Modelo Bioclimático

Modelo Bioclimático
CRÉDITOS
Sra. Msg. Lorena Tapia Nuñez
Ministra del Ambiente

Elaboración:
Pablo Melo
Ximena Herrera
Raúl Galeas

Colaboradores:
Andrea Bustos - Ministerio del Ambiente (MAE)
Wouter Buytaer - Imperial College of London
Oscar Chimborazo - Instituto Nacional de Meteorología e Hidrología (INAMHI)
Bolívar Erazo - Instituto Nacional de Meteorología e Hidrología (INAMHI)
Silvana Guitarra - Instituto Nacional de Meteorología e Hidrología (INAMHI)

Revisión técnica:
Raúl Galeas
Coordinador Proyecto Mapa de Vegetación.

Diseño y Diagramación:
Andrés Baroja

Fotos:
Archivo MAE

Quito 2013

Modelo Bioclimático
 CONTENIDO
1. ANTECEDENTE…………………...................………………………………………………………….7
2. INTRODUCCIÓN………….................………………………………………………………….………....8

3. BASE CONCEPTUAL……………….............……………………………......……….................…9
3.1 Bioclima e índices bioclimáticos...........…............…....……………………………………….…9
3.2 Métodos de interpolación geoestadistica (kriging cokriging)……….................……..…….11
3.3 Métodos de relleno de información hidrometeorológica……………...........……..….....….12

4. METODOLOGIA………..….........…………............................................................................…14
4.1 Recopilación y revisión de información……………........…………………...........................14
4.1.1 Información disponible……………………………............……………..…………......………14
4.2 Características de l a información............…………..........……………………………………...15
4.3 Comparación de información…...…….…………….….............………………………...…...19
4.4 Vacios de información climática….....................…….............……………………………...22
4.5 Revisión y validación de información climática previo a la modelización….......……23
4.5.1 Precipitación…...........................................................................................................……23
4.5.2 Temperatura…...........................................................................................................……25
4.6 Modelamiento de datos pluviométricos y temperatura..................................................26
4.6.1 Precipitación…...........................................................................................................……26
4.6.2 Temperatura…...........................................................................................................……27

5. RESULTADOS....………………………….……..............................…………..…………………….28
5.1 Construcción de la capa del Índice ombrotérmico (Iod) – Capa de ombrotipos......28
5.2 Construcción de la capa del Índice de termicidad - Capa de termotipos...............3 1
5.3 Construcción de la capa de Bioclima….................................……………………………...33

6. VALIDACIÓN Y CALIBRACIÓN…...…................................................………………………….35
7. CONCLUSIONES Y RECOMENDACIONES.........………….................……………........…........37
8. REFERENCIAS BIBLIOGRÁFICAS………..............................................…............……………….39
9. ANEXOS………..................................................................................................................……41

Modelo Bioclimático
MODELO BIOCLIMÁTICO
DEL ECUADOR CONTINENTAL
PARA LA REPRESENTACIÓN CARTOGRÁFICA
DE ECOSISTEMAS DEL ECUADOR CONTINENTAL.

Modelo Bioclimático 6
1. Antecedentes

E
l Gobierno del Ecuador en su impulso por fortalecer las actividades relacionadas a
una mejor planificación, acceso y uso de los recursos naturales ha impulsado una
serie de políticas, programas y proyectos que el Ministerio del Ambiente del Ecuador
(MAE), ha venido desarrollando. Entre los principales proyectos de inversión pública que
el MAE ejecuta, se encuentra el desarrollo del Mapa de Vegetación y Uso de la Tierra del
Ecuador Continental desde inicios del año 2010, cuyo objetivo está orientado a disponer
de información espacial actualizada de los ecosistemas, su remanencia, su nivel de
representatividad en el Sistema Nacional de Áreas Protegidas, además de proveer una
identificación de áreas prioritarias para conservación y restauración.

Adicionalmente, este Proyecto contribuye a sentar las bases para la estructuración de un

sistema de monitoreo ambiental a futuro que permita identificar trayectorias de cambio de
las coberturas de la tierra y analizar el impacto de las políticas nacionales de ordenamiento
del territorio sobre el capital natural. Se espera que la construcción del Mapa de Vegetación
del Ecuador apoye a su vez procesos de documentación y reporte respecto del estado de
la biodiversidad del Ecuador en el marco de los tratados y convenios internacionales de los
cuales el país es miembro activo.

Desde inicios del 2010, en el marco del proyecto, se desarrolló la propuesta metodológica
para la construcción del mapa de ecosistemas la cual incorpora un modelo de
representación cartográfica de los ecosistemas. En ese modelo se identifican una serie de
variables diagnósticas que permitan mapear e inferir la ocurrencia de los ecosistemas. Entre
las variables diagnósticas priorizadas se incluye un conjunto de variables bioclimáticas que
se construyen a partir de datos mensuales de temperatura (promedio, máximas y mínimas),
la precipitación total anual, y su variación mensual o estacional.

Desde esa perspectiva la construcción de un modelo bioclimático para el Ecuador

continental resulta de una importancia primordial, en un territorio donde su biodiversidad
está estrechamente ligada en gran parte a la variación climática y a su biogeografía. Por
tal razón y a sabiendas que este insumo es un aporte científico de gran valía no solamente
para el proyecto Mapa de vegetación, si no de múltiples instituciones tanto a nivel público
como privado, se ha insistido en el esfuerzo de realizar el modelo con el apoyo de distintas
instituciones entre las que se destacan el Instituto Nacional de Meteorología e Hidrología
(INAMHI), el Consorcio para Desarrollo Sostenible de la Ecorregión Andina (CONDESAN),
entre otros participantes, de tal manera que otorguen al proceso una validez técnico-
científica sólida.

Modelo Bioclimático 7
2. Introducción

L
a caracterización del clima en el Ecuador es sumamente compleja (Pourrout et al, 1994),
donde la interacción de su posicionamiento , la influencia de la cordillera de los Andes
y su cercanía al Océano Pacífico determinan un conjunto de variables que afectan las
condiciones climáticas generales del país a escala local y de paisaje.

Se identifican tres grandes regiones naturales en el Ecuador Continental: Región Litoral,

Andes y Amazonía, las cuales tienen características muy particulares y que se estructuran
a partir de la existencia de la Cordillera de los Andes. De alguna manera este accidente
geográfico marca la pauta de una primera aproximación a la distribución de las lluvias y de
la temperatura en el Ecuador.

Al encontrarse el Ecuador en la zona ecuatorial, es afectado también por sistemas

atmosféricos de Baja Presión como la Zona de Convergencia Intertropical, los disturbios de
la cuenca Occidental de la Amazonía y la denominada Vaguada del Perú, elementos que
influyen directamente en el régimen de las precipitaciones en la época lluviosa; así también,
influyen en el período seco los sistemas regionales de Alta Presión Atmosférica como el Alta
del Pacífico Sur, la dorsal del Alta del Caribe y la incidencia del Alta troposférica de Bolivia.
Por esta razón, el régimen pluviométrico y térmico de las regiones naturales del Ecuador se
caracterizan por la ocurrencia temporal de estos sistemas atmosféricos (INAMHI, 2011).

Así también, la gama de los módulos anuales de lluvia es extensa, puesto que varía de
menos de 150 mm a más de 6.000 mm. La región Amazonía y el Noroeste de la provincia
de Esmeraldas son las zonas de mayor pluviosidad. (Pourrout et al, 1994). En ese contexto,
la temperatura, la precipitación total anual, y la variación mensual o estacional de ambas
variables, son factores que definen en un grado elevado la distribución de los ecosistemas.

Dentro de la perspectiva del proyecto, el concepto que más se ajusta para modelo
bioclimático, es el de aquel modelo que intenta espacializar cada uno de los tipos de clima
que se distinguen atendiendo al complejo de factores climáticos que afectan al desarrollo
de los seres vivos.

En este caso, la utilización de un modelo que permita la caracterización del clima se facilita
considerablemente al utilizar índices bioclimáticos, ya que estos proveen escalas continuas
con las cuales es posible inferir la significancia biológica, principalmente en la actividad
fotosintética de las plantas, y por tanto conocer la ocurrencia de los ecosistemas.

Modelo Bioclimático 8
3. Base Conceptual

3.1 Bioclima e índices bioclimáticos

La Bioclimatología se entiende como el titución, permiten que puedan registrar-

estudio de la o las relaciones existentes se los límites bioclimáticos y vegetacio-
entre los factores climáticos y la distribu- nales de manera más objetiva y precisa
ción de los seres vivos en la Tierra. Esta (Rivas-Martínez 2004). Así, reconocidos
ciencia se estructuró en base a relacionar y espacializados los límites de las series y
los valores numéricos del clima (tempera- macroseries de vegetación, los valores
tura y precipitación) con las zonas de dis- numéricos umbrales que las diferencian
tribución de las plantas y de sus formacio- se pueden calcular de forma estadística.
nes vegetales, para añadir más adelante
información de las biogeocenosis (Rivas- En tal virtud, la manera más confiable
Martínez, 2004). de identificar de forma cuantitativa la in-
fluencia del clima respecto de la vegeta-
Se dispone de una serie no tan extensa ción y su distribución , se realiza median-
de clasificaciones bioclimáticas, entre las te el cálculo de índices bioclimáticos, los
que se destacan las de Köppen (1918, mismos que pretenden indicar de forma
1931), Thornthwaite (1931, 1933), Gaussen explícita las distintas relaciones entre las
(1954, 1955), Troll & Paffen (1964), Holdrid- variables climáticas claves a ser conside-
ge (1967) y Walter (1970, 1976), aunque radas, tales como: la Precipitación y la
todas ellas mayormente aceptadas, mu- Temperatura.
chas adolecen de no reflejar una respues-
ta adecuada a situaciones que acaecen Por las razones expuestas, el modelo de
en nuestro territorio, ya que no conside- clasificación bioclimática que se utilizó
ran las variaciones altitudinales de la ter- para el efecto, constituye el trabajo rea-
micidad que ocurren en las zonas de alta lizado por Rivas Martínez; el cual resuelve
montaña. en gran parte las deficiencias presenta-
das por los otros sistemas de clasificación,
Bajo esta perspectiva, el conocer la dis- principalmente por que ha demostrado
tribución de la vegetación sobre la Tierra tener una elevada correlación entre el
de forma detallada, así como las varia- clima y vegetación, y por que su principal
ciones causadas por factores climáticos, fortaleza es que logra un valor predictivo
edáficos, geográficos y antrópicos, en el para cualquier zona, ya sea conociendo
aspecto y composición de la vegetación solo los datos del clima, o solo los tipos de
potencial natural y de sus etapas de sus- vegetación.

Modelo Bioclimático 9
En el sistema de clasificación bioclimática del día y de la noche varían poco a
propuesto por Rivas Martínez, el binomio lo largo del año, el clima y la vegeta-
clima-vegetación se estudia y divide de ción existentes a cualquier altitud con
manera jerárquica, comenzando con el independencia de la temperatura se
Macrobioclima que se refiere al conjunto considera tropical.
de factores climáticos (temperatura, pre-
cipitación y radiación solar) que influyen • El ritmo anual o variación de las pre-
a escala continental o global sobre las cipitaciones a lo largo del año tiene
comunidades de especies-individuos. La tanta o más trascendencia en la com-
siguiente unidad subordinada se conoce posición y distribución de las comuni-
como Bioclima que hace referencia a la dades vegetales que la cuantía de las
interrelación entre temperatura, precipi- mismas.
tación, evaporación a escalas regionales • Es totalmente evidente que las mon-
y su correspondencia con diferentes tipos tañas situadas entre los trópicos po-
de vegetación. Las unidades básicas de seen un ritmo solar anual equinoccial,
este sistema son los Ombrotipos y Termo- es decir prácticamente los días duran
tipos que suceden en una cliserie latitu- casi el mismo tiempo que las noches.
dinal o altitudinal, a escala de paisaje o En consecuencia, el ritmo diario de
local y relacionan la precipitación y tem- temperaturas en las altas montañas
peratura a una determinada comunidad tropicales se ajusta a lo largo del año
vegetal. a un casi continuo ritmo de fuertes he-
ladas nocturnas y elevadas tempera-
La propuesta de Rivas Martínez es de apli- turas diurnas, lo que conlleva a una
cación global y para adaptarlos a nuestro alternancia diaria de hielo/deshielo
país, se deben cumplir con los siguientes (crioturbación).
razonamientos en los que se fundamenta:
Por lo tanto se puede concluir que todo el
• Debe existir una ajustada y recíproca territorio continental ecuatoriano se clasi-
relación entre el clima, la vegetación fica como un Macrobioclima Tropical.
y los territorios geográficos, es decir,
entre los bioclimas, las series de vege- El modelo bioclimático (Rivas-Martínez)
tación y las unidades biogeográficas. a ser utilizado, tiene una serie de índices,
pero se utilizaron aquellos que proporcio-
• Entre los paralelos 23º N y S, (ubicación nan los suficientes criterios para poder
del Ecuador en su totalidad), en ra- determinar y caracterizar los ecosistemas
zón de que la radiación solar es prác- que ocurren en el Ecuador. Los mismos se
ticamente cenital y que la duración describen a continuación:

Modelo Bioclimático 10
Tabla 1. Principales índices bioclimáticos utilizados para la Z medidos en una muestra de puntos si-
construcción delmodelo
tuados en el mismo área de estudio (Mitas
– Mitasova, 1999). En algunos casos pue-
den utilizarse otras variables de apoyo de
las que se conoce su variación espacial
en el proceso de interpolación/extrapola-
ción (en el caso de la interpolación de la
temperatura puede ser la altitud ya que
aquella depende de esta). El área de es-
tudio vendría definida, aunque no de for-
ma muy clara, por el entorno de los pun-
tos en los que sí se dispone de datos.

Debe entenderse entonces que todos los

métodos de interpolación se basan en
la presunción lógica de que cuanto más
cercanos estén dos puntos sobre la su-
perficie terrestre, los valores de cualquier
variable cuantitativa que midamos en
ellos serán más parecidos, para expresar-
En función de los resultados de los cál- lo más técnicamente, las variables espa-
culos previamente establecidos para los ciales muestran autocorrelación espacial.
índices escogidos, el sistema distingue in- (Burrough, P. 2000)
tervalos dentro de cada Macrobioclima,
bioclima, ombrotipos y termotipos. Se ha La realización del modelo de distribución
tomado en cuenta para el ejercicio, los de precipitación implica generar a partir
intervalos propuestos por Navarro y Mal- de datos discretos información de carác-
donado (2002) en su publicación “Geo- ter continua que represente de la manera
grafía Ecológica de Bolivia”, el mismo que más fiable dicha distribución. La calidad
propone una clasificación de intervalos de la modelación dependerá, en gran
previa para su representación. medida de una adecuada calidad de
datos y una distribución homogénea de
los mismos, así como que se asuma que
3.2 Métodos de interpolación se pueden integrar otros factores que
geoestadística (Kriging – Cokriging) podrían incidir en la distribución de la va-
riable a modelar. Para el caso de la pre-
El proceso de interpolación espacial con- cipitación uno de los métodos más acon-
siste en la estimación de los valores que sejables es el de Cokriging, el mismo que
alcanza una variable Z en un conjunto de permite establecer o limitar el análisis de
puntos definidos por un par de coorde- distribución a capas de información pa-
nadas (X,Y), partiendo de los valores de ralelas, tales como el relieve.

Modelo Bioclimático 11
La palabra kriging (expresión anglosajo- Método de regresión lineal, regresión múl-
na) procede del nombre del geólogo su- tiple: éstas pueden ser utilizadas en aque-
dafricano D. G. Krige, cuyos trabajos en la llos lugares donde se cuenta con una red
predicción de reservas de oro, realizados de estaciones bastante cercanas y que
en la década del cincuenta, suelen con- posean condiciones similares, y cuyo pe-
siderarse como pioneros en los métodos riodo de registro sea similar.
de interpolación espacial. Kriging encie-
rra un conjunto de métodos de predic- Método de la razón q (Barger, 1960, WMO
ción espacial que se fundamentan en la 1966 y WMO 1983): se basa en el hecho
minimización del error cuadrático medio de que para pares de estaciones, la ra-
de predicción (Giraldo R, 2002). El mo- zón entre sus valores mensuales, anuales
delo es muy flexible y permite profundi- o medios, tiende a ser constante. Según
zar en los análisis de los gráficos de auto este método, si se tienen dos estaciones
correlación espacial. Kriging utiliza mode- (A y B), se requiere determinar q de la si-
los estadísticos que permiten una serie de
guiente manera:
mapas resultantes que incluyen la espa-
cialización de las predicciones, y de los
errores estándar de predicción, etc. La
flexibilidad del Kriging puede requerir del
manejo de una serie de parámetros. Para
la utilización de dicho modelo se asume
que la información proviene de un proce-
so estocástico estacionario, además de
caracterizarse por una distribución nor-
mal.
Método de la razón normal: este proce-
dimiento estima cantidades de lluvia con
3.3 Métodos de relleno de informa- base en tres estaciones cercanas y unifor-
ción hidrometeorológica. memente espaciadas con respecto a la
estación en estudio (Paulhus and Kkohler,
Tomando en cuenta la necesidad de 1952). La flexibilidad de este método per-
contar con información homogénea en mite trabajar incluso hasta con dos esta-
cuanto a parámetros hidrometerológi- ciones cercanas únicamente.
cos existen algunos métodos de relleno
que pueden aplicarse, y que en el caso Método del vector regional: el Vector Re-
del Ecuador son totalmente válidos de
gional es, ante todo, un método de crítica
acuerdo a los fines que se persiguen, al
de datos (y accesoriamente de reconsti-
conjunto de datos y la distribución de las
estaciones. Es así que se utilizaron algunos tución de datos faltantes), elaborado en
métodos de los cuales se pueden men- el ORSTOM-IRD en los años setenta, con el
cionar los siguientes: objeto de homogenizar los datos pluvio-

Modelo Bioclimático 12
métricos. Sin embargo, nada se opone a
utilizar este método para otros datos que
no sean lluvias, con tal que éstos sean re-
lativamente independientes entre sí de
un año a otro, y que sean seudo-propor-
cionales. Esta última condición significa
que los datos de las diferentes estaciones
deben variar en el mismo sentido y en
proporciones casi idénticas, con variacio-
nes ligeras debidas al ruido de fondo. Es
generalmente el caso para estaciones de
una zona que no sea demasiado extendi-
da, sometida al mismo comportamiento
climático.

El método del Vector Regional consiste

en elaborar, a partir del conjunto de la
información disponible, una especie de
estación ficticia que sea representativa
de toda la zona de estudio. Para cada
estación se calcula un promedio exten-
dido sobre todo el período de estudio, y
para cada año, se calcula un índice que
será superior a 1 cuando el año es exce-
dentario, e inferior a 1 cuando el año es
deficitario. A esta serie de índices anuales
se le llama Vector Regional, ya que toma
en cuenta la información de una región
que se supone es climáticamente ho-
mogénea. Este método también puede
aplicarse a datos mensuales, tratando se-
paradamente cada uno de los meses del
año como si se tratara de un valor anual.

Modelo Bioclimático 13
4. Metodología

El objetivo principal de esta sección es 4.1 Recopilación y revisión de infor-

presentar los procesos que se ejecutaron mación
para desarrollar en modelo bioclimático
del Ecuador continental y los métodos Información disponible
estadísticos necesarios para generar las De la información recopilada y/o ges-
capas de información e índices bioclimá- tionada a través de los mecanismos de
ticos. coordinación, previamente establecidos
de instituciones públicas, se lograron ob-
El esquema metodológico de trabajo se tener:
puede observar en la siguiente figura:
• 2 modelos de distribución de precipi-
tación para su análisis, el uno corres-
pondiente al que se encuentra de
manera gratuita y se accede a través
de la página de internet del Worldclim
(www.Worldclim.org). Un segundo
modelo de distribución de la precipi-
tación realizado por técnicos del INA-
MHI. Más adelante se describen las
características técnicas de los méto-
dos y series de datos de cada uno de
estos insumos.

• Por otra parte del parte del INAMHI se

obtuvo además del modelo de preci-
pitación, la información alfanumérica
de las estaciones, en las cuales se indi-
can los valores medios anuales corres-
pondientes a cada estación, además
de especificar las coordenadas geo-
gráficas para su ubicación.
Figura 1. Esquema metodológico del modelo bioclimático
del Ecuador continental

Modelo Bioclimático 14
 4.2 Características de la información disponible del Worldclim

El Worldclim es un conjunto de capas de las estaciones. Errores con respecto a la

información temática en formato raster elevación también se reportaron como
con una resolución de 1 km, especial- negativos en altas latitudes y como positi-
mente diseñado para su tratamiento a vos en la franja tropical. La incertidumbre
través de sistemas de información geo- también fue mayor en zonas montañosas
gráfica u otros programas de modela- y lógicamente en zonas poco muestrea-
miento. La base de datos que se utilizó en das o sin información.
la construcción de este modelamiento, se
documentó en relación al artículo de Hi- A continuación se presenta la distribución
jmans, R.J., S.E. Cameron, J.L. Parra, P.G. y la de estaciones usadas en el Worldclim.
Jones and A. Jarvis, 2005. Very high re-
solution interpolated climate surfaces for
global land areas. International Journal of
Climatology 25: 1965-1978.

El desarrollo de este modelamiento inclu-

yó a toda la superficie terrestre del Ecua-
dor continental, excluyendo la Antártida,
con una resolución aproximada de 1 km.
Los elementos climáticos considerados
son:

• Precipitación media mensual

• Temperatura mínima, máxima y media
•
Los archivos de entrada para el modela-
miento fueron obtenidos de una varie-
dad de fuentes, y donde fuera posible
restringiendo su período aquellos regis-
tros entre 1950 – 2000. Se utilizo el Algorit-
mo “Thin-plate smoothing spline” que se
encuentra implementado en el software
ANUSPLIN, utilizando latitud, longitud, y
elevación como variables independien-
tes. La incertidumbre del modelo deviene
de la utilización de los datos fuente y de
la interpolación establecida a partir de Figura. 2. Ubicación de las estaciones meteorológicas: A)
la densidad de las estaciones meteoro- Precipitación: 47554 estaciones; B) Temperatura media
24542 estaciones; C) Temperatura máx. y min. 14930
lógicas, así como el reporte de altura de estaciones1.

1. Fuente: Hijmans et al, 2005

Modelo Bioclimático 15
 El formato de presentación de los datos • Cabe anotar que la incertidumbre
es a manera de raster, cuyo sistema de fue proporcional al incremento de al-
referencia de coordenadas es WGS 84 tura, por lo tanto, se esperó que en la
(Lat. /Long); se presenta en 4 resoluciones región del callejón interandino y ver-
espaciales (Figura 3) a 30 arc seg. (Aprox tientes de la cordillera la información
1 km2), 2.5, 5 y 10 min. La información ori- sea subestimada.
ginal usada en el modelamiento se en-
cuentra a 30 arc seg.

Los formatos del archivo se presentan tam-

bién en 2 extensiones: ESRI GRID, Generic
GRID (*. BIL). El formato utilizado para el
análisis de la información corresponde al
ESRI GRID de 30 seg de resolución.

Previo al análisis de la información que re-

porta el Worldclim, se realizó un extracto
de la misma correspondiente al Ecuador
continental (Ver Figura 4), en el cual se
pudieron distinguir algunas observacio-
nes:
Figura 3. A) Temperatura media anual y D) Precipitación
media anual, B) y E) corresponde a un acercamiento a la zona
• La distribución de la precipitación sudeste de Bhutan con una resolución espacial de 1 km aprox.
se observó bastante homogénea en C) y F) a una resolución espacial de 18 km aprox.2
toda la región interandina, y en efec-
to evidenció los núcleos históricos de
precipitación (Cuenca del Esmeraldas
en la vertiente pacífica, y Cuenca alta
del Napo - Cuenca media del Pasta-
za).

• También fue característico de este mo-

delo de precipitación, su congruencia
con el Modelo Numérico del Terreno
(SRTM) sobre todo en las vertientes, en
la región interandina y en las cordille-
ras amazónicas y costeras.

• En cuanto a los valores de precipita-

ción que arrojó, vemos que el máximo
valor de precipitación fue de 5100 mm
aproximadamente, registrándose pre-
cisamente en el sector de la cuenca
media del Pastaza (Entre el Puyo y el
Tena); mientras que el valor más bajo
arrojado por el modelo fue de 104 mm
ubicado en Santa Elena. Figura 4. Modelo de precipitación3

2. Fuente: Hijmans et al, 2005

3. Fuente: Worldclim.org versión 1.4

Modelo Bioclimático 16
 Información climática INAMHI
El Instituto Nacional de Meteorología e Hi- temporal es mensual, y que sin embargo
drología (INAMHI), a través del Subproce- se menciona al período referencial 1971 –
so de Estudios e Investigaciones Meteoro- 2000; esto no quiere decir que necesaria-
lógicas y con ayuda técnica del Centro mente se tengan 30 años de información
de Modelamiento de la Universidad de para cada una de las estaciones toma-
Zulia, han generado una aplicación para das en cuenta para el análisis.
operar, graficar y completar información
meteorológica histórica para todo el país,
en el período 1971 a 2000 (Figura 5).

La aplicación del mismo, que se encuen-

tra en fase de experimentación, permitió
obtener el primer producto “Valores cli-
matológicos mensuales de precipitacio-
nes para todo el Ecuador y sus prome-
dios”, en este período, de acuerdo con
información obtenida en 170 estaciones
meteorológicas y pluviométricas.

Así mismo, estos análisis automatizados en Figura 5. Promedios de datos de precipitaciones 1971-2000/ Meses:
ene/feb./marzo y abril 4
software libre (GRADS 1.9), en su fase aún
experimental, también determinaron “El
promedio general de temperatura”, entre
los años 1971-2000, con información pro-
veniente de 41 estaciones meteorológi-
cas. Para realizar este estudio se utilizaron
los datos de estaciones meteorológicas
del INAMHI y la metodología  denomina-
da “Análisis Objetivo de Cressman”, que
se usa en varios países de la región y es
reconocida por la Organización Meteoro-
lógica Mundial (OMM) como un método
estándar (Figura 6).

Se mencionó además que el nivel de Figura 6. Promedio general, datos de temperaturas máximas absolutas
desagregación de la información a nivel 1971- 20005

4. Fuente: INAMHI – Bol. Prensa 109 – Junio 2010.

5. Fuente: INAMHI – Bol. Prensa 109 – Junio 2010.

Modelo Bioclimático 17
Datos alfanuméricos – Base de datos
precipitación.
De igual manera, se obtuvo la informa-
ción pluviométrica a nivel mensual para
las 170 estaciones, las cuales como se in-
dicó corresponden al periodo 1971 – 2000,
cada una además cuenta con los datos
de latitud y longitud para su utilización
y representación a través de un sistema
de información geográfica, o programas
similares que permitan el modelamiento
de dichas variables.– 2000; esto no quiere
decir que necesariamente se tengan 30
años de información para cada una de
las estaciones tomadas en cuenta para el
análisis.

Modelo de distribución de la precipi-

tación – Data INAMHI
A partir de los datos de precipitación de
la base de datos INAMHI se generó de
manera interna dentro del proyecto un
modelo de distribución de precipitación
utilizando el método de interpolación de
Kriging ordinario, el cual presentó la virtud
de manejar un número de parámetros
amplio con el fin de optimizar y ajustar el
modelo según la distribución de los datos.

El software utilizado fue ArcGis v 9.3 a

través de la herramienta Geostatistical
Analyst, cuyo potencial radica en tener Figura 7. Modelo de distribución de precipitación utilizando el
método de interpolación de Kriging ordinario
los algoritmos adecuados para generar el
modelo según el método de Kriging ordi-
nario.

Los resultados obtenidos se presentan a

continuación:

Modelo Bioclimático 18
4.3 Comparación de información

En razón de observar las diferencias y evaluar

los resultados obtenidos de cada modelo, se
realizó una comparación de la información
en función del análisis de 543 puntos, distri-
buidos de forma aleatoria en toda la exten-
sión de la capa de información restringida al
Ecuador continental (Figura 8).

De cada uno de los 543 puntos aleatorios

establecidos, se extrajeron los valores de
precipitación de cada uno de los raster
producto de cada uno de los modelos
obtenidos, a) INAMHI Kriging b) Worldclim.
Con los datos extraídos para cada uno de
los puntos definidos, se realizó una compa-
ración en una matriz pareada que vinculó
los datos de cada uno de los modelos y se
representaron en un gráfico que muestra
Figura 8. Puntos aleatorios utilizados en la comparación de la
las diferencias encontradas. precipitación de ambos modelos

Figura 9. Valores contrastados de precipitación, a partir de los 543 puntos aleatorios

Modelo Bioclimático 19
19
Las diferencias encontradas correspon- Figura 10), se presentaron al menos 3 secto-
dieron tanto en su distribución espacial, así res conflictivos, los cuales se encuentran de
como en los valores medios (Ver Figura 9). manera particular en las estribaciones de
De hecho los valores que arrojó el mode- la cordillera, en los dos primeros casos en la
lo de Worldclim fueron en términos genera- vertiente de la cordillera occidental en su
les, ligeramente subestimados en relación a extremo norte, mientras que en el cordillera
los datos que registra de forma histórica las oriental en el extremo sur, colindando con
estaciones del INAMHI (Tabla 2), Sin embar- las estribaciones de las cordilleras del Cón-
go existen sectores que reflejaron valores o dor Kutukú.
módulos de precipitación mucho más altos,
como por ejemplo en la cuenca del Esme-
Tabla 2. Valores de precipitación obtenidos de los modelos de
raldas, en el sector de Pto. Quito. Worldclim y de los datos INAMHI

En cuanto a la distribución espacial, cabe

mencionar que existió una buena corres-
pondencia entre ambos modelos. Sin em-
bargo existieron sectores que generaron
conflicto en la distribución de las lluvias (Ver

Figura 10. Zonas de incertidumbre respecto de los valores de precipitación.

Modelo Bioclimático 20
De hecho parte del análisis también tomó
en cuenta, ver las diferencias a nivel espa-
cial. Es decir saber donde se han refleja-
do en una capa de información continua
aquellos lugares donde se evidenciaron
excesos o decrementos de los valores de
precipitación. Para tal efecto se realizó
un análisis que permitió “dividir” los valo-
res de las capas raster de ambos modelos
y así generar una tercer capa que mostró
los cambios existentes (Ver Figura 11).

El área en negro (0) mostró las zonas don-

de los valores de precipitación entre am-
bos modelos son prácticamente similares.
Las zonas en azul mostraron una variación
positiva en el rango de 1 a 2, es decir el
cambio fue mínimo sin llegar a ser ne-
cesariamente el doble de los valores de
precipitación entre los datos INAMHI y los
datos de Worldclim, (debe tomarse en
Figura 11. Zonas de anomalías respecto del modelo INAMHI
cuenta que los valores de Worldclim son – Worldclim
subestimados).

En el caso de las áreas sombreadas con

color verde corresponden a zonas donde
la variación positiva (precipitación) a fa-
vor del modelo de INAMHI fue de 2 a 3
veces mayor. Las áreas de color amarillo
mostraron variaciones de 3 a 4 veces más,
mientras que las áreas de color naranja
mostraron variaciones positivas de 4 a 5
veces, es decir pueden existir incrementos
del 500% de precipitación según los datos
del INAMHI, en comparación con la infor-
mación obtenida de Worldclim. Como se
observa las mayores diferencias se regis-
traron en la zona de la península de Sta.
Elena.

Modelo Bioclimático 21
21
4.4 Vacíos de información climática

Se ha evidenciado en términos generales

que existen diferencias en el modelamien-
to de INAMHI y Worldclim, y más aun que
existe mucha incertidumbre en ciertas zo-
nas del país respecto a la fidelidad de la
representación climática. Esto ocurrió en
gran parte por una distribución irregular
de las estaciones que guardan una se-
rie de datos considerable, en términos de
tiempo y en calidad de información.

Por tal razón, se hizo evidente realizar una

evaluación de la representatividad espa-
cial de las estaciones con el fin de identi-
ficar aquellas áreas que no tuvieran una
representación climática adecuada a
priori y lo que permitió identificar aquellos
lugares donde eventualmente se pudie-
ron “rescatar” estaciones con serie de da-
tos; aunque menores en tiempo, previo a
una evaluación de la calidad de informa-
ción, que dieron una aproximación a las
condiciones climáticas de las zonas con
vacíos de información. Figura 12. Estaciones meteorológicas y su áreas de
cobertura (170 estaciones – precipitación)

En la Figura 12., se muestra la distribución mente podrían considerarse para incre-

de las estaciones meteorológicas con las mentar el número de estaciones en aque-
cuales se realizó el modelo. Se muestra llas áreas donde no haya información de
a su vez las áreas que carecerían de una la serie 70 – 2000, con el fin de mejorar y
adecuada caracterización climática, de- afinar el modelo en aquellas áreas con
bido a la ausencia de estaciones que ten- vacios. En principio se sugirió contar con
gan una adecuada serie de datos o que toda la base de estaciones meteoroló-
en definitiva nunca ha existido una esta- gicas con las que cuenta el INAMHI, es
ción en el sector. decir más de 1000 estaciones, y en base
a esto, discriminar y seleccionar aquellas
En este sentido, fue relevante hacer un que se encuentren en las áreas con va-
análisis de las estaciones que eventual- cío.(Figura 13.).

Modelo Bioclimático 22
 estaciones inicialmente analizadas se ex-
trajeron aquellas que tuvieran datos sufi-
cientes para realizar un análisis más pro-
fundo es decir , tengan series de datos
mayores a 10 años al menos y que tengan
una representatividad espacial significati-
va, es decir fueron prioritarias aquellas en
las cuales no se tenía una estación en un
área donde no existía estación cercana
alguna y se obviaron aquellas que esta-
ban muy cercanas o en muchos casos
prácticamente estaban en el mismo lu-
gar. De este proceso se logró recuperar
cerca de 346 estaciones de las cuales se
realizó un filtro mucho más estricto sobre
todo en la serie temporal de datos; cabe
recalcar, que si bien es cierto que mu-
chas estaciones al menos tenían más de
5 años de información eran registros que
Figura 13. Estaciones Meteorológicas de la Red del INAMHI, no eran congruentes o fieles a la canti-
a ser consideradas para la evaluación de ubicación y dad de datos que reposaban en la Base
calidad de información
de datos, es decir muchos tenían registros
de 0 o de “no data” y sin embrago se to-
De dichas estaciones, se realizó un segun-
maba como registro y alteraba la supues-
do filtro para obtener aquellas con las que ta cantidad de información existente. Así
se cuente con una serie de datos acepta- mismo existían problemas con respecto a
ble (es decir mayor de 10 años), y que no errores de digitación e ingreso de datos
se vean afectadas por eventos hidrome- en la BDD.
terológicos extremos (i.e Eventos Niño),
ya que esto produciría involucrar “ruido” Otro factor adicional a la serie temporal
al modelo, y sobreestimaría los datos de de datos para la discriminación de esta-
precipitación en particular. ciones meteorológicas, consistió en elimi-
nar aquellas estaciones que registraron
4.5 Revisión y validación de in- datos excepcionales correspondientes a
formación climática previo a la eventos hidrometeorológicos extremos,
como por ejemplo eventos ENSO (El Niño
modelización
Southern Oscilation) particularmente en
4.5.1 Precipitación la costa ecuatoriana y ciertas estaciones
Del proceso de revisión de las estacio- de la vertiente pacífica. Para la identifi-
nes de la red meteorológica total pro- cación de aquellos período se basó en
porcionada por el INAMHI, cerca de 846 los estudios de Vera et al, 2009, donde se

Modelo Bioclimático 23
23
identifican claramente los períodos ENSO realizaron los modelos de distribución, ob-
de mediana a gran intensidad. viamente incorporando otras covariables
(elevación, precipitación Worldclim) que
Para el relleno de información fueron uti- ayudaron a mejorar la distribución de la
lizados los distintos métodos que se esta- precipitación. Se obtuvieron finalmente
blecen en el marco conceptual, como un total de 377 estaciones (Ver Anexo 1).
son los de regresión lineal y múltiple, mé-
todo de la razón, y además el método de En el 2012, luego de realizar las salidas de
vector regional que se incluye dentro del validación tanto del modelo bioclimático
Software Hydraccess. Cabe mencionar como de ecosistemas, se identificaron zo-
que la estructuración de la BDD pluvio- nas en las que el índice ombrotérmico no
métrica se la realizó a través de Hydrac- reflejaba de manera correcta la relación
ces, el cual es un software completo, ho- vegetación-clima, por lo que se añadie-
mogéneo y de fácil manejo, que permite ron 12 estaciones de INHAMI que pese
importar y guardar varios tipos de datos a no haber pasado el filtro en el primer
hidrológicos en una base de datos en for- análisis, contaban al menos con dos series
mato *.mdb, y realizar los procesamientos de datos que no estaban influenciadas
básicos para análisis hidrometeorológicos por el fenómeno ENSO, también se utilizar
(Melo, P. 2010) La ventaja al poder usar 3 estaciones de la red meteorológica de
esta herramienta, radicó en la facilidad Perú de la frontera Sur que cuentan con
que se tuvo de analizar la información e más de 10 años de series de información,
identificar vacíos o gaps. de estás se uso la estación de San Ignacio
para corregir la estación de Zumba (Ver
En ese sentido, el método del vector re- Anexo 2).
gional incorporado en las versiones re-
cientes del software permitió el relleno Adicionalmente se crearon 19 estacio-
de información climática, en este caso nes ficticias usando información del sen-
de precipitación, para un número im- sor Tropical Rainfall Measuring Mission
portante de estaciones que carecen de (TRMM) con datos desde 2000 a 2005, en
una serie completa de datos, y que por los lugares en la que información de di-
su representatividad espacial resultaban cho sensor no subestimaran en demasía
de importancia para el análisis de distri-
los datos de precipitación anual espera-
bución de precipitación.
dos para la zonas que se querían corregir;
Una vez realizados los filtros, además del esta información se obtuvo en el “Curso
relleno de información pertinente para teórico-práctico de Construcción de va-
más de 110 estaciones, con el fin de con- riables bioclimáticas para el mapeo de
tar con información homogénea y con- coberturas de la tierra y ecosistemas en el
gruente, y manteniendo una serie de 10 Ecuador Continental” realizado por el Mi-
años mínimo se construiyó la Base de da- nisterio del Ambiente y dictado por el Dr.
tos de precipitación final, con la cual se Wouter Buytaert investigador y docente

Modelo Bioclimático 24
del Imperial College of London durante el En la Figura 14 se muestra la distribución
mes de marzo del 2011. De esta forma se espacial de todas las estaciones con in-
añadieron 33 estaciones con valores de formación de precipitación que se usa-
precipitación anual, utilizando finalmen- ron en la caracterización bioclimática
te 410 estaciones para el modelamiento de los ecosistemas.
de la precipitación.
4.5.2 Temperatura
La mencionada capacitación sentó las Los datos correspondientes a temperatu-
bases para la reproducibilidad en códi- ra sugieren un tratamiento y una revisión
go abierto de la modelización de las va- mucho más amplia, ya que se tienen mu-
riables climáticas orientadas a la obten- chas menos estaciones a tomar en cuen-
ción de índice bioclimáticos, así como se ta en particular para los datos de Tempe-
establecieron directrices metodológicas ratura máxima y de Temperatura mínima.
respecto de la modelización geoestadís- En ese sentido los esfuerzos del INAMHI se
tica a través del uso de paquetes esta- han centrado a partir del próximo año
dísticos robustos (i.e R) (Ver Anexo 3 y 4). en recuperar toda la información prima-
ria de datos hidrometerológicos que se
encuentran en formato análogo, con el
fin de digitalizarla y construir la BDD na-
cional de datos climáticos.

Bajo esa perspectiva y en razón de los

análisis previamente realizados entre la
información de temperatura del INAMHI
y de Worldclim que sugieren no existe
una diferencia mayor, apoyado a su vez
sobre una fuerte correlación temperatu-
ra – altura, se ha definido trabajar con la
información de temperatura suministra-
da por Worldclim.

Sin embargo se cuentan con los datos

de temperatura con el fin de contar con
una BDD de temperatura que ayude a
validar ciertas zonas con datos locales
Figura 14. Estaciones originales, recuperadas y adicionales
de precipitación puntuales.

Modelo Bioclimático 25
25
 4.6 Modelamiento de datos pluviométricos y temperatura

4.6.1 Precipitación
Para la generación de la capa raster de muy flexible y permite profundizar en los
precipitación se decidió trabajar en pri- análisis de los gráficos de auto correla-
mer lugar, con los datos de estaciones ción espacial.
meteorológicas definidas en el punto 4.3,
de las cuales se obtuvo la información del Una vez establecidas las 410 estaciones se
promedio o modulo anual de lluvia y adi- utilizó el software ArcGis versión 9.3 de Esri,
cionalmente se consiguieron los valores a través del módulo Geostatistical Analyst,
de precipitación a nivel mensual, lo cual con el cual se puede trabajar con el mé-
fue sumamente importante para la gene- todo Geoestadístico de interpolación de
ración de las capas de los índices ombro- Cokriging. Las covariables utilizadas en
térmicos. este caso supusieron el modelo numérico
del terreno, y adicionalmente la capa de
La realización del modelo de distribución precipitación de Worldclim como una se-
de precipitación implicó generar a partir gunda covariable.
de datos discretos información de carác-
ter continua que represente de la manera
más fiable dicha distribución. La calidad
de la modelación dependió en gran me-
dida de una adecuada calidad de datos
y una distribución homogénea de los mis-
mos, así como se asuma que se pueden
integrar otros factores que podrían incidir
en la distribución de la variable a mode-
lar. Para el caso de la precipitación uno
de los métodos más aconsejables fue el
de Cokriging, el mismo que permitió esta-
blecer o limitar el análisis de distribución
a capas de información paralelas tales
como el relieve, entre otros. Sin embargo
implicó la necesidad de contar con una
amplia capacidad de procesamiento.

Los métodos geoestadísticos de interpo-

lación de Kriging y CoKriging encierran
un conjunto de métodos de predicción
espacial que se fundamentan en la mini-
mización del error cuadrático medio de Figura. 15 Modelo de distribución de la precipitación según el
predicción (Giraldo R, 2002). El modelo es método Geoestadístico de Cokriging

6. El trabajo en modelamiento en conjunto con el INAMHI ,se realiza de forma continua con las variables climáticas, que se van incorporando o con mayor
información de estaciones, por lo tanto es un proceso dinámico y por lo tanto las conclusiones bioclimáticas son de carácter preliminar

Modelo Bioclimático 26
Es importante resaltar, que la resolución
utilizada en este caso para el modelo se
restringió a 500 m2 aproximadamente,
debido a dos razones fundamentales, la
primera y más fuerte razón respondía a la
alta capacidad de procesamiento que
supone efectuar dicha interpolación a tal
resolución, en tal virtud se establecieron
acuerdos de cooperación INAMHI MAE,
para la utilización de la infraestructura
tecnológica y capacidad técnica del
INAMHI disponible, para colaborar en la
generación dichos modelos6 a través del
uso de plataformas de uso libre , y la se-
gunda corresponde a la resolución de las
covariables las cuales corresponden a 90
m2 para el modelo numérico del terreno
así como 1 km2 para el modelo de preci-
pitación de Worldclim. Figura 16. Modelo de distribución de temperatura
media positiva reclasificada - Worldclim

4.6.2 Temperatura
Para el caso de la capa correspondiente
a temperatura se tomó en cuenta la que
se encuentra a disposición a través de
Worldclim, debido a que se pueden con-
tar con los datos promedios mensuales
de temperatura, así como las capas de
temperatura máxima y mínima en forma
continua para una serie de 30 años.

Cabe aclarar que fue necesario estable-

cer un proceso previo de tratamiento a
la capa de temperatura media con el fin
de tener únicamente aquella información
correspondiente a los valores medios po-
sitivos de temperatura para el cálculo de
los índices ombrotérmicos.

Modelo Bioclimático 27
27
5. Resultados

5.1 Construcción de la capa del Índice ombrotérmico

(Iod) – Capa de ombrotipos

Los índices ombrotérmicos más utilizados desarrollar el mapa de ombrotipos del

y con mayor relevancia para modelar Ecuador continental, se utilizó como insu-
ecosistemas son los siguientes: mo principal las dos capas desarrolladas
anteriormente, correspondientes a preci-
Índice ombrotérmico anual (Io): mide pitación y temperatura media.
la disponibilidad relativa y efectiva del
monto anual de la precipitación en re- El esquema metodológico corresponde
lación a las temperaturas medias anua- a la siguiente figura:
les. El índice se calcula como: Io=Pp/Tp,
donde Pp= Precipitación positiva anual
correspondiente a los meses con tempe-
ratura media mensual superior a 0ºC, Tp=
Temperatura positiva anual correspon-
diente a la suma de los meses de tempe-
ratura media mensual superior a 0ºC en
décimas de grados centígrados.

Índice ombrotérmico de la época seca

(Iod2): evalúa el ritmo anual de las pre-
cipitaciones al estimar la intensidad de Figura 17. Flujo de trabajo para la construcción de la
capa del Índice Ombrotérmico.
la época seca mediante el cálculo del
índice ombrotérmico de los dos o tres
meses consecutivos con menor preci-
pitación anual. Expresión: Iod2= P2/T2,
donde P=precipitación media de los dos
meses con menor precipitación anual,
T2=temperatura media de los dos meses
con menor precipitación anual x 10”.

Con el fin de construir la capa del índice

ombrotérmico anual como medio para

Modelo Bioclimático 28
Una vez obtenida la capa del índice om- Un ejemplo del uso de la capa de Índice
brotérmico (Io), se reclasificó esta según Ombrotérmico anual, es en la delimita-
la equivalencia de los intervalos adapta- ción de la vegetación natural del Valle
dos de acuerdo a Navarro y Maldonado, del Chota, caracterizado por los ombroti-
2002 en su libro Geografía Ecológica de pos seco, semiárido y desértico
Bolivia.

Tabla 3. Ombrotipos presentes en el Ecuador Continental.

Cabe mencionar, que fue necesario es-

tablecer la correspondencia espacial
de cada uno de estos ombrotipos en el En la siguiente ilustración se muestra el
Ecuador continental, para lo cual se utili- mapa de ombrotipos correspondiente al
zó el software ArcGis a través del módulo Ecuador continental.
Spatial Analyst para realizar dicho proce-
dimiento.

Modelo Bioclimático 29
29
Figura 18. Mapa de Ombrotipos del Ecuador Continental según la clasificación de Rivas Martínez adaptado para la
representación cartográfica de los Ecosistemas del Ecuador Continental.

Modelo Bioclimático 30
5.2 Construcción de la capa del Tabla 4. Termotipos presentes en el Ecuador Continental.
Índice de termicidad - Capa de
termotipos.
La construcción de este índice se realizó
a partir de la información de capas conti-
nuas de información de temperatura, en-
tendiéndose para este caso, la capa de
temperaturas máximas, mínimas y medias
a nivel anual, expresadas según el esque-
ma que se presenta en la base concep-
tual, y que se detalla nuevamente a con-
tinuación:

Figura 19. Flujo de trabajo para la construcción de la

capa del Índice Termicidad.

En este caso y como se mencionó an- La capa de Índice Termicidad es usa-

teriormente, se utilizó la información de da en la delimitación de la vegetación
Worldclim, por contar con las caracterís- montana, como en las estribaciones de
ticas que mejor se pueden asociar al re- la Cordillera Oriental de los Andes, carac-
lieve y por lo tanto permitiría discriminar terizado por los termotipos supratropical y
de forma más eficiente la distribución de mesotropical.
ecosistemas. Al ser un ejercicio preliminar,
se podría replicar con la información1 de
INAMHI correspondiente a estas varia-
bles, ya que a la fecha que se ejecuta el
proyecto la cantidad de estaciones que
contienen estas variables es limitada y su
distribución espacial es poco representa-
tiva.

Una vez obtenida la capa del índice de

termicidad, se procedió a reclasificar la
capa de acuerdo a los valores que se
presentan a continuación:

Modelo Bioclimático 31
31
Figura 20. Mapa de Termotipos del Ecuador Continental según la clasificación de Rivas Martínez para la representación
cartográfica de los Ecosistemas del Ecuador Continental

Modelo Bioclimático 32
5.3 Construcción de la capa de Bioclima.

Para construir la capa de Bioclima, se usó Una vez calculado el Iod2 y junto con el Io,
al igual que antes la metodología de Ri- se realizó un algebra de mapas en el soft-
ware ArcGis 9 v3, siguiendo los siguientes
vas Martínez, la cual estima el bioclima en
criterios para la obtención de bioclimas
función del índice ombrotérmico anual tropicales.
(Io) y del índice ombrotérmico de los dos
Tabla 5. Criterios para la clasificación de Bioclimas.
meses más secos en el año (Io2), este úl-
timo se calculó primero obteniendo la
precipitación de los dos meses de menor
pluviosidad que se dedujeron de la base
de datos de estaciones meteorológicas
antes consolidada.

A continuación se presenta la capa del

índice ombrotérmico de los dos meses
más secos del año (Iod2).

En esta imagen se puede observar los

bosques de las estribaciones orienales de
la cordillera de los Andes caracteristicos
del bioclima pluvial, en el cual la vegeta-
ción no registra meses de estres hídrico.

Finalmente se presenta en la Figura 22, los

Figura 21. Capa del Índice ombrotérmico de los dos meses bioclimas que se encuentran en el Ecua-
más secos dor continental

Modelo Bioclimático 33
33
Figura 22. Mapa de Bioclimas del Ecuador Continental según la clasificación de Rivas Martínez adaptado para la
representación cartográfica de los Ecosistemas del Ecuador Continental

Modelo Bioclimático 34
6. Validación y Calibración

Desde finales del año 2010 hasta la Di-

ciembre de 2012, se realizado una cali-
bración de los primeros ejercicios de mo-
delamiento y una validación permanente
de las capas finales, por parte del equi-
po de trabajo del proyecto; se tomaron
como referencia los puntos de las salidas
de calibración realizadas en este perío-
do, para tener una idea preliminar de la
consistencia y robustez del modelo en el
sentido estricto de predicción de la ca-
racterización climática, como una herra-
mienta útil para la discriminación de los
ecosistemas.
Figura 22. Registro fotográfico de la validación del Modelo
Bioclimático del Ecuador Continental
Todas las salidas efectuadas para el efec-
to, constan en una base de datos espe-
cífica, en la cual se colecta información
con el mismo formato de las fichas de
campo levantadas por todo el Proyecto
Mapa de Vegetación (Ver Anexo 5), di-
cha base de datos se vinculó a una co-
lección de fotografías de la vegetación
natural remanente de los lugares calibra-
dos y validados (Figura 22). En total se to-
maron 333 puntos de validación, 211 pun-
tos en el año 2011 y 121 puntos en el año
2012, repartidos en todos los ombrotipos,
termotipos y bioclimas cartografiados en
este modelamiento bioclimático.

En la Figura 23, se presentan la ubicación

de los puntos de validación obtenidos en
campo, cabe aclarar que en la región de
la Amazonía no se recopilo información
porque el rango de variación de ombroti- Figura 23. Ubicación de los puntos de validación del modelo
pos y termotipos es mínimo. bioclimático del Ecuador Continental

Modelo Bioclimático 35
35
Como en todo modelamiento, existieron
errores provenientes del origen de los da-
tos en la mayoría de los casos, se solven-
taron en la corrección misma de la serie
de información, con el relleno sistemáti-
co de información y con la inclusión de
otras variables que podían ser predictivas
de las variables climáticas. Por otro lado,
la experticia tanto del equipo botánico
como del equipo geográfico permitió ha-
cer aproximaciones visuales de la validez
y coherencia del modelo, en función de
la reciprocidad del modelo clima – ve-
getación, y que según la experticia del
equipo son fácilmente reconocibles. En
ese sentido, este proceso de calibración
y validación permanente permitió mejo-
rar las propiedades del método de inter-
polación de datos según los parámetros
que permite manipular el algoritmo.

Modelo Bioclimático 36
7. Conclusiones y Recomendaciones

Conclusiones
El modelo bioclimático del Ecuador con- climáticos, resulta compleja de analizar.
tinental mediante el uso y la representa- Así, las salidas de comprobación en cam-
ción espacial de los índices bioclimáticos po junto con la experticia del equipo son
propuestos en el sistema de clasificación en conjunto un insumo importante en la
bioclimática de Rivas Martínez, refleja en validación de la predicción del modelo
altamente la relación clima – vegetación utilizado.
nuestro territorio, por lo que su uso facilitó
la discriminación y el mapeo de los eco- Al ser todo modelamiento una represen-
sistemas.
tación conceptual, el modelo bioclimá-
tico del Ecuador continental tiene sus li-
Pese a que 377 estaciones meteorológi-
mitantes, si bien refleja correctamente la
cas recopiladas de la Base de datos del
variabilidad de la humedad (ombrotipo)
INAMHI pasaron un filtro riguroso de cali-
y de la temperatura (termotipo) en la ma-
dad de la información de precipitación,
yoría del territorio, existen algunas zonas,
no fueron suficientes para el modelamien-
sobretodo en las cordilleras costaneras,
to de esta variable climática, por lo que
que el ombrotipo y el termotipo subesti-
se hizo necesaria la creación de estacio-
man las condiciones ambientales que re-
nes ficticias con datos de otras fuentes de
fleja la vegetación en dichos lugares, por
información, dichas fuentes de informa-
ción fueron útiles solo en aquellas zonas lo que en estas zonas debe incorporarse

en que el valor estimado tuviera relación mayor información climática para mode-
con el valor esperado para un tipo espe- lamientos futuros.
cífico de vegetación.
Los productos generados por el proyec-
Dentro de los procesos de validación de to, correspondientes a la modelación de
información climática, es necesario in- datos climáticos tienen una buena reso-
corporar el conocimiento técnico de un lución espacial por lo que se espera que
equipo multidisciplinario, porque la discri- se constituyan por sí solos en herramientas
minación de los diferentes tipos de vege- útiles para el desarrollo de otros progra-
tación, en una determinada localidad to- mas y proyectos a nivel del sector guber-
mando en cuenta únicamente los datos namental y del sector privado.

Modelo Bioclimático 37
37
Recomendaciones
Para mejorar la construcción de los ín-
dices bioclimáticos en las zonas de cor-
dilleras costaneras se sugiere el uso de
data logger o estaciones meteorológi-
cas remotas continuas con mínimo cinco
años de información continua y que di-
chos años no estén influenciados por fe-
nómenos extremos del Niño o de la Niña.

Para mejorar el modelamiento bioclimá-

tico futuro a nivel local o de microclima
para discriminar asociaciones o comu-
nidades vegetales, es necesario incor-
porar datos de precipitación horizontal,
de estacionalidad de la dirección de los
vientos y de variación la temperatura du-
rante el día, de ya que la variación men-
sual de la precipitación vertical y de la
temperatura media son las variables cli-
máticas básicas y mínimas que guardan
relación a nivel de ecosistema.

La información de precipitación genera-

da en este modelamiento es un prome-
dio de casi cuarenta años de informa-
ción, por lo que se recomienda su uso
como información para caracterización
general la precipitación en el país y no
como información puntual para cálculos
específicos de cuantía de precipitación
en proyectos de carácter cuantitativo.

Modelo Bioclimático 38
Referencias Bibliográficas

• BURROUGH,P.A. & MCDONNELL,R.A.; tación y Ambientes Acuáticos. 4 ed.

2000 Principles of Geographical Infor- 2002, Cochabamba, Bolivia: Centro
mation Systems Oxford University Press, de Ecología Simón I. Patiño - Departa-
Oxford, 333 pp.1 mento de Difusión.

• DIAZ, G. et al., 2008. Interpolación es- • NOUVELOT J.F., POURRUT P. 1984. El

pacial de la precipitación pluvial en Niño, phénomène océanique et at-
la zona de Barlovento y Sotavento del mosphérique. Importance en 1982-
Golfo de México; Agricultura Técnica 1983 et impact sur le littoral équato-
en México, Vol. 34, Núm. 3, julio-sep- rien. Cahier ORSTOM, série Hydrologie,
tiembre, 2008, pp. 279-287 Instituto Na- 21, 1, 39-65.
cional de Investigaciones Forestales,
Agrícolas y Pecuarias Texcoco, México • NOUVELOT J.F., LE GOULVEN P., POU-
RRUT P. 1994. Analyse statistique et
• GIRALDO, R. 2002. Propuesta de un in- régionalisation des précipitation en
dicador como variable auxiliar en el Equateur. In l’eau en Equateur, prin-
análisis cokriging. Revista Colombiana cipaux acquis en hydroclimatologie.
de Estadística. Fascículo 24. ORSTOM éditions, 43-86.

• HIJMANS, R.J., et al., Very high resolu- • NOUVELOT J.F., POURRUT P. 1994. Ano-
tion interpolated climate surfaces for malies et phénomènes climatiques
global land areas. . International, Jour- extrêmes. In l’eau en Equateur, prin-
nal of Climatology 2005. 25: p. 1965- cipaux acquis en hydroclimatologie.
1978 ORSTOM éditions, 87-98.

• MEJIA R., ROURA J., CALVEZ R., 1996b. • PALACIOS, J., ONTANEDA G., 2011. Bo-
Estaciones meteorológicas, cuenca letín Climatológico Anual año 2011.
del rio Guayas; subcuenca del rio Ba- Instituto Nacional de Meteorología e
bahoyo. Série INSEQ, 12, 36p.
Hidrología (INAMHI).

• MITAS, L & MITASOVA, H. (1999) Spatial

• PAULHUS, J.L.H. y KOHLER, M.A. (1952).
Interpolation en Lonngley, M. F. Good-
child, D. J. Maguire, D.W. Rhind (Eds.) Interpolation of missing precipitation
Geographical Information Systems, records. Month. Weath. Rev., 80, pp.
pp. 481-492. 129-133.

• NAVARRO, G. y M. MALDONADO, • POURRUT, P., 1993. L’effet ENSO sur les

Geografía Ecológica de Bolivia: Vege- précipitations et les écoulements au

Modelo Bioclimático 39
39
 XXème siècle-exemple de l’équateur.
Institut Français des Études Andines. Bu-
lletin, 22(1): 85-98.

• POURRUT, P., 1994. L’eau en Equateur.

Principaux acquis en hydroclimatolo-
gie. ORSTOM Editions, Paris, 146p.

• ROSSEL F., LE GOULVEN P., CADIER E.

1997B. Répartition spatiale del’influence
de l’ENSO sur les précipitations annue-
lles de l’Equateur. Soumis à la Revue
des Sciences de l’Eau, 13p., 7 figures.

• VAUCHEL, P. 2005 Hydraccess : Logiciel

de gestion et traitement de données
hydro-météorologiques, version 2.1.4.
Téléchargeable sur www.mpl.ird.fr/hy-
bam.

• VERA, A. 2009: Etude de la corrélation

entre les différents indices du phé-
nomène ENSO (El Niño, La Niña) et les
indices de pluviométrie et de débits du
bassin versant de l’Esmeraldas (Nord de
la côte Pacifique Equatorienne), Mas-
ter 2 Recherche : H2SE (Hydrologie, Hy-
drochimie, Sol, Environnement), LMTG,
UPS - Université Paul Sabatier Toulouse.

Modelo Bioclimático
Modelo Bioclimático 40
 Anexo 1

Anexos
Estaciones meteorológicas de la bdd inamhi validadas y
utilizadas para el proceso de interpolación (precipitación)

Modelo Bioclimático 41
Anexos

Modelo Bioclimático 42
Anexos

Modelo Bioclimático 43
Anexos

Anexo 2
Estaciones meteorológicas adicionales de la bdd inamhi,
Perú y trmm validadas y utilizadas para el proceso de
interpolación (precipitación)

Modelo Bioclimático 44
Anexos Anexo 3
Parámetros del método de interpolación utilizado para el
modelo de precipitación

Modelo Bioclimático 45
Anexos
Anexo 4
Script para el modelo geoestadistico en R

## Creación de mapas climatológicos para Ecuador en R

##
## Autor : Wouter Buytaert
## version 1.1, 2011/04/17
##
## entradas necesarias:
## - hoja excel con datos de lluvia
## - mapa de ubicaciones en formato shape (ESTACIONES_M_UTM_wgs84.shp)
## - DEM
## - mapas sectoresbio_ec

############ 1. Importar los datos de excel ##################

## 2.1. Importa los datos de una hoja corregida de excel.
## y guarda los datos crudos en una lista (“INAMHI”)
## library(“RODBC”)
## con <- odbcConnectExcel(file.choose())
## table <- sqlTables(con)
## INAMHI <- list()
## for(i in 1:nrow(table)) INAMHI[[i]] <- sqlFetch(con, table$TABLE_NAME[i])
## close(con)
## rm(table, con)
## ## 2.2. Convierte los datos en series de tiempo del tipo xts
library(xts)
## data <- INAMHI # mas generico porque generaremos un nuevo objecto del tipo xts
## rm(INAMHI)
## Sys.setenv(TZ=”America/Guayaquil”)
## INAMHI <- xts()
## for(i in 1:length(data)) {
## if(!is.na(data[[i]][1,1])) {
## name <- data[[i]][1,1]
## prec <- numeric()
## time <- data.frame()
## for(j in 1:nrow(data[[i]])) {
## year <- data[[i]][j,2]
## if(!is.na(year) && (year > 1900) && (year < 2012)){
## time <- rbind(time, cbind(year, 1:12, 15))
## prec <- c(prec, as.numeric(data[[i]][j,3:14]))
## }
## }
## time <- ISOdate(time[,1], time[,2], time[,3], tz=”America/Guayaquil”)
## prec <- xts(prec, order.by = time)
## prec[prec < 0] <- NA
## names(prec) <- name
## INAMHI <- merge(INAMHI, prec)
## }
## }
## rm(data, name, prec, time, year, i, j)
load(“MAE/INAMHI.ts.rda”)
############ 2. Filtrar los pluviómetros ##################
## usamos el periodo de 1986 - 2005 que tiene mayor disponibilidad de datos
INAMHI <- INAMHI[“1986/2005”,]
## eliminar estaciones con menos de 5 anos de datos:
length <- apply(INAMHI, 2, function(x){length(x[!is.na(x)])})
INAMHI <- INAMHI[,length > 60]; rm(length)
## eliminar estaciones de los galapagos
INAMHI <- INAMHI[, !(names(INAMHI) %in% c(“M191”,”M192”,”M194”,”M908”,”MA49”,”MA52”))]
## eliminar estaciones con datos sospechosos:
INAMHI.ts <- INAMHI[, !(names(INAMHI) %in% c(“M051”,”MA2U”))]; rm(INAMHI)
############ 3. Crear promedios mensuales ##################
library(rgdal)
pluvios <- readOGR(dsn= file.choose(), layer = “ESTACIONES_M_UTM_wgs84”)
pluvios <- as.data.frame(pluvios)
meses <- as.POSIXlt(index(INAMHI.ts))$mon
INAMHI.prom <- apply(INAMHI.ts, 2, function(x) {tapply(x, meses, “mean”, na.rm=T)})
INAMHI.prom <- data.frame(t(INAMHI.prom), colnames(INAMHI.prom))
colnames(INAMHI.prom) <- c(“ene”,”feb”,”mar”,”abr”,”may”,”jun”,”jul”,”ago”,
“sep”,”oct”,”nov”,”dic”,”CODIGO”)
INAMHI.prom <- merge(INAMHI.prom, pluvios)
rm(meses, pluvios)
##################### 4. Preparar co-variables #######################
## 4.1. DEM
## importar el DEM (aqui se usa “srtm_1km.tif”)
srtm <- readGDAL(“MAE/srtm_1km.tif”)
## eliminar celdas a fuera del ecuador (valores NULL) y preparar el objeto
fullgrid(srtm) <- FALSE
CRS <- proj4string(srtm)
names(srtm) <- “srtm”

## 4.2. regiones

Modelo Bioclimático 46
Anexos
regiones <- readGDAL(“MAE/sectoresbio_ec.tif”)
fullgrid(regiones) <- FALSE
## 4.3. TRMM mensual
## Cargar los mapas TRMM y reproyectar a UTM 17
## ya estan preparados en un archivo trmm.maps.rda
load(“MAE/trmm.maps.rda”)
proj4string(trmm.maps) <- CRS(“+proj=latlong +datum=WGS84”)
trmm.maps <- spTransform(trmm.maps, CRS(CRS))
## resamplear los mapas TRMM a la resolucion de srtm
## y guardar todos los mapas en el mismo objeto como diferentes capas (srtm)
library(gstat)
months <- names(trmm.maps)[2:13]
points <- as(srtm, “SpatialPoints”)
for(month in months) {
formula <- formula(paste(month, “~1”, sep=””))
mapa <- idw(formula, trmm.maps[,month], points, nmax = 1)
mapa <- mapa[,”var1.pred”]
names(mapa) <- paste(“TRMM.”, month, sep = “”)
srtm <- merge(srtm, mapa)
}
## tambien con el mapa de las regiones para estar seguro que esta bien proyectado
mapa <- idw(band1 ~ 1, regiones, points, nmax = 1)
mapa <- mapa[,”var1.pred”]
names(mapa) <- “regiones”
srtm <- merge(srtm, mapa)
srtm$regiones <- as.factor(srtm$regiones)

coordinates(srtm) <- ~x + y
proj4string(srtm) <- CRS
## extraer los valores de los mapas TRMM y de las regiones
## en las ubicaciones de los pluviometros para poder armar el modelo
points <- INAMHI.prom[,c(“coords.x1”,”coords.x2”)]
coordinates(points) = ~coords.x1 + coords.x2
proj4string(points) <- CRS
for(month in months) {
formula <- formula(paste(month, “~1”, sep=””))
mapa <- idw(formula, trmm.maps[,month], points, nmax = 1)
mapa <- mapa[,”var1.pred”]
names(mapa) <- paste(“TRMM.”, month, sep = “”)
INAMHI.prom <- merge(INAMHI.prom, as.data.frame(mapa))
}
mapa <- idw(band1 ~ 1, regiones, points, nmax = 1)
mapa <- mapa[,”var1.pred”]
names(mapa) <- “regiones”
INAMHI.prom <- merge(INAMHI.prom, as.data.frame(mapa))
INAMHI.prom$regiones <- as.factor(INAMHI.prom$regiones)
## 4.4. srtm
mapa <- idw(srtm ~ 1, srtm, points, nmax = 1)[,”var1.pred”]
names(mapa) <- “srtm”
INAMHI.prom <- merge(INAMHI.prom, as.data.frame(mapa))
coordinates(INAMHI.prom) <- ~coords.x1 + coords.x2
proj4string(INAMHI.prom) <- CRS
rm(month, formula, mapa, points)
## guardar para no tener que correr de nuevo:
save(INAMHI.prom, INAMHI.ts, srtm, file=”MAE/INAMHI.preparado.rda”)
load(“MAE/INAMHI.preparado.rda”)
################## 5. Identifacion de los covariables ###################
## Se realiza en este caso con Enero
summary(lm(ene ~ srtm, data = INAMHI.prom))
summary(lm(ene ~ srtm:regiones, data = INAMHI.prom))
summary(lm(ene ~ srtm + TRMM.jan, data = INAMHI.prom))
summary(lm(ene ~ srtm:regiones + TRMM.jan, data = INAMHI.prom))

################## 6. Interpolacion usando Kriging ########################

## Usamos el mapa “srtm” a 1km como template para crear los mapas interpolados:
Pmap <- as.data.frame(SpatialPoints(srtm))
meses <- c(“ene”,”feb”,”mar”,”abr”,”may”,”jun”,”jul”,”ago”,”sep”,”oct”,”nov”,”dic”)
## hacer el analisis para cada mes separadamente:
exp_vars <- list()
fitted_models <- list()
crossval <- list()
for(i in 1:12) {
formula <- formula(paste(meses[i], “~ srtm:regiones + TRMM.”, months[i], sep=””))
exp_vars[[i]] <- variogram(formula, data=INAMHI.prom)
theoretic_model <- vgm(10000, “Exp”, 50000, 0)
fitted_models[[i]] <- fit.variogram(exp_vars[[i]], theoretic_model)
mapa <- krige(formula, INAMHI.prom, srtm, model = fitted_models[[i]])
crossval[[i]] <- krige.cv(formula, INAMHI.prom, model = fitted_models[[i]])
mapa <- mapa[,”var1.pred”]@data
names(mapa) <- meses[i]
Pmap <- cbind(Pmap, mapa)
}
## plotear los modelos
for(i in 1:12) {
bitmap(paste(“var”,i,”.png”, sep=””), res=300, pointsize=12, height=9, width=9)
print(plot(exp_vars[[i]], fitted_models[[i]], main = meses[i]))
dev.off()
}

Modelo Bioclimático 47
Anexos

coordinates(Pmap) <- ~x + y
proj4string(Pmap) <- CRS
gridded(Pmap) <- TRUE
fullgrid(Pmap) <- TRUE
for(mes in meses) writeGDAL(Pmap[mes], fname = paste(“Prec_”, mes, “.tif”, sep=””))
############### resultados de la crosvalidacion ###################
##scores <- matrix(NA, ncol=10,nrow=12)
for(i in 1:12) {
scores[i,9] <- mean(crossval[[i]]$residual)
scores[i,10] <- sd(crossval[[i]]$residual)
}
## resultados para los diferentes modelos (residual promedio / desviacion estandar)
## mes srtm:regiones+TRMM srtm:regiones srtm+TRMM srtm sin covar’s
## --------------------------------------------------------------------------------
## ene 0.8645 77.2 1.386 77.1 0.053 77.4 0.812 77.0 1.179 77.2
## feb 0.5737 90.3 1.178 92.3 -0.797 92.3 0.176 93.5 0.485 94.4
## mar 0.2655 87.4 0.821 90.3 -1.066 89.5 -0.164 91.5 0.079 93.0
## apr 0.2337 88.4 1.248 92.0 -0.680 89.8 0.750 91.9 1.097 92.7
## may 0.5276 60.9 1.351 67.0 0.151 59.5 1.485 65.3 1.815 66.6
## jun -0.1335 54.6 0.897 57.2 -0.108 55.6 1.729 58.2 1.911 58.8
## jul -0.4972 42.9 0.358 45.6 -0.775 45.7 0.859 47.3 0.942 47.1
## aug -0.2937 29.0 0.599 30.1 -0.571 31.2 0.848 31.9 0.955 32.2
## sep -0.0399 37.7 0.605 38.7 -0.152 38.4 1.178 38.9 1.258 38.9
## oct 0.1130 41.2 0.789 42.5 0.150 40.8 1.329 41.4 0.785 40.7
## nov -0.2058 36.2 0.185 37.7 -0.180 35.2 0.158 35.4 -0.138 34.9
## dec 0.5685 47.1 0.892 48.4 0.170 47.0 0.820 47.8 1.086 47.9
## --------------------------------------------------------------------------------
## PROM 0.165 57.7 0.859 59.9 -0.317 58.5 0.832 60.0 0.955 60.4

Modelo Bioclimático 48
Anexos Anexo 5
Ficha de campo validación bioclima

Modelo Bioclimático 49