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
Estado
versión publicada
Descripción
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
Materia
Ciencias Astronómicas
regression random forest
estaciones meteorológicas
estimación precipitaciones
Regression Random Forest
rain gauges
precipitation estimation
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/175062

id SEDICI_3936e6e15a2c7199297d3c5a2f787c98
oai_identifier_str oai:sedici.unlp.edu.ar:10915/175062
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Nueva base de datos de precipitaciones mensuales de la República Argentina (PMRAv1), 2000-2022New monthly precipitation database of Argentina (PMRAv1), 2000-2022Gaitan, Juan J.Biancari, LucioCiencias Astronómicasregression random forestestaciones meteorológicasestimación precipitacionesRegression Random Forestrain gaugesprecipitation estimationLa 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 Meteorólogos2024-03-26info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionArticulohttp://purl.org/coar/resource_type/c_6501info:ar-repo/semantics/articuloapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/175062spainfo:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/meteorologica/article/view/16991info:eu-repo/semantics/altIdentifier/issn/1850-468Xinfo:eu-repo/semantics/altIdentifier/doi/10.24215/1850468Xe032info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2025-09-29T11:47:03Zoai:sedici.unlp.edu.ar:10915/175062Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292025-09-29 11:47:03.998SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Nueva base de datos de precipitaciones mensuales de la República Argentina (PMRAv1), 2000-2022
New monthly precipitation database of Argentina (PMRAv1), 2000-2022
title Nueva base de datos de precipitaciones mensuales de la República Argentina (PMRAv1), 2000-2022
spellingShingle Nueva base de datos de precipitaciones mensuales de la República Argentina (PMRAv1), 2000-2022
Gaitan, Juan J.
Ciencias Astronómicas
regression random forest
estaciones meteorológicas
estimación precipitaciones
Regression Random Forest
rain gauges
precipitation estimation
title_short Nueva base de datos de precipitaciones mensuales de la República Argentina (PMRAv1), 2000-2022
title_full Nueva base de datos de precipitaciones mensuales de la República Argentina (PMRAv1), 2000-2022
title_fullStr Nueva base de datos de precipitaciones mensuales de la República Argentina (PMRAv1), 2000-2022
title_full_unstemmed Nueva base de datos de precipitaciones mensuales de la República Argentina (PMRAv1), 2000-2022
title_sort Nueva base de datos de precipitaciones mensuales de la República Argentina (PMRAv1), 2000-2022
dc.creator.none.fl_str_mv Gaitan, Juan J.
Biancari, Lucio
author Gaitan, Juan J.
author_facet Gaitan, Juan J.
Biancari, Lucio
author_role author
author2 Biancari, Lucio
author2_role author
dc.subject.none.fl_str_mv Ciencias Astronómicas
regression random forest
estaciones meteorológicas
estimación precipitaciones
Regression Random Forest
rain gauges
precipitation estimation
topic Ciencias Astronómicas
regression random forest
estaciones meteorológicas
estimación precipitaciones
Regression Random Forest
rain gauges
precipitation estimation
dc.description.none.fl_txt_mv 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
description 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.
publishDate 2024
dc.date.none.fl_str_mv 2024-03-26
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
Articulo
http://purl.org/coar/resource_type/c_6501
info:ar-repo/semantics/articulo
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/175062
url http://sedici.unlp.edu.ar/handle/10915/175062
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/url/https://revistas.unlp.edu.ar/meteorologica/article/view/16991
info:eu-repo/semantics/altIdentifier/issn/1850-468X
info:eu-repo/semantics/altIdentifier/doi/10.24215/1850468Xe032
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1844616334849081344
score 13.070432