Nueva base de datos de precipitaciones mensuales de la República Argentina (PMRAv1), 2000-2022

• Autores: Gaitan, Juan J.; Biancari, Lucio
• Año de publicación: 2024
• Idioma: español castellano
• Tipo de recurso: artículo
• Materia: Ciencias Astronómicas; regression random forest; estaciones meteorológicas; estimación precipitaciones; Regression Random Forest; rain gauges; precipitation estimation
• Institución: Universidad Nacional de La Plata

La representación precisa de los patrones espacio-temporales de precipitación es un insumo esencial para numerosas aplicaciones ambientales. Sin embargo, la estimación de los patrones de precipitación derivados únicamente de pluviómetros está sujeta a grandes incertidumbres, especialmente en regiones con escasez de datos. Presentamos una nueva base de datos de Precipitaciones Mensuales de la República Argentina (PMRAv1) para el período 2000-2022, con 5 km de resolución espacial. PMRAv1 utiliza una metodología basada en regresión de bosques aleatorios (Regression Random Forest) para combinar datos mensuales de mediciones terrestres (entre 142 y 227 estaciones en cada mes), cuatro productos globales de precipitación estimada por satélite, modelos de circulación atmosféricas globales o interpolación de datos medidos en terreno (TERRACLIMATE, ERA5-LAND, GPMv6 y PERSIANN-CDR) con el objetivo de mejorar la estimación de las precipitaciones mensuales en Argentina. La metodología desarrollada pudo mejorar la representación espacio-temporal de la precipitación al permitir la fusión de múltiples fuentes de información satelital y mediciones en terreno. La validación realizada utilizando el 30% de los datos de pluviómetros mostró que PMRAv1 mejora significativamente los parámetros RMSE, MAE, EM y R2 en comparación con los cuatro productos globales de precipitación. Además, el producto resultó más estable en la predicción de los valores mensuales observados, al presentar un menor desvío estándar en los tres parámetros de ajuste. La base de datos PMRAv1 se pone a disposición de los usuarios en varios formatos. El término ‘v1’ (versión 1) hace referencia a que se considera que este producto tendrá sucesivas versiones en el futuro que permitan actualizarla y mejorar la precisión de las estimaciones. Asimismo, el método presentado también podría ser utilizado para mejorar la estimación de otras variables climatológicas cuando se disponga de datos medidos en terreno.
The accurate representation of spatio-temporal precipitation patterns is an essential input for numerous environmental applications. However, the estimation of precipitation patterns derived solely from rain gauges is subject to large uncertainties, especially in data-scarce regions. We present a new database of Monthly Precipitation of the Argentine Republic (PMRAv1) for the period 2000-2022, with 5 km of spatial resolution. PMRAv1 employs a Regression Random Forest-based methodology to combine monthly data from ground measurements (ranging from 142 to 227 rain gauges in each month) and four global precipitation products derived from satellite-estimated precipitation, global atmospheric circulation models or interpolation of ground-measured data (TERRACLIMATE, ERA5-LAND, GPMv6 y PERSIANN-CDR) with the aim of improving the estimation of monthly precipitation in Argentina. The developed methodology enhanced the spatio-temporal representation of precipitation by allowing the fusion of multiple sources of satellite information and ground measurements. Validation performed using 30% of the rain gauge data showed that PMRAv1 significantly improves the parameters RMSE, MAE, EM and R2 compared to the four global precipitation products. Furthermore, the model was more stable in predicting the observed monthly values, presenting a lower standard deviation in the three adjustment parameters. The PMRAv1 database is available to users in several formats. The term ‘v1’ (version 1) refers to the fact that this product will have successive future versions in the future that will update and refine the precision of the estimates. Likewise, the method presented could also be used to improve the estimation of other climatological variables when ground-based data are available.
Centro Argentino de Meteorólogos