Skip to article frontmatterSkip to article content

Estimación Cuantitativa de la Lluvia

Acumulado de precipitación en el radar de Guaviare

Figure 1:Acumulado de precipitación en el radar de Guaviare

Estimación Cuantitativa de la Lluvia

🧭 Introducción

En este cuadernillo aprenderás cómo estimar la lluvia acumulada (QPE, Quantitative Precipitation Estimation) a partir de datos de reflectividad. Usaremos una relación empírica Z–R para convertir reflectividad en tasa de precipitación, y luego integraremos en el tiempo para obtener acumulados.

Los datos provienen del radar meteorológico ubicado en Guaviare, Colombia, y están preprocesados en formato Zarr siguiendo los principios FAIR.

📚 ¿Qué vas a aprender?

✔ Cómo aplicar relaciones Z–R para estimar lluvia a partir de reflectividad
✔ Cómo calcular acumulados de precipitación sobre tiempo con datos radar
✔ Cómo visualizar mapas de lluvia en 2D usando xarray y matplotlib
✔ Cómo usar datos radar del radar Guaviare desde Zarr en la nube

✅ Requisitos Previos

ConceptoImportanciaEnlace sugerido
Python y XarrayManipulación de datos multidimensionalesIntro Xarray
Radar meteorológicoInterpretación física de la reflectividad (dBZ)Radar básico

1. ☔ Fundamento: Estimación Cuantitativa de Precipitación (QPE)

La estimación cuantitativa de precipitación (QPE) consiste en transformar la reflectividad medida por el radar (en unidades dBZ) a una tasa de precipitación (mm/h), usando una relación empírica del tipo:

Z=a⋅RbZ = a \cdot R^b
(1)

Una de las más utilizadas es la relación de Marshall y Palmer (1948):

Z=200⋅R1.6Z = 200 \cdot R^ {1.6}
(2)
from dask.distributed import Client, LocalCluster

# Create a local cluster with correct arguments
cluster = LocalCluster(
    n_workers=4,              # Number of worker processes
    memory_limit='2GB'        # Per worker memory limit
)

client = Client(cluster)
client
Loading...

2. 🗂️ Acceso a datos del radar de Guaviare

En esta sección accederemos a datos del radar meteorológico ubicado en San José del Guaviare, Colombia. Estos datos han sido preprocesados y almacenados en formato Zarr v3, siguiendo los principios FAIR (Findable, Accessible, Interoperable, Reusable), y se encuentran disponibles públicamente a través del servicio en la nube Jetstream 2.

Usaremos xarray y fsspec

import xarray as xr

# URL del endpoint S3 en Jetstream 2
url = "https://js2.jetstream-cloud.org:8001/"
path = "s3://pythia/radar/AtmosCol2025/Guaviare.zarr"

# Abrir el DataTree del radar
dtree = xr.open_datatree(
    path,
    # "/media/alfonso/drive/Alfonso/python/raw2zarr/zarr/Guaviare.zarr",
    engine="zarr",
    chunks={},
    backend_kwargs={
        "consolidated": False,
        "storage_options": {
            "anon": True,
            "client_kwargs": {
                "endpoint_url": url,
            },
        },
    },
)
display(dtree)
Loading...

2.1 🔍 Exploración de la estructura del volumen radar

El radar de San José del Guaviare contiene múltiples modos de escaneo organizados como grupos dentro del DataTree, tales como PRECA, PRECB, PRECC y SURVP. Cada uno corresponde a una configuración de volumen distinta en el modo de precipitación.

Dentro de cada grupo se encuentran:

  • Variables globales (latitude, longitude, altitude, etc.)
  • Subgrupos de barrido (sweep_0, sweep_1, sweep_2, ...)
  • Parámetros del radar (radar_parameters)
  • Correcciones de georreferenciación (georeferencing_correction)
list(dtree.children)
['PRECA', 'SURVP', 'PRECB', 'PRECC']

Y los nodos hijos dentro de un volumen específico, por ejemplo PRECA:

list(dtree["PRECA"].children)
['georeferencing_correction', 'radar_parameters', 'sweep_3', 'sweep_0', 'sweep_1', 'sweep_2']
dtree["/PRECA/sweep_0/DBZH"]
Loading...

3. 🌧️ Cálculo de la Precipitación Acumulada

En esta sección estimaremos la profundidad de precipitación acumulada usando la reflectividad radar de Guaviare y una relación empírica tipo ( Z = a \cdot R^b ). Para ello, aplicaremos la fórmula de Marshall y Palmer y realizaremos una integración temporal sobre cada píxel.

La función rain_depth() implementa este proceso completo de forma vectorizada usando xarray.

3.1 Definición de la función rain_depth

def rain_depth(
    z: xr.DataArray, a: float = 200.0, b: float = 1.6, t: int = 5
) -> xr.DataArray:
    """
    Estima la profundidad de precipitación acumulada a partir de la reflectividad radar.

    Parámetros
    ----------
    z : xr.DataArray
        Reflectividad en dBZ o Z lineal (se determina automáticamente por las unidades).
    a : float, opcional
        Parámetro 'a' en la relación Z-R. Valor por defecto: 200.0.
    b : float, opcional
        Parámetro 'b' en la relación Z-R. Valor por defecto: 1.6.
    t : int, opcional
        Intervalo de tiempo en minutos entre volúmenes. Default: 5.

    Retorna
    -------
    xr.DataArray
        Profundidad de lluvia estimada (en mm) por píxel.
    """
    # Revisión de unidades
    units = z.attrs.get("units", "")

    # Convertimos dBZ a Z lineal si es necesario
    if units.startswith("dB"):
        z_lin = 10 ** (z / 10)
    else:
        z_lin = z  # ya está en unidades lineales

    # Aplicamos la relación Z-R e integramos en el tiempo
    r = ((1 / a) ** (1 / b)) * z_lin ** (1 / b)
    return r * (t / 60)  # profundidad acumulada en mm

3.2 Aplicación sobre datos del radar Guaviare (SURVP/sweep_0)

Usamos el barrido más bajo (sweep_0) del volumen SURVP, que corresponde a una elevación cercana a (0.5^\circ), ideal para estimar precipitación acumulada sobre la superficie.

Seleccionamos la reflectividad horizontal (DBZH) y aplicamos la función rain_depth.

# Selección del barrido y variable de reflectividad
ref_log = dtree["/SURVP/sweep_0/DBZH"]
# Cálculo de la precipitación acumulada (en mm) para cada volumen
rr = rain_depth(ref_log)
rr
Loading...

3.1 🧮 Estimación de la lluvia total acumulada

Una vez calculada la tasa de precipitación para cada volumen, podemos estimar la lluvia total acumulada del evento sumando a lo largo del tiempo (vcp_time).

rr_total = rr.sum(dim="vcp_time", skipna=True)
rr_total
Loading...

Visualizamos el campo acumulado:

%%time
rr_total.plot(x="x", y="y", cmap="magma", robust=True);
CPU times: user 2.22 s, sys: 193 ms, total: 2.41 s
Wall time: 14.1 s
<Figure size 640x480 with 2 Axes>

3.2 🧮 Acumulaciones parciales por intervalo de tiempo

El volumen radar cubre el periodo:

  • Inicio: 2025-06-19 18:19 UTC
  • Fin: 2025-06-19 23:50 UTC

A continuación, estimaremos la lluvia acumulada para distintos intervalos:

  1. Primera hora del evento
  2. Primeras dos horas
  3. Evento completo
# Conversión explícita a datetime64 para selección
import numpy as np
import matplotlib.pyplot as plt

t0 = np.datetime64("2025-06-19T18:19:00")
t1 = np.datetime64("2025-06-19T19:19:00")
t2 = np.datetime64("2025-06-19T20:19:00")
# Subconjuntos únicos para cada intervalo
rr_sel_1h = rr.sel(vcp_time=slice(t0, t1))
rr_sel_2h = rr.sel(vcp_time=slice(t1, t2))
rr_sel_remain = rr.sel(vcp_time=slice(t2, None))
# Acumulaciones parciales
rr_1h = rr_sel_1h.sum("vcp_time")
rr_2h = rr_1h + rr_sel_2h.sum("vcp_time")
rr_total =  rr_2h + rr_sel_remain.sum("vcp_time")

3.3 📊 Visualización de acumulaciones en distintos intervalos

A continuación, mostramos la estimación de lluvia acumulada para:

  • Primer hora
  • Primeras dos horas
  • Evento completo
%%time
fig, axs = plt.subplots(1, 3, figsize=(12, 4), constrained_layout=True, sharey=True)

# Primer hora
rr_1h.plot(
    ax=axs[0],
    cmap="magma",
    robust=True,
    x="x",
    y="y",
    add_colorbar=False, 
)

axs[0].set_title("Acumulado 1h")
axs[0].set_xlabel("Distancia Norte-Sur")
axs[0].set_ylabel("Distancia Este-Oeste")
# Dos horas
rr_2h.plot(
    ax=axs[1],
    cmap="magma",
    robust=True,
    x="x",
    y="y",
   add_colorbar=False, 
)

axs[1].set_title("Acumulado 2h")
axs[1].set_ylabel("")
axs[1].set_xlabel("Distancia Este-Oeste")
# Evento completo
rr_total.plot(
    ax=axs[2],
    cmap="magma",
    robust=True,
    x="x",
    y="y",
    cbar_kwargs={"label": "Precipitación [mm]"},
)
axs[2].set_title("Acumulado total")
axs[2].set_ylabel("")
axs[2].set_xlabel("Distancia Este-Oeste")

plt.savefig("../images/qpe-car.png", dpi=150, bbox_inches='tight')
plt.show()
<Figure size 1200x400 with 4 Axes>
CPU times: user 8.99 s, sys: 572 ms, total: 9.56 s
Wall time: 37 s

5. ✅ Conclusiones

En este cuaderno exploramos el uso del radar meteorológico de Guaviare (Colombia) para realizar una estimación cuantitativa de precipitación (QPE) basada en reflectividad.

  • Utilizamos datos en formato Zarr almacenados en la nube (Jetstream 2) para acceder y procesar reflectividades sin necesidad de descarga local.
  • Aplicamos la relación empírica de Marshall y Palmer (1948) para convertir reflectividad (( Z )) en tasa de precipitación (( R )).
  • Integrando la tasa en el tiempo, obtuvimos estimaciones de profundidad de lluvia acumulada.
  • Visualizamos:
    • Precipitación acumulada para 1 volumen
    • Precipitación acumulada en 2 volúmenes consecutivos
    • Precipitación total para el evento completo
References
  1. Marshall, J. S., & Palmer, W. M. K. (1948). THE DISTRIBUTION OF RAINDROPS WITH SIZE. Journal of Meteorology, 5(4), 165–166. https://doi.org/10.1175/1520-0469(1948)005<;0165:tdorws>2.0.co;2
Aplicaciones científicas
Quasy-Vertical Profiles