Download Aspectos metodológicos del método de
Document related concepts
Transcript
Meteorología Colombiana N4 pp. 65–72 Octubre, 2001 Bogotá D.C. ISSN-0124-6984 ASPECTOS METODOLÓGICOS DEL MÉTODO DE REDUCCIÓN DE ESCALA JOSÉ DANIEL PABÓN-CAICEDO Instituto de Hidrología, Meteorología y Estudios Ambientales - IDEAM Profesor, Departamento de Geografía, Facultad de Ciencias Humanas – Universidad Nacional de Colombia Investigador Proyecto “Proyecciones climáticas regionales e impactos socioeconómicos del cambio climático en Colombia" JORGE MARTÍNEZ-COLLANTES Profesor Asociado, Departamento de Matemáticas y Estadística-Universidad Nacional de Colombia NÉSTOR RICARDO BERNAL-SUÁREZ Estadístico, Coinvestigador Proyecto "Proyecciones Climáticas Regionales e Impactos Socioeconómicos del Cambio Climático en Colombia". COLCIENCIAS-U.N. ALICIA MOLINA-LIZCANO Estadística, Coinvestigadora Proyecto "Proyecciones Climáticas Regionales e Impactos Socioeconómicos del Cambio Climático en Colombia". COLCIENCIAS-U.N. EMEL ENRIQUE VEGA-RODRÍGUEZ Profesor Asistente - Departamento de Geociencias-Universidad Nacional de Colombia Investigador Proyecto “Proyecciones climáticas regionales e impactos socioeconómicos del cambio climático en Colombia" Pabón, J., J. Martínez, N. Bernal, A. Molina & E. Vega. 2001: Aspectos metodológicos del método de reducción de escala. Meteorol. Colomb. 4:65-72. ISSN 0124-6984. Bogotá, D.C. – Colombia. RESUMEN Se describen aspectos relacionados con el contexto estadístico y se señalan los supuestos para la metodología empleada, junto con aspectos tales como la descripción de un proceso estocástico temporal y espacial, la estructura temporal y espacial, la representación espacial de las variables simuladas por el Modelo de Circulación General Atmosférica CCM3 (MCGA), la representación espacial de las estaciones, el supuesto de no correlación temporal y el Análisis de Correlación Canónica, transformación de variables, descripción de una transformación afín, implicaciones en la estructura de correlación al aplicar el método de promedios móviles, definición de las variables canónicas, coeficientes estandarizados y no estandarizados y una medida de bondad de ajuste para comparar los valores estimados con los valores reales de precipitación y temperatura. Palabras Clave: Proceso estocástico, Modelos Climáticos, Correlación Canónica. ABSTRACT Aspects related to the statistical context are described and indicates the assumptions for the used methodology, are indicated aspects like description of a temporary and space stochastic process, the temporary structure, the space structure, space representation of the variables simulated by the Model of General Circulation Atmospheric CCM3 (MCGA), space representation of the stations, the temporary assumption of noncorrelation and the Analysis of Canonical Correlation, transformation of variables, description of a compatible transformation, implications in the structure of correlation when applying the method of movable averages, definition of the canonical variables, coefficients standardized and not standardized and a measurement of adjustment goodness to compare the values Key words: Stochastic process, Climatic Models, Canonical Correlation. 66 METEOROLOGÍA COLOMBIANA N°4, OCTUBRE 2001 1. Se tiene una realización de un proceso estocástico definida así: CONCEPTOS GENERALES Se describen aspectos relacionados con el contexto estadístico y señala los supuestos para la metodología empleada, se señalan aspectos como descripción de un proceso estocástico temporal y espacial, la estructura temporal, la estructura espacial, representación espacial de las variables simuladas por el Modelo de Circulación General Atmosférica CCM3 (MCGA), representación espacial de las estaciones, el supuesto de no correlación temporal y el Análisis de Correlación Canónica, transformación de variables, descripción de una transformación afín, implicaciones en la estructura de correlación al aplicar el método de promedios móviles, definición de las variables canónicas, coeficientes estandarizados y no estandarizados y una medida de bondad de ajuste para comparar los valores estimados con los valores reales de precipitación y temperatura. Z (1), Z (2),..., Z ( N ) z(1), z(2),..., z( N ) Que corresponde a una secuencia temporal discreta, a partir de esta realización se puede obtener el coeficiente de autocorrelación (Guerrero, 1989) definido como: N K 1.1. Proceso Estocástico Espacio–Temporal La estructura de los datos que se abordan en este estudio corresponde a un proceso estocástico espacio– temporal (Cressie, 1993), definido como: _ _ z ( t ) z z ( t k ) z i 1 2 rk _ N K z(t ) z i 1 Z (s, t ) : s D(t ),t T Donde: Z(s,t) es una variable aleatoria, s es un lugar en el espacio denotado por D(t) que cambia con el tiempo t en el espacio D, originando una familia de variables aleatorias (Fig.1). Donde k indica el rezago de la serie y s indica el número máximo de rezagos considerados para analizar la correlación temporal, es importante señalar que se asume que la varianza y la media de la secuencia temporal se consideran constantes a través del tiempo, condiciones que hacen que una secuencia temporal sea estacionaria. 1.2. s Z(s,t) Figura 1. Descripción del proceso espacio–temporal en una región D k 1,2,..., s Representación Espacial de las Variables Simuladas por el MCGA Las variables simuladas por el Modelo de Circulación General Atmosférica (MCGA) CCM3 se representan en puntos en el espacio igualmente espaciados, esta estructura de datos se conoce como “Regular Lattice” (Cressie, 2 1993) en este caso la región D, cumple: D R . Si se considera la estructura espacial fija, es decir, para un lugar específico, se puede definir únicamente el proceso temporal (Guerrero, 1989) como: Despreciando la curvatura de la tierra, esta representación de las variables tiene analogía con la forma de representación de una secuencia temporal para datos igualmente espaciados. En la Fig. 2 se ilustra esta representación de datos espaciales en puntos de “grilla”. Z (t ) : t T La distancia entre pares de puntos de grilla es aproximadamente de 300 km. donde T es el conjunto índice y Z(t) es la variable aleatoria correspondiente al elemento t de T. Desde el punto de vista meteorológico a la distribución espacial de las variables se las denomina campo, así, si la variable representada es la temperatura en puntos de grilla, se le denomina campo de temperatura. Mediante el modelo MCGA-CCM3 se realizan simulaciones de las variables atmosféricas que generan datos regularmente distribuidos en el espacio y en el tiempo, estos resultados del modelo se pueden considerar estadísticamente como una realización de un proceso estocástico temporal–espacial. 1.1.1. 1.1.2. Proceso estocástico temporal Estructura temporal Una alternativa de analizar la estructura temporal es determinar la correlación temporal que indica el grado de asociación entre las variables que conforman el proceso estocástico temporal, para este caso se puede analizar el coeficiente de autocorrelación temporal definido así: PABÓN et al.: ASPECTOS METODOLÓGICOS DEL MÉTODO DE REDUCCIÓN DE ESCALA Z(t,1) 67 Z(t,2) 3 0 0 k m Z(t,3) Z(t,4) 300 km Figura 2. Representación en puntos de grilla Cada simulación con el modelo MCGA-CCM3 bajo condiciones forzantes, se le denomina un experimento de Cambio Climático. 1.3. Representación Espacial en las Estaciones Meteorológicas En las estaciones meteorológicas se realiza la medición de elementos meteorológicos como temperatura del aire en superficie y precipitación, entre otras variables. Para estudios de cambio climático la secuencia temporal corresponde a datos mensuales para un período de tiempo histórico, para este estudio el período histórico corresponde al comprendido entre 1969 y 1990, esta representación espacial es referida como el caso señalado en la Fig.1. Ventajas de un MCGA Los modelos matemáticos que incluyen el modelo se diseñan para estimar con precisión ¿cómo el clima global puede ser afectado por cambios debido a forzamientos radiativos?. Las variables climáticas simuladas son internamente consistentes. Los MCGA pueden simular la variabilidad sobre algunas escalas del tiempo específicas, incluyendo estacionalidades. Permiten simular un gran número de variables meteorológicas. Limitaciones de un MCGA 1.4. Modelos de Circulación General Atmosférica (MCGA) Los modelos climáticos tienen la capacidad de representar los procesos en la superficie de la tierra basándose en leyes físicas que describen la dinámica atmosférica y en datos observados. La resolución espacial horizontal corresponde aproximadamente a 300 km y en la vertical a 1 km, algunos modelos tienen mayor resolución vertical cerca de la superficie de la tierra y más baja resolución en la alta troposfera y en la estratosfera. Los MCGA son utilizados para generar proyecciones climáticas, primero se realiza un experimento climático o simulación sin incorporar ningún supuesto acerca de cambios en un forzamiento externo del sistema climático, luego se realiza otra simulación con el modelo alterando los niveles de forzamiento, por ejemplo, con diferentes concentraciones de gases efecto invernadero. Una comparación del clima actual con el clima simulado permite establecer el grado de cambio climático debido a factores de forzamiento. Poseen baja resolución espacial y suponen que los cambios climáticos son idénticos para todos los lugares dentro de la región, en cada cuadro conformado por cuatro puntos de grilla. Es decir, la representación regional es muy limitada. Los resultados de diferentes experimentos de cambio climático muchas veces divergen con respecto a la variación estimada de temperatura y precipitación para un área en particular debido a los diferentes supuestos y diferencias en los supuestos físicos incorporados dentro de los modelos. 1.5. El Proceso de Reducción de Escala (Statistical Downscaling) Para estudios de impacto del Cambio Climático sobre sistemas ecológicos, sociales y económicos, es necesario generar escenarios de cambio climático para analizar el impacto y se deben incluir los siguientes aspectos: Suficientes variables climáticas. 68 Tener una escala espacial fina (debido a que algunos impactos pueden ocurrir en una escala local). METEOROLOGÍA COLOMBIANA N°4, OCTUBRE 2001 la estructura temporal implícita en la información analizada. No se deben considerar las simulaciones del MCGA como pronósticos, se deben considerar como representaciones aproximadas del clima futuro (proyección bajo ciertos supuestos). La segunda razón señalada justifica realizar un proceso de Reducción de Escala, puesto que este método consiste en establecer relaciones entre las variables simuladas por el MCGA y los valores históricos de precipitación en estaciones meteorológicas en superficie. 2. METODOLOGÍA ANÁLISIS DE CORRELACIÓN CANÓNICA Se considera un grupo de variables predictoras obtenidas de las simulaciones de un MCGA que se denominará campo predictor, representadas por la siguiente matriz: X txp . Estas relaciones pueden hallarse utilizando estos métodos estadísticos como la Regresión Lineal Múltiple, Regresión Lineal Múltiple con variables predictoras en cada punto de grilla próximos a las estaciones, Regresión Lineal Múltiple con variables predictoras en los cuatro puntos de grilla próximos a las estaciones, Regresión Lineal paso a paso. Otra posibilidad dentro del conjunto de métodos de Regresión es la Regresión Dinámica, que permite tener en cuenta la estructura temporal de las series de tiempo o también el método denominado Modelo de Transferencia. También hay otras alternativas en el conjunto de Métodos Multivariados como los siguientes: Análisis de Correlación Canónica, Análisis de Correlación Canónica con Componentes principales, Descomposición en Valores Singulares (Huth, 1999), otra posibilidad es la metodología que consiste en aplicar Redes Neuronales (Cavazos, 1997). Esta matriz contiene la información de las variables simuladas por el CCM3, donde t representa el número de tiempos considerados para el período de referencia o período de calibración y p indica el número de variables predictoras. La metodología de reducción de escala se puede sintetizar en las siguientes etapas (Storch & Zwiers, 1999): El Análisis de Correlación Canónica tiene como objetivo buscar pares de variables denominadas variables canónicas definidas así: Identificar una variable climática R de interés. La siguiente matriz representa el conjunto de estaciones meteorológicas en una región local en las cuales se dispone de la información histórica de las mediciones de la variable meteorológica. Y txq corresponde a una matriz de la variable precipitación o temperatura en estaciones, donde t representa el número de tiempos considerados para el período de calibración y q representa el número de estaciones en la región local. p q Encontrar una variable climática L tal que satisfaga la siguiente condición: V k a 1k x i R = F(L) + donde k = 1,...., mín (p,q). Donde F(L) = L Y L representa una fracción del total de varianza de R y representa un vector de parámetros a estimar. Y denota el error del modelo. Utilizar las realizaciones históricas (rt, lt) para estimar, el período histórico que se toma denominado período de calibración. Validar el modelo ajustado con un conjunto de datos independientes denominado período de validación. i 1 y W k b jk y j j 1 las primeras combinaciones lineales (señaladas en la parte izquierda) constituyen representantes del campo predictor y las segundas constituyen representantes del grupo de las estaciones respecto a la variable precipitación o temperatura. La búsqueda del primer par de variables canónicas satisface la siguiente condición: Cor (V 1 ,W 1) = r1 es máximo, Cor indica la medida de asociación en el sentido de correlación lineal de Pearson y r1 representa dicho coefi- Aplicar el método validado a las realizaciones simuladas por un MCGA de L., así de esta forma se pueden generar escenarios de cambio climático para la variable climática R de interés. ciente de correlación y los siguientes pares de variables canónicas cumplen: Se asume que la estructura básica de la metodología es una perspectiva de análisis multivariado y no se enfatiza riables canónicas. r k r k 1 .... r1 donde k es el número de va- PABÓN et al.: ASPECTOS METODOLÓGICOS DEL MÉTODO DE REDUCCIÓN DE ESCALA También es posible determinar la correlación entre cada variable canónica (V1 y W 1) y las variables de cada campo, en particular, este resultado contribuye principalmente a determinar relaciones lineales entre la precipitación y la temperatura en las estaciones de estudio y la primera variable canónica. Por lo tanto, para posibles alteraciones de las variables predictoras simuladas por el MCGA se pueden establecer los posibles cambios en la variable precipitación en las estaciones. 2.2. 69 Patrones Canónicos Otra estrategia para la interpretación de los resultados de análisis de correlación canónica es definir los patrones canónicos así: (Storch & Zwiers, 1999): Determinar la matriz de covarianza de cada conjunto de variables. [SXX] y [Syy] Este proceso se puede sintetizar en las siguientes etapas interrelacionadas: 1. Simulación MCGA - Cambios en valores de Xi (campo predictor) 2. Ocasionan cambios en la variable canónica V i 3. Ocasionan cambios en la variable canónica W j 4. Escenario Climático - Ocasionan posibles cambios en la variable precipitación y/o temperatura Y j 2.1. Interpretación de las Variables Canónicas Se pueden señalar dos estrategias para la interpretación de las variables canónicas, la primera consiste en analizar los “pesos” ai y bi que indican la ponderación de cada variable predictora en puntos de grilla y la ponderación de cada estación meteorológica, respectivamente. Los pesos expresan la importancia de una variable meteorológica en el conjunto de variables predictoras con relación al segundo grupo que contiene la variable climática de interés en estaciones meteorológicas. Otra alternativa para la interpretación de estos pesos es que permiten establecer la contribución relativa de cada variable en la definición de la variable canónica siempre que las variables sean estandarizadas. La segunda estrategia consiste en determinar la correlación entre las variables que definen la variable canónica y la misma variable canónica; es decir, Cor(Xi, Vk), donde k = s Esto significa que se determina la correlación entre cada variable simulada por el MCGA y la(s) variable(s) canónica (s). Esta asociación refleja el grado de representación de la variable meteorológica por parte de la variable canónica. En particular, para el conjunto que contiene la información de la variable climática de interés, temperatura en superficie o precipitación mensual en estaciones meteorológicas, las correlaciones se hallan así: Cor(Yi, W k), donde k = s e indican que tanto la variable canónica representa las estaciones meteorológicas en donde se mide la variable de interés. Los patrones canónicos se definen así: fx = [SXX][a] y fy = [Syy][b] donde [a] es de dimensión (pxr*1) y corresponde al vector peso con el cual se define la k-ésima variable canónica del primer conjunto de variables y [b] es de dimensión (s*1) y representa el vector peso de la k-ésima variable canónica del segundo conjunto de variables. Los patrones del primer conjunto de variables representan una suma ponderada de covarianzas de las variables atmosféricas simuladas por el MCGA en los r puntos de grilla. Y los patrones del segundo conjunto de variables representan una suma ponderada de las covarianzas de la variable climática de interés temperatura en superficie o precipitación. Los patrones pueden visualizarse en un mapa para cada conjunto de variables y trazar las isolíneas, de esta forma se visualizan realmente patrones espaciales que están altamente correlacionados. 2.3. Análisis de Redundancia La variabilidad total del conjunto de las variables simuladas por el MCGA está representada por la matriz de covarianza [SXX], es importante señalar que esta matriz resume la información de la variabilidad temporal de cada variable en cada punto de grilla, estos valores están representados en la diagonal de la matriz y además resumen la covarianza espacial de cada variable en cada punto de grilla con las restantes variables en los puntos de grilla. A partir de las variables canónicas Vk se puede determinar que proporción de varianza o variabilidad del primer conjunto de variables, es explicado por sus variables canónicas, que se determina así: 2 R (k) x = [a]’[a] / (pxr) Para el segundo conjunto que contiene la información de la temperatura en superficie o precipitación mensual se determina la proporción de varianza de este conjunto de variables por sus variables canónicas, así: 2 R (k) y = [b]’[b] / (s) 70 METEOROLOGÍA COLOMBIANA N°4, OCTUBRE 2001 2.3.1. Coeficiente de Redundancia El coeficiente de redundancia permite relacionar la proporción de varianza de un conjunto de variables la cual puede ser explicada por una variable canónica del otro conjunto. Esto significa la capacidad predictiva que tiene una variable canónica sobre la variabilidad de un conjunto de variables, en particular, si el primer conjunto hace referencia a las variables simuladas por el MCGA, el coeficiente de redundancia permite establecer que tanto las variables canónicas contribuyen a explicar la variabilidad de la temperatura en superficie o precipitación mensual. El coeficiente de redundancia para la k-ésima variable canónica del segundo conjunto de variables (temperatura o precipitación mensual) respecto al primero (variables simuladas por el MCGA), se define así: R 2 (k) y/x = I R 2 (k) x Así, este coeficiente sintetiza la capacidad predictiva del modelo MCGA sobre la temperatura en superficie o precipitación mensual. Analizando los periodogramas se puede establecer algu2 2 nos valores ak + bk con valores más altos lo que permite establecer la siguiente relación expresada en la siguiente figura: Variabilidad espacial y temporal sintetizada mediante el coeficiente de redundancia 2 R (k) y/x = I R 2 (k) x variabilidad temporal expresada en frecuencias predominantes mediante el análisis de los valores más altos en periodograma 2 2 ak + bk Donde I corresponde al valor propio asociado a la késima variable canónica del primer conjunto de variables( variables simuladas por el MCGA). Por lo tanto, un alto coeficiente de redundancia (valores próximos a 100%) indicarían que una variable canónica de las variables simuladas por el MCGA permiten explicar la variabilidad de la temperatura en superficie o precipitación mensual. 2.4. Análisis de la Variabilidad Temporal El análisis espectral de una serie de tiempo Xt de longitud n, permite descomponer su variabilidad en diferentes escalas del tiempo, expresándola como una suma de funciones trigonométricas, así: (Storch & Zwiers, 1999). 3. ALTERNATIVAS DE TRANSFORMACIÓN DE VARIABLES Desde la perspectiva estadística y meteorológica se pueden aplicar transformaciones a las variables simuladas por el MCGA y la información de las estaciones meteorológicas antes de aplicar el Análisis de Correlación Canónica (Fig.3). La Fig.3 presenta tres alternativas para la aplicación del método de correlación canónica, en este estudio se determinó utilizar la alternativa 1, aunque se probaron las tres alternativas para una región y se seleccionó la primera, puesto que con esta metodología se obtuvo el menor valor de la raíz del error cuadrático medio (RECM). Xt = Ao + (akcos2kt / n) + (bksen2kt / n) 3.1. Transformación de las Variables en Anomalías La varianza de la serie de tiempo se puede expresar como: Var(Xt) = ½ (ak + bk ) 2 2 2 2 Al conjunto de elementos ak + bk se les denomina periodograma, este permite detectar las escalas de tiempo que sintetizan la más alta variabilidad en la serie de tiempo. Para efectos meteorológicos, presentar las variables en términos de anomalías permite determinar la distancia entre el valor climatológico y el valor del respectivo mes para precipitación o temperatura. El valor de la anomalía se define como: A Y jt 2.4.1. Relación entre el coeficiente de redundancia y el periodograma La variabilidad del conjunto conformado por la variable climática de interés temperatura o precipitación, representada por la matriz de covarianzas resume variabilidad espacial y temporal. Parte de esta variabilidad es explicada por las variables canónicas generadas a partir del conjunto de variables simuladas por el MCGA, este porcentaje como se señaló arriba es calculado mediante el coeficiente de redundancia. _ jt Donde: Y A jt , Indica la anomalía de la variable meteoroló- gica de estudio con respecto a la media climatológica del mes j. Se pueden presentar los siguientes casos: A jt 0 A jt 0 A jt 0 PABÓN et al.: ASPECTOS METODOLÓGICOS DEL MÉTODO DE REDUCCIÓN DE ESCALA 71 Análisis de Correlación Canónica 1 Variables en sus unidades absolutas 2 Variables transformadas en anomalías respecto al promedio climático del período 69-90 3 Anomalías transformadas con el proceso de media móvil de orden 13 Proceso de estandarización para cada variable con respecto a los promedios y desviación estándar del período 69-90 Correlación Canónica entre el primer par de variables canónicas e identificación de las variables que mayor contribuyen a definir el primer par de variables canónicas para el campo predictor (variables simulas por el MCGA CCM3 Análisis de Redundancia para identificar la proporción de varianza explicada por las variables canónicas del campo predictor sobre el campo de temperatura y precipitación VALIDACIÓN DE LA METODOLOGÍA CON EL PERIODO DE PRUEBA 91-98 PARA ESTIMAR A NIVEL DE LA ESTACION (Reducción de escala) Para variables en unidades absolutas y luego estandarizadas con respecto al promedio y desviación del período 69-90 Para anomalías transformadas con el proceso de Media Móvil de orden 13 y luego estandarizadas con respecto al promedio y desviación del período 69-90 Figura 3. Alternativas de aplicación del análisis de correlación canónica El primer caso (izquierda) indica que el valor de la variable del mes respectivo, supera o excede el valor del promedio climatológico de referencia; el segundo caso indica que el valor coincide aproximadamente con el valor del promedio climatológico y en el último caso, el valor de la variable meteorológica del mes respectivo es inferior o menor al valor del promedio climatológico. 3.2. Transformación de las Anomalías Mediante un Filtro de Media Móvil de Orden 13 Como se señala arriba en el último supuesto meteorológico, es importante dejar en la estructura de las variables simuladas por el MCGA y las variables de precipitación y temperatura la variabilidad de gran escala en la escala temporal, este proceso de suavizamiento de los datos 72 METEOROLOGÍA COLOMBIANA N°4, OCTUBRE 2001 permite “detectar señales climatológicas de gran escala” (Montealegre & Pabón, 1999; Soley, 2000). El proceso de Media Móvil Centrado se obtiene de la siguiente forma: k 12 Yk * 3.3. A i k i yo financiero de COLCIENCIAS y el BID, contrato COLCIENCIAS-U.N. No.391/99 y 364/2000. Forma parte de los resultados del Proyecto de Investigación apoyado por COLCIENCIAS y el BID “Proyecciones climáticas regionales e impactos socioeconómicos del cambio climático en Colombia", contrato COLCIENCIAS-U.N. No.321-98. k 1,2,...n 6 13 Señales Climatológicas y el Proceso de Media Móvil El proceso de media móvil permite dejar una señal climatológica de gran escala, para la información de una estación meteorológica -en la cual se mide una variable- se puede establecer el siguiente modelo de tipo aditivo. Yt Lt Pt S t M t Tt Et El sexto término de la parte derecha representa los errores en los datos, como instrumentales, sistemáticos y observacionales. El quinto término, representa las señales turbulentas, las variaciones en la variable pueden darse en tiempos menores a segundos hasta horas. El cuarto término, representa fenómenos de mesoescala, típicamente de una a varias horas. El tercero, representa los eventos sinópticos con una escala de tiempo de 2 a 3 semanas. El segundo, representa la periodicidad anual y el primero indica eventos de escalas mayores a un año. Con el proceso de Media Móvil se pretende climatológicamente filtrar la variabilidad representada en los cinco primeros términos y, por lo tanto, analizar la variabilidad de gran escala en el proceso de Reducción de Escala. REFERENCIAS BIBLIOGRÁFICAS Cavazos, T. 1997: Downscaling large-scale circulation to local weather rainfall in north-eastern Mexico. Int. Journal Climatol., 17:1069-1082. Cressie, N. 1993: Statistics for Spatial Data, John Wiley & Sons, Inc, New York. Guerrero, V. 1989: Análisis estadístico de series de tiempo económicas. 307pp. Univ. Auton. Metrop. Iztapa, Mexico. Huth, R. 1999: Statistical Downscaling in Central Europe: evaluation of methods and potential predictors, Climate Research, 13. Montealegre, J. & J. Pabón. 2000: Modelamiento de las relaciones existentes entre los procesos de interacción océano-atmósfera del océano Pacífico y el océano Atlántico Tropical Norte y Sur y la variabilidad interanual de la precipitación en Colombia. Meteorol Colomb (1):1124.Universidad Nacional de Colombia. Bogotá D.C. Soley, J. 2000: Características de las señales climatológicas programa en maestría en ciencias atmosféricas y oceánicas Costa Rica. Storch, H. & F. Zwiers. 1999: Statistical Analysis in Climate Research, Cambridge University Press, United Kingdom, 488 pp. Agradecimientos Trabajo realizado dentro del marco del Grupo de Investigaciones en Meteorología - U.N., que cuenta con el apo- Fecha de recepción: Fecha de aceptación: 1 de marzo de 2001 19 de abril de 2001