Resumen de Filtro combinado Kriging-Kalman para estimar y predecir la evolución de estados climáticos en algunas estaciones meteorológicas del Ecuador

Inti Becerra, Saba Infante Quirpa, Rafael Amaro, Aracelis Hernández

• español

  En este artículo se propone una metodología que involucra el filtro Kriging Universal (FKU) y el filtro de Kalman (FK) para estudiar los modelos dinámicos espacio-temporales. Las superficies de predicción espacial se construyen utilizando el FKU, mientras que el FK se utiliza para estimar los efectos temporales. El FKU proporciona un enfoque de estimación exitoso desde el punto de vista de la estadística espacial, mientras que el FK describe un procedimiento recursivo bien establecido para estimar los estados y parámetros en estos modelos. La metodología se ilustra utilizando series temporales de 30 años de 3 estaciones meteorológicas del Ecuador. El modelo permite realizar predicciones sobre temperatura, precipitación y humedad, obteniéndose estimaciones de los estados desconocidos muy similares cuando se compara con la serie original. La raíz del error cuadrático medio se utilizó como una medida de bondad de ajuste para medir la calidad de estimación del algoritmo, obteniendo resultados satisfactorios.

• English

  This article proposes a methodology that involves the Universal Kriging filter (UKF) and the Kalman filter (KF) to study temporal-space dynamic models.

  Spatial prediction surfaces are constructed using the UKF and the KF is used to estimate the temporal effects. The UKF provides a successful estimation approach from the point of view of spatial statistics, while the KF describes a well-established recursive procedure to estimate the states and parameters in these models. The methodology is illustrated using 30-year time series of 3 meteorological stations in Ecuador. The model allows to make predictions on temperature, precipitation and humidity, obtaining estimates of unknown states very similar when compared to original series. The root mean square error was used as a measure of goodness of fit to measure the estimation quality of the algorithm, obtaining satisfactory results.