Métodos predictivos de precipitación utilizando datos de la cubierta vegetal mediante teledetección

Abstract

[ES]Este estudio se enmarca en el proyecto DULCINEA, que tiene entre sus objetivos el análisis del cambio climático y su incidencia en la vegetación de la Península Ibérica. El principal objetivo consiste en evaluar el potencial predictivo de variables que recogen la evolución de la cubierta vegetal sobre la precipitación, empleando para ello modelos temporales lineales y no lineales. Como variables adicionales se consideran la temperatura y la precipitación correspondientes a los periodos previos. Para realizar este estudio se dispone de series largas de las variables climáticas así como datos de NDVI correspondientes a un periodo de 22 años (1981- 2003). La utilización de técnicas de predicción no lineales, en concreto redes neuronales artificiales, ha mostrado ser una herramienta matemática predictiva adecuada para este problema, debido a la existencia de fenómenos marcadamente no lineales. Estos modelos permiten capturar, a un mes vista, la dinámica general de las precipitaciones, con errores medios en la predicción (RMSE) del orden de 44 mm para una serie de validación de 4 años. El análisis de sensibilidad de los diferentes modelos demuestra que las observaciones del estado de la cubierta en los meses anteriores tienen un poder predictivo superior que precipitación y temperatura.

[EN]This study has been focused on the development of rainfall prediction using data obtained by Remote Sensing techniques in the context of the DULCINEA Project. The first approach for prediction models was based on classical Auto-Regressive Moving-Average (ARMA) models, being the temperature and the NVDI external inputs. Non-linear prediction models, based on an artificial neural network with same input variables, were also used. The use of these models may be justifiable by the fact that the nature of the environmental phenomena is non-linear. The use of the neural network also allowed carrying out a sensitivity analysis of the inputs, thus rating the relevance of the different inputs in the prediction model. The obtained models have captured the overall dynamic of the annual rainfall at a number of representative sites. Results suggest that temporal signatures of satellite based vegetation observations may be valuable explanatory variables for rainfall forecasting systems.