scenarios Developed from Statistical Downscaling Methods.
IPCC Task Group on Data and Scenario Support for Impact and Climate Analysis (TGICA).
Disponible en: http://ipcc-ddc.cru.uea.ac.uk/guidelines/StatDown_Guide.pdf
World Climate Programme, 1985. World Meteorological Organization. Review of
Requirements for Area-Averaged Precipitation Data, Surface-Based and Space-Based
Estimation Techniques, Space and Time Sampling, Accurancy and Error; Data Exchange.
Boulder Colorado, EE.UU., pp.: 17-19. Octubre

283