UNIVERSIDAD PRIVADA DEL NORTE
FACULTAD DE INGENIERÍA
ASIGNATURA:
HIDROLOGÍA
TEMA:
REVISIÓN BIBLIOGRÁFICA
DOCENTE:
Ing. ROBERTO RICARDO ROJAS CORTAZAR
INTEGRANTE: Código
-Yakeli Leiva Aguilar N00418947
2025
AVA NC E DE I N V E S T I GA C I Ó N
MODELAMIENTO ESTADÍSTICO
PARA EL PRONÓSTICO MENSUAL
DE PRECIPITACIONES EN PERÚ
Aldo S. Moya-Álvarez1, Gerardo Rivera1 y Kobi Mosquera1
RE S U M E N
Se construye un modelo estadístico de pronóstico mensual de precipitaciones para Perú, basado en la relación de
varios índices climáticos oceánicos y atmosféricos, así como de los índices de la oscilación de Madden-Julian, con la
variabilidad estacional de la precipitación en el país, a inicializar en el mes de junio de cada año. Se aplicó la técnica de
regresión lineal entre los índices y la precipitación grillada de la fuente de datos de PISCO para el período diciembre-
marzo, meses que corresponden a la estación lluviosa en Perú. El modelo se construyó con datos correspondientes al
período 1981-2016 y se verificó con los registros de precipitación correspondientes a los años 2017-2022 para 15
zonas dentro de la costa, sierra y selva. El valor del error medio absoluto (MAE, por sus siglas en inglés) fue mejor para
la selva, con excepción de los pronósticos para enero en la selva norte. El mejor rendimiento se obtuvo para marzo en
la selva sur y central. En cuanto a la sierra, el mejor rendimiento del modelo se obtuvo para la sierra sur y central, en
ambos casos para la vertiente Atlántica. Para la selva, el mejor rendimiento se obtuvo en la parte alta. En 8 de las 12
regiones correspondientes a la sierra y la selva, el modelo realizó “pronósticos correctos” en más del 60 % de los casos,
y en uno, selva sur baja, muy cercano al 60 %.
Palabras clave: pronóstico de lluvias, modelamiento estadístico, regresión lineal
AFILIACIÓN:
1. Instituto Geofísico del Perú, Lima, Perú.
Citar como: Moya, A., Rivera G. y Mosquera K. (2022). Modelamiento estadístico para el pronóstico mensual de
precipitaciones en Perú. Boletín científico El Niño, Instituto Geofísico del Perú, Vol. 9 n.o 06. págs. 14-20.
14
INT R O DU CC I Ó N
Las precipitaciones juegan un papel fundamental en la sociedad y la economía de cada
país dada su utilidad como recurso indispensable, tanto para el consumo humano como
para su uso en la industria y, fundamentalmente, en el desarrollo agrícola de cualquier
nación. Sin embargo, éstas también pueden constituir un peligro cuando exceden su
comportamiento normal, que producen eventos lluviosos que frecuentemente dan lugar
a inundaciones y al desborde de los ríos, que por lo general provocan la pérdida de
cuantiosos recursos económicos y, en ocasiones, hasta de vidas humanas. A veces,
estos eventos están relacionados con la fase cálida o fría de El Niño-Oscilación del
Sur (Takahashi, 2004; Lagos et al., 2008; Lavado-Casimiro y Espinoza, 2011; Sulca
et al., 2017). Por ello, se requiere generar herramientas que apoyen el monitoreo y
pronóstico de eventos de lluvias. La mayoría de las lluvias en Perú se concentran en
el período comprendido entre septiembre y abril (Silva et al, 2008), definiendo una
marcada estacionalidad, con una estación seca entre mayo y agosto (Aceituno, 1989;
Vuille et al, 2008; Garreaud, 2009).
En el presente trabajo se construye un modelo estadístico de pronóstico de precipitaciones
mensuales para todo el Perú, basado en la relación entre la variabilidad estacional de
la lluvia en el Perú y varios índices climáticos oceánicos y atmosféricos, así como de
los índices RMM (Real-Time Multivariate MJO). El modelo se construyó aplicando la
técnica de regresión lineal entre los mencionados índices y una base de datos grillada
de precipitación para el período diciembre-marzo (periodo de lluvias). El modelo se
construyó con datos correspondientes al período 1981-2016, y se inicializó en junio de
cada año.
DATO S Y M E TO D O LO GÍ A
Los datos de precipitación (“predictando”) fueron tomados para diciembre, enero,
febrero y marzo, de la base de datos interpolados de las observaciones climatológicas
e hidrológicas del SENAMHI (PISCO; Lavado et al., 2018) del período 1981-2016. Los
datos de PISCO constituyen una grilla de 26 334 puntos que abarcan todo el Perú,
de los cuales 19 617 se ubican sobre tierra. Los predictores (ver Tabla 1) se tomaron
también para el período 1981-2016. Se tomó el comportamiento de los predictores
durante los 12 meses previos al mes de inicialización del modelo, en este caso, junio.
Foto: Jorge Concha
15
Tabla 1. Resumen de las teorías de interacción entre las ondas Kelvin y TIWs.
ONI Índice Oceánico Niño
ICEN Índice costero El Niño
NAO Oscilación del Atlántico Norte
AO Oscilación del océano Ártico
EP/NP Oscilación del Pacífico Este / Pacífico Norte
WP Índice del Pacífico Occidental
SOI Índice de Oscilación del Sur
TSA Índice del Atlántico Sur Tropical
TNA Índice del Atlántico Norte Tropical
Nuevos índices no correlacionados, basados en los EOF principales
de la anomalía de la TSM en el océano Pacífico, que dan cuenta
CyE respectivamente de los eventos cálidos extremos en el este y los
eventos cálidos fríos / moderados en el Pacífico ecuatorial central,
correspondientes a regímenes con diferente evolución.
RMM1 Índices Multivariados en tiempo real de la oscilación de
y RMM2 Madden-Julian
MÉTOD O
Se aplicó la técnica de regresión lineal múltiple en su modalidad de Perfect-Prog (Glahn y Lowry, 1972). Sobre esta base,
se construyó una ecuación de regresión múltiple para cada punto de la grilla de PISCO, de manera que el pronóstico
de precipitaciones comprende todo el país. Visto así, se construirían 19 617 ecuaciones de pronóstico (modelos).
VE R IF ICAC IÓ N
La verificación de los resultados se realizó para 15 regiones, promediando para cada una los resultados de los pixeles
correspondientes a cada región, tanto del pronóstico como de la precipitación registrada:
• Coste norte, costa central y costa sur
• Sierra norte occidental y oriental
• Sierra central occidental y oriental
• Sierra sur occidental y oriental
• Selva norte alta y baja
• Selva central alta y baja
• Selva sur alta y baja
Los estadísticos empleados fueron el sesgo (bias) y el error absoluto medio (MAE), los que se calcularon con los
resultados obtenidos para la muestra independiente 2017-2022. También se calculó el porcentaje de “pronósticos
correctos”, entiéndase el porcentaje de ocasiones en que el modelo pronosticó por encima/debajo de la media histórica
y se cumplió. También se incluyeron como pronósticos correctos a aquellos casos en que el módulo de las anomalías,
tanto pronosticada como observada, no rebasó el 10 %.
16
RE S U LTA DO S
La Figura 1 muestra la desviación absoluta media del pronóstico respecto a la precipitación registrada para diciembre,
enero, febrero y marzo para las regiones consideradas. De forma general, se puede apreciar que el modelo muestra
el mejor rendimiento para la selva, donde el valor del MAE estuvo por debajo o cercano al 25 %, con excepción de
los pronósticos para enero en la selva norte. En este sentido, hay que resaltar que los mejores resultados se obtuvieron
para marzo, tanto en la selva sur como en la selva central.
En relación con la sierra, los mejores rendimientos se obtuvieron para la sierra sur y central, en ambos casos en la
vertiente oriental para diciembre, enero y marzo. Los pronósticos para la vertiente del Pacífico de la sierra mostraron
bajo rendimiento.
Figura 1. Desviación absoluta media del pronóstico respecto a la precipitación registrada para diciembre, enero, febrero y marzo
para todas las regiones consideradas. La curva polinómica es la tendencia de quinto orden aplicada al rendimiento del modelo a
través de las regiones mostradas en la gráfica.
En cuanto a la efectividad general del modelo, la Figura 2 muestra el porcentaje general de los pronósticos correctos
emitidos para todas las regiones consideradas. En 8 de las 12 regiones correspondientes a sierra y selva el modelo realizó
“pronósticos correctos” en más del 60 % de los casos, y en uno, selva sur baja, muy cercano al 60 %. En este sentido, el
modelo mostró un rendimiento bajo solo en la sierra norte y en la selva norte baja, con efectividad por debajo del 45 %.
Para la selva central baja mostró una efectividad cercana al 80 %.
17
Figura 2. Porcentaje general de pronósticos correctos emitidos para todas las regiones consideradas. La curva punteada es del
tipo polinómica.
La Figura 3 resume el comportamiento de la desviación absoluta media del pronóstico respecto a la precipitación
registrada para las vertientes del Pacífico y Atlántico de la sierra y para la selva alta y baja. En la figura se observa que
el modelo mostró el mejor rendimiento para la vertiente Atlántica de la sierra y para la selva alta. El rendimiento del
modelo para la zona costera (no se muestra en el artículo) resultó muy bajo en cuanto al porcentaje de error. De igual
forma, el modelo no detectó los eventos lluviosos asociados a los eventos de El Niño 1982-1983 y 1997-1998. Los
predictores más informativos fueron los índices WP, NAO, E, AO, TSA y la MJO.
Figura 3. Desviación absoluta media del pronóstico respecto a la precipitación registrada para las vertientes del Pacífico y Atlántico
de la sierra (a) y para la selva alta y baja (b).
18
CON CLU S IO N ES
Se construyó un modelo estadístico de pronóstico estacional de precipitaciones, basado en la técnica de regresión lineal
para 15 zonas de Perú, que cubren costa, sierra y selva. Los resultados fueron los siguientes:
• El modelo muestra el mejor rendimiento para la región de la selva, donde el MAE se comportó por debajo o cerca
al 25 %, con excepción de los pronósticos para enero en la selva Norte.
• El mejor rendimiento del modelo se obtuvo para el mes de marzo en la selva sur y selva central.
• Para la sierra, el mejor rendimiento del modelo se obtuvo para la sierra sur y central, en ambos casos para la
vertiente Atlántica.
• En 8 de las 12 regiones correspondientes a sierra y selva, el modelo realizó “pronósticos correctos” en más del 60 %
de los casos, y en uno, selva sur baja, muy cercano al 60 %.
• Para le sierra el modelo mostró mejor rendimiento en su vertiente atlántica, mientras para la selva, el mejor
rendimiento se obtuvo en la parte alta.
• Los predictores más informativos fueron los índices WP, NAO, E, AO, TSA y la MJO.
REF E RE N CI AS
Aceituno, P. (1989). On the functioning of the southern oscillation in the South American, sector. Part II. Upper-air circulation, J.
Clim., 2(4), 341-355, https://doi.org/10.1175/1520-0493(1988)116<0505:OTFOTS>2.0.CO;2
Garreaud, R. (2009). The Andes climate and weather. Adv. in Geosc., 22, 3-11. https://doi.org/10.5194/adgeo-22-3-2009
Glahn, H.R. y Lowry, D.A. (1972). The Use of Model Output Statistics (MOS) in Objective Weather Forecasting. J. Appl. Meteor. and
Clim., 11 (8), 1203-1211. https://doi.org/10.1175/1520-0450(1972)011<1203:tuomos>2.0.co;2
Lagos, P., Silva, Y., Nickl, E., y Mosquera, K. (2008). El Niño–related precipitation variability in Perú. Adv. Geosci., 14, 231-237.
https://doi.org/10.5194/adgeo-14-231-2008
Lavado-Casimiro, W. y Espinoza, J. C. (2014). Impactos de El Niño y La Niña en las lluvias del Perú (1965-2007). Rev. bras.
meteorol., 29(2), 171-182. https://doi.org/10.1590/S0102-77862014000200003
Lavado, W., Fernandez, C., Vega, F., Caycho, T., Endara, S., Huerta, A. y Obando, O. F. (2016). PISCO: Peruvian interpolated
data of the SENAMHI’s climatological and hydrological observations. Precipitación v1.0. Servicio Nacional de Meteorología e
Hidrología, pp. 5.
19
Silva, Y., Takahashi, K. y Chávez, R. (2008). Dry and wet rainy seasons in the Mantaro river basin (Central Peruvian Andes). Adv.
Geosci., 14, 261-264. https://doi.org/10.5194/adgeo-14-261-2008
Sulca, J., Takahashi, K., Espinoza, J.C., Vuille, M. y Lavado-Casimiro, W. (2017). Impacts of different ENSO flavors and tropical
Pacific convection variability (ITCZ, SPCZ) on austral summer rainfall in South America, with a focus on Peru. Int. J. Climatol, 38(1),
420-435. https://doi.org/10.1002/joc.5185
Takahashi, K. (2004). The atmospheric circulation associated with extreme rainfall events in Piura, Peru, during the 1997—1998
and 2002 El Nino events. Ann. Geophys., 22, 3917–3926. https://doi.org/10.5194/angeo-22-3917-2004
Vuille, M., Kaser, G. y Juen, I. (2008). Glacier mass balance variability in the Cordillera Blanca, Peru and its relationship with
climate and the large-scale circulation. Glob. Planet. Chang., 62(1-2), 14-28. https://doi.org/10.1016/j.gloplacha.2007.11.003
20
COMENTARIO PERSONAL: Hidrología General -
1004
MODELAMIENTO ESTADÍSTICO PARA EL PRONÓSTICO MENSUAL DE
PRECIPITACIONES EN PERÚ
Moya et. al. (2022), nos hablan que las precipitaciones es un agente fundamenta en la
sociedad y en la economía en cualquier país, ya que, es indispensable para el consumo
humano y para el uso en la industria. Por otro lado, estas precipitaciones generan un peligro
cuando hay lluvias frecuentes. En la investigación de los autores, tomaron datos de
diciembre, febrero, marzo del SENAMHI en el periodo de 1987 – 2016. En conclusión,
realizaron un modelo en las precipitaciones para 15 zonas dentro de la costa, sierra y selva.
Teniendo que, el valor del error medio absoluto fue mejor para la selva, con excepción de los
pronósticos para enero en la selva norte. El mejor rendimiento que se obtuvo es en marzo en
la selva sur y central. En cuanto a la sierra, el mejor rendimiento del modelo se obtuvo para la
sierra sur y central, en ambos casos para la vertiente Atlántica. Para la selva, el mejor
rendimiento se obtuvo en la parte alta. En 8 de las 12 regiones correspondientes a la sierra y
la selva, el modelo realizó “pronósticos correctos” en más del 60 % de los casos, y en uno,
selva sur baja, muy cercano al 60 %.
2
RESEARCH PROGRESS
Aldo S. Moya-Álvarez1, Gerardo Rivera1 y Kobi Mosquera1
RESUMEN
A statistical model of monthly precipitation forecast is built for Peru, based on the relationship of several oceanic and
atmospheric climate indices, as well as the Madden-Julian oscillation indices, with the seasonal variability of
precipitation in the country, to initialize in the month of June of each year. The linear regression technique was
applied between the indices and the gridded precipitation from the PISCO data source for the period December-
March, months that correspond to the rainy season in Peru. The model was built with data corresponding to the
period 1981-2016 and was verified with precipitation records corresponding to the years 2017-2022 for 15 areas
within the coast, mountains and jungle. The mean absolute error (MAE) value was better for the jungle, except for
the forecasts for January in the northern jungle. The best performance was obtained for March in the southern and
central jungle. Regarding the mountains, the best performance of the model was obtained for the southern and
central mountains, in both cases for the Atlantic slope. For the jungle, the best performance was obtained in the
upper part. In 8 of the 12 regions corresponding to the mountains and the jungle, the model made “correct
forecasts” in more than 60% of the cases, and in one, low southern jungle, very close to 60%.
Keywords: rainfall forecast, statistical modeling, linear regression
AFFILIATION:
1. Geophysical Institute of Peru, Lima, Peru.
Cite as: Moya, A., Rivera G. and Mosquera K. (2022). Statistical modeling for the monthly precipitation forecast in
Peru. El Niño scientific bulletin, Geophysical Institute of Peru, Vol. 9 no. 06. pp. 14-20.
14
INTRODUCTION
Precipitation plays a fundamental role in the society and economy of each country
given its usefulness as an indispensable resource, both for human consumption and
for use in industry and, fundamentally, in the agricultural development of any nation.
However, these can also constitute a danger when they exceed their normal behavior,
producing rainy events that frequently lead to floods and the overflowing of rivers,
which generally cause the loss of considerable economic resources and, sometimes,
even of human lives. Sometimes these events are related to the warm or cold phase
of the El Niño-Southern Oscillation (Takahashi, 2004; Lagos et al., 2008; Lavado-
Casimiro and Espinoza, 2011; Sulca et al., 2017). Therefore, it is necessary to
generate tools that support the monitoring and forecasting of rain events. Most of the
rains in Peru are concentrated in the period between September and April (Silva et al,
2008), defining a marked seasonality, with a dry season between May and August
(Aceituno, 1989; Vuille et al, 2008; Garreaud , 2009).
In the present work, a statistical monthly precipitation forecast model is built for all of
Peru, based on the relationship between the seasonal variability of rainfall in Peru and
various oceanic and atmospheric climate indices, as well as the RMM indices (Real-
Time Multivariate MJO). The model was built by applying the linear regression
technique between the aforementioned indices and a gridded precipitation database
for the December-March period (rainy period). The model was built with data
corresponding to the period 1981-2016, and was initialized in June of each year.
DATA AND METHODOLOGY
The precipitation data (“predicting”) were taken for December, January,
February and March, from the interpolated database of climatological and hydrological
observations of SENAMHI (PISCO; Lavado et al., 2018) for the period 1981-2016. The
PISCO data constitute a grid of 26,334 points that cover all of Peru, of which 19,617
are located on land. The predictors (see Table 1) were also taken for the period 1981-
2016. The behavior of the predictors was taken during the 12 months prior to the
month of initialization of the model, in this case, June.
Foto: Jorge Concha
15
Tabla 1. Resumen de las teorías de interacción entre las ondas Kelvin y TIWs.
ONI Índice Oceánico Niño
ICEN Índice costero El Niño
NAO Oscilación del Atlántico Norte
AO Oscilación del océano Ártico
EP/NP Oscilación del Pacífico Este / Pacífico Norte
WP Índice del Pacífico Occidental
SOI Índice de Oscilación del Sur
TSA Índice del Atlántico Sur Tropical
TNA Índice del Atlántico Norte Tropical
Nuevos índices no correlacionados, basados en los EOF principales
de la anomalía de la TSM en el océano Pacífico, que dan cuenta
CyE respectivamente de los eventos cálidos extremos en el este y los
eventos cálidos fríos / moderados en el Pacífico ecuatorial central,
correspondientes a regímenes con diferente evolución.
RMM1 Índices Multivariados en tiempo real de la oscilación de
y RMM2 Madden-Julian
MÉTODO
Se aplicó la técnica de regresión lineal múltiple en su modalidad de Perfect-Prog (Glahn y Lowry, 1972). Sobre esta base,
se construyó una ecuación de regresión múltiple para cada punto de la grilla de PISCO, de manera que el pronóstico
de precipitaciones comprende todo el país. Visto así, se construirían 19 617 ecuaciones de pronóstico (modelos).
VERIFICACIÓN
La verificación de los resultados se realizó para 15 regiones, promediando para cada una los resultados de los pixeles
correspondientes a cada región, tanto del pronóstico como de la precipitación registrada:
• Coste norte, costa central y costa sur
• Sierra norte occidental y oriental
• Sierra central occidental y oriental
• Sierra sur occidental y oriental
• Selva norte alta y baja
• Selva central alta y baja
• Selva sur alta y baja
Los estadísticos empleados fueron el sesgo (bias) y el error absoluto medio (MAE), los que se calcularon con los
resultados obtenidos para la muestra independiente 2017-2022. También se calculó el porcentaje de “pronósticos
correctos”, entiéndase el porcentaje de ocasiones en que el modelo pronosticó por encima/debajo de la media histórica
y se cumplió. También se incluyeron como pronósticos correctos a aquellos casos en que el módulo de las anomalías,
tanto pronosticada como observada, no rebasó el 10 %.
16
RESULTADOS
La Figura 1 muestra la desviación absoluta media del pronóstico respecto a la precipitación registrada para diciembre,
enero, febrero y marzo para las regiones consideradas. De forma general, se puede apreciar que el modelo muestra
el mejor rendimiento para la selva, donde el valor del MAE estuvo por debajo o cercano al 25 %, con excepción de
los pronósticos para enero en la selva norte. En este sentido, hay que resaltar que los mejores resultados se obtuvieron
para marzo, tanto en la selva sur como en la selva central.
En relación con la sierra, los mejores rendimientos se obtuvieron para la sierra sur y central, en ambos casos en la
vertiente oriental para diciembre, enero y marzo. Los pronósticos para la vertiente del Pacífico de la sierra mostraron
bajo rendimiento.
Figura 1. Desviación absoluta media del pronóstico respecto a la precipitación registrada para diciembre, enero, febrero y marzo
para todas las regiones consideradas. La curva polinómica es la tendencia de quinto orden aplicada al rendimiento del modelo a
través de las regiones mostradas en la gráfica.
En cuanto a la efectividad general del modelo, la Figura 2 muestra el porcentaje general de los pronósticos correctos
emitidos para todas las regiones consideradas. En 8 de las 12 regiones correspondientes a sierra y selva el modelo realizó
“pronósticos correctos” en más del 60 % de los casos, y en uno, selva sur baja, muy cercano al 60 %. En este sentido, el
modelo mostró un rendimiento bajo solo en la sierra norte y en la selva norte baja, con efectividad por debajo del 45 %.
Para la selva central baja mostró una efectividad cercana al 80 %.
17
Figura 2. Porcentaje general de pronósticos correctos emitidos para todas las regiones consideradas. La curva punteada es del
tipo polinómica.
La Figura 3 resume el comportamiento de la desviación absoluta media del pronóstico respecto a la precipitación
registrada para las vertientes del Pacífico y Atlántico de la sierra y para la selva alta y baja. En la figura se observa que
el modelo mostró el mejor rendimiento para la vertiente Atlántica de la sierra y para la selva alta. El rendimiento del
modelo para la zona costera (no se muestra en el artículo) resultó muy bajo en cuanto al porcentaje de error. De igual
forma, el modelo no detectó los eventos lluviosos asociados a los eventos de El Niño 1982-1983 y 1997-1998. Los
predictores más informativos fueron los índices WP, NAO, E, AO, TSA y la MJO.
Figura 3. Desviación absoluta media del pronóstico respecto a la precipitación registrada para las vertientes del Pacífico y Atlántico
de la sierra (a) y para la selva alta y baja (b).
18
CONCLUSIONES
Se construyó un modelo estadístico de pronóstico estacional de precipitaciones, basado en la técnica de regresión lineal
para 15 zonas de Perú, que cubren costa, sierra y selva. Los resultados fueron los siguientes:
• El modelo muestra el mejor rendimiento para la región de la selva, donde el MAE se comportó por debajo o cerca
al 25 %, con excepción de los pronósticos para enero en la selva Norte.
• El mejor rendimiento del modelo se obtuvo para el mes de marzo en la selva sur y selva central.
• Para la sierra, el mejor rendimiento del modelo se obtuvo para la sierra sur y central, en ambos casos para la
vertiente Atlántica.
• En 8 de las 12 regiones correspondientes a sierra y selva, el modelo realizó “pronósticos correctos” en más del 60 %
de los casos, y en uno, selva sur baja, muy cercano al 60 %.
• Para le sierra el modelo mostró mejor rendimiento en su vertiente atlántica, mientras para la selva, el mejor
rendimiento se obtuvo en la parte alta.
• Los predictores más informativos fueron los índices WP, NAO, E, AO, TSA y la MJO.
REFERENCIAS
Aceituno, P. (1989). On the functioning of the southern oscillation in the South American, sector. Part II. Upper-air circulation, J.
Clim., 2(4), 341-355, https://doi.org/10.1175/1520-0493(1988)116<0505:OTFOTS>2.0.CO;2
Garreaud, R. (2009). The Andes climate and weather. Adv. in Geosc., 22, 3-11. https://doi.org/10.5194/adgeo-22-3-2009
Glahn, H.R. y Lowry, D.A. (1972). The Use of Model Output Statistics (MOS) in Objective Weather Forecasting. J. Appl. Meteor. and
Clim., 11 (8), 1203-1211. https://doi.org/10.1175/1520-0450(1972)011<1203:tuomos>2.0.co;2
Lagos, P., Silva, Y., Nickl, E., y Mosquera, K. (2008). El Niño–related precipitation variability in Perú. Adv. Geosci., 14, 231-237.
https://doi.org/10.5194/adgeo-14-231-2008
Lavado-Casimiro, W. y Espinoza, J. C. (2014). Impactos de El Niño y La Niña en las lluvias del Perú (1965-2007). Rev. bras.
meteorol., 29(2), 171-182. https://doi.org/10.1590/S0102-77862014000200003
Lavado, W., Fernandez, C., Vega, F., Caycho, T., Endara, S., Huerta, A. y Obando, O. F. (2016). PISCO: Peruvian interpolated
data of the SENAMHI’s climatological and hydrological observations. Precipitación v1.0. Servicio Nacional de Meteorología e
Hidrología, pp. 5.
19
Silva, Y., Takahashi, K. y Chávez, R. (2008). Dry and wet rainy seasons in the Mantaro river basin (Central Peruvian Andes). Adv.
Geosci., 14, 261-264. https://doi.org/10.5194/adgeo-14-261-2008
Sulca, J., Takahashi, K., Espinoza, J.C., Vuille, M. y Lavado-Casimiro, W. (2017). Impacts of different ENSO flavors and tropical
Pacific convection variability (ITCZ, SPCZ) on austral summer rainfall in South America, with a focus on Peru. Int. J. Climatol, 38(1),
420-435. https://doi.org/10.1002/joc.5185
Takahashi, K. (2004). The atmospheric circulation associated with extreme rainfall events in Piura, Peru, during the 1997—1998
and 2002 El Nino events. Ann. Geophys., 22, 3917–3926. https://doi.org/10.5194/angeo-22-3917-2004
Vuille, M., Kaser, G. y Juen, I. (2008). Glacier mass balance variability in the Cordillera Blanca, Peru and its relationship with
climate and the large-scale circulation. Glob. Planet. Chang., 62(1-2), 14-28. https://doi.org/10.1016/j.gloplacha.2007.11.003
20
PERSONAL COMMENT: Hidrología General -
1004
STATISTICAL MODELING FOR MONTHLY RAINFALL FORECASTING
IN PERU
Moya et. al. (2022), tell us that rainfall is a fundamental agent in society and in the
economy of any country, since it is indispensable for human consumption and for use in
industry. On the other hand, this precipitation generates a danger when there are frequent
rains. In the authors' research, they took data from December, February, March from
SENAMHI in the period 1987 - 2016. In conclusion, they made a model on rainfall for 15
zones within the coast, highlands and jungle. Having that, the value of the mean absolute
error was better for the jungle, with the exception of the forecasts for January in the northern
jungle. The best performance was obtained in March in the southern and central jungle. As
for the highlands, the best model performance was obtained for the southern and central
highlands, in both cases for the Atlantic slope. For the jungle, the best performance was
obtained in the highlands. In 8 of the 12 regions corresponding to the highlands and jungle,
the model made “correct forecasts” in more than 60 % of the cases, and in one, low southern
jungle, very close to 60 %.
3
Hidrología General -
1004
