Estimación de datos diarios faltantes en la Temperatura Superficial del Mar, Laboratorios Costeros - IMARPE
DOI:
https://doi.org/10.53554/boletin.v40i1.431Palabras clave:
Estimación de datos diarios, Regresión Múltiple, Regresión Múltiple SegmentadaResumen
Los datos de la Temperatura Superficial del Mar (TSM) obtenidas in situ por los Laboratorios Costeros del Imarpe, representan uno de los registros históricos diarios más completos de variables oceanográficas en el Perú, los que actualmente son monitoreados con fines de investigación científica y para detectar la ocurrencia de eventos como El Niño y La Niña. Sin embargo, algunos de estos registros presentan vacíos que dificultan calcular la climatología en cada estación costera. El presente trabajo tiene el propósito de completar estos vacíos de datos de TSM in situ diario, usando como predictor la TSM satelital diaria en los modelos estadísticos lineales. Para ello, se emplearon una Regresión Múltiple y una Regresión Múltiple Segmentada (por tramos). Se concluye que se lograron reconstruir las series de tiempo diarias de TSM in situ usando como predictor la TSM satelital. Para las estaciones costeras de Chicama, Chimbote, Huacho, Callao e Ilo, la Regresión Múltiple Segmentada (por tramos) permitió generar con mayor robustez los datos diarios faltantes, con los cuales se han reconstruido las series continuas de datos diarios de todas las estaciones costeras.
Descargas
Alternative Metrics
Métricas
Citas
Bachelery, M.-L., Illig, S., & Dadou, I. (2016). Interannual variability in the South-East Atlantic Ocean, focusing on the Benguela Upwelling System: Remote versus local forcing. Journal of Geophysical Research: Oceans, 121, 284–310. https://doi.org/10.1002/2015JC011168
Chambers, J. M. (1992). Linear models. In J. M. Chambers & T. J. Hastie (Eds.), Statistical Models (Cap. 4). Routledge. https://doi.org/10.1201/9780203738535
Chin, T. M., Vazquez-Cuervo, J. & Armstrong, E. M. (2017). A multi-scale high-resolution analysis of global sea surface temperature. Remote sensing of environment, 200, 154-169. https://doi.org/10.1016/j.rse.2017.07.029
Demarcq, H. & Faure V. (2000). Coastal upwelling and associated retention indices derived from satellite SST. Application to Octopus vulgaris recruitment. Oceanologica Acta, 23(4), 391–408. https://doi.org/10.1016/S0399-1784(00)01113-0
Donlon, C. J., Martin, M., Stark, J., Roberts-Jones, J., Fiedler, E. & Wimmer, W. (2012). The Operational Sea Surface Temperature and Sea Ice Analysis (OSTIA) system. Remote Sensing of Environment, 116, 140-158. https://doi.org/10.1016/j.rse.2010.10.017
Grados, C., Chaigneau, A., Echevin, V. & Dominguez, N. (2018). Upper ocean hydrology of the Northern Humboldt Current System at seasonal, interannual and interdecadal scales. Progress in Oceanography, 165, 123–144. https://doi.org/10.1016/j.pocean.2018.05.005
Huang, B., Liu, C., Banzon, V., Freeman, E., Graham, G., Hankins, B., Smith, T. & Zhang, H-M. (2021). Improvements of the Daily Optimum Interpolation Sea Surface Temperature (DOISST) Version 2.1. Journal of Climate, 34, 2923-2939. https://doi.org/10.1175/JCLI-D-20-0166.1
Hyndman, R. J. & Athanasopoulos, G. (2018). Forecasting: principles and practice (2a ed.). OTexts.
Illig, S., Dewitte, B., Goubanova, K., Cambon, G., Boucharel, J., Monetti, F., Romero, C., Purca, S. & Flores, R. (2014). Forcing mechanisms of intraseasonal SST variability off Central Peru in 2000–2008. Journal of Geophysical Research: Oceans, 119, 3548–3573. https://doi.org/10.1002/2013JC009779
Mason, S. J. & Baddour, O. (2008). Statistical modelling. In A. Troccoli, M. Harrison, D. L. T. Anderson & S. J. Mason (Eds.), Seasonal climate: Forecasting and managing risk (NATO Science Series 82, pp. 163-201). Springer. https://doi.org/10.1007/978-1-4020-6992-5_7
Muggeo, V. M. R. (2003). Estimating regression models with unknown break-points. Statistics in Medicine, 22, 3055-3071. https://doi.org/10.1002/sim.1545
Minnett, P. J. (2014). Sea Surface Temperature. In E. G. Njoku (Eds.). Encyclopedia of Remote Sensing. Encyclopedia of Earth Sciences Series (pp. 754-759). Springer. https://doi.org/10.1007/978-0-387-36699-9_166
NOAA’s Pacific Marine Environmental Laboratory [NOAA]. (2014). Ferret (Version 6.9) [Software]. National Oceanic and Atmospheric Administration. https://ferret.pmel.noaa.gov/Ferret
National Oceanic and Atmospheric Administration [NOAA]. (2025a). El Nino regions. National Weather Service Climate Prediction Center. Recuperado el 20 de marzo de 2025, de https://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/nino_regions.shtml
National Oceanic and Atmospheric Administration [NOAA]. (2025b). Cold & Warm Episodes by Season. National Weather Service Climate Prediction Center. Recuperado el 20 de marzo de 2025, de https://origin.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ONI_v5.php
Quispe-Ccalluari, C., Tam, J., Demarcq, H., Chamorro, A., Espinoza-Morriberón, D., Romero, C., Dominguez, N., Ramos, J. & Oliveros-Ramos, R. (2018). An index of coastal thermal effects of El Niño Southern Oscillation on the Peruvian Upwelling Ecosystem. International Journal of Climatology, 38(7), 3191-3201. https://doi.org/10.1002/joc.5493
Reynolds, R. W., Smith, T. M., Liu, C., Chelton, D. B., Casey, K. S. & Schlax, M. G. (2007). Daily high-resolution blended analyses for sea surface temperature. Journal of Climate, 20, 5473–5496. https://doi.org/10.1175/2007JCLI1824.1
Yu, J.-Y. & Kim, S. T. (2012). Identifying the types of major El Niño events since 1870. International Journal of Climatology, 33, 2105–2112. https://doi.org/10.1002/joc.3575
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2025 Boletin Instituto del Mar del Perú
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
