Mejora del procedimiento operativo de AEMET para la estimación de las áreas con rachas máximas de viento

DOI: 10.3369/tethys.2013.10.04

Tethys núm. 10 pp.: 35 - 44

Abstract

El CCS (Consorcio de Compensación de Seguros) es el organismo nacional que proporciona seguros contra fenómenos meteorológicos que implican un riesgo extraordinario. Uno de los riesgos extraordinarios cubiertos por el CCS se refiere al viento extraordinario, definido como aquel que da lugar a rachas que superen los 120 km h-1. Desde hace unos 2 años, el procedimiento operativo llevado a cabo en AEMET (Agencia Estatal de Meteorología) para la estimación de las áreas con rachas máximas de viento utiliza la técnica de interpolación del krigeado universal que se apoya en los datos de observación. Las variables externas que participan en la interpolación son la elevación del terreno, la distancia al mar y la salida del modelo HIRLAM 0,05 del campo de racha máxima. El objetivo del procedimiento es delimitar las zonas con rachas máximas de viento que excedan el límite de 120 km h-1. En el transcurso de investigaciones previas, enfocadas al estudio de la precisión dada por la introducción del modelo HIRLAM para esta técnica de estimación, se llevaron a cabo diferentes análisis de validación. Estas validaciones mostraron un sesgo negativo sistemático para la estimación de valores altos de racha máxima, lo que implica una subestimación de las rachas mediante el procedimiento operativo. En este trabajo se presenta un nuevo procedimiento de interpolación que proporciona una mejora significativa. El sesgo se reduce aproximadamente un 60% para aquellas estaciones que presentan rachas máximas de viento por encima de los 80 km h-1. La nueva metodología combina dos campos de interpolación. El primero se obtiene al aplicar el actual método operativo e incluye todos los datos de observación. El segundo se obtiene de manera similar pero usando sólo los valores de observación de las estaciones meteorológicas que presentan valores altos de racha máxima. La combinación de ambos campos se basa en una ponderación realizada en cada punto de grid y que depende de la densidad total de observaciones según la región.

References

  • - Burrough, P. A. y McDonnell, R. A., 1998: Principles of Geographical Information Systems, Oxford University Press, 333, ISBN-13 978-0-19-823365-7, ISBN-10 0-19-823365-5.
  • - Consorcio de Compensación de Seguros, 2012: Recopilación Legislativa, Edición de febrero de 2012, 202.
  • - Elosua, P., 2011: Introducción al entorno R, Universidad del País Vasco, 102, ISBN: 978-84-9860-497-9.
  • - García-Legaz, C. y Valero, F., 2003: Riesgos Climáticos e Impacto Ambiental, Ed. Complutense de Madrid, 356, ISBN: 84-7491-711-5.
  • - R Core Team, 2013: R: A language and environment for statistical computing, Technical report, R Foundation for Statistical Computing, Vienna, Austria, http://www.R-project.org.
  • - Samper, F. J. y Carrera, J., 1990: Geoestadística. Aplicaciones a la hidrología subterránea, Ed. Complutense de Madrid, 484, ISBN: 84-404-6045-7.
  • - Venables,W. N. y Ripley, B. D., 2005: Modern Applied Statistics with R, Springer-Verlag, 106, ISBN: 3900051-127.
  • - Venables, W. N. y Smith, D. M., 2012: An Introduction to R, R Foundation for Statistical Computing, Vienna, Austria, 95, ISBN: 3-900051-12-7.


Creative Commons License

This work is licensed under a Creative Commons Attribution 3.0 Unported License


Indexed in Scopus, Thomson-Reuters Emerging Sources Citation Index (ESCI), Scientific Commons, Latindex, Google Scholar, DOAJ, ICYT (CSIC)

Partially funded through grants CGL2007-29820-E/CLI, CGL2008-02804-E/, CGL2009-07417-E and CGL2011-14046-E of the Spanish Ministry of Science and Innovation