Esta es la Versión 3 del proyecto de estudio de anomalías al norte de los 40°S (ATMM40sV3). Tiene por objetivo la creación de datos reticulados de anomalías a nivel mensual de la temperatura mínima diaria media y la temperatura máxima diaria media desde enero de 1966 en la zona continental de Argentina ubicada al norte de los 40°S, con el posterior cálculo de anomalías medias ponderadas para esta región.
La tarea se divide en diferentes etapas:
Las estaciones meteorológicas del SMN y del INTA que conforman el estudio se listan en la Tabla 1. Por lo general se han evitado aquellas series que de antemano se sabe que poseen una fuerte influencia de la isla de calor urbana (por ejemplo, Buenos Aires Observatorio Central, Córdoba Observatorio, Aeroparque). Esto no quiere decir que las series seleccionadas no tengan este efecto en menor medida.
En la red del SMN las mínimas y máximas diarias abarcan el período comprendido entre las 21:00 HOA del día anterior y las 21:00 HOA del día presente (es decir, desde las 00 UTC hasta las 00 UTC). En la red INTA, es probable que los extremos diarios correspondan a los del día civil.
| Estacion | Anio_inicio | Anio_final | Lat | Lon | Red |
|---|---|---|---|---|---|
| Azul | 1966 | 2026 | -36.83216 | -59.88644 | SMN |
| Bahía Blanca Aero | 1966 | 2026 | -38.71476 | -62.16312 | SMN |
| Benito Juárez Aero | 1980 | 2026 | -37.70128 | -59.79098 | SMN |
| Bernardo de Irigoyen Aero | 1984 | 2026 | -26.27791 | -53.67123 | SMN |
| Bolivar Aero | 1966 | 2026 | -36.18639 | -61.07266 | SMN |
| Catamarca Aero | 1966 | 2026 | -28.59353 | -65.75526 | SMN |
| Ceres Aero | 1966 | 2026 | -29.87551 | -61.93603 | SMN |
| Cerro Azul INTA | 1968 | 2025 | -27.65621 | -55.43791 | INTA |
| Chacras de Coria | 1966 | 2019 | -33.00491 | -68.87021 | SMN |
| Chamical Aero | 1966 | 2026 | -30.34787 | -66.29609 | SMN |
| Chilecito Aero | 1985 | 2026 | -29.21839 | -67.44251 | SMN |
| Concordia Aero | 1966 | 2026 | -31.30217 | -58.00142 | SMN |
| Córdoba Aero | 1966 | 2026 | -31.29667 | -64.21183 | SMN |
| Coronel Pringles Aero | 1993 | 2023 | -38.00447 | -61.33004 | SMN |
| Coronel Suarez Aero | 1966 | 2026 | -37.45330 | -61.89063 | SMN |
| Corrientes Aero | 1966 | 2026 | -27.44981 | -58.75972 | SMN |
| Dolores Aero | 1966 | 2026 | -36.31689 | -57.71688 | SMN |
| El Trébol Aero | 1989 | 2023 | -32.19216 | -61.71191 | SMN |
| Formosa Aero | 1966 | 2026 | -26.21247 | -58.22932 | SMN |
| General Pico Aero | 1966 | 2026 | -35.68812 | -63.75935 | SMN |
| Gualeguaychú Aero | 1966 | 2026 | -33.01242 | -58.61070 | SMN |
| Hilario Ascasubi INTA | 1966 | 2025 | -39.39160 | -62.62735 | INTA |
| Iguazú Aero | 1966 | 2026 | -25.73087 | -54.47745 | SMN |
| Jáchal | 1966 | 2026 | -30.22938 | -68.73900 | SMN |
| Jujuy Aero | 1967 | 2026 | -24.38394 | -65.09548 | SMN |
| Jujuy UN | 1987 | 2026 | -24.17860 | -65.32628 | SMN |
| Junin Aero | 1966 | 2026 | -34.55252 | -60.93121 | SMN |
| La Plata Aero | 1966 | 2026 | -34.96608 | -57.89609 | SMN |
| La Rioja Aero | 1966 | 2026 | -29.38169 | -66.79342 | SMN |
| Laboulaye Aero | 1966 | 2026 | -34.12776 | -63.36767 | SMN |
| Las Flores | 1987 | 2026 | -36.04144 | -59.13717 | SMN |
| Las Lomitas | 1966 | 2026 | -24.70245 | -60.59407 | SMN |
| Malargüe Aero | 1966 | 2026 | -35.48121 | -69.58336 | SMN |
| Mar del Plata Aero | 1966 | 2026 | -37.93208 | -57.58142 | SMN |
| Marcos Juárez Aero | 1966 | 2026 | -32.67965 | -62.15051 | SMN |
| Mendoza Aero | 1966 | 2026 | -32.84370 | -68.79636 | SMN |
| Monte Caseros Aero | 1966 | 2026 | -30.26175 | -57.63906 | SMN |
| Neuquén Aero | 1966 | 2026 | -38.95204 | -68.13663 | SMN |
| Nueve de Julio | 1966 | 2026 | -35.43906 | -60.88194 | SMN |
| Oberá | 1990 | 2026 | -27.48368 | -55.13167 | SMN |
| Olavarría Aero | 1987 | 2026 | -36.89062 | -60.22279 | SMN |
| Orán Aero | 1966 | 2026 | -23.15475 | -64.32821 | SMN |
| Paraná Aero | 1966 | 2026 | -31.79032 | -60.48406 | SMN |
| Paso de los Libres Aero | 1966 | 2026 | -29.68923 | -57.14849 | SMN |
| Pergamino INTA | 1966 | 2022 | -33.93000 | -60.55000 | INTA |
| Pcia Roque Saenz Peña Aero | 1966 | 2026 | -26.74639 | -60.48675 | SMN |
| Pehuajó Aero | 1966 | 2026 | -35.84065 | -61.85974 | SMN |
| Pigüé Aero | 1966 | 2026 | -37.60822 | -62.38654 | SMN |
| Pilar Observatorio | 1966 | 2026 | -31.66813 | -63.88197 | SMN |
| Posadas Aero | 1966 | 2026 | -27.39104 | -55.96708 | SMN |
| Punta Indio B.A. | 1966 | 2026 | -35.35123 | -57.29249 | SMN |
| Reconquista Aero | 1966 | 2026 | -29.20502 | -59.69335 | SMN |
| Resistencia Aero | 1966 | 2026 | -27.43889 | -59.04610 | SMN |
| Rio Colorado | 1966 | 2026 | -38.99108 | -64.08717 | SMN |
| Rio Cuarto Aero | 1966 | 2026 | -33.09551 | -64.27706 | SMN |
| Rosario Aero | 1966 | 2026 | -32.90822 | -60.78213 | SMN |
| Salta Aero | 1966 | 2026 | -24.84440 | -65.47580 | SMN |
| San Juan Aero | 1966 | 2026 | -31.57455 | -68.42247 | SMN |
| San Luis Aero | 1966 | 2026 | -33.27452 | -66.35138 | SMN |
| San Martín Mza | 1966 | 2026 | -33.07332 | -68.46480 | SMN |
| San Rafael Aero | 1966 | 2026 | -34.59084 | -68.40164 | SMN |
| Santa Rosa Aero | 1966 | 2026 | -36.59310 | -64.27993 | SMN |
| Santiago del Estero Aero | 1966 | 2026 | -27.75484 | -64.29977 | SMN |
| Sauce Viejo Aero | 1966 | 2026 | -31.70780 | -60.80541 | SMN |
| Tandil Aero | 1966 | 2026 | -37.24121 | -59.23319 | SMN |
| Tartagal Aero | 1966 | 2026 | -22.61654 | -63.79647 | SMN |
| Tinogasta | 1966 | 2026 | -28.06730 | -67.56523 | SMN |
| Trenque Lauquen | 1966 | 2026 | -35.96904 | -62.72611 | SMN |
| Tres Arroyos | 1966 | 2026 | -38.35952 | -60.28444 | SMN |
| Tucumán Aero | 1966 | 2026 | -26.83725 | -65.10839 | SMN |
| Venado Tuerto Aero | 1992 | 2026 | -33.68224 | -61.96144 | SMN |
| Villa de María del Río Seco | 1966 | 2026 | -29.90579 | -63.72757 | SMN |
| Villa Dolores Aero | 1966 | 2026 | -31.95125 | -65.14904 | SMN |
| Villa Reynolds Aero | 1966 | 2026 | -33.71806 | -65.37367 | SMN |
Además de las estaciones de la Tabla 1 se han utilizado series de apoyo para propósitos específicos.
Las siguientes series han sido fusionadas:
Todas las series han sido sometida a escuetos controles de calidad según la red de la que provienen.
Los controles estuvieron apoyados en la utilización de datos subdiarios, especialmente los de frecuencia horaria, disponibles por lo general desde 1991. Para cada día se calculó una temperatura mínima horaria y una temperatura máxima horaria, siempre que se contara con 25 observaciones horarias (desde las 00 UTC del día en cuestión hasta las 00 UTC del día siguiente hay en total 25 observaciones, si la frecuencia es de 1 observación cada hora). Luego, estos extremos horarios fueron comparados con los datos diarios en búsqueda de inconsistencias y de datos llamativos. Se definió como inconsistencia a la ocurrencia de una temperatura mínima horaria que se encuentra por debajo de la temperatura mínima diaria reportada, o a la ocurrencia de una temperatura máxima horaria que se encuentra por encima de la temperatura máxima diaria reportada. Por otra parte, se definió como dato llamativo a aquella temperatura mínima diaria que es por lo menos 3 °C menor que la temperatura mínima horaria, y a aquella temperatura máxima diaria que es por lo menos 3 °C mayor que la temperatura máxima horaria. Estos criterios permitieron encontrar errores tanto en los datos horarios como en los diarios, principalmente en los posteriores al año 2000, con el adicional apoyo de la base de datos synops de Ogimet (Ogimet.com).
Ejemplo: La temperatura máxima reportada en Neuquén el día 24-03-2003 fue de 29.8 °C. La temperatura máxima horaria fue de 25.3 °C, por lo tanto esta diferencia de 4.5 °C lo convierte en un dato llamativo. Una revisión de los datos en Ogimet da cuenta de que la máxima reportada se trata de un error en el synop de las 12 UTC, en el que se repitió la máxima del día anterior. El error se acentúa teniendo en cuenta que el dato horario más alto entre las 00 UTC y las 12 UTC fue de 17.2 °C. La máxima correcta de aquel día fue de 25.8 °C como lo muestra el synop de las 00 UTC.
No todas las inconsistencias y datos llamativos pudieron ser subsanados. Sin embargo, son pocos o de pequeña magnitud, por lo que el impacto en las series puede considerarse no signifivativo.
Debido a la no disponibilidad de datos subdiarios, el enfoque en este caso ha sido más del tipo exploratorio. Gracias al cálculo de récords mensuales se pudieron detectar outliers, mientras que la comparación de anomalias mensuales con respecto a estaciones aledañas permitió el hallazgo de datos repetidos.
Ejemplo: Se compararon las anomalías mensuales de Hilario Ascasubi con las de Bahía Blanca Aero, encontrando una diferencia significativa en las máximas de agosto de 1984. Una inspección de los datos permitió comprobar una repetición de las máximas de octubre de 1984 en agosto de 1984 en Hilario Ascasubi, por lo que éstos últimos fueron descartados.
Tras la corrección de posibles datos erróneos, también se utilizaron datos horarios para la estimación y relleno de datos diarios faltantes posteriores al año 1991. Para ello se elaboraron dos factores de corrección, corMin y corMax. La primera consiste en la mediana de la diferencia entre la temperatura mínima diaria y la temperatura mínima horaria dentro del período 1991-2020, y de manera análoga se define a la segunda. Cada estación con la cantidad suficiente de datos horarios (25 por día durante una buena cantidad de tiempo) cuenta con un corMin y un corMax. Para que un dato diario faltante sea estimado y rellenado, como mínimo ese día debe contar con 23 observaciones horarias. La estimación consiste en simplemente sumarle la corrección correspondiente al extremo horario mínimo o máximo, según sea el caso.
Se usaron dos métodos alternativos para el relleno de datos faltantes:
Predicción con dos series aledañas: El modelo consiste en seleccionar dos estaciones aledañas, cuyas series estén altamente correlacionadas con la serie cuyos datos faltantes se quieren estimar, y armar modelos de regresión lineal por mes y por variable, según un período de años elegido. Luego, estos modelos son aplicados para rellenar datos faltantes en el período que más vacíos tiene la serie predictando, acorde al mes y a la variable. En general, los resultados (evaluados por el RMSE y el MAE) son mejores para la temperatura máxima y para el invierno.
Predicción con datos subdiarios + una serie aledaña: La predicción de los datos faltantes de la serie predictando es por variable. Se toman como series predictoras una estación aledaña altamente correlacionada y el mínimo o máximo valor diario de los datos horarios de la misma serie predictando, para horas seleccionadas. Se construyen modelos de regresión lineal por mes según un período de años elegido, y luego estos modelos son aplicados en el período con mayor cantidad de datos faltantes en la serie objetivo.
El primer tipo de modelo fue aplicado para Benito Juárez, Oberá, Rio Colorado y Trenque Lauquen. Para Trenque Lauquen es donde aparece el concepto de serie de apoyo, ya que se usó a Viedma Aero (no incluida en el estudio) como una de las series predictoras.
El segundo modelo fue utilizado para Villa de Maria del Rio Seco, usando datos subdiarios de las horas 6, 9, 15 y 21, y la serie de temperatura mínimas diarias de Ceres Aero como predictoras de la temperatura mínima diaria de la serie predictando, la cual presente un bache de temperaturas mínimas entre 2005 y 2016.
En todos los casos, las nuevas series obtenidas reemplazan completamente a las series previas.
No se realizaron estimaciones de datos faltantes.
En esta versión del estudio no se han llevado a cabo homogeneizaciones de las series.
En esta versión del estudio no se usaron series mensuales.
La temperatura mínima media mensual (Tnm) surge de promediar los valores diarios de temperatura mínima, siempre que el porcentaje de datos faltantes no supere el 15 %. Si lo hace, su valor queda como NA. La temperatura máxima media mensual (Txm) es análoga a la Tnm, y sigue el mismo criterio para los datos faltantes. Ambos valores son calculados para cada serie luego del control de calidad y del relleno de datos faltantes.
Los valores normales de temperatura mínima (Tn_norm) y temperatura máxima (Tx_norm) son calculados para cada serie promediando para cada mes los valores de Tnm y Txm, respectivamente, tomando el período 1991-2020. Se exigue no más del 10 % de datos faltantes (es decir, no más de 3 años sin datos), caso contrario el mes y variable que no lo cumpla no tendrá un valor normal.
A partir de estos valores normales se obtienen las anomalías, como la diferencia entre el valor medio observado y el valor normal, según el mes y la variable.
Se considera una grilla con celdas de 0.5° de latitud y 0.5° de
longitud cuyos centros se encuentran entre las latitudes 21°S y 40°S, y
entre los meridianos 53°W y 73°W. Para cada una de estas 1599 celdas se
obtiene la altura con respecto al nivel medio del mar mediante la
función elevatr::get_elev_raster(), para con posterioridad
descartar las celdas con alturas superiores a los 2000 m. Tras esto, se
usa el archivo paisPolygon.shp proveniente del IGN
(Instituto Geográfico Nacional de Argentina) a fin de quedarnos con
aquellas celdas cuyos centros se encuentran dentro de los límites
nacionales. Como consecuencia de ambos filtros, el número total de
celdas se reduce a 728.
Se obtiene un valor de anomalía para cada celda mediante el método de
distancia inversa ponderada (IDW por sus siglas en inglés)
gracias a la función gstat::idw(), a partir de las series
de anomalías como entrada de puntos. Se estableció que para cada punto
de grilla el número de estaciones utilizadas no supere las 10, que la
distancia máxima sea de 200 km, y que la potencia sea de 2.0 (es decir,
la inversa del cuadrado de la distancia como peso).
La anomalía media ponderada por el área de cada celda fue calculada
mediante la función ClimProjDiags::WeightedMean().
Para un mejor análisis, se obtuvieron adicionalmente las siguientes métricas:
RMSE: Se obtiene la raíz del error cuadrático
medio (RMSE, por sus siglas en inglés) de la validación cruzada de
5 pliegues que surge de ejecutar la función
gstat::krige.cv(), con los mismos parámetros que para el
método IDW. Al usar un pliegue de 5 (nfold), se dividen las series en 5
grupos aleatorios, se ocultan el 20% de las estaciones, se predicen los
valores de la grilla usando el 80% restante, y se repite este proceso 5
veces cambiando el grupo oculto.
N: La cantidad de series utilizadas.
Completitud: El porcentaje de las 728 celdas que finalizan con un valor no nulo.
La evolución histórica de las anomalías medias ponderadas puede ser apreciada en el siguiente bello gráfico:
Mientras que la siguiente tabla muestra los récords mensuales desde 1966 hasta la actualidad:
| Récords Mensuales de Anomalías Ponderadas | ||
| Valores mínimos/máximos y años de ocurrencia para cada mes | ||
| Mes | Récord Mínimo | Récord Máximo |
|---|---|---|
| Anomalía T. Máxima | ||
| Enero | -1.8 °C (1981) | +2.3 °C (2023) |
| Febrero | -3.3 °C (1998) | +3.9 °C (2025) |
| Marzo | -2.5 °C (1976) | +3.2 °C (2023) |
| Abril | -2.6 °C (1999) | +3.5 °C (2009) |
| Mayo | -3.4 °C (2016) | +3.4 °C (1967) |
| Junio | -4.2 °C (1984) | +2.1 °C (2024) |
| Julio | -3.4 °C (1992) | +2.7 °C (2008) |
| Agosto | -3.6 °C (2007) | +2.6 °C (2009) |
| Septiembre | -2.5 °C (1974) | +3.1 °C (2024) |
| Octubre | -3.7 °C (2026) | +2.4 °C (2014) |
| Noviembre | -2.6 °C (1992) | +2.7 °C (2008) |
| Diciembre | -3.3 °C (1984) | +3.2 °C (2013) |
| Anomalía T. Mínima | ||
| Enero | -1.6 °C (1971) | +1.3 °C (2022) |
| Febrero | -2.3 °C (1966) | +2.8 °C (2025) |
| Marzo | -2.8 °C (1976) | +2.8 °C (2023) |
| Abril | -3.7 °C (1968) | +3.1 °C (2018) |
| Mayo | -3.4 °C (1968) | +2.9 °C (1967) |
| Junio | -4.3 °C (1967) | +2.4 °C (2005) |
| Julio | -2.8 °C (2007) | +3.2 °C (1978) |
| Agosto | -3.3 °C (2007) | +3.2 °C (2015) |
| Septiembre | -2.4 °C (1966) | +2.3 °C (2018) |
| Octubre | -2.2 °C (1969) | +2.3 °C (2014) |
| Noviembre | -2.3 °C (1970) | +1.6 °C (2009) |
| Diciembre | -2.3 °C (1984) | +2.1 °C (2013) |
Para las temperaturas máximas, la menor anomalía tuvo lugar en junio de 1984 con -4.2 °C mientras que lo máximo se observa en febrero de 2025 con +3.9 °C. Para la temperatura mínima, los récords son de -4.3 °C en junio de 1967 y de +3.2 °C en junio de 1978 y agosto de 2015.
En general, el error asociado a la interpolación espacial (RMSE) es mayor para la temperatura mínima, pero a la vez se observa una disminución en la incertidumbre a medida que la cantidad de estaciones disponibles (N) aumenta. Es visible un pequeño deterioro en esta última metrica en años recientes. Por otra parte, la Completitud se mantiene estable a lo largo del tiempo luego de un inicio con un porcentaje de celdas con valores nulos que llegó a superar el 10 %.
Akima. Ahora se utiliza
el método IDW con el empleo del paquete gstat.Extender el período de estudio hacia principios del siglo XX se dificulta debido a que un número no insignificante de las series comienzan en 1956 o en años posteriores. Parte de este déficit de datos diarios podría ser balanceado con la utilización de datos mensuales publicados en distintos documentos. También podrían añadirse estaciones cuyas series se encuentran muy afectadas por la isla de calor urbana (ICU) pero que aún así cuentan con un largo historial (Buenos Aires Obs. Central cuenta con datos desde 1906), si se pudieran aplicar métodos que remuevan los efectos de la ICU. También, cuanto más extendamos el año de inicio del estudio, más necesario será que las series sean sometidas a un proceso de homogeneización, debido a los cambios de ubicación que tuvieron lugar principalmente en las décadas de 1940 y 1950.
Es fundamental cubrir regiones con poca densidad de estaciones. Es especialmente crítico aumentar la cobertura en la zona central del norte argentino (este de Salta, noroeste de Formosa y Chaco, norte de Santiago del Estero) y en el sudoeste de la zona de estudio (oeste de La Pampa, sur de Mendoza y San Luis, Neuquén, Rio Negro). Añadir estaciones desactivadas o sólo con datos recientes implica el desafío de obtener valores normales 1991-2020 para estas estaciones. En lo posible, el período de refencia no debería cambiar.