Ubicación de sensores dispersos para la reconstrucción (SSPR): Caso de precipitaciones en el Ecuador Continental
Loading...
Date
2026-03-06
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad de Cuenca. Facultad de Ingeniería
Abstract
Climate studies require robust and precise measurements, essential for developing reliable models that support decision-making. However, the design of station location networks is often based on expert criteria and constrained by economic limitations. To support this task, tools that identify main climatic patterns are essential, allowing the abstraction of spatiotemporal variability on a monthly scale. To this end, the Sparse Sensor Placement for Reconstruction algorithm was applied to 44 years of monthly precipitation data from continental Ecuador (1981–present). First, the complete sequence of precipitation images was used to identify 98 optimal locations that reconstruct variability with acceptable error according to applied exact and heuristic methodologies. Subsequently, monthly subsets were analyzed to identify seasonal and decadal variability. Additionally, clustering was applied to reduce seasonal sensors to 98 representative centroids. Two main results are highlighted: (1) Frequently, centroids replicate the spatial distribution of points from the complete analysis; and (2) integrating monthly centroids with efficient points optimizes SSPR reconstruction and, by proposing new locations, outperforms conventional methods. SSPR proves useful for identifying dominant climatic patterns and proposing efficient monitoring sites. Furthermore, clustering emerges as a complementary tool to expand monitoring density. Finally, almost all monitoring points are located outside the Andean region, suggesting further analysis of the interaction among coastal, Amazonian, and Andean climatic flows.
Resumen
El estudio del clima requiere mediciones robustas y precisas, fundamentales para el desarrollo de modelos confiables que respalden la toma de decisiones. Sin embargo, el diseño de redes de ubicación de estaciones suele basarse en el criterio de expertos y estar condicionado por limitaciones económicas. Para apoyar esta tarea, es esencial contar con herramientas que identifiquen los principales patrones climáticos, permitiendo abstraer su variabilidad espaciotemporal a escala mensual. Con este propósito, se aplicó el algoritmo Sparse Sensor Placement for Reconstruction sobre 44 años de datos mensuales de precipitación en el Ecuador continental (1981–presente). En primer lugar, se utilizó la secuencia completa de imágenes pluviométricas para identificar 98 localidades óptimas que permiten reconstruir la variabilidad con error aceptable según metodologías exactas y heurísticas aplicadas. Posteriormente, se analizaron subconjuntos mensuales para identificar variabilidad estacional y decadal. Adicionalmente, se aplicó clusterización para reducir los sensores estacionales a 98 centroides representativos. Se destacan estos resultados: (1) frecuentemente, los centroides replican la distribución espacial de los puntos del análisis completo; y (2) la integración de centroides mensuales como puntos eficientes optimiza la reconstrucción del SSPR y, al proponer nuevas ubicaciones, supera métodos convencionales. El SSPR resulta útil para identificar patrones climáticos dominantes y proponer emplazamientos eficientes de medición. Además, la clusterización emerge como herramienta complementaria para ampliar la densidad de monitoreo. Finalmente, se observa que casi todos los puntos de monitoreo se ubiquen fuera de la zona andina, lo que sugiere analizar profundamente la interacción entre los flujos climáticos regionales del país.
Keywords
Ingeniería Civil, Clusterización estacional, Reconstrucción pluviométrica, Sobremuestreo inteligente
Citation
Código de tesis
TI; 1394
Código de tesis
Grado Académico
Ingeniero Civil