Incorporando umbrales de detección en modelos espacio-temporales de precipitación
La precipitación es una variable climática cuya naturaleza intermitente presenta un desafío estadístico: la inflación de ceros. Este fenómeno se agrava por limitaciones instrumentales que descartan valores inferiores a un umbral técnico, generando pérdida de información sobre la lluvia real. Proponemos un modelo bayesiano espacio-temporal de doble inflación de ceros para distinguir entre la ausencia real de precipitación y los ceros observados debidos a umbrales de detección. Su especificación incluye un modelo probit para la ocurrencia y un modelo gamma truncado para la intensidad, ambos incorporando procesos gaussianos y autorregresión para capturar las dependencias espacio-temporales. La estimación se realiza mediante métodos MCMC, lo que permite estimar con medidas de incertidumbre la lluvia “perdida” por las estaciones. La metodología es aplicada en la cuenca hidrográfica del Ebro (España), demostrando una importante infrarrepresentación de días con lluvia en las estaciones.
Keywords: MCMC Modelo jerárquico bayesiano Proceso gaussiano