1 Introducción

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.

  • Período bajo estudio: Desde enero de 1966 al presente.
  • Región bajo estudio: Argentina, al norte de los 40°S. Zona continental con una altura media sobre el nivel del mar igual o inferior a los 2000 m.
  • Resolución: 0.5° x 0.5°.
  • Datos utilizados: Se utilizan datos diarios de temperatura mínima y temperatura máxima de estaciones oficiales del SMN y del INTA, listadas en la Tabla 1. Quedan excluidas aquellas con una fuerte influencia de la isla de calor urbana (principalmente las del Área Metropolitana de Buenos Aires).
  • Período de referencia: 1991-2020.

La tarea se divide en diferentes etapas:

  • Pre-procesamiento de las series diarias
  • Obtención de medias mensuales
  • Obtención de valores normales
  • Generación de los datos reticulados
  • Cálculo de las anomalías medias ponderadas

2 Series diarias

2.1 Descripción

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.

Tabla 1. Estaciones que conforman el estudio.
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.

2.2 Fusión de series

Las siguientes series han sido fusionadas:

  • Azul (-1994) con Azul Aero (1994-)
  • Catamarca Aero I (-1973) con Catamarca Aero (1973-)
  • San Juan Aero I (-1966) con San Juan Aero (1966-)
  • Tucumán Aero I (-1981) con Tucumán Aero (1981-)

2.3 Controles de calidad

Todas las series han sido sometida a escuetos controles de calidad según la red de la que provienen.

2.3.1 Estaciones del SMN

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.

2.3.2 Estaciones del INTA

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.

2.4 Estimación y relleno de datos faltantes

2.4.1 Estaciones del SMN

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.

2.4.1.1 Métodos alternativos (datos faltantes)

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.

2.4.2 Estaciones del INTA

No se realizaron estimaciones de datos faltantes.

2.5 Homogeneización

En esta versión del estudio no se han llevado a cabo homogeneizaciones de las series.

2.6 Series mensuales

En esta versión del estudio no se usaron series mensuales.


3 Medias 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.


4 Valores normales

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.


5 Datos reticulados

5.1 Grilla base

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.

5.2 Grilla de anomalías

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).


6 Anomalías ponderadas

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.


7 Resultados

7.1 Anomalias

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.

7.2 Evaluación de las interpolaciones

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 %.


8 Versiones pasadas y futuras

8.1 Cambios con respecto a la Versión 2

  • El inicio del período de estudio se extendió de 1971 a 1966.
  • Aumento en resolución, pasando de 1° x 1° a 0.5° x 0.5°.
  • Una pequeña extensión en los límites norte y sur del área de estudio, de 0.25°.
  • La determinación de celdas dentro de territorio argentino pasó de ser manual a estar definido por datos del IGN.
  • Se añadió la condición de elevación (<= 2000 msnm).
  • La obtención de valores reticulados se realizaba mediante interpolación lineal con el paquete Akima. Ahora se utiliza el método IDW con el empleo del paquete gstat.
  • Se incluyeron 3 nuevas estaciones: Cerro Azul, Hilario Ascasubi y Pergamino (todas ellas del INTA).

8.2 Cambios propuestos para la Versión 4

  • Extender el inicio del período de estudio a 1961.
  • Añadir estaciones nuevas, con prioridad a zonas con poca densidad de estaciones.
  • Se necesitan nuevos métodos para estimar valores faltantes, especialmente en estaciones en donde aún no pueden ser determinados algunos de sus valores normales mensuales.
  • Versión alternativa con datos homogeneizados.

8.3 Desafios a largo plazo

  • 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.