Universidad San Francisco de Quito Usfq: Colegio de Ciencias e Ingenierías

UNIVERSIDAD SAN FRANCISCO DE QUITO USFQ
Colegio de Ciencias e Ingenierías
Evaluación de configuraciones de parametrización física

para la simulación numérica de temperatura y lluvia en el
Ecuador
Proyecto de Investigación
.
Sebastián Peralta Almeida
Ingeniería Ambiental
Trabajo de titulación presentado como requisito

para la obtención del título de
Ingeniero Ambiental
Quito, 22 de julio de 2016

2
UNIVERSIDAD SAN FRANCISCO DE QUITO USFQ

COLEGIO DE CIENCIAS E INGENIERÍAS
HOJA DE CALIFICACIÓN
DE TRABAJO DE TITULACIÓN
Evaluación de configuraciones de parametrización física para la simulación

numérica de temperatura y lluvia en el Ecuador
Sebastián Peralta Almeida
Calificación:
Nombre del profesor

René Parra, Ph. D
Firma del profesor
Quito, 22 de julio de 2016

3
Derechos de Autor
Por medio del presente documento certifico que he leído todas las Políticas y
Manuales de la Universidad San Francisco de Quito USFQ, incluyendo la Política de
Propiedad Intelectual USFQ, y estoy de acuerdo con su contenido, por lo que los derechos de
propiedad intelectual del presente trabajo quedan sujetos a lo dispuesto en esas Políticas.
Asimismo, autorizo a la USFQ para que realice la digitalización y publicación de este
trabajo en el repositorio virtual, de conformidad a lo dispuesto en el Art. 144 de la Ley
Orgánica de Educación Superior.
Firma del estudiante: _______________________________________
Nombres y apellidos: Sebastián Peralta Almeida
Código: 102554
Cédula de Identidad: 1002603668
Lugar y fecha: Quito, julio de 2016

4
RESUMEN
La simulación numérica de la meteorología en el Ecuador se encuentra en una etapa
preliminar, por lo que es prioritario evaluar los resultados obtenidos con diferentes
configuraciones de parametrización de los procesos físicos. Con este objetivo, se simuló la
meteorología de agosto de 2010 por medio del modelo Weather Research & Forecasting
(WRF - V3.2), bajo 12 configuraciones que combinan opciones físicas para la Capa Superficial
(CS), Suelo Superficial (SS), Capa Límite Planetaria (CLP) y esquema Convectivo - Cúmulo
(CCU). Las simulaciones se desarrollaron con un dominio maestro y dos subdominios
anidados. El segundo subdominio anidado circunscribe a todo el territorio continental del
Ecuador y se conforma de una malla de 199 filas y 199 columnas, con celdas de 4 km de
lado. Los resultados de la temperatura en superficie y lluvia fueron comparados con los
registros de estaciones (14 para temperatura, 23 para precipitación) localizadas en la Costa,
Sierra y Oriente; operadas por el Instituto Nacional de Meteorología e Hidrología (INAMHI).
Para la evaluación de la temperatura se usaron como indicadores estadísticos el Error Medio
Absoluto (EMA, < 2K), Sesgo Medio (SM, entre -0.5 y 0.5). Para la evaluación de la
precipitación se usaron el Error Medio Absoluto (EMA, ≤ 8mm), Error Medio Cuadrático
(EMC, ≤ 8mm) y el Índice BRIER (IB, < 0.3). También se calculó el porcentaje de eficiencia del
modelo (% eficiencia, ≥ 0.666). Los criterios de aceptación indican que las configuraciones 8
(SS=MM5 similarity, CS=5-layer thermal diffusion, CLP=Yonsei University scheme, CCU=Betts-
Miller-Janjic scheme) y 9 (SS=MM5 similarity, CS=5-layer thermal diffusion, CLP=Yonsei
University scheme, CCU= Grell 3d ensemble cumulus scheme) presentaron globalmente el
mejor desempeño. Para la temperatura, el EMA fue valorado positivamente en 2 de 3
estaciones en la Costa, 5 de 8 en la Sierra y 2 de 3 en el Oriente. El SM fue valorado
positivamente sólo en 4 de 14 estaciones. En cuanto a la lluvia, el EMA fue valorado
positivamente en 21 de 23 estaciones (6 de 6 en la Costa, 13 de 13 en la Sierra y 2 de 4 en el
Oriente). El EMC fue evaluado positivamente en 19 de 23 estaciones. El Índice BRIER indica
un desempeño aceptable del modelo en 12 de 23 estaciones (5 de 6 en la Costa, 7 de 13 en
la Sierra y 0 de 4 en el Oriente). El PE fue exitoso en 12 de 23 estaciones (5 de 6 en la Costa,
7 de 13 en la Sierra y 0 de 4 en el Oriente). Esta evaluación es preliminar y requiere ser
complementada con estudios que cubran otros periodos temporales y variables
meteorológicas.
Palabras clave: WRF, INAMHI, subdominio anidado, Costa, Sierra, Oriente

5
ABSTRACT
Numerical simulation of Ecuador’s meteorology is currently at an early stage, making it a
priority to evaluate the results obtained using different physical parameterization schemes.
In consequence, August 2010’s meteorology was simulated with the Weather Research &
Forecasting (WRF – V3.2) model using 12 schemes that combine physical options for Surface
Layer (SL), Land Surface (LS), Planetary Boundary Layer (PBL) and Cumulus Parameterization
(Cu). The simulations were developed with one domain and two subdomains. The second
subdomain circumscribes Ecuador’s continental territory and is formed by a grid with 199
rows and 199 columns using 4 km side cells. Temperature and rain results were compared
with meteorology station records (14 for temperature, 23 for rain) located on the Coast,
Sierra and Amazon; operated by National Institute of Meteorology and Hydrology (INAMH).
Temperature evaluation was performed using as statistical indicators the Mean Absolute
Error (MAE, < 2K) and Mean BIAS (BIAS, between -0.5 and 0.5). Rain evaluation was
performed using Mean Absolute Error (EMA, ≤ 8mm), Mean Square Error (MSE, ≤ 8mm) and
BRIER Score (BS, < 0.3). Model efficiency was also calculated (% efficiency, ≥ 0.666).
Acceptance criteria shows that schemes 8 (SL=MM5 similarity, LS=5-layer thermal diffusion,
PBL=Yonsei University scheme, Cu=Betts-Miller-Janjic scheme) and 9 (SL=MM5 similarity,
LS=5-layer thermal diffusion, PBL=Yonsei University scheme, Cu= Grell 3d ensemble cumulus
scheme) presented the best overall performance. For temperature evaluation, MAE was
positively assessed in 2 of 3 Coast stations, 5 of 8 Sierra stations and 2 of 3 Amazon stations.
BIAS was positively assessed in 4 of 14 stations. For rain evaluation, MAE was positively
assessed in 21 of 23 stations (6 of 6 in the Coast, 13 of 13 in the Sierra and 2 of 4 in the
Amazonia). MSE was positively assessed in 19 of 23 stations. Brier Score shows an
acceptable performance in 12 of 23 stations (5 of 6 in the Coast, 7 of 13 in the Sierra and 0 of
4 in the Amazon). Model efficiency was successful in 12 of 23 stations (5 of 6 in the Coast, 7
of 13 in the Sierra and 0 of 4 in the Amazon). This is a preliminary evaluation and it requires
new studies that cover other temporal periods and meteorological variables.
Key words: WRF, INAMHI, subdomain, Coast, Sierra, Amazon

6
TABLA DE CONTENIDO
INTRODUCCIÓN .............................................................................................................................. 10
Justificación ................................................................................................................................................ 13
Objetivos...................................................................................................................................................... 13
General ...................................................................................................................................................................... 13
Específicos ............................................................................................................................................................... 13
DESARROLLO................................................................................................................................... 15
Marco Teórico............................................................................................................................................ 15
Método ......................................................................................................................................................... 19
Análisis Estadístico .................................................................................................................................. 26
Resultados y Discusión........................................................................................................................... 29
CONCLUSIONES ............................................................................................................................... 56
Recomendaciones .................................................................................................................................... 59
REFERENCIAS BIBLIOGRÁFICAS ............................................................................................... 60
7
ÍNDICE DE TABLAS
Tabla 1: Clasificación de modelos atmosféricos según su escala espacial .............................. 16
Tabla 2: Parámetros de simulación meteorológica para el territorio continental del Ecuador
........................................................................................................................................... 19
Tabla 3: Configuración de esquemas utilizados en la simulación de la meteorología en el
Ecuador mediante el modelo Weather Research & Forecasting (WRF V3.2) ................... 20
Tabla 4: Estaciones meteorológicas con registros de temperatura para agosto del 2010...... 23
Tabla 5: Estaciones meteorológicas con registros de precipitación para agosto del 2010 ..... 25
Tabla 6: Número de estaciones que cumplen con los estadísticos de temperatura para
agosto del 2010 ................................................................................................................. 29
Tabla 7: Resultados de la evaluación del EMA para temperatura en el Ecuador .................... 31
Tabla 8: Resultados de la evaluación del SM para temperatura en el Ecuador ...................... 33
Tabla 9: Número de estaciones que cumplen con los estadísticos de precipitación diaria para
agosto del 2010 ................................................................................................................. 35
Tabla 10: Resultados de la evaluación del EMA para precipitación en el Ecuador ................. 37
Tabla 11: Resultados de la evaluación del EMC para precipitación en el Ecuador .................. 39
Tabla 12: Resultados de la evaluación del IB para precipitación en el Ecuador ...................... 41
Tabla 13: Resultados de la evaluación del PE para precipitación en el Ecuador ..................... 42
Tabla 14: Comparación entre configuraciones de referencia V3.2, configuraciones 8 y 9 del
presente estudio, y configuraciones utilizadas en estudios realizados en México,
Colombia y Argentina ........................................................................................................ 53
8
ÍNDICE DE FIGURAS
Figura 1: Procesos físicos que se dan cerca de la superficie que suelen parametrizarse ........ 17
Figura 2: Dominios de simulación meteorológica para el territorio continental del Ecuador 19
Figura 3: Localización de las estaciones meteorológicas operadas por el INAMHI que se
consideraron para la evaluación de la temperatura ......................................................... 24
consideraron para la evaluación de la precipitación ......................................................... 25
Figura 5: Comparación de temperatura media medida en la estación “Guayaquil U. Estatal”
con los datos obtenidos por las 12 configuraciones del modelo y su promedio (Agosto
2010) .................................................................................................................................. 44
Figura 6: Comparación por grupos de precipitación acumulada medida en la estación
“Guayaquil U. Estatal” con los datos obtenidos por las 12 configuraciones del modelo y
su promedio (Agosto 2010) ............................................................................................... 45
Figura 7: Comparación de temperatura media medida en la estación “Quito INAMHI-
Iñaquito” con los datos obtenidos por las 12 configuraciones del modelo y su promedio
(Agosto 2010) .................................................................................................................... 46
Figura 8: Comparación por grupos de precipitación acumulada medida en la estación “Quito
INAMHI-Iñaquito” con los datos obtenidos por las 12 configuraciones del modelo y su
promedio (Agosto 2010) .................................................................................................... 48
Figura 9: Comparación de temperatura media medida en la estación “Nuevo Rocafuerte” con
los datos obtenidos por las 12 configuraciones del modelo y su promedio ..................... 49
“Nuevo Rocafuerte” con los datos obtenidos por las 12 configuraciones del modelo y su
promedio (Agosto 2010) .................................................................................................... 51
9
Este proyecto de investigación fue presentado en el Congreso

Anual de Meteorología y Calidad del Aire (CAMCA 2016) del
28 y 29 de abril del 2016, desarrollado en la Universidad San
Francisco de Quito
10
INTRODUCCIÓN
Los modelos son representaciones de sistemas reales y de las relaciones que existen
entre elementos que conforman los sistemas. Los modelos sirven para entender los
procesos que gobiernan un sistema.
Los modelos se clasifican en tres categorías: físicos, analíticos y numéricos (Steyn y
Galmarini, 2008). Los modelos físicos son representaciones a pequeña escala del sistema.
Los modelos analíticos y numéricos relacionan variables mediante un sistema de ecuaciones
matemáticas, con propiedades y magnitudes ambientales. Éstos se diferencian en que los
primeros utilizan ecuaciones que se resuelven analíticamente, mientras que los segundos
utilizan ecuaciones que se resuelven de manera numérica.
Uno de los sistemas ambientales que se ha estudiado por medio de modelos es el
sistema climático, el cual consiste de 5 componentes: la atmósfera, la hidrosfera, la
criosfera, la geosfera y la biosfera (IPCC, 2001).
Para estudiar la atmósfera, se utilizan ciencias como la meteorología y la
climatología; que buscan entender su comportamiento a corto y largo plazo,
respectivamente (McDaniel et al., 2012). Estas ciencias se apoyan en modelos, con el fin de
describir y predecir el comportamiento de parámetros como la temperatura, la
precipitación, la humedad, o la velocidad y dirección del viento. Para estudiar la
meteorología, se utilizan modelos numéricos con el fin de obtener estimaciones de las
condiciones a corto plazo de la atmósfera. Entre los modelos más utilizados para el
pronóstico de la meteorología a escala global, se encuentran el Global Forecast System
(GFS), operado por el National Oceanic and Atmospheric Administration (NOAA) de los
Estados Unidos; el Integrated Forecast System (IFS), desarrollado por el European Centre for
11
Medium-Range Weather Forecast (ECMWF) de Inglaterra; el Global Environmental
Multiscale Model (GEM), desarrollado por el Centre de Recherche en Prévision Numérique
(RPN) y el Canadian Meteorological Centre (CMC) de Canadá; el North American Ensemble
Forecast System (NAEFS), desarrollado de manera conjunta entre el United States National
Weather Service (NWS), el Meteorological Service of Canada (MSC) y el National
Meteorological Service of Mexico (NMSM) (OpenWeatherMap, 2016). Para escalas más
pequeñas como la mesoescala, se utilizan el Mesoscale Model 5 (MM5), el Weather
Research and Forecasting (WRF), y el Regional Atmospheric Soaring Prediction (RASP)
(OpenWeatherMap, 2016). Según la Agencia de Protección Ambiental de los Estados Unidos
(US EPA), se espera que en los próximos años, el modelado meteorológico en tiempo real se
base en el modelo WRF (EPA, 2015). Este modelo es considerado como la evolución del
MM5, y es un sistema numérico para investigación y pronóstico atmosféricos (WRF, 2016).
En el Ecuador, se han utilizado modelos como el sistema regional PRECIS, el modelo
japonés TL959 y el ETA, para describir los diferentes escenarios de cambio climático (MAE,
2013), (Muñoz, 2010). Estos modelos describen el clima en términos de precipitación y
temperatura, realizando una comparación con la base de datos CRU de la East Anglia
University. El modelo WRF ha empezado a ser utilizado con fines de investigación y de
pronóstico. En el ámbito de la investigación, Cárdenas (2013) ha automatizado el uso del
modelo empleando herramientas de software libre; Parra y Páez (2006) han utilizado el
modelo WRF como base para simular la calidad del aire en el Distrito Metropolitano de
Quito; Izurieta y Zambrano (2012) han utilizado el modelo para analizar las variables
meteorológicas para el proyecto Plataforma de Gran Altitud en Ambato; Palacios et al.
(2009) utilizaron el modelo para estudiar la atmósfera ecuatorial, empleando perfiles

12
verticales de la velocidad del viento; Gualán y Solano (2014) estudiaron la escalabilidad del
modelo en un equipo de alto rendimiento computacional (HPC), tomando en cuenta el
número de procesadores, nodos, comunicaciones y librerías; y Parra (2012) ha realizado una
evaluación preliminar sobre la temperatura media en superficie en el Ecuador, mediante la
simulación de la meteorología del año 2010. En relación al pronóstico, el Instituto Nacional
de Meteorología e Hidrología (INAMHI), utiliza el modelo para predecir la meteorología en el
país a diferentes escalas de tiempo, y para generar mapas diarios de precipitación,
temperatura, humedad y viento (INAMHI, 2016). Además, la USFQ emplea el modelo WRF
como generador de los campos de viento y otras variables, y para pronosticar la dispersión y
sedimentación de ceniza proveniente del volcán Tungurahua (USFQ, 2016).
Los modelos numéricos tienen un papel importante en la meteorología, ya que los
registros están disponibles solo en aquellos lugares donde hay estaciones meteorológicas
(Stensrud, 2007). Las actividades de gestión e investigación requieren de información
meteorológica con mayor alcance espacial, en relación a la que proporcionan las estaciones,
por lo que los modelos se han convertido en una herramienta muy útil para complementar
la información en los lugares en donde no hay registros directos (Parra, 2012). Además, los
modelos meteorológicos son claves a la hora de tomar decisiones sobre actividades
cotidianas, o sobre temas relacionados con el estado actual y futuro de la atmósfera
(Stensrud, 2007).
Uno de los componentes más importantes de los modelos numéricos meteorológicos
son los esquemas de parametrización. Estos esquemas determinan por ejemplo la cantidad
de energía solar que llega a la superficie del planeta; la evolución de la capa límite
planetaria; la producción de lluvia cuando hay movimientos convectivos a una escala de

13
menor tamaño que la resolución espacial de la simulación; determinan la influencia a escala
subcuadrícula que tiene la orografía en la atmósfera; y la influencia de la topografía en la
dinámica de la atmósfera (Stensrud, 2007).
Justificación
La identificación de los esquemas de parametrización que presentan el mejor
desempeño, constituye una actividad clave en la aplicación de los modelos meteorológicos
en una región en particular. Esta actividad no se ha desarrollado todavía en el Ecuador.
Objetivos
General
Identificar la configuración de parámetros para la simulación meteorológica, cuyos
resultados reproduzcan de la mejor manera los registros de temperatura y lluvia en
estaciones localizadas en las zonas de la Costa, Sierra y Oriente del Ecuador.
Específicos
-Identificar la configuración de parámetros cuyos resultados reproduzcan de la mejor
manera los registros de temperatura y lluvia, por región (Costa, Sierra y Oriente) en el
Ecuador.
14
-Identificar si hay una configuración única que proporciona los mejores resultados tanto
para las zonas de la Costa, Sierra y Oriente en el Ecuador.

15
DESARROLLO
Marco Teórico
El sistema atmosférico está gobernado por leyes físicas que se pueden describir
mediante un conjunto complejo de ecuaciones que no pueden ser resueltas analíticamente.
Por este motivo, los modelos meteorológicos se expresan mediante ecuaciones equivalentes
que pueden ser resueltas numéricamente, aprovechando la gran capacidad de cálculo que
actualmente tienen los ordenadores (Llebot, 2009).
Los modelos meteorológicos pueden clasificarse según el sistema de referencia y
según su escala espacial. En relación al sistema de referencia, los modelos se clasifican en
eulerianos y lagrangianos. Los eulerianos usan un sistema de coordenadas fijo, y la región a
modelar se divide en celdas verticales u horizontales, que se ordenan dentro de una malla
en tres dimensiones. Los lagrangianos utilizan un sistema de coordenadas que se ajusta al
movimiento atmosférico, basándose en un volumen de aire determinado que cambia su
posición según la velocidad y dirección del viento (INECC, 2014).
Un aspecto importante de los modelos eulerianos es la resolución espacial, que
define el tamaño de las celdas. Mientras más alta sea la resolución espacial, en principio el
modelo reproduce de mejor manera los registros de las estaciones meteorológicas. No
obstante, mientras más alta sea la resolución espacial, se requieren mayores recursos
computacionales (UCAR, 2008). En centros de diferentes países, se generan pronósticos con
alta resolución espacial bajo la disponibilidad de una mayor capacidad de cómputo
(Matsudo et al., 2013). La Tabla 1 indica la clasificación de los modelos, en función de su
escala espacial.
16
Tabla 1: Clasificación de modelos atmosféricos según su escala espacial
Modelo Dominio Típico Resolución Espacial Típica
Microescala 200 x 200 x 100 m 5m
Mesoescala 100 x 100 x 5 km 2 km
Regional 1000 x 1000 x 10 km 20 km
Sinóptico 3000 x 3000 x 20 km 80 km
Global 65000 x 65000 x 20 km 5° x 5°
Fuente: (Seinfeld y Pandis, 1998)
En simulaciones meteorológicas a mesoescala, con resoluciones espaciales típicas de
hasta 2 km, hay fenómenos que no pueden ser representados explícitamente por los
modelos numéricos. Por ejemplo, la formación convectiva de nubes pequeñas, con tamaños
menores a 2 km.
La parametrización se refiere a la técnica por la cual los procesos físicos que se
desarrollan a una escala menor a la resolución espacial, se representan por medio de sus
efectos (Stensrud, 2007). Los esquemas de parametrización son importantes porque afectan
directamente en los resultados de los modelos, y además porque interactúan unos con
otros. Estos esquemas solo describen los aspectos esenciales de los procesos físicos que
representan, ya que en general constituyen simplificaciones, por la dificultad de reproducir
completamente el proceso al que representan (Stensrud, 2007). La parametrización es un
método de emular los efectos de un proceso en lugar de modelar el efecto en sí mismo
(Corrales et al., 2013). Existe una variedad de parametrizaciones que sirven para describir la
17
capa límite planetaria y difusión turbulenta, los procesos convectivos, la radiación, las nubes,
la relación entre superficie terrestre-atmósfera, suelo-vegetación-atmósfera, agua
superficial-atmósfera, y la microfísica de la atmósfera (Stensrud, 2007). La Figura 1 indica
algunos de los procesos físicos que se dan cerca de la superficie, que suelen ser
parametrizados.
Figura 1: Procesos físicos que se dan cerca de la superficie que suelen parametrizarse
Fuente: (Corrales et al., 2013)
Los modelos han mostrado una creciente capacidad para simular de mejor manera la
meteorología (Gates et al., 1992). Los resultados de los modelos necesitan ser evaluados
para determinar si reproducen de manera aceptable, la magnitud y comportamiento de las
variables meteorológicas, mediante la comparación con registros de estaciones de
monitoreo. Para este propósito se pueden utilizar indicadores estadísticos. Al aplicar un
análisis estadístico para evaluar el desempeño de un modelo, se utilizan parámetros para
cuantificar que tan bien el modelo se ajusta a las observaciones (EEA, 2011). Existen varios
estudios sobre validación de modelos meteorológicos alrededor del mundo, que proponen y
18
usan una diversidad de indicadores estadísticos. Se han propuesto grupos de estadísticos
para evaluar parámetros meteorológicos como la velocidad y dirección del viento, la
temperatura y humedad (Emery et al., 2001), (Tesche, 2002), (Léon y Zea, 2001). El WCRP
(2015), Ruiz (2008), y Matsudo et al. (2013), han propuesto estadísticos para evaluar la
precipitación en términos probabilísticos. Corrales et al. (2014) y Rau y Condom (2010), han
propuesto estadísticos para evaluar la precipitación de manera cuantitativa. La evaluación
de los modelos meteorológicos se basa en la comparación entre un par de valores (valor
observado vs. valor modelado); y según la variable y aplicación de los resultados, se aplican
diferentes estadísticos (EEA, 2011).
Los registros provienen de las mediciones realizadas en las estaciones
meteorológicas. En el Ecuador, el INAMHI es la entidad encargada de proporcionar este tipo
de información a nivel nacional. Adicionalmente, el INAMHI es el ente oficial para el
suministro de información sobre la meteorología, el clima y los recursos hídricos (INAMHI,
2016). Actualmente la mencionada entidad opera 377 estaciones meteorológicas, entre
convencionales y automáticas.
El modelo WRF es utilizado alrededor del mundo, tanto para investigación como para
pronóstico (Arango y Ruiz, 2011). Se utiliza para un amplio rango de aplicaciones
meteorológicas a través de escalas desde los 10 m, hasta los 1000 km (WRF, 2016). El
modelo WRF incorpora varias alternativas de esquemas físicos, opciones numéricas y
dinámicas, rutas de inicialización y paquetes de asimilación de datos (Skamarock, 2008).

19
Método
Se utilizó el modelo WRF (ARW) versión 3.2 para simular la meteorología del Ecuador
durante agosto del 2010 por medio de un dominio maestro y dos subdominios anidados
(Figura 2).
Figura 2: Dominios de simulación meteorológica para el territorio continental del Ecuador

Fuente: (Parra, 2012)
Las condiciones iniciales de contorno se generaron a partir de la base de datos de
análisis final (NCEP-FNL) del National Center for Atmospheric Research de los Estados Unidos
(Parra, 2012). Los archivos de análisis final se generaron por el Global Data Assimilation
System (GDAS). La Tabla 2 indica la configuración de dominios para las simulaciones
meteorológicas.
Tabla 2: Parámetros de simulación meteorológica para el territorio continental del Ecuador
Parámetro Dominio Maestro Subdominio 1 Subdominio 2 Observaciones

e_we 80 109 199 Número de celdas horizontales
e_sn 80 109 199 Número de celdas verticales
e_vert 26 26 26 Número de niveles verticales
Dx 36 12 4 Dimensión horizontal de celda (km)
Dy 36 12 4 Dimensión vertical de celda (km)
Fuente: (Parra, 2012)
20
En el presente proyecto, se utilizó el software QGIS versión 2.8.2 para georeferenciar
las estaciones meteorológicas del INAMHI que se consideraron para la evaluación de la
temperatura y la precipitación, dentro del subdominio del modelo que cubre la zona del
Ecuador continental. Este subdominio se conforma por una malla de 199 filas x 199
columnas con celdas de 4 km de lado. Con la ubicación de cada estación en su respectiva
celda dentro de la malla, se procedió a realizar simulaciones para los primeros 27 días de
agosto del 2010. Se emplearon 12 configuraciones de parametrización física para realizar la
simulación meteorológica. Las características de cada configuración se presentan en la Tabla
3.
Tabla 3: Configuración de esquemas utilizados en la simulación de la meteorología en el

Ecuador mediante el modelo Weather Research & Forecasting (WRF V3.2)
Configuraciones
Opciones físicas 1 2 3 4 5 6 7 8 9 10 11 12
Sf_sfclay_physics 1 1 1 2 2 2 1 1 1 2 2 2
Sf_surface_physics 1 1 1 1 1 1 2 2 2 2 2 2
Bl_pbl_physics 1 1 1 2 2 2 1 1 1 2 2 2
Cu_physics 1 2 5 1 2 5 1 2 5 1 2 5
Sf_sfclay_physics: Surface layer (1 MM5 similarity, 2 Eta similarity).
Sf_surface_physics: Land surface (1 5-layer thermal diffusion, 2 Noah Land Surface Model)
Bl_pbl_physics: Planetary Boundary Layer (1 Yonsei University scheme, 2 Mellor-Yamada-
Janjic scheme)
Cu_physics: Cumulus Parameterization (1 Kain-Fritsch scheme, 2 Betts-Miller-Janjic scheme,
5 Grell 3d ensemble cumulus scheme)
Todas las simulaciones se desarrollaron manteniendo fijas las siguientes opciones físicas:
 Mp_physics (microphysics) = 16 (Double-Moment 6-class scheme)

21
 Ra_lw_physics (longwave radiation) = 1 (Rapid Radiative Transfer Model, RRTM)
 Ra_sw_physics (shortwave radiation) =1 (Dudhia scheme)
A más de las 12 configuraciones, se construyó un escenario adicional, que
corresponde al promedio de los resultados de las 12 configuraciones anteriores.
Como se puede apreciar en la Tabla 3, se variaron las opciones físicas de los
esquemas de parametrización para la capa superficial, suelo superficial, capa límite
planetaria y para el esquema convectivo-cúmulo. Los esquemas de capa superficial (Surface
layer) calculan las velocidades de fricción y los coeficientes de intercambio de los flujos de
calor superficial y de humedad (Skamarock et al., 2008). Para el presente proyecto, se
utilizaron dos esquemas: el MM5 y el Eta. El esquema MM5, utiliza funciones de
estabilización para calcular los coeficientes de calor, humedad y momento. El esquema Eta,
incluye parametrizaciones para una subcapa viscosa (Skamarock et al., 2008).
Los esquemas de suelo superficial (Land surface) introducen en el modelo las
interacciones entre el suelo, la superficie, la vegetación, y la atmósfera (García, 2014). Para
el presente proyecto, se utilizaron dos esquemas: 5-layer thermal diffusion, y Noah Land
Surface Model. En el modelo 5-layer thermal diffusion, las capas del suelo tienen un grosor
de 16 cm, y los requerimientos energéticos incluyen radiación y flujo de calor latente y
sensible. El modelo Noah Land Surface divide al suelo en 4 capas con grosores de 10 cm, 30
cm, 60 cm y 100 cm, hasta una profundidad de 2 m. Incluye la zona donde se encuentran las
raíces, y se generan los procesos de evapotranspiración y drenaje tomando en cuenta la
vegetación y textura del suelo (Skamarock et al., 2008).

22
La capa límite planetaria (Planetary Boundary Layer) es aquella que interacciona
directamente con la superficie del planeta. Este tipo de esquemas son responsables de
representar los flujos verticales turbulentos de calor, momento y humedad dentro de la
capa límite planetaria, y a través de la atmósfera (Skamarock et al., 2008). Para el presente
proyecto, se utilizaron dos esquemas de capa límite planetaria: Yonsei University y Mellor-
Yamada-Janjic. El Yonsei University es un esquema de primer orden que usa coeficientes de
difusión turbulenta no locales para el cálculo de los flujos turbulentos (García, 2014). El
Mellor-Yamada-Janjic es un esquema de cierre local donde se utiliza ecuaciones de los flujos
de calor y humedad (García, 2014).
Los esquemas convectivo-cúmulo (Cumulus parameterization) simulan los efectos a
escala sub-cuadrícula en las nubes convectivas y/o superficiales, y proporcionan información
sobre la precipitación dentro de las celdas de la cuadrícula (Skamarock et al., 2008). Para el
presente proyecto, se utilizaron tres esquemas convectivo-cúmulo: Kain-Fritsch scheme,
Betts-Miller-Janjic scheme y Grell 3d ensemble cumulus scheme. El Kain-Fritsch es un
esquema de flujo de masa que utiliza un modelo simple para las nubes y la microfísica
(Skamarock et al., 2008). El Betts-Miller-Janjic es un esquema de control de capa profunda
que elimina la energía potencial disponible para la convección, sin tener en cuenta el
forzamiento superficial (García, 2014). El Grell 3d ensemble cumulus es un esquema que se
distingue de los demás en que permite que se propaguen los efectos entre las celdas vecinas
en la malla, haciendo el método más apropiado para tamaños de cuadrícula menores a 10
km (Skamarock et al., 2008).

23
Posteriormente, se realizó la evaluación de los resultados del modelo para los
parámetros de temperatura y precipitación; utilizando registros provenientes de las
estaciones meteorológicas del INAMHI para agosto del año 2010. Estos datos fueron
obtenidos a partir de 14 estaciones para temperatura, y de 23 estaciones para precipitación.
Dichas estaciones se distribuyen en las 3 regiones del Ecuador continental: Costa, Sierra y
Oriente. La Tabla 4 y la Figura 3, muestran en detalle las estaciones meteorológicas
consideradas para la evaluación de la temperatura.
Tabla 4: Estaciones meteorológicas con registros de temperatura para agosto del 2010
TEMPERATURA
COSTA SIERRA ORIENTE
1- Julcuy 4- San Vicente de Pusir 12- Lumbaqui
2- Santa Elena-Universidad 5- Quito INAMHI-Iñaquito 13- Nuevo Rocafuerte
3- Guayaquil U. Estatal 6- Papallacta 14- Macas San Isidro-PNS
7- Pilalo
8- Calamaca Convenio INAMHI
HCPT
9- Cañar
10- Pucara-Colegio Tec. Agrop.
11- Zapotillo
24

consideraron para la evaluación de la temperatura
La Tabla 5 y la Figura 4, muestran en detalle las estaciones meteorológicas consideradas
para la evaluación de la precipitación.

25
Tabla 5: Estaciones meteorológicas con registros de precipitación para agosto del 2010
PRECIPITACIÓN
COSTA SIERRA ORIENTE
1- Bahía de Caráquez-PUCE 7- Ambuquí 20- Lumbaqui
2- Julcuy 8- Topo-Imbabura (Angla) 21- Chonta Punta
3- Vinces INAMHI 9- Cayambe 22- Nuevo Rocafuerte
4- Santa Elena-Universidad 10- Calderón 23- Macas San Isidro-PNS
5- Guayaquil U. Estatal 11- Quito INAMHI-Iñaquito
6- Isla Puna Sector Bellavista 12- Papallacta
13- Loreto Pedregal
14- Pilalo
15- Calamaca Convenio INAMHI
HCPT
16- Cebadas
17- Cañar
18- Pucara-Colegio Tec. Agrop.
19- Zapotillo

consideraron para la evaluación de la precipitación
26
Análisis Estadístico
Con los registros de las estaciones meteorológicas y los resultados de las
simulaciones, se procedió a efectuar la evaluación utilizando estadísticos para temperatura y
para precipitación. Para la temperatura, se obtuvo el valor medio diario a partir de tres
observaciones realizadas a las 07h00, 13h00 y 19h00 (INAMHI, 2014). Para la precipitación
se utilizó el registro diario que se obtiene al realizar la suma de todos los datos horarios
durante un período equivalente a un día (24 horas).
Para la temperatura se utilizaron los siguientes indicadores:
Error Medio Absoluto (EMA)
∑| |
Donde Pi es el resultado modelado, Oi es el registro y N es el número de días. El valor
de aceptación es EMA < 2 °C (EEA, 2011). Este estadístico representa el promedio de las
diferencias absolutas entre los registros y los resultados del modelo (Arango y Ruiz, 2011).
Este estadístico indica el valor promedio de los errores del modelo (WCRP, 2015).
Sesgo Medio BIAS (SM)
̅ ̅
Donde ̅ es el promedio de los datos obtenidos con el modelo, ̅ es el promedio de
los registros y N es el número de datos. El valor de aceptación debe estar entre -0.5 y 0.5 °C
27
(EEA, 2011). Este estadístico indica la tendencia del modelo a subestimar o sobrestimar una
variable, en este caso, la temperatura (Arango y Ruiz, 2011).
En cuanto a la precipitación, se utilizaron los siguientes estadísticos:
Error Medio Cuadrático (EMC)
√ ∑
Donde N es el número de días, Pi es el valor modelado y Oi es el registro. El valor
óptimo de este estadístico es igual a 0 (Arango y Ruiz, 2011). Para el presente estudio, se
consideró que el valor de aceptación debe ser ≤ 8 mm/día debido a la dificultad para simular
este parámetro. Este estadístico señala el grado de correspondencia promedio entre los
registros y los valores modelados (Arango y Ruiz, 2011). Indica el valor promedio de los
errores del modelo, y proporciona más peso a los errores grandes en relación a los errores
pequeños (WCRP, 2015).
Error Medio Absoluto (EMA)
∑| |
Donde Pi es el valor modelado, Oi es el registro y N es el número de datos. El valor
óptimo de este estadístico es igual a 0 (Arango y Ruiz, 2011). Para el presente estudio, se
consideró que su valor de aceptación debe ser ≤ 8 mm/día. Este estadístico nos brinda
información similar al EMC, ya que indica el valor promedio de los errores del modelo.
28
También se realizó una comparación para evaluar si el modelo identifica la ocurrencia
de lluvia. Para ello se utilizó el Índice de Brier y se calculó el porcentaje de eficiencia del
modelo.
Índice de Brier (IB)
Donde N es la cantidad de pares de valores modelados/registrados, Pi es el valor
modelado y Oi es el registro. En este caso, Oi es igual a 1 si se registró lluvia, y 0 cuando no se
registró nada. El valor óptimo del Índice BRIER es igual a cero (predicción con 100% de
exactitud). Para el presente estudio, se consideró que su valor de aceptación debe ser ≤ 0.3
(Ruiz, 2008).
Porcentaje de Eficiencia
Para el presente estudio, se consideró que su valor de aceptación debe ser ≥ 0.66,
porque equivaldría a predecir correctamente los eventos en 18 de 27 días.

29
Resultados y Discusión
En la Tabla 6 se presentan los resultados obtenidos por medio de la aplicación de los
indicadores estadísticos de temperatura. La Tabla 6 indica directamente el número de
estaciones que cumplen con el criterio de aceptación del EMA y del SM.
Tabla 6: Número de estaciones que cumplen con los estadísticos de temperatura para
agosto del 2010
Configuraciones
EMA
1 2 3 4 5 6 7 8 9 10 11 12 Prom
COSTA 2 2 2 2 2 2 2 2 2 2 2 2 2
(3 estaciones)
SIERRA 4 4 4 3 3 3 5 5 5 5 5 5 5
(8 estaciones)
ORIENTE 2 2 2 2 2 2 2 2 2 2 2 2 2
(3 estaciones)
TOTAL 8 8 8 7 7 7 9 9 9 9 9 9 9
(14 estaciones)
Configuraciones
SM 1 2 3 4 5 6 7 8 9 10 11 12 Prom
COSTA 1 1 1 0 0 0 0 0 0 1 1 1 0
(3 estaciones)
SIERRA 2 2 1 1 1 1 2 2 2 1 1 1 3
(8 estaciones)
ORIENTE 0 0 0 2 2 1 1 2 2 1 0 1 0
(3 estaciones)
TOTAL 3 3 2 3 3 2 3 4 4 3 2 3 3
(14 estaciones)
*Nota: En amarillo las configuraciones que presentan el mayor cumplimiento de los estadísticos
Como se puede ver en la Tabla 6, las configuraciones 8 y 9 son las que mejor
desempeño presentan en la evaluación de la temperatura a nivel nacional. Para el EMA, el
cumplimiento de este estadístico se considera bueno ya que a nivel de país, 9 de 14
estaciones cumplen con el criterio de aceptación. Tanto para la Costa como para el Oriente,
30
todas las configuraciones generan resultados aceptables en 2 de 3 estaciones. En la Sierra,
las configuraciones 7 hasta la 12, y el escenario promedio, presentaron resultados
aceptables en 5 de 8 estaciones.
Para el SM, el cumplimiento de este estadístico se considera bajo ya que a nivel de
país, 4 de 14 estaciones cumplen con el criterio de aceptación. Los resultados son bueno a
nivel del Oriente, donde el estadístico se cumple en 2 de 3 estaciones.
La Tabla 7 presenta los resultados del cumplimiento del criterio de aceptación del
EMA, en las 14 estaciones consideradas para la evaluación de la temperatura.

31
Tabla 7: Resultados de la evaluación del EMA para temperatura en el Ecuador
Error Medio Absoluto (EMA) (< 2 °C)

COSTA
Configuraciones
Estación 1 2 3 4 5 6 7 8 9 10 11 12 Prom
Julcuy 2.38 2.34 2.37 3 2.86 2.93 2.63 2.44 2.44 2.15 2.09 2.25 2.46
Santa Elena-Universidad 1.49 1.4 1.42 1.72 1.61 1.68 1.86 1.76 1.76 1.19 1.29 1.4 1.63
Guayaquil U. Estatal 0.8 0.92 0.73 1.25 1.21 1.23 1.03 1.03 1.03 0.91 0.88 0.82 0.87
TOTAL 2 2 2 2 2 2 2 2 2 2 2 2 2
SIERRA
San Vicente de Pusir 2.07 2.3 2.41 2.45 2.75 2.82 1.67 1.94 1.94 1.67 1.74 1.7 1.9
Quito INAMHI-Iñaquito 0.74 0.72 0.81 1.01 1.24 1.1 0.81 0.84 0.84 0.82 0.77 0.82 0.74
Papallacta 2.86 3.08 3.1 3.43 3.94 3.77 3.34 3.43 3.43 2.61 3.11 2.66 3.14
Pilalo 6.66 6.73 6.57 7.23 7.49 7.38 7.02 7.25 7.25 6.57 6.95 6.73 7.08
Calamaca Convenio INAMHI HCPT 1.79 1.78 1.72 2.18 2.41 2.27 1.73 1.75 1.75 1.43 1.57 1.43 1.9
Cañar 2.89 2.93 2.76 3.36 3.65 3.43 3.01 3.11 3.11 2.6 2.83 2.53 3.07
Pucara-Colegio Tec. Agrop. 1.01 0.93 0.9 0.9 0.85 0.87 1.11 1.03 1.03 1.14 1.04 0.96 0.8
Zapotillo 1.04 0.98 1.02 1.73 1.57 1.74 0.9 1.03 1.03 1.19 1.3 1.25 0.97
TOTAL 4 4 4 3 3 3 5 5 5 5 5 5 5
ORIENTE
Lumbaquí 1.55 1.57 1.46 1.07 0.96 0.99 1.2 1.17 1.17 1.24 1.13 1.1 1.06
Nuevo Rocafuerte 1.54 1.53 1.44 0.85 0.77 0.96 0.99 1.15 1.15 0.88 1.05 0.96 0.89
Macas San Isidro-PNS 4.96 5.02 5.11 5.41 5.75 5.74 5.73 5.67 5.67 5.09 5.39 6.17 6.2
TOTAL 2 2 2 2 2 2 2 2 2 2 2 2 2
*Nota: Los valores con fondo amarillo indican los casos en que el estadístico cumple con el criterio de
aceptación
En base a los resultados obtenidos con el EMA, se puede ver que en la Costa y en el
Oriente, las configuraciones simulan aceptablemente la temperatura, con excepción de una
estación para cada región: “Julcuy” que se ubica en la provincia de Manabí (Costa), y “Macas
San Isidro” que se ubica en la provincia de Morona Santiago (Oriente). En la estación
“Julcuy”, no se cumple con el EMA por un margen pequeño (hasta 1 °C), mientras que para
32
la estación “Macas San Isidro”, no se cumple con el EMA por un margen de diferencia mayor
(hasta 3 °C).
En la Sierra, el cumplimiento del EMA es intermedio ya que las configuraciones
simulan aceptablemente la temperatura en 5 de 8 estaciones para las configuraciones 7 en
adelante. Las estaciones “Cañar” y “Papallacta” no cumplen con el criterio de validación para
el EMA por un margen muy pequeño (hasta 1.5 °C). Para el caso de la estación “Pilalo”, el
estadístico se comporta como en la estación “Macas San Isidro”, donde no se cumple con los
criterios de aceptación por un amplio margen, ya que el modelo proporciona temperaturas
más bajas, en relación a los registros.
SM, en las 14 estaciones consideradas para la evaluación de la temperatura.

33
Tabla 8: Resultados de la evaluación del SM para temperatura en el Ecuador
Sesgo Medio Bias (SM) (-0.5 °C < SM < 0.5 °C)

COSTA
Configuraciones
Estación 1 2 3 4 5 6 7 8 9 10 11 12 Prom
Julcuy -2.25 -2.21 -2.26 -2.98 -2.83 -2.92 -2.41 -2.37 -2.37 -1.96 -1.9 -2.02 -2.39
Santa Elena-Universidad -1.45 -1.32 -1.39 -1.7 -1.58 -1.68 -1.86 -1.76 -1.76 -0.91 -0.73 -0.86 -1.41
Guayaquil U. Estatal -0.39 -0.37 -0.31 -1.15 -1.12 -1.2 -0.97 -0.89 -0.89 0.06 0.08 -0.04 -0.61
TOTAL 1 1 1 0 0 0 0 0 0 1 1 1 0
SIERRA
San Vicente de Pusir -2.04 -2.28 -2.38 -2.44 -2.75 -2.82 -1.13 -1.46 -1.46 -1.25 -1.42 -1.58 -1.79
Quito INAMHI-Iñaquito 0.13 -0.19 0 -0.95 -1.22 -1.01 -0.03 -0.34 -0.34 0.35 0.08 0.42 -0.19
Papallacta -2.86 -3.06 -3.1 -3.43 -3.94 -3.77 -3.34 -3.43 -3.43 -2.61 -3.11 -2.82 -3.31
Pilalo -6.66 -6.73 -6.57 -7.23 -7.49 -7.38 -7.02 -7.25 -7.25 -6.57 -6.95 -6.74 -7.09
Calamaca Convenio INAMHI HCPT -1.67 -1.74 -1.61 -2.12 -2.41 -2.25 -1.72 -1.75 -1.75 -1.09 -1.49 -1.2 -1.82
Cañar -2.89 -2.93 -2.76 -3.36 -3.65 -3.43 -3.01 -3.11 -3.11 -2.6 -2.83 -2.61 -3.14
Pucara-Colegio Tec. Agrop. 0.47 0.49 0.55 -0.28 -0.47 -0.4 0.77 0.74 0.74 0.96 0.82 0.92 0.41
Zapotillo -0.66 -0.53 -0.69 -1.59 -1.39 -1.6 0.3 0.45 0.45 1 1.16 1.05 -0.13
TOTAL 2 2 1 1 1 1 2 2 2 1 1 1 3
ORIENTE
Lumbaquí 1.43 1.56 1.4 0.38 0.41 0.43 0.43 0.49 0.49 0.38 0.63 0.34 0.56
Macas San Isidro-PNS -4.96 -5.02 -5.11 -5.41 -5.75 -5.74 -5.73 -5.67 -5.67 -5.09 -5.39 -5.49 -5.52
TOTAL 0 0 0 2 2 1 1 2 2 1 0 1 0
aceptación
En relación al SM, los resultados del modelo para la Costa no se consideran buenos,
ya que en general, se subestima la temperatura en relación a los registros medidos en las 3
estaciones. No obstante, la subestimación es mínima para todas las estaciones (hasta 2.5 °C),
34
y las configuraciones 1 a la 3 y 10 a la 12, cumplen con el SM en la estación Guayaquil U.
Estatal.
En la Sierra, el criterio de aceptación se cumple para las configuraciones 1 a 3, y 7 en
adelante para la estación “Quito INAMHI-Iñaquito” ubicada en la provincia de Pichincha, al
norte del país. Para la estación “Pucara Colegio Tec. Agrop.” que se ubica en la provincia de
Azuay, el criterio de aceptación del SM se cumple para las configuraciones 1 a 2, y 4 a 6. Para
la estación “Zapotillo” ubicada en la provincia de Loja, el criterio de aceptación del SM se
cumple para las configuraciones 7 a 9. En las 5 estaciones restantes de la Sierra, el modelo
subestima la temperatura como en el caso de la Costa. Cabe resaltar que en las estaciones
“San Vicente de Pusir” y “Calamaca Convenio INAMHI HCPT”, la subestimación es mínima
(hasta 1.5 °C).
En el Oriente, el cumplimiento del SM es bueno ya que el estadístico es aceptable en
2 de 3 estaciones: “Nuevo Rocafuerte” ubicada en la provincia del Napo, y “Lumbaquí”
ubicada en la provincia de Sucumbíos. Las configuraciones 4 en adelante, cumplen o
sobrestiman mínimamente este estadístico (hasta 0.15 °C) en las dos estaciones anteriores,
mientras que el modelo subestima de gran manera la temperatura en la estación “Macas
San Isidro”, para todas las configuraciones (hasta 5 °C).
En la Tabla 9 se presentan los resultados de los indicadores estadísticos para
precipitación, e indica directamente el número de estaciones que cumplen con el criterio de
aceptación del EMA, el EMC, el IB y el PE.

35
Tabla 9: Número de estaciones que cumplen con los estadísticos de precipitación diaria
para agosto del 2010
Configuraciones
EMA
1 2 3 4 5 6 7 8 9 10 11 12 Prom
COSTA 6 6 6 6 6 6 6 6 6 6 6 6 6
(6 estaciones)
SIERRA 13 13 13 13 13 13 13 13 13 13 13 13 13
(13 estaciones)
ORIENTE 0 2 1 1 3 1 1 2 2 1 2 1 3
(4 estaciones)
TOTAL 19 21 20 20 22 20 20 21 21 20 21 20 22
(23 estaciones)
Configuraciones
EMC 1 2 3 4 5 6 7 8 9 10 11 12 Prom
COSTA 6 6 6 6 6 6 6 6 6 6 6 5 6
(6 estaciones)
SIERRA 12 12 12 12 13 12 12 12 12 12 13 12 13
(13 estaciones)
ORIENTE 0 0 0 1 1 0 0 1 1 1 2 0 0
(4 estaciones)
TOTAL 18 18 18 19 20 18 18 19 19 19 21 17 19
(23 estaciones)
Configuraciones
IB
1 2 3 4 5 6 7 8 9 10 11 12 Prom
COSTA 5 5 5 4 5 4 5 5 5 5 5 4 1
(6 estaciones)
SIERRA 7 5 8 2 6 6 6 7 7 5 6 7 2
(13 estaciones)
ORIENTE 0 0 0 0 0 0 1 0 0 0 0 0 0
(4 estaciones)
TOTAL 12 10 13 6 11 10 12 12 12 10 11 11 3
(23 estaciones)
Configuraciones
PE 1 2 3 4 5 6 7 8 9 10 11 12 Prom
COSTA 5 5 5 4 5 4 5 5 5 5 5 4 1
(6 estaciones)
SIERRA 7 5 8 2 6 6 6 7 7 5 6 7 2
(13 estaciones)
ORIENTE 0 0 0 0 0 0 1 0 0 0 0 0 0
(4 estaciones)
TOTAL 12 10 13 6 11 10 12 12 12 10 11 11 3
(23 estaciones)
*Nota: En amarillo las configuraciones que presentan el mayor cumplimiento de los estadísticos
36
Como se puede ver en la Tabla 9, las configuraciones 3, 5, 8, 9 y 11 son los que mejor
desempeño presentan a nivel nacional. Es importante recalcar que la precipitación es uno de
los parámetros más difíciles de simular, por lo que se determinaron valores de aceptación
más flexibles para cada estadístico aplicado (Corrales et al., 2013). Por ejemplo, Litta et al.
(2012), obtuvieron valores para el EMA entre 8 y 30 mm para 4 esquemas diferentes de
microfísica del modelo WRF, y consideraron aceptable al esquema que dio un valor del EMA
igual a 8 mm. Por ello, se consideró para el presente estudio, valores de aceptación para el
EMA y el EMC iguales a 8 mm.
En base a la Tabla 9, se observa que el cumplimiento del valor de aceptación del EMA
es bueno a nivel nacional, ya que es positivo en 21 de 23 estaciones para las configuraciones
2, 8, 9, 11 y la promedio, y es positivo en 22 de 23 estaciones para la configuración 5. En
relación al EMC, el cumplimiento del valor de aceptación también es bueno ya que es
positivo en 21 de 23 estaciones para las configuraciones 5 y 11, mientras que para las
configuraciones 4, 8, 9, 10 y la promedio, se considera aceptable en 19 de 23 estaciones.
Para el IB y el PE, el cumplimiento del valor de aceptación es medio ya que se considera
aceptable en 12 de 23 estaciones para las configuraciones 1, 7, 8 y 9, mientras que para la
configuración 3, es aceptable en 13 de 23 estaciones.
EMA, en las 23 estaciones consideradas para la evaluación de la precipitación.

37
Tabla 10: Resultados de la evaluación del EMA para precipitación en el Ecuador

Error Medio Absoluto (EMA) *≤ 8 mm+
COSTA
Configuraciones
Estación 1 2 3 4 5 6 7 8 9 10 11 12 Prom
Bahía de Caráquez-PUCE 0.06 0.15 0.1 0.13 0.85 0.3 0.05 0.09 0.09 0.16 0.41 0.28 0.13
Julcuy 0.88 0.88 0.98 0.99 1.19 1.41 0.86 0.9 0.9 1.05 1.09 1.12 1
Vinces INAMHI 0.58 1.34 0.86 2 2.03 2.84 0.35 0.88 0.88 0.63 1.53 0.98 1.24
Isla Puna Sector Bellavista 0.02 0.01 0.06 0.04 0.01 0.07 0.02 0.03 0.03 0.02 0.02 0.05 0.03
TOTAL 6 6 6 6 6 6 6 6 6 6 6 6 6
SIERRA
Ambuquí 0.15 0.05 0 0.02 0.03 0 0.03 0 0 0.1 0 0 0.03
Topo-Imbabura (Angla) 4.3 2.06 3.74 2.57 2.35 2.78 3.25 2.25 2.25 2.82 2.38 2.09 2.7
Cayambe 1.6 0.98 2.02 2.1 1.95 1.36 1.41 0.79 0.79 2.19 1.22 1.43 1.5
Calderón 0.5 0.19 0.24 0.54 0.40 0.25 0.47 0.2 0.2 0.41 0.38 0.23 0.35
Papallacta 6.09 5.83 5.03 5.65 4.95 5.38 6.45 6.11 6.11 5.38 5.06 5.23 5.31
Loreto Pedregal 0.54 1.3 1.55 1.7 0.8 1.65 0.48 0.98 0.98 2.18 0.68 1.19 1.25
Pilalo 0.29 0.53 0.2 0.34 0.15 0.19 0.43 0.34 0.34 0.48 0.16 0.25 0.32
Calamaca Convenio
INAMHI HCPT
1.84 1.98 1.79 1.63 1.68 1.69 1.72 1.75 1.75 1.75 1.73 1.82 1.67
Cebadas 0.57 0.55 0.56 0.58 0.59 0.56 0.56 0.7 0.7 0.57 0.63 0.56 0.59
Cañar 1.33 1.8 0.73 0.89 1.14 0.75 1.25 1.48 1.48 1.1 1.27 0.65 1.06
Pucara-Colegio Tec. Agrop. 4.11 4.2 4.18 4 4.04 4.36 4.08 4.13 4.13 4.05 4.12 4.12 4.1
Zapotillo 0.06 0 0 0.23 0.39 0.33 0.02 0 0 0.01 0 0 0.07
TOTAL 13 13 13 13 13 13 13 13 13 13 13 13 13
ORIENTE
Lumbaquí 19.12 10.31 19.4 15.07 9.44 17.27 18.52 10.96 10.96 17.45 10.46 16.18 12.67
Chonta Punta 10.76 9.33 9 9.44 3.20 10.24 9.9 4.05 4.05 8.48 3.38 8.53 7.5
Macas San Isidro-PNS 9.2 7.79 15.71 3.13 5 9.02 8.41 8.81 8.81 3.44 8.01 8.98 7.58
TOTAL 0 2 1 1 3 1 1 2 2 1 2 1 3
aceptación
38
En la Costa, todas las configuraciones para todas las estaciones cumplen con los
criterios de aceptación del EMA para precipitación. Los mayores valores obtenidos para el
EMA, corresponden a la estación “Vinces INAMHI” (hasta 2.84 mm). Estos resultados son
coherentes a los obtenidos por Arango y Ruiz (2011), y a los obtenidos por Corrales et al.
(2013), quienes utilizaron el EMA para evaluar la simulación de la precipitación con el
modelo WRF, en la sabana de Bogotá y en México, respectivamente.
En la Sierra, el cumplimiento del EMA es bueno, ya que es aceptable en todas las
estaciones para todas las configuraciones del modelo. Solo en las estaciones “Papallacta” y
“Pucara-Colegio Tec. Agrop.” se registraron valores altos para el EMA (hasta 6 y 4 mm,
respectivamente), mientras que en las demás estaciones, este estadístico presentó valores
similares a los obtenidos en los estudios de Arango y Ruiz (2011) y Corrales et al. (2013).
En el Oriente, el cumplimiento del valor de aceptación del EMA fue medio ya que fue
positivo en 2 de 4 estaciones para las configuraciones 2, 8, 9 y 11, mientras que con la
configuración 5 y la promedio, fue positivo en 3 de 4 estaciones. Las demás configuraciones
del modelo presentaron valores del EMA fuera del rango de aceptación.
La Tabla 11, presenta los resultados del cumplimiento del criterio de aceptación del
EMC, en las 23 estaciones consideradas para la evaluación de la precipitación.

39
Tabla 11: Resultados de la evaluación del EMC para precipitación en el Ecuador

Error Medio Cuadrático (EMC) *≤ 8 mm]
COSTA
Configuraciones
Estación 1 2 3 4 5 6 7 8 9 10 11 12 Prom
Bahía de Caráquez-PUCE
0.23 0.58 0.29 0.34 2.8 0.77 0.21 0.30 0.30 0.48 0.93 0.98 0.28
Julcuy 4.08 4.09 4.12 4.11 4.16 4.30 4.08 4.09 4.09 4.17 4.13 4.16 4.10
Vinces INAMHI 1.05 2.72 1.54 3.32 3.43 5.41 0.74 2.25 2.25 1.15 3.08 1.96 2.00
Isla Puna Sector
Bellavista 0.05 0.05 0.22 0.10 0.04 0.25 0.07 0.09 0.09 0.07 0.08 0.23 0.10
TOTAL 6 6 6 6 6 6 6 6 6 6 6 5 6
SIERRA
Ambuquí 0.43 0.22 0.02 0.06 0.10 0.00 0.09 0.00 0.00 0.47 0.00 0.00 0.10
Cayambe 3.77 2.45 4.32 3.72 2.92 3.03 2.92 2.28 2.28 3.72 2.42 2.91 2.80
Calderón 1.03 0.62 0.64 1.06 0.9 0.71 0.86 0.62 0.62 0.83 0.86 0.68 0.69
Papallacta 9.29 8.63 8.28 8.41 7.61 8.55 9.74 9.54 9.54 8.29 7.61 8.51 7.98
Loreto Pedregal 1.71 3.15 3.76 3.94 2.31 4.29 1.70 2.94 2.94 4.89 1.88 3.10 2.85
Pilalo 0.52 1.43 0.41 0.69 0.32 0.50 0.93 1.01 1.01 1.00 0.35 0.77 0.59
Calamaca Convenio
INAMHI HCPT
2.97 3.13 2.96 2.86 2.71 2.85 2.91 2.86 2.86 2.87 2.91 2.99 2.86
Cebadas 1.39 1.32 1.39 1.39 1.34 1.39 1.38 1.50 1.50 1.38 1.41 1.39 1.39
Cañar 2.87 3.11 1.60 1.86 2.26 1.55 2.96 3.06 3.06 2.34 2.38 1.49 2.11
Pucara-Colegio Tec.
Agrop.
7.21 7.29 7.43 7.18 7.14 7.37 7.34 7.25 7.25 7.31 7.36 7.45 7.29
Zapotillo 0.13 0.02 0.00 0.32 1.04 1.17 0.06 0.00 0.00 0.03 0.00 0.00 0.14
TOTAL 12 12 12 12 13 12 12 12 12 12 13 12 13
ORIENTE
Lumbaquí 29.04 14.34 23.40 20.74 15.75 22.03 24.79 18.19 18.19 24.20 18.01 20.19 16.47
Chonta Punta 17.95 24.82 13.61 12.49 4.85 15.88 15.85 6.75 6.75 12.02 4.87 10.93 10.19
TOTAL 0 0 0 1 2 0 0 1 1 1 2 0 0
aceptación
40
En la Costa, se observa que todas las configuraciones en todas las estaciones,
cumplieron el criterio de aceptación del EMC. Solo la estación “Julcuy” muestra valores altos
aceptables del EMC, en relación a los de las demás estaciones.
En la Sierra, el cumplimiento del criterio de aceptación del EMC fue bueno, ya que
fue positivo en todas las estaciones para las configuraciones 5 y 11. Los valores del EMC para
la Costa y la Sierra, son similares a los obtenidos por Arango y Ruiz (2011) en su estudio
realizado en la sabana de Bogotá.
En el Oriente, el cumplimiento del criterio de aceptación fue medio, ya que fue
positivo en 2 de 4 estaciones (“Chonta Punta” y “Nuevo Rocafuerte”) para la configuración
11. Para las configuraciones 8 y 9, se obtuvieron valores del EMC iguales a 6.75 mm para la
estación “Chonta Punta”. Estos valores son congruentes a los reportados por Corrales et al.
(2014) en su estudio para la República Mexicana (6-7 mm), aunque si comparamos los
mismos valores encontrados por Corrales et al. (2014) con los obtenidos en la Sierra y la
Costa del presente estudio, los de este estudio se acercan mucho más al valor ideal del EMC.
Como se pudo evidenciar en la evaluación de la precipitación en las tres regiones
(Costa, Sierra y Oriente), el EMC es similar al EMA, ya que los dos estadísticos indican el valor
promedio de los errores. No obstante, el EMC le da más peso a los grandes errores que a los
pequeños (WCRP, 2015). Por esa razón, hay una pequeña diferencia en los resultados
obtenidos con los dos estadísticos. Además, una de las ventajas del EMC es que nos permite
ponderar los errores positivos y negativos, “por lo cual en él están incluidos los errores
sistemáticos y aleatorios del modelo” (Mejía y Ruíz, 2015).

41
Tabla 12: Resultados de la evaluación del IB para precipitación en el Ecuador

Índice de Brier (IB) *≤ 0.33+
COSTA
Configuraciones
Estación 1 2 3 4 5 6 7 8 9 10 11 12 Prom
Julcuy 0.21 0.13 0.21 0.33 0.33 0.42 0.17 0.17 0.17 0.25 0.33 0.29 0.71
Vinces INAMHI 0.58 0.54 0.58 0.83 0.63 0.83 0.54 0.42 0.42 0.67 0.50 0.63 0.92
TOTAL 5 5 5 4 5 4 5 5 5 5 5 4 1
SIERRA
Ambuquí 0.17 0.04 0.04 0.08 0.08 0.00 0.17 0.00 0.00 0.13 0.00 0.00 0.29
Cayambe 0.54 0.29 0.54 0.54 0.71 0.42 0.50 0.21 0.21 0.63 0.50 0.29 0.71
Calderón 0.33 0.13 0.29 0.38 0.25 0.21 0.42 0.21 0.21 0.38 0.25 0.13 0.54
Papallacta 0.38 0.38 0.33 0.38 0.38 0.58 0.42 0.38 0.38 0.25 0.38 0.50 0.33
Loreto Pedregal 0.29 0.42 0.29 0.38 0.33 0.25 0.25 0.25 0.25 0.46 0.33 0.25 0.54
Pilalo 0.33 0.38 0.25 0.38 0.25 0.21 0.29 0.29 0.29 0.33 0.25 0.21 0.46
Cebadas 0.29 0.25 0.21 0.29 0.25 0.21 0.21 0.42 0.42 0.25 0.29 0.21 0.58
Cañar 0.29 0.46 0.38 0.50 0.38 0.46 0.33 0.29 0.29 0.50 0.46 0.38 0.38
Zapotillo 0.21 0.04 0.00 0.71 0.25 0.21 0.13 0.00 0.00 0.08 0.00 0.00 0.75
TOTAL 7 5 8 2 6 6 6 7 7 5 6 7 2
ORIENTE
Lumbaquí 0.38 0.38 0.42 0.42 0.42 0.42 0.46 0.38 0.38 0.46 0.38 0.42 0.42
Chonta Punta 0.67 0.58 0.67 0.75 0.67 0.63 0.67 0.58 0.58 0.54 0.63 0.71 0.79
TOTAL 0 0 0 0 0 0 1 0 0 0 0 0 0
42
Tabla 13: Resultados de la evaluación del PE para precipitación en el Ecuador

Porcentaje de Eficiencia (PE) *≥ 0.67+
COSTA
Configuraciones
Estación 1 2 3 4 5 6 7 8 9 10 11 12 Prom
Julcuy 0.79 0.88 0.79 0.67 0.67 0.58 0.83 0.83 0.83 0.75 0.67 0.71 0.29
Vinces INAMHI 0.42 0.46 0.42 0.17 0.38 0.17 0.46 0.58 0.58 0.33 0.50 0.38 0.08
TOTAL 5 5 5 4 5 4 5 5 5 5 5 4 1
SIERRA
Ambuquí 0.83 0.96 0.96 0.92 0.92 1.00 0.83 1.00 1.00 0.88 1.00 1.00 0.71
Cayambe 0.46 0.71 0.46 0.46 0.29 0.58 0.50 0.79 0.79 0.38 0.50 0.71 0.29
Calderón 0.67 0.88 0.71 0.63 0.75 0.79 0.58 0.79 0.79 0.63 0.75 0.88 0.46
Papallacta 0.63 0.63 0.67 0.63 0.63 0.42 0.58 0.63 0.63 0.75 0.63 0.50 0.67
Loreto Pedregal 0.71 0.58 0.71 0.63 0.67 0.75 0.75 0.75 0.75 0.54 0.67 0.75 0.46
Pilalo 0.67 0.63 0.75 0.63 0.75 0.79 0.71 0.71 0.71 0.67 0.75 0.79 0.54
Cebadas 0.71 0.75 0.79 0.71 0.75 0.79 0.79 0.58 0.58 0.75 0.71 0.79 0.42
Cañar 0.71 0.54 0.63 0.50 0.63 0.54 0.67 0.71 0.71 0.50 0.54 0.63 0.63
Zapotillo 0.79 0.96 1.00 0.29 0.75 0.79 0.88 1.00 1.00 0.92 1.00 1.00 0.25
TOTAL 7 5 8 2 6 6 6 7 7 5 6 7 2
ORIENTE
Lumbaquí 0.63 0.63 0.58 0.58 0.58 0.58 0.54 0.63 0.63 0.54 0.63 0.58 0.58
Chonta Punta 0.33 0.42 0.33 0.25 0.33 0.38 0.33 0.42 0.42 0.46 0.38 0.29 0.21
TOTAL 0 0 0 0 0 0 1 0 0 0 0 0 0
*Nota: Los valores con fondo amarillo indican los casos en que los estadísticos cumplen con el criterio de
aceptación
43
Las Tablas 12 y 13, presentan los resultados del cumplimiento del criterio de
aceptación del IB y PE respectivamente, en las 23 estaciones consideradas para la evaluación
de la precipitación.
En la Costa, se observa que los criterios de aceptación del IB y del PE se cumplen en 5
de 6 estaciones para las configuraciones 1 a la 3, 5, y 6 a la 12, por lo que se considera que el
modelo identifica aceptablemente los días con lluvia en esta región.
En la Sierra, el cumplimiento de los criterios de aceptación del IB y del PE se
considera medio, ya que fue positivo en 7 de 13 estaciones para las configuraciones 1, 8, 9 y
12, mientras que para la configuración 3, fue positivo en 8 de 13 estaciones.
En el Oriente, en ninguna estación se cumplió con los criterios de aceptación del IB y
del PE. Estos resultados se podrían deber a la variabilidad en la ocurrencia de las
precipitaciones en la temporada de verano, ya que el Ecuador no cuenta con 4 estaciones
bien definidas como en otros países ubicados al norte o al sur del planeta, donde este
parámetro es menos complicado de simular. Como indica Matsudo et al. (2013), en verano
predominan las precipitaciones de origen convectivo en Sudamérica, las cuales se asocian a
una menor predictibilidad, impactando de manera negativa en la calidad de la identificación
de la ocurrencia de días con lluvia/sin lluvia.
De manera de ejemplo, en la Figura 5 se presenta la curva de temperatura con
registros provenientes de la estación de la Costa (Guayaquil U. Estatal), y las curvas
obtenidas con las 12 configuraciones y su promedio.

44
27
Obs.
26 Conf. 1
Conf. 2
25 Conf. 3
Temperatura (°C)
Conf. 4
24
Conf. 5
Conf. 6
23
Conf. 7
22 Conf. 8
Conf. 9
21 Conf. 10
Conf. 11
20 Conf. 12
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Prom.
Día
Figura 5: Comparación de temperatura media medida en la estación “Guayaquil U. Estatal”

con los datos obtenidos por las 12 configuraciones del modelo y su promedio (Agosto
2010)
En la Figura 5 se puede ver que las configuraciones del modelo, simulan de manera
aceptable la temperatura en la estación “Guayaquil U. Estatal”. De manera general, todas las
configuraciones tienen un desempeño bueno en este caso, sobre todo en los días 4 al 6 y 11
al 24 de agosto del 2010.
De manera de ejemplo, en la Figura 6 se presenta la comparación de la precipitación
por grupos de 3 configuraciones del modelo vs registros para la estación de la Costa
(Guayaquil U. Estatal).
45
2.5
Precipitación (mm)
2
1.5 Obs.
1 Conf. 1
0.5 Conf. 2
Conf. 3
0
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Día
2.5
Precipitación (mm)
2
1.5 Obs.
1 Conf. 4
0.5 Conf. 5
0 Conf. 6
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Día
2.5
Precipitación (mm)
1.5 Obs.
1 Conf. 7
0.5 Conf. 8
Conf. 9
0
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Día
2.5
Precipitación (mm)
2
Obs.
1.5
Conf. 10
1
Conf. 11
0.5 Conf. 12
0 Prom.
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Día

“Guayaquil U. Estatal” con los datos obtenidos por las 12 configuraciones del modelo y su
promedio (Agosto 2010).
46
Como se observa en la Figura 6, los días con lluvia se identifican de manera aceptable
en la estación “Guayaquil U. Estatal”, sobre todo con las configuraciones 1, 3, 7 y 10. Los
registros de esta estación muestran que solo llovió el día 12 de agosto, y la única
configuración que logró identificar dicho evento fue la configuración 10. También se puede
ver que la configuración 12 y la promedio son las que presentaron el desempeño más bajo.
registros provenientes de la estación de la Sierra (Quito INAMHI-Iñaquito), y las curvas
17
Obs.
16
Conf. 1
Conf. 2
15
Temperatura Media (°C)
Conf. 3
Conf. 4
14
Conf. 5
Conf. 6
13
Conf. 7
Conf. 8
12
Conf. 9
Conf. 10
11
Conf. 11
Conf. 12
10
Prom.
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Día
Figura 7: Comparación de temperatura media medida en la estación “Quito INAMHI-

Iñaquito” con los datos obtenidos por las 12 configuraciones del modelo y su promedio
(Agosto 2010)
47
En la Figura 7 se observa que las configuraciones del modelo, simulan de manera
aceptable la temperatura en la estación “Quito INAMHI-Iñaquito”. Los días donde mejor se
ajustan las configuraciones a los registros son del 11 al 17 y del 20 al 23 de agosto del 2010.
Las configuraciones 5 y 6 son las que mostraron el desempeño más bajo, mientras que las
configuraciones 1 a la 3 y 7 a la 12 fueron las que mejor desempeño mostraron para el caso
de esta estación.
por grupos de 3 configuraciones del modelo vs registros para la estación de la Sierra (Quito
INAMHI-Iñaquito).
48
25
Precipitación (mm)
20
15 Obs.
10 Conf. 1
5 Conf. 2
Conf. 3
0
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Día
25
Precipitación (mm)
20
15 Obs.
10 Conf. 4
5 Conf. 5
0 Conf. 6
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Día
25
Precipitación (mm)
20
15 Obs.
10 Conf. 7
5 Conf. 8
0 Conf. 9
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Día
25
Precipitación (mm)
20
Obs.
15
Conf. 10
10
Conf. 11
5 Conf. 12
0 Prom.
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30
Día

“Quito INAMHI-Iñaquito” con los datos obtenidos por las 12 configuraciones del modelo y
su promedio (Agosto 2010)
49
En la Figura 8 se observa que las configuraciones del modelo simulan de manera
aceptable la precipitación en la estación “Quito INAMHI-Iñaquito”. Se puede apreciar que a
excepción de los días 7 y 15 de agosto del 2010, los demás días se reproducen positivamente
con todas las configuraciones en esta estación, sobre todo con el grupo de configuraciones 7
a la 9. Además, se puede observar que la configuración 3 es la que mejor desempeño
muestra al identificar los días con lluvia.
registros provenientes de la estación de la Oriente (Nuevo Rocafuerte), y las curvas
29
Obs.
28
Conf. 1
27 Conf. 2
Temperatura Media (°C)
Conf. 3
26
Conf. 4
25 Conf. 5
24 Conf. 6
Conf. 7
23
Conf. 8
22 Conf. 9
Conf. 10
21
Conf. 11
20 Conf. 12
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Prom.
Día
Figura 9: Comparación de temperatura media medida en la estación “Nuevo Rocafuerte”

con los datos obtenidos por las 12 configuraciones del modelo y su promedio
50
En la Figura 9 se observa que de manera general, todas las configuraciones del
modelo simulan de manera aceptable la temperatura en la estación “Nuevo Rocafuerte”. Los
días donde mejor se ajustan las configuraciones a los registros son del 4 al 8 y del 16 al 22 de
agosto del 2010. Las configuraciones 4, 5, 8 y 9 son las que mostraron el mejor desempeño
en esta estación, mientras que para este mismo caso, las configuraciones 1 y 3 son las que
mostraron el desempeño más bajo.
por grupos de 3 configuraciones del modelo vs registros para la estación del Oriente (Nuevo
Rocafuerte).
51
Precipitación (mm) 60
50
40
Obs.
30
Conf. 1
20
Conf. 2
10
Conf. 3
0
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Día
60
Precipitación (mm)
50
40
Obs.
30
Conf. 4
20
Conf. 5
10
Conf. 6
0
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Día
60
Precipitación (mm)
50
40
Obs.
30
Conf. 7
20
Conf. 8
10
Conf. 9
0
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Día
60
Precipitación (mm)
50
40 Obs.
30 Conf. 10
20 Conf. 11
10 Conf. 12
0
Prom.
4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27
Día

“Nuevo Rocafuerte” con los datos obtenidos por las 12 configuraciones del modelo y su
promedio (Agosto 2010)
52
En la Figura 10 se observa que las configuraciones del modelo, simulan de manera
aceptable la precipitación en la estación “Nuevo Rocafuerte”. Se puede apreciar que la
configuración 11 es la que mejor simula la precipitación, mientras que la configuración 7 es
la que mejor desempeño tiene en identificar los días con lluvia.
En la Tabla 14 se presenta la comparación entre las configuraciones de referencia del
modelo WRF V3.2, las configuraciones 8 y 9 que presentaron los mejores resultados a nivel
global en el presente estudio, y las configuraciones utilizadas en 3 estudios realizados en
América (México, Colombia y Argentina).

53
Tabla 14: Comparación entre configuraciones de referencia V3.2, configuraciones 8 y 9 del presente estudio, y configuraciones utilizadas
en estudios realizados en México, Colombia y Argentina
Configuración de
Configuración de
Referencia México
Referencia Bogotá, Colombia Cuyo, Argentina
Physics and dynamic options “QNSE- Configuración 8 Configuración 9 (Corrales et al.,
“AFWA (Arango y Ruiz, 2011) (Fernández et al., 2011)
replacement 2013)
Configuration”
Configuration”
WRF Single- WRF Single-

Microphysic (mp_physyics) Double-Moment Double- Moment Millbrandt-Yau WRF Single-Moment WRF Single Moment 5
Moment Moment
Longwave Radiation
RRTM RRTM RRTM RRTM RRTM RRTM RRTM
(ra_lw_radiation)
Shortwave Radiation
Dudhia Dudhia Dudhia Dudhia Dudhia Dudhia Goddard
(ra_sw_radiation)
Surface layer Monin-Obukhov Quasi-Normal Monin-Obukhov Monin-Obukhov -----------

MM5 Similarity MM5 Similarity
(sf_sfclay_physics) similarity theory Scale Elimination similarity theory similarity theory (no menciona)
Land surface 5-layer thermal 5-layer thermal

Noah Noah Noah Noah Noah
(sf_surface_physics) diffusion diffusion
Planetary boundary layer Quasi-Normal Mellor-Yamada-

Yonsei University Yonsei University Yonsei University Yosei University Yonsei University
(bl_pbl_physics) Scale Elimination Janjic
Grell 3d
Cumulus parameterization Grell-Devenyi Grell 3d ensemble
Kain-Fritsch Kain-Fritsch Betts-Miller-Janjic ensemble Betts-Miller Janjic
(cu_physics) ensemble cumulus
cumulus
Fuente para configuraciones de referencia: (DTC, 2016) *Nota: Estudio en México no menciona que versión 3 del modelo se usó, estudio en Colombia utilizó la
versión 3.1 del modelo, estudio en Argentina no menciona que versión 3 del modelo se usó.
54
En la Tabla 14 se puede ver las diferencias y similitudes entre las configuraciones de
referencia, las configuraciones 8 y 9 que presentaron los mejores resultados a nivel global en
el presente estudio, y las configuraciones utilizadas en estudios realizados en México,
Colombia y Argentina.
La Tabla 14 muestra que la única parametrización que se repite en todas las
configuraciones es la de radiación de onda larga (Rapid Radiative Transfer Model “RRTM”).
Otra parametrización que se repite en la mayoría de configuraciones (menos en la utilizada
en el estudio realizado en Cuyo, Argentina) es la de radiación de onda corta (Dudhia).
Se puede observar que las parametrizaciones para la microfísica que se utilizaron en
las configuraciones 8 y 9 del estudio (Double-Moment), no se repiten en las configuraciones
de referencia ni en las configuraciones utilizadas en los estudios realizados en México,
Colombia y Argentina.
Se puede observar que las parametrizaciones para la capa superficial y suelo
superficial que se utilizaron en las configuraciones 8 y 9 del presente estudio (MM5
Similarity y 5-layer termal diffusion, respectivamente), no se repiten en las configuraciones
de referencia ni en las configuraciones utilizadas en estudios realizados en México, Colombia
y Argentina. Es importante notar que las configuraciones de referencia y las utilizadas en
estudios realizados para México, Colombia y Argentina, utilizaron la misma parametrización
para suelo superficial (Noah scheme).
La Tabla 14 indica que la parametrización para la capa límite planetaria utilizada en
las configuraciones 8 y 9 del presente estudio (Yonsei University), se repite en la
configuración de referencia “Air Force Weather Agency (AFWA) Configuration” y en las
utilizadas en estudios realizados en Colombia y Argentina.

55
La parametrización para el esquema convectivo cúmulo utilizada en la configuración
8 del presente estudio (Betts-Miller-Janjic) no se repite en las configuraciones de referencia,
pero si se repite en el estudio realizado en México. La parametrización para el esquema
convectivo cúmulo utilizada en la configuración 9 del presente estudio (Grell 3d ensemble
cumulus) no se repite en las configuraciones de referencia, pero si se repite en el estudio
realizado en Cuyo, Argentina.

56
CONCLUSIONES
Se identificó que a nivel nacional, las configuraciones 8 y 9 del modelo WRF V3.2
fueron las que presentaron el mejor desempeño en la simulación de la temperatura y la
lluvia durante agosto de 2010.
La combinación de los siguientes esquemas de parametrización son los que mejor
desempeño presentaron a nivel del Ecuador continental, para el periodo evaluado:
Capa Superficial: MM5 similarity (Configuraciones 8 y 9)
Suelo Superficial: 5-layer thermal diffusion (Configuraciones 8 y 9)
Capa Límite Planetaria: Yonsei University (Configuraciones 8 y 9)
Cumulo-Convetivo: -Betts-Miller-Janjic (Configuración 8)
-Grell 3d ensemble cumulus (Configuración 9)
Los resultados tienen sentido ya que los esquemas de parametrización MM5
similarity (Capa superficial) y el Yonsei University (Capa límite planetaria) suelen ir
emparejados, y hacen uso de la teoría de semejanza de Monin-Obukhov para calcular flujos
turbulentos en superficie (García, 2014). Además, el esquema Yonsei University es un
esquema no local que incluye un flujo contragradiente, que permite simular de manera
adecuada la evolución de la capa límite planetaria (Ruíz y Saulo, 2010).
El esquema 5-layer thermal diffusion es un modelo simplificado del suelo que predice
su temperatura en 5 niveles. En este esquema, la humedad del suelo permanece constante y
se determina por medio de tablas con valores que difieren según la temporada y tipo de
suelo (Ruíz y Saulo, 2010).

57
El esquema Betts-Miller-Janjic ha sido utilizado con frecuencia en los Centros
Nacionales de Predicción Ambiental y ha experimentado una constante mejora a través de
los años. Este esquema elimina la energía potencial convectiva disponible sin tener en
cuenta el forzamiento superficial (Ruíz y Saulo, 2010).
El esquema Grell 3d ensemble cumulus es un esquema que permite la propagación de
los efectos entre celdas vecinas en la malla, lo que lo convierte en la opción más apropiada
para tamaños de cuadrícula menores a 10 km (Skamarock et al., 2008).
Para la Costa, las configuraciones 1, 2, 3, 10 y 11 son las que mejores resultados
presentaron en la simulación de la temperatura y lluvia, inclusive en comparación con las
configuraciones 8 y 9.
Para la Sierra y Oriente las configuraciones 8 y 9 son las que mejores desempeños
presentaron en la simulación de la temperatura y lluvia.
Las configuraciones de los esquemas de parametrización física 8 y 9 que mejor
desempeño presentaron en el Ecuador para agosto de 2010, no son congruentes con las
configuraciones de referencia del modelo WRF V3.2, excepto por las parametrizaciones para
la radiación de onda corta y larga, y la parametrización para la capa límite planetaria de la
configuración de referencia “AFWA”. Además, se ha comparado las configuraciones 8 y 9 del
presente estudio con las de otros estudios realizados en América (México, Colombia y
Argentina), y se han encontrado similitudes en las parametrizaciones para la radiación de
onda corta y larga, la capa límite planetaria y el esquema convectivo cúmulo.
Se ha visto que los estudios en otros países han tendido a utilizar las configuraciones
de referencia, ya que se han tratado de aplicaciones directas.

58
Realizar este tipo de evaluaciones es muy importante, porque se demuestra que las
configuraciones de referencia no necesariamente funcionan para todos los lugares del
planeta, debido a que cuentan con diversas características climáticas y topográficas.

59
Recomendaciones
La evaluación presentada en este documento debe ser complementada con estudios
que cubran otros periodos, en lo posible todo el ciclo anual.
Se requiere evaluar el desempeño de las configuraciones de parametrización física
identificadas en el presente estudio con el mejor desempeño, en relación con otras
variables como la humedad, la velocidad y dirección del viento.
Dependiendo de los resultados que se obtengan con nuevos periodos de estudio, se
debe explorar si es conveniente realizar simulaciones con configuraciones diferenciadas, por
una parte para la Costa; y otra, para las regiones Sierra y Oriente.
Para futuros evaluaciones, se debería incluir un número mayor de estaciones,
especialmente para las regiones Costa y Oriente, de manera que los estudios sean más
representativos para estas regiones.
Se recomienda explorar a futuro, nuevas opciones de configuración que se hayan
implementado en versiones recientes del modelo WRF.

60
REFERENCIAS BIBLIOGRÁFICAS
Arango C., Ruiz J. (2011) Implementación del modelo WRF para la sabana de Bogotá.
IDEAM. Instituto de Hidrología, Meteorología y Estudios Ambientales. Colombia.
Obtenido el 30 de abril del 2016 desde
http://www.ideam.gov.co/documents/21021/21132/Modelo_WRF_Bogota.pdf/f1d346
38-e9f8-4689-b5f4-31957c231c46
Cárdenas P. (2013) Automatización del modelo de predicción meteorológica WRF empleando
herramientas de software libre. Escuela Politécnica Nacional. Tesis de Grado.
Corrales A., González L., Narváez M., González M., Osuna E., Ruíz O., Maciel L. (2013)
Generación y evaluación estadística del pronóstico lluvia a cinco días. Folleto
Técnico No. 53. Instituto Nacional de Investigaciones Forestales, Agrícolas y
Pecuarias. Centro de Investigación Regional Norte Centro, Campo Experimental
Pabellón. Pabellón de Arteaga, Ags. México. 23p
Corrales A., Narváez M., Ruíz O., Flores H., González L., González M., Maciel L. (2014)
Validación del pronóstico de lluvia acumulada mediante el modelo WRF para la
República Mexicana. Memoria de la XXVI Semana Internacional de Agronomía FAZ-
UJED.
DTC (2016) WRF Reference Configurations. Obtenido el 30 de abril del 2016 desde
http://www.dtcenter.org/config/
61
EEA (2011) The application of models under the European Union’s Air Quality Directive: A
technical reference guide. ISSN: 1725-2237.
Emery C., Tai E., Yarwood G. (2001) Enhanced Meteorological Modeling and Performance
Evaluation for Two Texas Ozone Episodes. Environ. International Corporation.
http://www.tceq.state.tx.us/assets/public/implementation/air/am/contracts/reports/mm/
EnhancedMetModelingAndPerformanceEvaluation.pdf
EPA (2015) Meteorological Models. U.S. Environmental Protection Agency. Obtenido el 30
de abril del 2016 desde http://www3.epa.gov/ttn/scram/metmodel.htm#datapat
Fernández R., Lakkis G., Allende D., Santos R., Cremades P., Puliafito E. (2011) Modelación
de un evento meteorológico de mesoescala utilizando el modelo WRF. Contaminación
Atmosférica e Hídrica en Argentina. E. Puliafito (Ed.) Universidad Tecnológica
Nacional, 2011, pp: 289-298.
García M. (2014) Realismo físico, valor añadido y sensibilidad a la elección de las
parametrizaciones de un Modelo Regional del Clima sobre Europa. Universidad de
Cantabria. Tesis Doctoral.
Gates W., Mitchell J., Boer G., Cubasch U., Meleshko V. (1992) Climate Modelling, Climate
Prediction and Model Validation. IPCC Supplement Report 1992. Obtenido el 30 de
abril del 2016 desde

62
https://www.ipcc.ch/ipccreports/1992%20IPCC%20Supplement/IPCC_Suppl_Report_
1992_wg_I/ipcc_wg_I_1992_suppl_report_section_b.pdf
Gualán R., Solano L. (2014) Análisis de rendimiento y profiling del modelo WRF en un
clúster HPC. MASKANA, I+D+ingeniería 2014. Obtenido el 30 de abril del 2016
desde
http://dspace.ucuenca.edu.ec/bitstream/123456789/21399/1/TIC.EC_13_Gual%C3%A
1n%20%26%20Solano.pdf
INAMHI (2014) Anuario Meteorológico No. 51-2011. Quito, Ecuador.
INAMHI (2016) Modelos Numéricos. Obtenido el 30 de abril del 2016 desde
http://www.serviciometeorologico.gob.ec/modelos-hidrometeorologicos/#
INECC (2014) Tipos de Modelos Atmosféricos. SEMARNAT (Secretaría de Medio Ambiente
y Recursos Naturales). México. Obtenido el 30 de abril del 2016 desde
http://www.inecc.gob.mx/calaire-herramientas-analisis/582-calaire-tipos-modelos
IPCC (2001) Climate Change 2012: Synthesis Report. Contribution of Working Group I: The
Scientific Basis. IPCC Third Assessment Report: Climate Change 2001 (TAR).
Obtenido el 7 de mayo del 2016 desde http://www.ipcc.ch/ipccreports/tar/
Izurieta N., Zambrano M. (2012) Área de modelación matemática proyecto Plataforma de
Gran Altitud. Revista Politécnica, 2010, Vol. 31(1): 15-29

63
León E., Zea A. (2001) Comparación del clima estacional simulado por el modelo CCM3 y
los datos del Reanalysis NCEP/NCAR con los datos observados de la temperatura del
aire y la precipitación sobre Colombia. Meteorol. Colomb. 3:39- 51. ISSN 0124-
6984. Bogotá D.C. – Colombia.
Litta A., Mohanty U., Idicula S. (2012) The diagnosis of severe thunderstorms with high-
resolution WRF models. J. Earth Syst. Sci. 121, No. 2, April 2012, pp. 297–316.
Llebot J. (2009) Bases de la modelización climática. Agua y Cambio Climático. Diagnosis de
los impactos previstos en Cataluña. Universidad Autónoma de Barcelona. Obtenido el
30 de abril del 2016 desde https://aca-
web.gencat.cat/aca/documents/es/publicacions/escenaris_climatics/capitol4_lowress.p
df
MAE (2013) Descripción de Escenarios Climáticos. Proyecto de Adaptación al Cambio
Climático. Obtenido el 23 de abril del 2016 desde http://www.pacc-
ecuador.org/escenarios-climaticos/descripcion/
Matsudo C., García Y., Ferreira L., Ruiz J., Salio P., Vidal L., Nicolini M. (2013) Pronóstico
determinístico y probabilístico en alta resolución con el modelo BRAMS. Instituo
Nacional del Agua. Argentina.
McDaniel M., Sprout E., Boudreau D., Turgeon A. (2012) Meteorology. Education Revista
National Geographic. Obtenido el 7 de mayo del 2016 desde
http://education.nationalgeographic.org/encyclopedia/meteorology/
64
Mejía S., Ruíz J. (2015) Validación de los pronósticos de precipitación con los modelos GFS,
MM5, WRF, CMM5 y CWRF sobre el territorio colombiano. Instituto de Hidrología,
Meteorología y Estudios Ambientales de Colombia. Obtenido el 7 de mayo del 2016
desde
http://www.ideam.gov.co/documents/21021/21132/Validaci%C3%B3n_Modelos_MM
5_WRF_(Ruiz.pdf/13192c3b-a59f-4114-9eb0-220d3c897cef
Muñoz A (2010) Validación y Análisis de Consenso de Modelos de Escenarios de Cambio
Climático para Ecuador. Proyecto MAE-SCN-PRAA-PACC-INAMHI. Obtenido el
23 de abril del 2016 desde http://www.ambiente.gob.ec/wp-
content/uploads/downloads/2014/07/Informe-An%C3%A1isis-de-Consenso.pdf
OpenWeatherMap (2016) Meteorological Models. Obtenido el 7 de mayo del 2016 desde
http://openweathermap.org/models
Palacios E., Serrano S., Núñez P. (2009) Estudio de la climatología ecuatorial andina con
métodos numéricos: pronósticos de tiempo, validaciones y reconstrucción de la
atmósfera. La Granja. Vol.10 (2). Pp.16-26. ISSN: 1390-3799.
Parra R., Páez C. (2006) Aplicación del modelo WRF-CHEM en la simulación numérica de la
calidad del aire del Distrito Metropolitano de Quito. CORPAIRE. Quito. Ecuador.
http://modelos.quitoambiente.gob.ec/EmisionesWWW/images/page5/docs/Aplicacion
_WRF_Chem_DMQ_dic_2006.pdf
65
Parra R. (2012) Evaluación preliminar de la temperatura media en superficie del Ecuador
para el año 2010, obtenida mediante el modelo Weather Research Forecasting
(WRF). Avances, 2012, Vol.4, No.2, Pags: C27-C35.
Rau P., Condom T. (2010) Análisis espacio temporal de la precipitación en las zonas de
montaña de Perú (1998-2007). REVISTA PERUANA GEO-ATMOSFÉRICA RPGA
(2), 16-29 (2010).
Ruíz J. (2008) Aplicación de los pronósticos por ensambles a la predicción del tiempo a corto
plazo sobre Sudamérica. Tesis Doctoral. Universidad de Buenos Aires.
Ruíz J., Saulo C. (2010) WRF Model Sensitivity to Choice of Parameterization over South
America: Validation against Surface Variables. American Meteorology Society. Vol.
138. DOI: : 10.1175/2010MWR3358.1
Seinfeld J.H y Pandis S.N. (1998). Atmospheric chemistry and physics: from air pollution to
climate change. John Wiley and Sons Inc. EUA.
Skamarock W., Klemp J., Dudhia J., Gill D., Barker D., Duda M., Huang X., Wang W.,
Powers J. (2008) A Description of the Advanced Research WRF Version 3. NCAR
Technical Note. Boulder, Colorado, USA. Obtenido el 30 de abril del 2016 desde
http://www2.mmm.ucar.edu/wrf/users/docs/arw_v3.pdf
66
Stensrud D. (2007) Parameterization Schemes. Keys to Understanding Numerical Weather
Prediction Models. Cambridge, UK: Cambridge University Press. ISBN:
Steyn D., Galmarini S. (2008) Evaluating the Predictive and Explanatory Value of
Atmospheric Numerical Models: Between Relativism and Objectivism. The Open
Atmospheric Science Journal, 2008, 2, 38-45
Tesche T., McNally D., Tremback C. (2002) Operational Evaluation of the MM5
Meteorological Model over the Continental Unites States. Protocol for Annual and
Episodic Evaluation. EPA. Obtenido el 30 de abril del 2016 desde
https://www3.epa.gov/scram001/reports/tesche_2002_evaluation_protocol.pdf
UCAR (2008) Funcionamiento de los modelos de mesoescala. Obtenido el 30 de abril del
2016 desde http://www.meted.ucar.edu/mesoprim/models_es/print.htm
USFQ (2016) Grupo de Investigación sobre la Ceniza Volcánica en el Ecuador (GICVE) –
Colegio de Ciencias e Ingeniería. Obtenido el 30 de abril del 2016 desde
https://www.usfq.edu.ec/programas_academicos/colegios/politecnico/institutos/gicve/
Paginas/default.aspx
WCRP (2015) WWRP/WGNE Joint Working Group on Forecast Verification Research.
Collaboration for Australian Weather and Climate Research. Obtenido el 30 de abril
del 2016 desde http://www.cawcr.gov.au/projects/verification/

67
WRF (2016) The Weather Research and Forecasting Model. Obtenido el 23 de abril del 2016
desde http://www.wrf-model.org/index.php

Universidad San Francisco de Quito Usfq: Colegio de Ciencias e Ingenierías

Cargado por

Copyright:

Formatos disponibles

Universidad San Francisco de Quito Usfq: Colegio de Ciencias e Ingenierías

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Universidad San Francisco de Quito Usfq: Colegio de Ciencias e Ingenierías

Cargado por

Copyright:

Formatos disponibles

UNIVERSIDAD SAN FRANCISCO DE QUITO USFQ

Colegio de Ciencias e Ingenierías

Evaluación de configuraciones de parametrización física

Sebastián Peralta Almeida

Trabajo de titulación presentado como requisito

Quito, 22 de julio de 2016