Location via proxy:   [ UP ]  
[Report a bug]   [Manage cookies]                

CD 6758

Descargar como pdf o txt
Descargar como pdf o txt
Está en la página 1de 114



ESCUELA POLITÉCNICA NACIONAL

FACULTAD DE CIENCIAS

FENÓMENOS CRÍTICOS EN DATOS DE PRECIPITACIÓN LLUVIOSA


INTENSA DETECTADOS CON RADAR Y MICROONDAS, EN LA ZONA
DE INFLUENCIA DEL FENÓMENO DEL NIÑO SOBRE EL ECUADOR,
EN EL PERÍODO 2009-2012

TESIS DE GRADO PREVIO A LA


OBTENCIÓN DEL TÍTULO DE MAGISTER EN FÍSICA

MARÍA SHEILA FABIOLA SERRANO VINCENTI

sserranov@ups.edu.ec

DIRECTOR: LEONARDO ALBERTO BASILE CARRASCO

leonardo.basile@epn.edu.ec

Quito, enero de 2016




DECLARATORIA

Yo, María Sheila Fabiola Serrano Vincenti, declaro bajo juramento que el trabajo aquí
descrito es de mi autoría; que no ha sido previamente presentado para ningún grado o
calificación profesional; y, que he consultado las referencias bibliográficas.

La Escuela Politécnica Nacional puede hacer uso de los derechos correspondientes a este
trabajo, según lo establecido por la Ley de Propiedad Intelectual, por su reglamento y por
la normatividad institucional vigente.

i



CERTIFICACIÓN

Certifico que el presente trabajo fue desarrollado por María Sheila Fabiola Serrano
Vincenti, bajo mi supervisión.

ii



AGRADECIMIENTOS

Agradezco de corazón a todos quienes aportaron en este trabajo de investigación, en


especial a Pablo Jácome quien con su invaluable ayuda, hizo viable la adquisición de los
datos y con mucha paciencia, me acompañó en mis pasos en el mundo de la programación.

Agradezco mucho también a Marco Bayas, por su apoyo incondicional y su consejo


oportuno durante los años de estudios y a Ramón Xulvi por su ayuda en el desarrollo y
acompañamiento de esta teoría.

No puedo dejar de mencionar a Nicolás Vásquez, no solo por su apoyo y amistad, sino
también por sus enseñanzas. Y a Marcos Villacís por sus discusiones y aportes teóricos en
este estudio.

Sin embargo, este trabajo no se pudo haber realizado sin el apoyo de mi familia: Ismael,
gracias por todo tu amor, tiempo y apoyo; por saber que juntos llevamos adelante a nuestra
hermosa familia. Amelie y Nicole, gracias hijas por llenar esta vida de alegría, y por darle
sentido a todos nuestros esfuerzos.

Otro gracias a dos apoyos infaltables: Madre gracias por tu tiempo y ayuda, y Sarita,
gracias por siempre estar para nosotros.

Finalmente, un gracias enorme a Leonardo Basile, por mostrarme un camino en el que


conocimientos de física estadística tenían una aplicación climática novedosa. Y gracias a
todas y cada una de las personas que me dieron una mano en este camino, y que tal vez,
por ser demasiadas, no las nombro. Es un honor especial llamarlas compañeros de aula,
colegas de trabajo, y amigos.

Y gracias Señor Todopoderoso, sin tí, nada se logra.

iii



Los datos utilizados en este estudio fueron adquiridos como parte de la Earth-Sun System
Division de la NASA, archivados y distribuidos por Goddard Earth Sciences (GES) Data
and Information Services Center (DISC).

The data used in this study were acquired as part of the NASA's Earth-Sun System
Division and archived and distributed by the Goddard Earth Sciences (GES) Data and
Information Services Center (DISC).


 

iv



Dedicado a

Ismael mi esposo, y a mis hijas Amelie y Nicole.

Con todo mi corazón.


 

v



ÍNDICE DE FIGURAS

Figura 1-1 Valores de densidades en la región de coexistencia líquido-gas, a lo largo de la curva de


presión de vapor. La diferencia de densidades es el parámetro de orden de la transición de líquido
a gas. Fuente: Yeomans, 1992 [4]. 4

Figura.1-2 Variables Termodinámicas de un fluido logradas desde la función de partición. Adaptado


de: Yeomans, 1992 [4]. 4

Figura.1-3 (Izq.) Entalpía libre, (Cent.) entropía y (Der.) calor específico como función de la
temperatura en una transición de primer orden de líquido a gas a presión constante. Adaptado de:
Greiner, 1994 [8]. 5

Figura 1-4. Entropía (Izq.) y calor específico (Der.) en una transición de fase continua o de segundo
orden. Nótese la divergencia del calor específico en el punto de temperatura crítica ܶܿ Fuente:
Greiner, 1994 [8]. 6

Figura 1-5 Densidad de probabilidad unidimensional en una red cristalina durante una transición
de fase que va de del estado a) al c), pasando continuamente por el b). Tomado de: Landau, 1969
[9]. 7

Figura 1-6 Modelo de Ising, antes (A), durante (B) y después (C) de alcanzar la temperatura crítica,
la cual separa a la fase magnetizada de aquella con magnetización cero. Las regiones blancas
representan regiones con spin +1 y las negras con spin -1. Tomado de: Botcharova et al., 2014 [11].
8

Figura 1-7 (Arriba) Universalidad en el punto crítico líquido-gas, en las líneas de coexistencia
𝜌(𝑇 )/𝜌𝑐 versus 𝑇 /𝑇𝑐 para una variedad de átomos y moléculas pequeñas. El valor encontrando
para el exponente crítico es 𝛽 = 13. (Abajo) Universalidad en el punto crítico de la transición
ferromagnética–paramagnética. Se presenta la magnetización versus temperatura para MnF2, donde
el exponente crítico también es 𝛽 = 13 . Ambos fenómenos pertenecen a la misma clase de
universalidad. Tomado de: Sethna, 2006 [3]. 13

Figura 1-8 Modelo de la pila de arena, paradigma de la criticalidad auto-organizada. Tomado de:
Bak, 1996 [22]. 16

Figura 1-9 Magnitud de las avalanchas generadas por el modelo de la pila de arena registradas en
un determinado tiempo [25]. 17

vi



Figura 1-10 Histograma de frecuencias en escala doble logarítmica del tamaño de las avalanchas en
el modelo de la pila de arena [25]. 18

Figura 1-11 Veinte y ocho millones de granos en avalancha simulados numéricamente la pila de
arena, mostrando la apariencia clásica de un fractal. Fuente: Rocchini, 2015 [29]. 19

Figura 2-1 Hidrometeoros (a) Escalas de tamaño de las diferentes formas condensadas de agua que
aparecen en la atmósfera, mismas que dispersan parte del espectro visible y casi la totalidad del IR
(b) Por otro lado, las regiones del IR cercano y térmico excitan a las moléculas en las bandas
vibratorias-rotacionales, especialmente en las longitudes de onda 𝜆1, 𝑦 𝜆3, correspondientes a los
alargamientos de la molécula y 𝜆2 correspondiente al enlace H-O-H. Fuente: Bony et al., 2013 [31].
22

Figura 2-2 Tamaño relativo de las gotas de agua: desde el CNN (Núcleo de Condensación de la
Nube) desarrollado alrededor de un aerosol, con un diámetro D de una décima de micrómetro hasta
las gotas que han alcanzado el tamaño suficiente para precipitarse, las de llovizna y las de lluvia,
ésta última con un tamaño de 1000 micrómetros. Adaptado de: Lamb, 2004 [37]. 25

Figura 2-3 Tipos de nubes en la atmósfera. De los diez tipos de nubes presentados sólo dos son
capaces de producir lluvia, e incluyen el vocablo nimbo. Tomado de: [39]. 26

Figura 2-4 Representación esquemática de un cumulonimbus, en su generación de precipitación


convectiva. En la parte más baja de la nube, sólo existe agua, en la intermedia agua súperenfriada
con hielo y al tope sólo hielo La mezcla de fases de la región intermedia es la que permite que el
tamaño de las gotas sea lo suficientemente grande como para generar lluvias intensas. Adaptado de
The Comet Program, 2011 [30]. 28

Figura 2-5 Diferentes formas que pueden adoptar los cristales de hielo en función de la temperatura
y humedad (supersaturación) disponible en la nube. Tomado de: UNAM [40]. 29

Figura 2-6 Patrones de Circulación del Walker promediada de diciembre a febrero, en la ausencia
de anomalías climáticas. Tomado de: Laing, 2011 [30]. 31

Figura 2-7 Temperatura superficial del mar en el pacífico central durante el evento de el niño (Izq.)
de 1988, que fue registrado como uno de los más intensos en la historia, y su fenómeno inverso, La
Niña (Der.). Adaptado de Laing, 2011 [30]. 32

Figura 2-8 Patrones de precipitación de oeste a este, durante el fenómeno del Niño, las lluvias se
transportan a las costas de Ecuador y Perú. Tomado de: Laing, 2011 [30]. 33

Figura 2-9 Patrones de precipitación de este a oeste durante el fenómeno de la Niña. Las costas de
Ecuador y Perú experimentan sequías debido a las corrientes frías con poco vapor de agua.
Asimismo, el nivel de la termoclina se eleva. Tomado de: Laing, 2011 [30]. 33

vii



Figura 2-10 Zonas de vigilancia de ENOS. Tomado de: Laing, 2011 [30]. 34

Figura 2-11 Diagrama esquemático del cuasi-equilibrio propuesto por Arakawa y Schubert en 1979.
Tomado de [49]. 36

Figura 2-12 Valores promedio de la precipitación reescalados siguiendo una ley de potencia después
de sobrepasar un valor crítico de vapor de agua 𝑤 reescalado también, a la izquierda se presentan
los valores reescalados de la varianza de la precipitación, que diverge en el punto crítico los valores
rojos corresponden datos tomados sobre el Pacífico Este y los verdes en el Oeste. En el recuadro en
escala doble logarítmica muestra la ley de potencia con el vapor reducido ∆𝑤, el O. Índico
corresponde al color amarillo y el azul al Atlántico. Adaptado de: Peters y Neelin, 2006 [46].
37

Figura 2-13 Distribución de los tamaños de eventos de lluvia. La línea roja indica la ley de potencia.
Adaptado de: Peters y Christensen, 2002 [47]. 37

Figura 2-14 Escalamiento por tamaño finito del sistema. La varianza del parámetro de orden 𝜎𝑃2(𝑤)
en función del parámetro de sintonización 𝑤, reescalado y logrando el exponente de 𝐿0.42 para
sistemas de tamaño de 0.25°, 0.5°, 1° y 2° en datos satelitales tomados sobre el Océano Pacífico
Occidental. En el caso de estar cerca del valor crítico 𝑤 ≈ 57 𝑚𝑚 se produce un buen colapso.
Adaptado de: Peters y Neelin, 2006 [46]. 42

Figura 2-15 Número de eventos N(w) observados en un pixel de 0.25° x 0.25°, con un vapor w. Las
líneas verdes y azules respectivamente muestran los tiempos de residencia para todos los puntos y
para los puntos de precipitación. La línea roja muestra el comportamiento del parámetro de orden.
Adaptado de: Peters y Neelin, 2006 [46]. 44

Figura 3-1 Representación artística del satélite TRMM y la franja de barrido de su órbita sobre los
trópicos, a la derecha, insignia del satélite. Fuente: Laing, 2011 [30]. 46

Figura 3-2 Instrumentos a bordo de TRMM. Los utilizados para la medición de la precipitación
corresponden al Radar Meteorológico (PR), el sensor de microondas (TMI) y el sensor de luz visible
(VIRS). Además se incluye un visor de energía radiante para estudiar las nubes (CERES) y un
detector de rayos (LIS). Tomado de: NASDA, 2011 [57]. 48

Figura 3-3 Rango de visión del satélite TRMM, barrido del día 24 de abril del 2013. Fuente: GES
DISC, 2008 [33]. 49

Figura 3-5 Página web donde se obtuvieron los datos. Tomado de: GES-DISC de la NASA [58].
53

Figura 3-6 Datos satelitales de nivel 2A12 enlistados en paquetes generados cada dos horas
aproximadamente. Tomado de: GES-DISC de la NASA [58]. 53

viii



Figura 3-7 Área de estudio ubicada en El Niño sólo 3. Región con influencia sobre el Ecuador.
55

Figura 3-8 Índice Oceánico del Niño, mostrando los años en los que se registró el Fenómeno del
Niño (en rojo), y el Fenómeno de la Niña (en azul). La línea en verde muestra el momento desde el
cual se tienen disponibles los datos de TRMM (1997). Fuente: NOAA [44]. 56

Figura 4-1 Número de eventos de precipitación lluviosa registrados mensualmente desde el año 2009
al 2012, comparado con los valores de ONI. 60

Figura 4-2 Valores máximos de lluvia mensuales registrados sobre la zona de estudio e índice ONI.
60

Figura 4-3 Histograma de la Lluvia superficial vs. el vapor de agua (TWP), el color se presenta a
la derecha del gráfico indicando la frecuencia de los eventos de todos los años estudiados. 61

Figura 4-4 Lluvia superficial vs. vapor de agua en dos regímenes opuestos: el de La Niña (izq.),
caracterizado por escasas lluvias, y El Niño (der.) caracterizado por abundantes lluvias. 62

Figura 4-5 Promedio de la lluvia superficial 𝑃 (𝑤) calculado para cada intervalo de vapor de agua
𝑤, para cada régimen de ENSO entre el 2009 y el 2012. 63

Figura 4-6 Como la Figura 4-5 pero con los valores de precipitación mínimos a la transición de fase
encerados para cada régimen de estudio. 64

Figura 4-7 Como la Figura 4-6 pero con los valores de vapor de agua escalados por un factor 𝑓𝑤𝑖.
65

Figura 4-8 Como en la Figura 4-7, pero con los valores de 𝑃𝑤 multiplicados por el factor de
escalamiento 𝑓𝑃𝑖. 66

Figura 4-9 Ajuste en ley de potencia (Ec. 2-3) para la transición de fase de los valores reescalados
de precipitación y vapor de agua, para cada régimen estudiado. 66

Figura 4-10 Gráfica doble logarítmica de 𝑃𝑤 reescalados vs. el vapor de agua reducido ∆𝑤 en la
zona de la transición de fase. 68

Figura 4-11 Varianzas del parámetro de orden para los regímenes estudiados sin escalamiento.
70

Figura 4-12 Varianzas registradas en cuatro resoluciones diferentes L1, L2, L3 y L4 para los
regímenes estudiados y escalados. 71

ix



Figura 4-13 Aproximadamente, un millón de eventos de lluvia superficial registrada en el mes de


septiembre del año 2009. Se aprecia la gran cantidad de datos de baja magnitud y los pocos (menos
de una veintena) sobre los 20 mm/h. 72

Figura 4-14 Distribución Acumulada de Frecuencias Normalizada de los datos de lluvia sobre el
área total de estudio para los años estudiados. Los datos del eje x se encuentran en [mm/h].
74

Figura 4-15 Ajuste de la función exponencial encontrada Ec. 4-3 a la Distribución Acumulada
Normalizada de los datos de lluvia sobre el área total para todos los años estudiados, en escala
doble logarítmica. 76

Figura 4-16 Distribuciones de frecuencia normalizadas en escala doble logarítmica de los tamaños
de lluvia registrados en los diferentes regímenes de lluvia, logrados de la ecuación Ec. 4-4 77

Figura 4-17 Corte de los datos superiores a 25mm/h realizados para comparar los exponentes
adquiridos con los reportados teóricamente. 78

Figura 4-18 Número de eventos de lluvia vs. vapor de agua registrados para cada régimen.
80

Figura 4-19 Número de eventos de lluvia por mes vs. vapor de agua registrados para cada régimen
81

x



ÍNDICE DE TABLAS

Tabla 1-1 Ejemplos de la diversidad de transiciones de fase a nuevos estados de la materia


encontrados en la naturaleza y sus parámetros de orden. Adaptado de: Yeomans, 1992 [4].
2

Tabla 3-1 Niveles de los productos entregados por TRMM. Adaptado de: NASDA, 2011 [57].
50

Tabla 4-1 Regímenes climáticos determinados (Niño, Niña o Testigo) según el índice mensual ONI
en los años de estudio. Fuente: NOAA [44]. 58

Tabla 4-2 Factores de escalamiento 𝑓𝑤𝑖 y 𝑓𝑃𝑖, y valores críticos de vapor de agua ‫ ݅ܿݓ‬encontrados
para cada régimen. Llama la atención el comportamiento del Niño, Testigo 2010 y Testigo 2011.
67

Tabla 4-3 Exponentes críticos encontrados para el sistema lluvioso (Izq.) reportados tanto por
Peters y Neelin [46], como dentro de este estudio, con (Centro) y sin corte (Der.) de los datos.
79

xi



 CAPÍTULO 1. FENÓMENOS CRÍTICOS

Este capítulo tiene el objetivo de presentar el fundamento teórico de la presente


investigación, uniendo dos teorías independientes: la de los fenómenos críticos y la de la
dinámica de la precipitación, presentada en el Capítulo 2 (pág. 21). Finalmente se
presentará evidencia científica reciente de la compatibilidad entre estas dos teorías.

1.1 LAS TRANSICIONES DE FASE




Cuando se varían ligeramente los parámetros físicos de un sistema -como por ejemplo,
agua a temperatura ambiente al ser enfriada en un congelador a 10°C-, ésta cambia sus
propiedades físicas como la viscosidad y calor específico, pero no mucho. En este caso, en
que las propiedades físicas no cambian dramáticamente se dice que el sistema se mantiene
en la misma fase.

Sin embargo, si se calienta el agua a 100°C, se formarán burbujas de vapor en todas partes
hasta que finalmente se evaporará por completo. En este caso el cambio sí es dramático
ya que las mismas propiedades físicas dan un salto a nuevos valores, a pesar de que la
composición química sigue siendo la misma. Familiarmente a estas transformaciones se les
llama "cambios de estado", pero muy frecuentemente ocurren fenómenos parecidos en que
ambos estados son el mismo, con propiedades estructurales, magnéticas o de otro tipo,
diferentes. Es por esto que a estos cambios se los conoce como transiciones de fase [1].

En un principio, se pensaba que los estados de la materia sólo eran tres: sólido, líquido y
gaseoso. En 1937 se agrega el estado de plasma [2]. Hoy, al comparar las propiedades
termodinámicas de la materia, el número de estados encontrados se ha multiplicado:
hablando estrictamente, los ferromagnetos son un diferente estado de la materia, así como
los metales se diferencian de los aislantes. Asimismo, los superconductores y los
superfluidos son otros interesantes nuevos estados. Existe una familia completa de

1



diferentes estados de la materia de cristales líquidos, donde se han identificado 200 tipos
diferentes -sin mencionar a los quasicristales-. Hay estados desordenados de la materia
como los spines de vidrios y los estados fraccionarios del efecto Hall cuántico, los quarks,
y otros estados desarrollados desde la física de partículas. En conclusión, actualmente se
cuentan alrededor 500 estados de la materia [3]. En la Tabla 1-1 se presentan algunas
transiciones de fase hacia estos nuevos estados.

Tabla 1-1 Ejemplos de la diversidad de transiciones de fase a nuevos estados de la materia


encontrados en la naturaleza y sus parámetros de orden. Adaptado de: Yeomans, 1992 [4].

Transición al estado Ejemplo Parámetro de orden


Ferromagnético Fe Magnetización
Antiferromagnético MnO Magnetización en las sub-redes
Ferrimagnético Fe3O4 Magnetización en las sub-redes
Estructural SrTiO3 Desplazamientos atómicos
Ferroeléctrico BaTiO3 Polarización eléctrica
Orden-desorden CuZn Concentración atómica de sub-red
Separación de fase CCl4 + C7F16 Diferencia de concentraciones
4
Superfluido He líquido Función de onda condensada
Superconductor Al, Nb3Sn Función de onda de estado base
Cristal líquido Moléculas “tipo barra” Varios

Sin embrago, ¿qué es lo que distingue un estado de la materia de otro a nivel microscópico?
se ha determinado que materiales con diferente simetría, pueden considerarse en diferentes
fases. Por ejemplo, si se analiza un cubo y una esfera, se ve que la esfera es más simétrica
que el cubo, ya que ésta puede ser rotada en cualquier ángulo y permanecer invariante
(invariancia rotacional). Mientras que el cuadrado únicamente puede ser rotado en ángulos
específicos (90ͼ, 180ͼ, 270ͼ, 120ͼ o 240ͼ) [3]. Por ejemplo el estado líquido se diferencia del
estado sólido (o cristalino) porque éstos primeros son isotrópicos, a diferencia de los
cristales que son anisotrópicos. Toda transición de cristal a líquido, o a otro cristal con
diferente simetría está asociado con la aparición o desaparición de nuevos elementos de
simetría [5].

2



Sin embargo, cada cambio de simetría del sistema en una transición de fase se puede
describir por un parámetro de orden. Definido por Landau, en 1937 [6], representa
cualitativamente las diferencias entre varias fases. Por ejemplo, para el caso de la transición
de la fase líquida del agua hacia la gaseosa, el parámetro de orden podría ser la diferencia
entre las densidades (Ver Figura 1-1), así como la diferencia entre volúmenes para un
número fijo de partículas, el parámetro de orden tenderá a cero en el punto crítico,
determinado por una variable llamada parámetro de sintonización. Cuando éste logra un
valor crítico (del griego “κρ৲σις” krisis = separación), ocurre la transición de fase.

1. 2 FÍSICA ESTADÍSTICA DE LAS TRANSICIONES DE FASE




La función de partición para un sistema con muchas partículas es:

𝑍(𝑇 , 𝑉 ) = ∑𝑟𝑒−𝛽𝐸𝑟 ,

Ec. 1-1

Donde la suma se da sobre todos los estados ‫ ݎ‬con energía ‫ ݎܧ‬y con temperatura 𝛽 =
1⁄𝑘𝑇 , siendo 𝑘 la constante de Boltzman. Esta estadística de Maxwell-Boltzman, es
aplicable a una generalidad de sistemas que van desde los ferromagnetos, fluidos, modelos
microscópicos, etc. Una vez conocida la función de partición, podremos determinar los
potenciales termodinámicos, que son ecuaciones constitutivas asociadas a un sistema
termodinámico, y que corresponden a diferentes tipos de restricciones sobre éste [7]. En el
caso de la Energía Libre de Helmholtz ℱ, ésta será proporcional al logaritmo de la función
de partición:

ℱ(𝑇 , 𝐻) = −𝑘𝑇 𝑙𝑛𝑍(𝑇 , 𝐻)

Ec. 1-2

El conocimiento un potencial termodinámico sumado a las relaciones termodinámicas de


Maxwell, permite obtener todas las variables termodinámicas del sistema. Cada una de las
propiedades macroscópicas del sistema se obtienen de diferenciar los potenciales; tal como
lo muestran las ecuaciones de la Figura.1-2, aplicadas para fluidos, tomando como base la
Primera Ley de la Termodinámica:

𝑑𝑈 = 𝑇𝑑𝑆 − 𝑃𝑑𝑉

Ec. 1-3

3



Figura 1-1 Valores de densidades en la región de coexistencia líquido-gas, a lo largo de la curva de


presión de vapor. La diferencia de densidades es el parámetro de orden de la transición de líquido
a gas. Fuente: Yeomans, 1992 [4].

Funcióndepartición

ܼ ܶǡ ܸ ൌ ෍ ݁ ିఉா௥

EnergíaLibre
‫ ܨ‬ൌ ݇஻ ܶ Ž ܼ

EnergíaInterna Entropía Presión


డ ୪୬ ௓ ߲‫ܨ‬ ߲࣠
ܷൌ െ ܵൌ ܲൌെ
డఉ ᇹ ߲ܶ ௏ ߲ܸ ்
ܵ ൌ ሺܷ െ ‫ܨ‬ሻȀܶ

Calorespecífico(Vol.cte.) Compresibilidadisotérmica
߲ܷ ͳ ߲ܸ
‫ܥ‬௏ ൌ Calorespecífico(X=P.Vcte) ߢ் ൌ െ
߲ܸ ௏ ܸ ߲ܲ ்
߲ܵ
‫ܥ‬௫ ൌ ܶ
߲ܶ ௫

Figura.1-2 Variables Termodinámicas de un fluido logradas desde la función de partición. Adaptado


de: Yeomans, 1992 [4].

4



1. 3 CLASIFICACIÓN DE LAS TRANSICIONES DE FASE

Las transiciones de fase se caracterizan por presentar significativas discontinuidades en sus


funciones termodinámicas. Por ejemplo, al analizar las entropías de las fases líquida y
gaseosa 𝑆𝑙 y 𝑆𝑔 , en el proceso de evaporación, se encuentra que son muy diferentes en
varios órdenes de magnitud aunque la temperatura sea constante (𝑇𝑐 = 100 ℃), así como
la presión (𝑝 = 1.01325 × 105 𝑃𝑎), como se muestra en la Figura.1-3.

Esta diferencia en entropías se puede calcular a través de la siguiente ecuación:

∆𝑄 = 𝑇𝑐 (𝑆𝑔 − 𝑆𝑙 )

Ec. 1-4

Donde ∆𝑄 es la cantidad de calor que debe ser entregada al sistema para que la
evaporación ocurra en la temperatura 𝑇𝑐 y a la presión 𝑝, a este calor se le conoce como
calor latente o calor de evaporación [8].

Antes de alcanzar la temperatura crítica 𝑇𝑐 , el calor entregado al sistema generaba un


incremento en la temperatura según la ecuación ∆𝑄 = 𝐶𝑝𝑙 ∆𝑇 (donde 𝐶𝑝𝑙 se refiere a la
capacidad calorífica a presión constante del agua líquida), hasta lograr la temperatura 𝑇𝑐 .

Una vez lograda esta temperatura crítica, la energía adicional sirve para romper los enlaces
entre las moléculas de agua e incrementar la entropía de 𝑆𝑙 a 𝑆𝑔 . Cuando todo el líquido
se transforma en vapor, el calor genera nuevamente un incremento en la temperatura, lo
que corresponde a un incremento en la capacidad calorífica 𝑐𝑝 = 𝑇𝜕𝑆
𝜕𝑇 𝑝
∣ .

Figura.1-3 (Izq.) Entalpía libre, (Cent.) entropía y (Der.) calor específico como función de la
temperatura en una transición de primer orden de líquido a gas a presión constante. Adaptado de:
Greiner, 1994 [8].

5



Así, las transiciones de fase que presentan una discontinuidad en alguna de las primeras
derivadas del potencial termodinámico, se denominan transiciones de fase discontinuas o
de primer orden. Al contrario, las transiciones de fase donde la primera derivada es
continua, y alguna de las derivadas superiores es discontinua, se denominan continuas. La
clasificación de transiciones de fase en primer y segundo orden es anacrónica y se debe a
Ehrenfest (1933), quien propuso clasificar a una transición como de n-ésimo orden si la n-
ésima derivada de la energía libre respecto de alguno cualquiera de sus argumentos era
discontinua. Esta clasificación ya no es adecuada, porque en la mayoría de las transiciones
de fase continuas, las segundas derivadas divergen en lugar de exhibir una discontinuidad,
este hecho que se llegó a conocer a través de la refinación de los métodos experimentales
a inicios del siglo XX. Hoy, se prefiere hablar de transiciones continuas o discontinuas [4].

La evaporación, la fusión o la sublimación, son transiciones de fase de primer orden ya que


involucran la transferencia de un calor latente, lo que genera la discontinuidad en la
primera derivada del potencial termodinámico. También se las conoce como asociadas a la
presencia de calor latente [9].

Sin embargo, algunos procesos de fusión pueden no presentar las características de una
transición de primer orden. Por ejemplo al calentar un cristal, éste disminuye su viscosidad
hasta ser líquido y aunque su estructura en el estado sólido no es cristalina, muestra una
estructura amorfa. En este caso, se tiene una transición de fase de segundo orden, que no
involucra la transferencia de calor latente y cuyas primeras derivadas de los potenciales
termodinámicos son continuas, pero las derivadas superiores divergen: como el calor
específico, la susceptibilidad o la compresibilidad. En la Figura 1-4 se aprecia la divergencia
del calor específico en una transición continua.

Figura 1-4. Entropía (Izq.) y calor específico (Der.) en una transición de fase continua o de segundo
orden. Nótese la divergencia del calor específico en el punto de temperatura crítica ܶ௖ Fuente:
Greiner, 1994 [8].

6



1. 4 TRANSICIONES DE FASE CONTINUAS

Las transiciones de fase continuas tienen propiedades asociadas mucho más complejas que
las transiciones discontinuas. Al analizar la simetría en una transición de fase continua, no
existe una variación en la energía, ya que pequeños cambios en la distribución de los
átomos en una red cristalina son suficientes para cambiarla, pero de una manera gradual.
Tal como se presenta en la Figura 1-5 a la distribución de probabilidad de encontrar a
un átomo en un determinado elemento de volumen dentro de una red cristalina
𝜌(𝑥, 𝑦, 𝑧)𝑑𝑥 𝑑𝑦 𝑑𝑧. Dado que los átomos se encuentran en movimiento térmico, es necesario
utilizar una definición no determinista de su posición [9].

Figura 1-5 Densidad de probabilidad unidimensional en una red cristalina durante una transición
de fase que va de del estado a) al c), pasando continuamente por el b). Tomado de: Landau, 1969
[9].

Las transiciones de fase continuas describen fenómenos físicos como el de la magnetización


en un material ferromagnético, la cual desaparece completamente al pasar el valor crítico
ܶ௖ , conocido como la temperatura de Curie. En este punto, se observan grandes
fluctuaciones (Figura 1-6); que generan que los tres estados posibles: spin arriba, spin abajo
y spin cero se mezclen en una forma de fractal [3], este comportamiento ha sido emulado
a través del Modelo de Ising en dos dimensiones por Lars Onsager [10], y es uno de los
ejemplos emblemáticos de las transiciones de segundo orden.

7



Figura 1-6 Modelo de Ising, antes (A), durante (B) y después (C) de alcanzar la temperatura crítica,
la cual separa a la fase magnetizada de aquella con magnetización cero. Las regiones blancas
representan regiones con spin +1 y las negras con spin -1. Tomado de: Botcharova et al., 2014 [11].

Otros ejemplos de transiciones de fase continuas son las transiciones al estado de


superconductor descubierta en 1911 por Heike Kamerlingh Onnes (1853-1926), luego de lo
cual se encontraron fenómenos asociados como el efecto Meissner en 1933. Landau y
Ginzburg, en 1950, introdujeron su teoría “fenomenológica” de la superconductividad, y
en 1958 Bardeen-Cooper- Schriefer presentaron la teoría a la que denominaron BCS,
Finalmente, en 1986, Bednorz y Müller descubrieron el primer súper-conductor cerámico
de alta temperatura, todos estos son ejemplos modernos de este tipo de transiciones.

1.5 FENÓMENOS CRÍTICOS

Fenómenos críticos es el nombre colectivo asociado a la física en los puntos críticos. En la


actualidad abarcan una gran variedad de eventos presentes en la naturaleza. En su mayoría
sobre sistemas fuera del equilibrio termodinámico como: flujo en medios granulares,
terremotos, evolución biológica, etc., [10].

En general, en el contexto de la termodinámica y la física estadística, se puede pensar en


un fenómeno crítico como un tipo particular de transición de fase continua. Los fenómenos
críticos implican la divergencia de algunas cantidades (como la susceptibilidad magnética
en la transición ferromagnética), que se están gobernadas por leyes de potencia con
exponentes críticos, éstos debido a sus valores semejantes en el estudio de diferentes
sistemas generan la idea de universalidad; además surgen relaciones de sin escala entre

8



diferentes cantidades que da al sistema características de fractalidad, describiremos a


breves rasgos sus características a continuación.

1.5.1 CORRELACIONES DE LARGO ALCANCE



Debido a que variables termodinámicas como la entropía o la magnetización tienen
propiedades macroscópicas, es importante encontrar la relación que tienen con los
fenómenos microscópicos que las definen. Es así que en esta parte del estudio, se aborda el
a la función de correlación, misma que determina el grado de relación de partes
microscópicas de un sistema, al punto de constituirse en una variable macroscópica [12].

En el ejemplo de la magnetización, si se quiere determinar la función de correlación Ȟ entre


los promedios de los espines ubicados en las posiciones 𝑖 e 𝑗. Se tiene:

Γ(𝑟⃗⃗⃗ 𝚤⃗⃗, 𝑟⃗⃗⃗⃗𝚥⃗) = ⟨(𝑠𝑖 − 〈𝑠𝑖 〉)(𝑠𝑗 − ⟨𝑠𝑗 ⟩)⟩

Ec. 1-5

Donde 𝑟⃗⃗⃗ 𝚤⃗⃗ es el vector posición del punto ݅, 𝑟⃗⃗⃗⃗𝚥⃗ es el vector posición del punto 𝑗 y 〈… 〉
denota un promedio térmico. En el caso de que el sistema sea invariante traslacionalmente,
es decir que 〈𝑠𝑖 〉 = ⟨𝑠𝑗 ⟩, Γ sólo dependerá de la distancia 𝑟 = ∣𝑟⃗⃗⃗ 𝚤⃗⃗ − ⃗⃗𝑟⃗⃗𝚥⃗∣, de la siguiente
manera:

Γ(𝑟⃗⃗⃗ 𝚤⃗⃗ − ⃗⃗𝑟⃗⃗𝚥⃗) ≡ Γ𝑖𝑗 = ⟨𝑠𝑖 𝑠𝑗 ⟩ − 〈𝑠𝑖 〉2

Ec. 1-6

Así, lejos de la temperatura crítica 𝑇𝑐 (ya sea sobre o por debajo de ésta), los spines se
mantienen sin correlación cuando 𝑟 → ∞, y por lo tanto la función de correlación decae a
cero, (Figura 1-6, A y C) Nótese en la Ec. 1-5 que las correlaciones se miden cuando los
spines fluctúan alrededor de sus valores medios 〈𝑠〉 ≠ 0. Y en general, las correlaciones
decaen exponencialmente con la distancia según la ecuación:

Γ(𝑟⃗)~𝑟−𝜏 exp − 𝑟⁄𝜉

Ec. 1-7

Donde 𝜏 es una constante y 𝜉 es la longitud de correlación, que es independiente de la


dirección de 𝑟 y se utiliza como un estimador del máximo tamaño en que un sistema actúa
como un todo relacionado (𝜉 → ∞).

9



En el punto crítico, el mismo sistema genera un orden de largo alcance, que permite que
interrelaciones microscópicas generen propiedades macroscópicas, haciendo entonces que
la longitud de correlación diverja (Figura 1-6, B) y que por lo tanto la parte exponencial
de la función de correlación desaparezca. De esta manera, únicamente la parte gobernada
por la ley de potencia se conserva, la cual, experimentalmente, se ha determinado igual a:
1
Γ(𝑟⃗)~
𝑟𝑑−2+𝜂
Donde ݀ corresponde a la dimensión de sistema y ߟ es el primer ejemplo de exponente
crítico, que se caracteriza por ser un valor constante que únicamente depende de las
características del sistema estudiado. Asimismo, en el punto crítico, la longitud de
correlación sigue una ley de potencia del tipo:

𝜉~|𝑡|−𝜈

Ec. 1-8

Donde 𝑡 es la temperatura reducida 𝑡 = 𝑇 𝑇𝑐


−𝑇𝑐
, y 𝜈 es otro de los exponentes que se
encuentran en la criticalidad [4].

1. 5. 2 EXPONENTES CRÍTICOS


En una transición continua, los puntos críticos marcan divergencias en las segundas
derivadas de los potenciales termodinámicos. Para entender la forma de estas divergencias
y el comportamiento singular de otras funciones termodinámicas cerca del punto crítico,
es necesario definir un conjunto de exponentes críticos, los cuales juegan un rol central en
la teoría de las transiciones de fase continuas [7]. Sea:
(𝑇 − 𝑇𝑐 )
𝑡= ⁄
𝑇𝑐
Ec. 1-9

La temperatura crítica, que finalmente es una medida de la desviación del parámetro de


sintonización (por ejemplo, la temperatura 𝑇 ) de su valor crítico ܶ௖ . Entonces, el exponente
crítico asociado con una función ‫ܨ‬ሺ‫ݐ‬ሻ (asumiendo que el límite existe) será:

𝐹 (𝑡)~|𝑡|𝜆

Ec. 1-10

10



El símbolo de semejanza ~ se utiliza en este caso, ya que la Ec. 1-10, sólo representa el
comportamiento asintótico de 𝐹 (𝑡) cuando 𝑡 ⟶ 0. Para tener una definición más exacta
de 𝐹 (𝑡) se debería escribir:

𝐹 (𝑡) = 𝐴|𝑡|𝜆 (1 + 𝑏𝑡𝜆1 + ⋯ ), 𝜆1 > 0

Ec. 1-11

Para el caso de la magnetización las funciones termodinámicas 𝐹 (𝑡) para el calor específico
y la susceptibilidad divergen en ley de potencia de la forma:

𝜒~|𝑡|−𝛾 , 𝐶~|𝑡|−𝛼 ,

Ec. 1-12

Donde ߙ y ߛ son positivos.

El último exponente, 𝛿 se introduce para describir el comportamiento de la isoterma crítica


alrededor del punto crítico. Para el caso de la magnetización, en la isoterma crítica la
relación es:

𝐻~|𝑀 |𝛿 𝑠𝑔𝑛 (𝑀 ), 𝑇 = 𝑇𝑐

Ec. 1-13

Donde 𝑠𝑔𝑛 (𝑀 ) es la función signo. En total existen seis exponentes críticos los primeros
mostrados en la sección 1.5.1 las correlaciones de largo alcance (pág. 9): 𝜂 y 𝜈 describen
cómo divergen las funciones y las longitudes de correlación. Los demás exponentes,
𝛼, 𝛽, 𝛾, 𝛿 indican cómo divergen las derivadas de los potenciales termodinámicos.

En todos estos casos se ha hecho la presunción –aún no justificada- de que los exponentes
críticos son los mismos sobre y bajo el valor crítico. Aunque trabajos numéricos han
demostrado que sí es el caso, no fue hasta 1953 en donde finalmente se demostró que los
exponentes críticos no variaban gracias a la teoría del Grupo de Renormalización [13].

11



1. 5. 2 UNIVERSALIDAD


Habiendo definido los exponentes críticos, es necesario justificar su importancia, y por qué
son inclusive más interesantes que los valores críticos del parámetro de sintonización. Y es
que en realidad, éstos dependen de directamente en detalles de millones de interacciones
atómicas, mientras que los exponentes críticos son prácticamente universales ya que
dependen de pocos parámetros fundamentales. Por ejemplo, para modelos con interacciones
de corto alcance, estos exponentes dependen únicamente de la dimensionalidad del espacio
݀, y la simetría del parámetro de orden (Ec. 1-8).

Este hecho se evidencia en la Figura 1-7 donde se presentan dos fenómenos experimentales
completamente distintos: la transición de estado líquido-gaseoso (arriba) donde las curvas
de coexistencia de ocho diferentes fluidos se presentan en las unidades reducidas 𝑇 ⁄𝑇𝑐 y
𝜌/𝜌𝑐 , cerca del punto crítico. Y la transición del estado ferromagnético-paramagnético
(abajo). Todos los datos caen en la misma curva y por lo tanto pueden ser descritos por
el mismo exponente, en este caso 𝛽 = 1/3. No se trata de una coincidencia, ambos
fenómenos pertenecen a la misma clase de universalidad.

Asimismo, y aunque el modelo de Ising, no puede ser resuelto exactamente en tres


dimensiones, las estimaciones numéricas de los valores de los exponentes críticos son muy
precisas y proveen un riguroso test de universalidad. Para el caso de la magnetización en
una simetría simple cúbica, cúbica centrada, y cúbica centrada en las caras, se ha
encontrado exponente crítico teórico 𝛽 = 0.325 ± 0.005.

1.5.3 ESCALAMIENTO POR TAMAÑO FINITO




Se ha mencionado que las transiciones de fase ocurren cuando la longitud de correlación


diverge al infinito (Ec. 1-8), y a pesar de que se trabajan con sistemas muy grandes, estos
no son infinitos (1023 ≠ ∞). En un sistema finito de tamaño 𝐿𝑑 el valor máximo que puede
tomar la longitud de correlación es 𝜉 = 𝐿.

Sin embargo, experimentos en sistemas reales, así como aproximaciones con matrices de
transferencia o simulaciones Monte Carlo, muestran a sistemas finitos en transición de fase
[14], sin embargo, sólo el Grupo de Renormalización GR ha podido escalar teóricamente a
la energía libre en sistemas finitos de tamaño 𝑉 = 𝐿𝑑 , obteniendo información del sistema

12



infinito y extrapolando el comportamiento de sistemas finitos cuyo tamaño aumenta


progresivamente.

Así, la energía libre de un sistema grande pero finito, se puede escribir como:

𝐹Ω = 𝑉 (Ω)𝑓𝑏 + 𝑆(Ω)𝑓𝑠 + 𝑂(𝐿𝑑−2 ),

Ec. 1-14

Figura 1-7 (Arriba) Universalidad en el punto crítico líquido-gas, en las líneas de coexistencia
𝜌(𝑇 )/𝜌𝑐 versus 𝑇 /𝑇𝑐 para una variedad de átomos y moléculas pequeñas. El valor encontrando
para el exponente crítico es 𝛽 = 13 . (Abajo) Universalidad en el punto crítico de la transición
ferromagnética–paramagnética. Se presenta la magnetización versus temperatura para MnF2, donde
el exponente crítico también es 𝛽 = 13 . Ambos fenómenos pertenecen a la misma clase de
universalidad. Tomado de: Sethna, 2006 [3].

13



Donde Ω es la región de estudio de volumen 𝑉 (Ω) y superficie 𝑆(Ω), 𝑂(𝐿𝑑−2 ) se refiere a


un conjunto de términos de magnitud 𝐿𝑑−2 . Así, 𝑓𝑏 es la energía libre volumétrica por
unidad de volumen, y 𝑓𝑠 es la energía libre superficial por unidad de área. 𝑓𝑏 mantiene la
cualidad extensiva termodinámica de la energía libre, ya que 𝐹Ω ∝ 𝑉 (Ω), y 𝑓𝑠 describe el
comportamiento de la superficie y del tamaño finito. Ambos existen sólo en el límite
termodinámico, es decir cuando 𝑆(Ω) → ∞, 𝑉 (Ω) → ∞.

Sin embargo, según la teoría de tamaño finito [15], la parte singular de la energía libre
puede ser descrita el siguiente ansatz:

𝑓𝑠 (L) = 𝐿−(2−𝛼)⁄𝜈 𝑓̃𝑠 (𝜖 𝐿1⁄𝜈 ).

Ec. 1-15

Donde 𝑓𝑠 es una función de escalamiento, que involucra un argumento del tipo 𝐻𝐿𝛾+𝛽⁄𝜈 ,
luego de derivar esta energía libre y con un 𝐻 = 0, se encuentran las siguientes relaciones:

𝐶 ∝ 𝐿−𝛼⁄𝜈 𝐶 ̃ (𝜖𝐿−1⁄𝜈 )

𝜒 ∝ 𝐿−𝛾⁄𝜈 𝜒̃ (𝜖𝐿−1⁄𝜈 )

Donde 𝐶 ̃ y 𝜒̃ son funciones de escala que siguen leyes específicas, que toman valores
independientes del tamaño del sistema en el punto crítico [16], y que por lo tanto se
transforman en:

𝜒 ∝ 𝐿−𝛾⁄𝜈

𝐶 ∝ 𝐿−𝛾⁄𝜈 ,

Ec. 1-16

1. 6 LA CRITICALIDAD AUTO-ORGANIZADA


La criticalidad auto-organizada (SOC por sus siglas en inglés, Self Organized Criticality),
describe como grandes sistemas dinámicos, formados por muchas partes, relativamente
independientes pero interactivas; tienden a un estado crítico. Estos sistemas, llamados
complejos, gracias al proceso de auto-organización se hacen más ordenados que otros
sistemas caóticos fuera o cercanos al equilibrio termodinámico [17]. La SOC fue propuesta
por Bak, Tang y Wiesenfeld en 1987 [18], y describe a una gran variedad de fenómenos
naturales que van desde la evolución biológica [19], los terremotos [20], las caídas

14



económicas [21], inclusive estudios sociales como la generación del pánico y el número de
letras por palabra en una obra literaria, por mencionar algunos.

1.6.1 EL MODELO DE LA PILA DE ARENA

Mucha de la teoría de los fenómenos críticos, se verá clarificada a través del ejemplo
canónico de SOC, que es la Pila de Arena, propuesto por [22]. El experimento consiste en
un sistema construido por la lenta adición de partículas de arena sobre un pequeño montón
(Figura 1-8). Al añadir arena la pendiente de la pila se incrementa hacia un valor crítico,
y en este punto se generan avalanchas. Al principio, cuando la pila era plana, era factible
realizar una descripción aislada de cada avalancha, pero en el estado crítico, la descripción
de las avalanchas debe considerarse holísticamente, ya que las interacciones correlacionan
a las partes más alejadas del sistema, y en este caso sólo se puede aplicar una descripción
de la pila de arena como un todo; involucrando los conceptos de punto crítico y divergencia
de la longitud de correlación a un sistema en el que no es evidente una transición de fase.

Numéricamente se crea el modelo de los “automatones de la pila de arena”, el cual inicia


definiendo una grilla bidimensional y una variable entera Z que representa la altura -o la
pendiente- de la pila. Si se incrementa Z en algún punto (por la adición de arena) y no se
ha superado un valor crítico, se sigue aumentando Z. Si logra el valor crítico, hay que
reducir Z en cuatro unidades enviando una unidad a los cuatro vecinos más cercanos. Si a
consecuencia de esto, Z excede el valor crítico en alguno delos sitios vecinos es necesario
repetir el experimento hasta que la “avalancha” se detenga para que en ningún lugar se
supere el valor crítico, y así sucesivamente [23].

Si la pendiente de la pila es pequeña (estado subcrítico), se irá acumulando más arena; si


es muy grande (estado supercrítico) se generarán avalanchas. Así, tanto los apilamientos
subcríticos como los supercríticos se ven espontáneamente arrastrados hacia el estado
crítico.

15




Figura 1-8 Modelo de la pila de arena, paradigma de la criticalidad auto-organizada. Tomado de:
Bak, 1996 [22].


De la misma manera, si se cambia la arena seca por húmeda o si se construyen barreras
para evitar las avalanchas; si se alimenta aleatoriamente a la pila o de una manera
determinada sobre un solo punto, el sistema siempre evolucionará autónomamente hacia
su propio estado crítico. Se presenta aparentemente una paradoja: el sistema es inestable
en muchas de sus distintas localidades, pero el estado crítico es absolutamente robusto. A
diferencia de la física sobre el equilibrio termodinámico, donde la criticalidad es un caso
excepcional, en la física fuera del equilibrio, la criticalidad puede ser el estado típico de la
materia [24].

1. 6. 1 INVARIANZA DE ESCALA


Cuando las avalanchas se dan en los límites de la grilla, unidades de Z saldrán del sistema.
Al registrar la magnitud de las avalanchas en un intervalo de tiempo, se obtendrá una
gráfica como la que se muestra en la Figura 1-9.

16



Figura 1-9 Magnitud de las avalanchas generadas por el modelo de la pila de arena registradas en
un determinado tiempo [25].

Se puede apreciar que en esta gráfica existe una gran cantidad de eventos pequeños, y poca
de eventos grandes. En esta errática gráfica se encuentra que la densidad espectral es
inversamente proporcional a la frecuencia, se le conoce como ruido 1/𝑓 [24], o ruido “rosa”
(ya que existe un paralelismo entre las longitudes de onda del espectro visible del color
rosa y las del espectro audible), y es diferente al ruido blanco que nace de un fenómeno
aleatorio, o al ruido café que nace de un movimiento browniano [26].

Para conocer el tamaño promedio de una avalancha, se podría generar un histograma que
cuente su número en función de su tamaño, y se obtendría una gráfica en escala doble
logarítmica como la que se presenta en la Figura 1-10. Al lograrse una línea recta, es
evidente que encontramos nuevamente una ley de potencia del tipo:

𝑁 (𝑀 ) = 𝑀 𝜏

Ec. 1-17

Donde 𝑀 es la Magnitud de la avalancha, 𝑁 (𝑀 ) su frecuencia normalizada, y 𝜏 es un


exponente negativo.

17






Figura 1-10 Histograma de frecuencias en escala doble logarítmica del tamaño de las avalanchas en
el modelo de la pila de arena [25].

En este tipo de distribuciones de frecuencias 𝑓(𝑥), de una cantidad 𝑥, se satisface una


condición de la forma:

𝑓(𝑐𝑥) = 𝑔(𝑐)𝑓(𝑥)

Ec. 1-18

Para cualquier valor constante 𝑐. Así, si se incrementa la escala de los valores 𝑥 por la
constante 𝑐, el comportamiento de la distribución 𝑓(𝑥), permanecerá inalterado y es por
esto que a estos fenómenos se los conoce como fenómenos sin escala, o invariancia de escala
[27]. En este caso, una avalancha 10 veces más pequeña será 10 veces más probable que
una más grande, y al mismo tiempo una avalancha mil veces más pequeña será mil veces
más probable [3].

Se hace evidente también, que el mecanismo que genera eventos de grandes magnitudes o
catastróficos” es el mismo que genera eventos de menor magnitud, y que no es necesario
ningún evento externo para producirlos [23].

A los eventos de la naturaleza que no poseen una escala determinada, se los llama fractales
(Ver Figura 1-11), aparecen por doquier en el estudio de la naturaleza y reproducen la
estructura del universo, los paisajes montañosos, la biología, los terremotos, las caídas
económicas, las nubes y las cuencas hidrográficas, entre muchas otras estructuras. Aunque
se han hecho esfuerzos por caracterizarlos geométricamente, aún se desconoce su origen

18



dinámico [28]. Por ejemplo, Raup [19] ha mostrado que la evolución biológica es
intermitente con largos períodos estáticos interrumpidos abruptamente por eventos de
extinción. La distribución de estos eventos también es similar a la ley de Gutenberg-Richer
que determina la energía liberada en los terremotos [20]. Mandelbrot, observó que la
distribución de las fluctuaciones de los precios del algodón y las acciones ferroviarias no es
gaussiana sino que obedece una ley de potencias [21]. Asimismo, el ruido1/𝑓 tiene la misma
densidad espectral de ruido que genera un papel arrugándose, un bosque quemándose e
inclusive el de las hojuelas de maíz remojándose en leche [3].

Figura 1-11 Veinte y ocho millones de granos en avalancha simulados numéricamente la pila de
arena, mostrando la apariencia clásica de un fractal. Fuente: Rocchini, 2015 [29].

Es importante tomar en cuenta que al estudiar los fenómenos críticos en la magnetización


o en los fluidos, lo común es que el punto crítico esté determinado por algún parámetro de
sintonización que, al alcanzar un valor determinado, genera la criticalidad. Pero, en los

19



fenómenos naturales enunciados que están en SOC no hay quien se encargue de sintonizar
estos parámetros, y cabe la pregunta de cómo se genera la criticalidad?, en 1991 Bak y
Chen propusieron que estado crítico es un atractor de la dinámica ya que el sistema tiende
irremediablemente a él sin importar las condiciones iniciales, explicando el término de
criticalidad auto-organizada.

20



CAPÍTULO 2. METEOROLOGÍA DE LA LLUVIA




2.1 EL AGUA EN LA ATMÓSFERA




El agua en la atmósfera es el factor más importante en la determinación del clima, ya que
fija la distribución de la energía solar en el ambiente y en la superficie terrestre; y genera
los patrones de circulación de las grandes masas de aire a nivel planetario [30]. Este
importante papel, es notable dado que sólo representa el 0.25% de la masa total de la
atmósfera, aunque está tan bien distribuida en forma de vapor que la ocupa casi en su
totalidad; toda esta agua atmosférica, tan sólo formaría una delgada capa de 2.5 cm de
profundidad alrededor del planeta; en contraste, el agua terrestre (de océanos, lagos, ríos,
glaciales, etc.,) podría formar una capa de 2.8 km. Así, a pesar de que es evidente que el
permanecer suspendida en la atmósfera es un estado poco probable para la molécula de
agua, mientras lo está, sus efectos son completamente determinantes [31].

Cuando una porción de vapor de agua asciende y por la disminución de la presión se


expande y pierde temperatura, se produce la condensación, e inclusive congelación -si la
temperatura es suficientemente baja-. Estos eventos liberan una importante cantidad de
calor latente. Por ejemplo, la condensación producida en una nube de buen tiempo de unos
dos kilómetros cúbicos genera una energía aproximada 5 x 1012 Joules en diez minutos,
equivalente a la producción de una central nuclear en una hora [32].

21



2.1.2 PROPIEDADES RADIATIVAS




La molécula de agua también sobresale por sus propiedades radiativas, sobre todo por su
capacidad de absorber el espectro infrarrojo IR lejano (térmico), cercano e inclusive partes
del espectro visible (Ver la Figura 2-1). Este comportamiento se debe a la gran cantidad
de modos de absorción, resultado de los movimientos de su dipolo eléctrico alrededor de
tres heterogéneos momentos de inercia. Estos modos rotacionales-vibracionales generan un
vasto conjunto de líneas espectrales, destacando tres fundamentales, el primero con una
longitud de onda 𝜆2 = 6.3 𝜇𝑚, asociado al enlace H-O-H, y las otras dos 𝜆1 , 𝜆3 , que se
encuentran muy juntas y cercanas a los 2.7 𝜇𝑚 asociadas al alargamiento simétrico y anti-
simétrico de la molécula.

Figura 2-1 Hidrometeoros (a) Escalas de tamaño de las diferentes formas condensadas de agua que
aparecen en la atmósfera, mismas que dispersan parte del espectro visible y casi la totalidad del IR
(b) Por otro lado, las regiones del IR cercano y térmico excitan a las moléculas en las bandas
vibratorias-rotacionales, especialmente en las longitudes de onda 𝜆1 , 𝑦 𝜆3 , correspondientes a los
alargamientos de la molécula y 𝜆2 correspondiente al enlace H-O-H. Fuente: Bony et al., 2013 [31].

22



Estas características particulares del vapor de agua, hacen que sea difícil su estimación
satelitalmente, ya que existe una gran cantidad de bandas que lo caracterizan, y los
algoritmos para detectarlo deben ser cuidadosamente seleccionados. Esta tarea se complica
más cuando se lo desea estimar sobre tierra, ya que el albedo terrestre tiene emisividades
que corresponden a bandas que coinciden con las del vapor de agua (espectro visible,
térmico). Por este motivo, la mayoría de satélites que lo detectan entregan sus productos
estimados sólo sobre el océano [33].

Por otro lado, un hidrometeoro -nombre con el que se conoce al conjunto de elementos de
agua condensada en la atmósfera- [34]; puede tomar varias formas, desde cristales y copos
de hielo, gotas de agua, granizo y llovizna, todas estas partículas dispersan -o absorben- la
radiación electromagnética en función de su índice de refracción y su tamaño en relación
con la longitud de onda incidente. En general, las longitudes de onda cortas se dispersan
más, mientras que las de onda larga se absorben. Dado que el tamaño típico de las gotas
de agua (y cristales de hielo) en las nubes, son acordes con las longitudes de onda del IR
térmico, las nubes absorben efectivamente esta energía, contribuyendo tanto al efecto
invernadero, como al albedo planetario [35].

2.2 MICROFÍSICA DE LAS NUBES




Cuando las partículas de vapor de agua se transforman en gotas de agua en una nube,
pasan un proceso denominado nucleación; pasando de un estado menos ordenado a uno
más ordenado. Existen dos posibles casos para que se de este proceso, el primero en el que
se forma una gota de agua pura desde el vapor de agua, denominado nucleación
homogénea; o el caso en el que se colectan las moléculas de vapor de agua sobre una
sustancia extraña denominado nucleación heterogénea [32].

Sin embargo, para que una gota de agua pueda sobrevivir sin evaporarse es necesario que
supere un radio crítico 𝑅𝑐 , que está determinado por la fórmula de Kelvin (Ec. 2-1):
2𝜎𝑣𝑙
𝑅𝑐 =
𝑛𝑙 𝑘𝐵 𝑇 ln(𝑒/𝑒𝑠 )
Ec. 2-1

Donde 𝜎𝑣𝑙 es el trabajo requerido para crear una unidad de superficie en la interface vapor-
líquido alrededor de la gota (tensión superficia), 𝑛𝑙 es el número de moléculas de agua por
unidad de volumen en la gota, 𝑘𝐵 es la constante de Boltzman, 𝑇 la temperatura, 𝑒 la

23



presión parcial del vapor de agua, y 𝑒𝑠 es la presión parcial del vapor de agua en
condiciones saturadas, que es cuando el aire contiene tanto vapor como puede, y las
condiciones de temperatura y presión en este estado de conocen como punto de rocío. Esta
saturación ocurre cuando la temperatura del aire baja, ya que las moléculas de agua
pierden velocidad y tienden a unirse entre sí. Al mismo tiempo, si la temperatura es mayor,
el incremento en la velocidad de las moléculas evita que se unan, favoreciendo la fase
gaseosa, es por esto que a mayor temperatura, más vapor de agua puede contener la
atmósfera [36].

El aire está saturado cuando 𝑒/𝑒𝑠 = 1, es decir cuando la humedad relativa es de 100%.
Sin embargo, es claro que de la Ec. 2-1, que el aire debe estar supersaturado 𝑒/𝑒𝑠 > 1
para que el radio crítico sea positivo. Mientras mayor será la supersaturación del aire, más
pequeño el radio crítico necesario para que se forme una gota capaz de sobrevivir [34]. No
obstante, para que la tasa de formación de las gotas exceda su tamaño crítico, es necesario
que la humedad relativa sea de un 300% a 400%. Pero, en la atmósfera raramente se excede
ésta en un 1%, es por esto que este tipo de nucleación prácticamente no ocurre en las
nubes, y es la nucleación heterogénea la que realmente se da [34].

2.2.1 TAMAÑOS DE GOTA




Así, la atmósfera está llena de pequeñas partículas de aerosol, las moléculas de vapor de
agua se van agregando en la superficie de éstas. Si la tensión superficial entre el agua y el
aerosol es lo suficientemente baja, se forma una capa esférica de agua que colecta más
vapor y se forma un núcleo de condensación de nube CNN (por sus siglas en inglés). Ya
que los aerosoles son centenas de veces más grandes que las moléculas de agua (𝐷𝑎𝑒𝑟𝑜𝑠𝑜𝑙 ~
0.1 𝜇𝑚, 𝐷𝐻2𝑂 ~10−3 𝜇𝑚), se forman gotas mucho más grandes y con más posibilidades de
sobrevivir [34].

No obstante, para que una gota pueda finalmente precipitarse debe alcanzar un tamaño
muy superior al de la gota en una nube (de aproximadamente 10 𝜇𝑚). Las gotas que tienen
el tamaño suficiente para precipitarse en forma de virgas no logran los 100 𝜇𝑚, y se
evaporan antes de tocar el suelo. Pero la llovizna, al superar los 100 𝜇𝑚 y la lluvia común
cuyo diámetro promedio es de 1000 𝜇𝑚, logran el tamaño suficiente para llegar a la
superficie terrestre, tal como se muestra en la

24



Figura 2-2 [37]. Así, la gota puede crecer hasta los 6000 𝜇𝑚 (6 mm) sin romperse, debido
a que la presión interna no agua supera

Figura 2-2 Tamaño relativo de las gotas de agua: desde el CNN (Núcleo de Condensación de la
Nube) desarrollado alrededor de un aerosol, con un diámetro D de una décima de micrómetro hasta
las gotas que han alcanzado el tamaño suficiente para precipitarse, las de llovizna y las de lluvia,
ésta última con un tamaño de 1000 micrómetros. Adaptado de: Lamb, 2004 [37].

aún la tensión superficial; aunque existen reportes de gotas de hasta 8 mm de diámetro,


encontradas en las costas de Hawái [34].

En las nubes cálidas -nombre que se da a las nubes que están en los trópicos, en las que
su base tiene temperaturas sobre los 0°C, el mecanismo principal de crecimiento de la gota
es de Colisión-Coalescencia, y puede producir lluvia, lloviznas ligeras y virgas; sin embargo
si la nube alcanza alturas con temperaturas bajo los 0°C, las gotas pueden lograr tamaños
superiores si se congelan, en este caso el núcleo de condensación es de hielo y el vapor se
deposita, congelándose, fácilmente sobre ellos. De estos procesos no sólo se pueden obtener
gotas más grandes que lleguen a la superficie (al derretirse el hielo), sino también
fenómenos como el granizo y la nieve [35].

2.3 TIPOS DE NUBES




Las nubes se clasifican por su altura y apariencia a través de ciertos vocablos que se
combinan convenientemente para definir diez tipos principales de nube. Para las más altas,
se utiliza el vocablo cirrus o cirros, mientras que para las nubes de mediana altura se usa

25



alto; las nubes de baja altura no tienen prefijo. Debido a su apariencia, se clasifican en
cúmulus o cúmulos los cuales tienen formas definidas, parecidas a copos de algodón,
mientras que los stratos o stratus se extienden indefinidamente sobre grandes áreas. Sin
embargo, pocas nubes son capaces de producir lluvia significativa, es decir, aquellas que
por el tamaño de sus gotas, genera precipitación capaz de alcanzar el suelo. A estas nubes
se les coloca el vocablo nimbos o nimbus. La forma en cómo se clasifica a las nubes en
función de estos vocablos se presenta en la Figura 2-3 [38].

Figura 2-3 Tipos de nubes en la atmósfera. De los diez tipos de nubes presentados sólo dos son
capaces de producir lluvia, e incluyen el vocablo nimbo. Tomado de: [39].

26



2.4 TIPOS DE LLUVIA




Cada nube nimbus produce un tipo específico de precipitación, y es por esto que a la lluvia
se la divide en dos tipos: la estratiforme y la convectiva, cada una con escalas de
velocidades de corrientes ascendentes diferentes. La precipitación estratiforme es aquella
en la que la velocidad vertical del aire 𝑣 es pequeña comparada con la velocidad de caída
de las partículas de agua o hielo 𝑣ℎ𝑖𝑒𝑙𝑜 , es decir:

|𝑣| < 𝑣ℎ𝑖,𝑎𝑔

Ec. 2-2

Donde 𝑣ℎ𝑖,𝑎𝑔 representa la velocidad terminal de caída, que suele ser aproximadamente de
1 a 3 m/s [34].

Los nimbostratus donde se producen, son nubes de hasta 2 km de altura y se pueden


describir como una capa de nube gris sin ninguna discontinuidad, a menudo oscura, con
un aspecto velado por la precipitación de lluvia ligera o nieve que cae de manera continua,
con un espesor lo suficientemente grande como para ocultar el Sol completamente.

2.4.1 LLUVIA CONVECTIVA

La precipitación convectiva se da en los cumulonimbus, que tienen un desarrollo vertical


que puede alcanzar hasta los 20 km de altura, ya que cuenta con velocidades ascendentes
muy superiores a las de las de caída de las partículas (1-10m/s), es decir que no cumple
con la condición de la Ec. 2-2; y se caracteriza por generar lluvias muy intensas y tormentas
acompañadas de eventos extremos, ya que las gotas de lluvia crecen al máximo por la
acreción de agua líquida y hielo durante el largo trayecto que estas corrientes ascendentes
generan [30].

El cumulonimbus se caracteriza por ser lo suficientemente alto como para alcanzar la parte
de la atmósfera que está bajo cero, cosa que ocurre generalmente a los 4.5 o 5 km de altura,
y sobrepasarla en mucho, hasta lograr temperaturas bajo los -40°C (que se logran a los 10
km de altura), bajo esta temperatura, en la parte más alta de la nube, sólo existen
partículas de hielo que crecen debido a la deposición de vapor, la cual es la forma más

27



lenta pero de menor gasto energético de crecimiento microfísico, ya prácticamente el cristal


formado no se evapora, o más exactamente, no se sublima, por lo que su crecimiento es
constante. Las formas que pueden tomar los cristales de hielo son hermosas y variadas,
todas de estructura hexagonal, y dependen de la temperatura y humedad disponible del
medio, tal como lo muestra la Figura 2-5.

Figura 2-4 Representación esquemática de un cumulonimbus, en su generación de precipitación


convectiva. En la parte más baja de la nube, sólo existe agua, en la intermedia agua súperenfriada
con hielo y al tope sólo hielo La mezcla de fases de la región intermedia es la que permite que el

28



tamaño de las gotas sea lo suficientemente grande como para generar lluvias intensas. Adaptado de
The Comet Program, 2011 [30].

Figura 2-5 Diferentes formas que pueden adoptar los cristales de hielo en función de la temperatura
y humedad (supersaturación) disponible en la nube. Tomado de: UNAM [40].

Bajo este nivel, de los -40°C a los 0°C, existe mucho más vapor de agua disponible, y la
deposición del hielo ocurre en una forma más rápida, además existe agua condensada que
en esta región está súperenfriada, lo cual quiere decir que estas gotas de agua no son
capaces de congelarse a pesar de estar bajo los 0°C debido a que -igual que en el caso de
la condensación- necesitan de un núcleo “de congelación” sobre el cual acumularse, este
núcleo puede ser un cristal de hielo; una vez que éste exista se forma una capa líquida
alrededor de él, proceso denominado cencelleo; o directamente se pueden “pegar” y congelar
alrededor del cristal de hielo a través de un proceso denominado acreción, el cual es
bastante rápido; si no existen núcleos de congelación el agua puede mantener su estado
líquido hasta los -42°C. El resultado de este proceso es el granizo, éste hidrometeoro puede
crecer bastante ya que el fenómeno puede repetirse muchas veces al interior de una nube
dando como resultado granizos enormes que alcanzan la superficie terrestre con hasta 6
cm de diámetro [41].

29



A esta región de la nube donde coexiste tanto la fase líquida como sólida del agua, se le
conoce como la región de las fases mixtas, y es el espacio en donde realmente se produce
la precipitación intensa y por lo tanto, la región más importante del cumulonimbus.
Asimismo, esta capa líquida que se agrega sobre el hielo incrementa su reflectividad; los
radares denominan a esta porción de la nube como la “banda brillante”. Aquí también es
donde se produce la carga eléctrica que genera los rayos.

Finalmente, por debajo de los 0°C, el hielo de la fase mixta puede tomar varios caminos:
derretirse en grandes gotas de agua, generando una precipitación intensa, o si la
temperatura superficial es lo suficientemente baja, generar granizo de varios tamaños o
nieve, la cantidad de hidrometeoros registrados es muy variada e incluye nombres como
agua nieve, lluvia congelada, perdigones de hielo, etc.. [34].

2.4.2 TORMENTAS

Las tormentas tienen diferentes tamaños y niveles de peligrosidad. A la más simple se le


conoce como tormenta de una célula convectiva que básicamente es un cumulonimbo
alimentado con suficiente vapor de agua disponible y corrientes ascendentes producto de
la diferencia de presiones a su alrededor. Por ejemplo, una típica célula de tormenta puede
alcanzar 18 km de altura y 10 km de radio durante un ciclo de vida de aproximadamente
20 minutos. La precipitación que producen tales tormentas puede caer a un ritmo de 18 x
6
10 toneladas de agua por hora. Tal escenario puede producir suficiente lluvia como para
provocar una inundación repentina en algunos lugares, pero no necesariamente en todos,
ya que hay otros factores en juego, como la duración del episodio de lluvia, el grado de
humedad del suelo y las características hidrológicas locales.

Si la célula convectiva crece, puede generar cantidades de lluvia mucho mayores y


organizarse junto con otras células en sistemas multicelulares que abarcan decenas y hasta
centenares de kilómetros de longitud, pero con corrientes ascendentes que normalmente no
duran mucho más de una hora [30].

El peor escenario de organización de las células convectivas es el de la supercelda, que es


una inmensa tormenta en rotación. Es capaz de durar varias horas como una entidad única.
Se ubican generalmente en las Grandes Llanuras de EE.UU y en las Pampas Argentinas,
ya que se generan debido a la presencia de la fuerza de Coriolis. Estas tormentas son las
más propensas a producir tornados de larga duración y pedazos de granizo del tamaño de

30



una naranja. Tienden a formarse en condiciones de alta inestabilidad en la presión, que


genera fuerte conectividad a grandes alturas. Además presentan un sistema más organizado
de circulación interna que les hacen tener una duración mucho mayor que otras [35].

2.5 EL FENÓMENO DEL NIÑO

También conocido como El Niño Southern Oscillation o ENSO, es el evento más influyente
en el clima del océano pacífico, las costas que lo circundan e inclusive tiene influencia sobre
el clima mundial. Es un proceso en donde se acoplan océano y atmósfera causando
redistribuciones recurrentes de calor y momento atmosférico. En condiciones normales, el
calor solar se distribuye sobre la superficie ecuatorial (tanto continental como oceánica),
produciendo un patrón de circulación de este a oeste, que se conoce como circulación de
Walker [42], que se representa esquemáticamente en la Figura 2-6 ; ENOS perturba esta
circulación desencadenando cambios en los patrones de lluvia y convección profunda
oceánica en las regiones tropicales.

Figura 2-6 Patrones de Circulación del Walker promediada de diciembre a febrero, en la ausencia
de anomalías climáticas. Tomado de: Laing, 2011 [30].

El Niño toma su nombre, debido a que los pescadores de la costa peruana bautizaron así
a una corriente de aguas cálidas que aparecía en la época navideña y que perturbaba la

31



pesca local. Este calentamiento (Ver Figura 2-7), se da por un debilitamiento de los vientos
alisios que al sumarse al calentamiento regular ecuatorial de las aguas, y a otras oscilaciones
en la región, se conjugan para la formación del fenómeno. Sin embargo, su origen aún no
está completamente definido y tampoco es posible predecirlo con suficiente anticipación
[43]. A pesar de eso, ENSO tiene generalmente un ciclo irregular de 2 a 7 años, y dura
entre 9 y 15 meses; se acompaña frecuentemente del su fenómeno inverso, es decir un
enfriamiento de la temperatura superficial del mar, que también se ha bautizado
vernáculamente como La Niña. Este fenómeno es mucho menos intenso que El Niño, pero
dura más tiempo, entre 1 y tres años [30].

Figura 2-7 Temperatura superficial del mar en el pacífico central durante el evento de el niño (Izq.)
de 1988, que fue registrado como uno de los más intensos en la historia, y su fenómeno inverso, La
Niña (Der.). Adaptado de Laing, 2011 [30].

En cuanto a los patrones de precipitación, éstos cambian dramáticamente durante El Niño,


ya que se presentan condiciones extremadamente húmedas con lluvias convectivas
intensificadas sobretodo en el pacífico central, las costas del Ecuador y el norte del Perú.
Sin embargo, en la región de Indonesia, la cual es normalmente húmeda, experimenta
condiciones secas (Ver Figura 2-8). Otro indicador de la presencia del Fenómeno del Niño,
son los cambios en la Termoclina ecuatorial, que es una capa dentro del océano bajo la
cual la temperatura es prácticamente constante y oscila de 0 a 3°C, durante ENOS cambia
su profundidad y distribución espacial, debido a las diferencias de presión por el incremento
de la temperatura superficial del mar.

32



Figura 2-8 Patrones de precipitación de oeste a este, durante el fenómeno del Niño, las lluvias se
transportan a las costas de Ecuador y Perú. Tomado de: Laing, 2011 [30].

Figura 2-9 Patrones de precipitación de este a oeste durante el fenómeno de la Niña. Las costas de
Ecuador y Perú experimentan sequías debido a las corrientes frías con poco vapor de agua.
Asimismo, el nivel de la termoclina se eleva. Tomado de: Laing, 2011 [30].

Durante La Niña, las corrientes frías que se extienden sobre el Océano Pacífico Central,
frenan la evaporación de la superficie marina; al ya no tener suficiente vapor de agua
disponible para la construcción de las nubes de lluvia, la temporada se caracteriza por una

33



mengua en las precipitaciones, y una elevación de la termoclina por la diminución de la


presión y temperatura superficial, tal como se presenta en la Figura 2-9.

2.5.1 ÍNDICES EMPLEADOS PARA OBSERVAR A ENOS




La zona más apta para vigilar la variabilidad del clima a escala mundial es la Niño 3-4,
sólo Niño 3, si se desea vigilar los efectos sobre América y sólo Niño 4 sobre Asia. Debido
a que la variabilidad en la Temperatura Superficial del Mar SST que se observa en esta
región registra el efecto más intenso y que afecta más a los cambios de los patrones de
precipitación. Los modelos de pronóstico numérico incrementan su acierto cuando se
inicializan los datos en esta zona [43].

Figura 2-10 Zonas de vigilancia de ENOS. Tomado de: Laing, 2011 [30].

El índice más utilizado para la determinación de la presencia y pronóstico de ENOS es el


al índice ONI (Oceanic Niño Index). El cual se calcula tomando la media móvil de los tres
últimos meses de la Temperatura Superficial del Mar (SST), entregada por el
sistemaERSSTv3b (Extended Reconstructed Sea Surface Temperature), el cual abarca la
zona de Influencia de ENSO (Figura 2-10) y utiliza 30 años de datos, actualizados cada
cinco años. ONI, indica la presencia de El Niño cuando supera el valor de 0.5 (que
representa a 0.5°C sobre la media móvil de la SST de tres meses) y muestra la presencia
de La Niña cuando es menor a -0.5 (0.5°C bajo la media móvil de la SST de tres meses).

34



Los valores entregados, son mensuales (valor centrado por trimestre) y entregados
libremente por la NOAA a través de su portal [44]:

http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ensoyears.shtml

2.6 EVIDENCIA DE FENÓMENOS CRÍTICOS EN LA PRECIPITACIÓN


LLUVIOSA PROPUESTOS POR PETERS Y NEELIN.


2.6.1 CUASI-EQUILIBRIO DE ARAKAWA Y SCHUBERT

Se podría afirmar que, en promedio, los fenómenos de evaporación y condensación del


vapor de agua están en balance, y que la cantidad total de vapor de agua en la atmósfera
promedio es prácticamente constante (promediada, claro, sobre grandes escalas de tiempo
y distancia). Es decir, que el sistema está en un estado estadísticamente estacionario. Sin
embargo, debido a que las precipitaciones (especialmente las convectivas), disipan la
materia y energía mucho más rápido que los fenómenos que las concentran (evaporación),
el sistema está usualmente cerca de un umbral en el que la precipitación empieza. Ésta es
la premisa del cuasiequilibrio (QE), propuesto por Arakawa y Schubert en 1974 [45], y que
ha sido la base de muchos modelos climáticos. No quiere decir que el sistema se encuentra
en un equilibrio termodinámico, ni cerca de él, al estar constantemente alimentado de
materia y energía externa, nos encontramos en el campo de la física fuera del equilibrio
termodinámico [46].

Debido a que el sistema climático se encuentra alimentado lentamente, puede almacenar


esta energía (en forma de vapor de agua), es muy susceptible, y libera la energía
rápidamente en forma de lluvias o tormentas. Peters y Christenssen [47], sugieren que un
adecuado modelo matemático para el sistema puede tener elementos de Criticalidad Auto
organizada, en el que el sistema se aproxima espontáneamente a un punto crítico que
marca una transición de fase [24]. En un sistema tan grande como el climático, la transición
de fase debe ser continua, ya que una transición de fase discontinua sólo reflejaría los
cambios de estado (de sólido, líquido o gaseoso) con interacciones a nivel local, de tamaño
microscópico [48]. Mientras que la actual propuesta teórica indica que la lluvia es el evento

35



emergente con características macroscópicas que van desde unos cuantos hasta los cientos
de kilómetros [37].

Ya que una transición de fase describe el cambio de comportamiento macroscópico de un


sistema, cada fase debe estar determinada por un potencial termodinámico -como la energía
libre- (Ver Capítulo I. pág. 3) [7]. Pero estos potenciales están definidos en el equilibrio
termodinámico. Una fase es una región en donde la energía libre es analítica, sin embargo,
cada fase puede estar separada de otra por una frontera en donde la energía no es analítica,
y por lo tanto puede interpretarse compatible con el hecho de estar fuera del equilibrio
termodinámico.

Figura 2-11 Diagrama esquemático del cuasi-equilibrio propuesto por Arakawa y Schubert en 1979.
Tomado de [49].

2.6.2 TRANSICIONES DE FASE CONTINUAS




A pesar de que la ley de potencia es un evento interesante y que se ajusta a la SOC, por
sí sola no es evidencia de una transición de fase. Es necesario encontrar un parámetro de
orden acoplado a un parámetro de sintonización adecuado. En 2006, Peters y Neelin [46]
publican su hallazgo en Nature, definiendo al parámetro de orden como el promedio de las

36



Figura 2-12 Valores promedio de la precipitación reescalados siguiendo una ley de potencia después
de sobrepasar un valor crítico de vapor de agua 𝑤 reescalado también, a la izquierda se presentan
los valores reescalados de la varianza de la precipitación, que diverge en el punto crítico los valores
rojos corresponden datos tomados sobre el Pacífico Este y los verdes en el Oeste. En el recuadro en
escala doble logarítmica muestra la ley de potencia con el vapor reducido ∆𝑤, el O. Índico
corresponde al color amarillo y el azul al Atlántico. Adaptado de: Peters y Neelin, 2006 [46].

Figura 2-13 Distribución de los tamaños de eventos de lluvia. La línea roja indica la ley de potencia.
Adaptado de: Peters y Christensen, 2002 [47].

37



precipitaciones detectados satelitalmente con microonda sobre cuatro océanos diferentes,


y al parámetro de sintonización como a la cantidad de vapor de agua (Ver Figura 2-12).
El parámetro de sintonización, al llegar a su valor crítico 𝑤𝑐 ≈ 67 𝑚𝑚 marca una
transición de fase continua fuera del equilibrio desde un régimen de lluvia ligera hacia un
régimen de precipitación fuertemente convectiva. Así, el promedio de la precipitación
encontrada para cierto valor de vapor de agua 〈𝑃 〉(𝑤) (medido en [mm/h]) y el vapor de
agua 𝑤 siguen una ley de potencia (luego de un escalamiento previo que será detallado en
el Capítulo 4. Pág.71), misma que marca una transición de fase a un régimen de
precipitación intensa, gobernado por la Ec. 2-3:

〈𝑃 〉(𝑤) = 𝑎(𝑤 − 𝑤𝑐 )𝛽

Ec. 2-3

Donde 𝑎 es una constante que depende del sistema climatológico estudiado, 𝑤𝑐 es el valor
crítico de vapor de agua que también depende del sistema, y 𝛽 es un exponente crítico
universal igual a 0.215 ± 0.002. Éste exponente se calcula para cada cuatro océanos: el
Pacífico Este, Pacífico Oeste, Índico y Atlántico, en todos los casos se obtiene la ley de
potencia, como se muestra explícitamente en el recuadro de la Figura 2-12.

2.6.3 TAMAÑO DE LOS EVENTOS EN LA ATMÓSFERA.




Si la SOC está vinculada con los eventos de lluvia, una de las primeras evidencias a buscar
sería la ley de potencia en las distribuciones de los tamaños de los eventos lluviosos (Ver
Capítulo I, pág.16). Varios investigadores han estudiado este hecho, encontrando
distribuciones sin escala en los tamaños de lluvia, siempre y cuando éstos tuvieran la
suficiente resolución [47], [50], [51]. En la Figura 2-13 se aprecia en un estudio de Peters y
Christensen en 2002, efectuado sobre el mar Báltico, y cómo los tamaños de eventos
lluviosos siguen una ley de potencia. Éstos fueron tomados con radar, así que tienen una
resolución muy elevada.

38



2.6.4 SUSCEPTIBILIDAD DEL SISTEMA ESTUDIADO




Según el Teorema de Fluctuación-Disipación, propuesto por Nyquist en 1928 [52], la


función de respuesta de una cantidad macroscópica a una perturbación externa pequeña
(en el caso de un ferromagneto, la susceptibilidad es la respuesta del sistema ante un campo
magnético externo pequeño), es proporcional a las fluctuaciones de dicha cantidad en
equilibrio, y en ausencia de la perturbación [53].

En el sistema climático, la cantidad macroscópica estudiada es la precipitación, si su


función de respuesta se denomina también susceptibilidad 𝜒, entonces será proporcional a
sus fluctuaciones espontáneas, determinadas por su varianza.

Sea un sistema de dos dimensiones de tamaño 𝐿, con 𝐿2 grados de libertad. Cada grado
de libertad 𝑖, en una posición 𝒓𝒊 contribuye con una cantidad fluctuante de precipitación
𝑝𝑖 (𝑡) al observable macroscópico [54]:

𝐿 2
𝑃 (𝑡; 𝐿) = 𝐿12 ∑𝑖=1 𝑝𝑖 (𝑡).

que es un valor instantáneo promediado unidimensionalmente. Bidimensionalmente, la


función de correlación entre cada grado de libertad de precipitación en los puntos 𝒓𝒊 , 𝒓𝒋 ,
(como se indicó en la Ec. 1-15, del Capítulo 1), se define por:

Γ(𝒓𝑖 , 𝒓𝑗 ) = ⟨𝑝𝑖 𝑝𝑗 ⟩ − 〈𝑝𝑖 〉⟨𝑝𝑗 ⟩,

Ec. 2-4

Los brackets 〈… 〉 indican promedios en el tiempo, ya que cada posición 𝒓𝑖 , 𝒓𝑗 está fija. Sin
embargo, para un sistema isotrópico y homogéneo, esta cantidad dependería de sólo de la
distancia entre estos puntos 𝑟 = ∣𝑟𝑖 − 𝑟𝑗 ∣, y por lo tanto:

Γ(𝒓𝑖 , 𝒓𝑗 ) = 𝑔(𝑟).

39



Se puede asumir que el sistema tiene una débil forma de ergodicidad. Ya que sus
observaciones en diferentes bloques de tamaño 𝐿2 , tomados sobre regiones climáticas
diferentes (y para un valor dado de vapor de agua), se consideran equivalentes a las
observaciones tomadas en tiempos diferentes. La varianza de estos promedios de
precipitación se define entonces como:

𝜎𝑃2 (𝐿) = 〈𝑃 2 (𝐿)〉 − 〈𝑃 (𝐿)〉2 .

Sólo que en estos casos, los brackets se refieren a aun “promedio ergódico”. Dividiendo este
valor para el número total de observaciones, y colocando los valores explícitos de
precipitación por grado de libertad 𝑝𝑖 , 𝑝𝑗 , se obtiene:

𝐿 𝐿 2 𝐿 2 𝐿 2 2
1
𝜎𝑃2 (𝐿) = 4 (⟨∑ 𝑝𝑖 ∑ 𝑝𝑗 ⟩ − ⟨∑ 𝑝𝑖 ⟩ ⟨∑ 𝑝𝑗 ⟩)
𝐿 𝑖=1 𝑗=1 𝑖=1 𝑗=1

Que es igual a,

𝐿 𝐿2 2
1
𝜎𝑃2 (𝐿) = 4 (∑ ∑(〈𝑝𝑖 𝑝𝑖 〉 − 〈𝑝𝑖 〉⟨𝑝𝑗 ⟩)),
𝐿 𝑖=1 𝑗=1

Y reemplazando la Ec. 2-4,

𝐿 𝐿 2 2

Γ((𝒓𝑖 , 𝒓𝑗 ))),
1
𝜎𝑃2 (𝐿) = (∑ ∑
𝐿4 𝑖=1 𝑗=1
Ec. 2-5

Aprovechando las condiciones de homogeneidad, se tendría:

𝐿 2
1
𝜎𝑃2 (𝐿) = 2 (∑ Γ((𝒓𝑖 , 𝒓𝑗 ))),
𝐿 𝑗=1
Ec. 2-6

40



En este caso el índice libre 𝑖 indica que el sistema es homogéneo y que se tendría el mismo
resultado sin importar la posición 𝒓𝒊 . En un sistema con condiciones de frontera periódicas
las Ec. 2-5 y Ec. 2-6 ecuaciones también serían equivalentes. En el caso de que no sean
periódicas, las ecuaciones se diferenciarán únicamente en una constante, y estos efectos
disminuirán mientras más grande sea 𝐿.

Por otro lado, si se asume que el número de grados de libertad es suficientemente grande
como para aproximar la sumatoria a una integral,

𝜎𝑃2 (𝐿) = 𝐿12 ∫ Γ(𝑟𝑖 , 𝑟𝑗 )𝑑𝑟𝑗 .

Y si se cambia el área de estudio a un círculo, se tendría:


1 𝐿/ 𝜋
𝜎𝑃2 (𝐿) ≡ 2∫ 2𝜋𝑟Γ(𝑟)𝑑𝑟
𝐿 0
Ec. 2-7

Entonces se aprecia que 𝜎𝑃2 (𝐿) sigue una ley de potencia del tipo 𝐿−𝜆 , donde el exponente
tiene un valor no trivial 𝜆 ≠ 2. Y que la integral también debe ser una ley de potencia de
𝐿. Por lo tanto, la función de correlación Γ(𝑟) en sí misma debe cumplir una ley de
potencia. Por lo tanto, el hecho de un comportamiento en ley de potencia de la varianza
𝜎𝑃2 (𝑤, 𝐿), cerca del punto crítico 𝑤𝑐 implica el comportamiento en ley de potencia de la
función de correlación, bajo la suposición de sistemas homogéneos, isotrópicos y ergódicos.

Así, gracias al teorema de disipación-fluctuación se relacionan las funciones de respuesta


como la susceptibilidad, fluctuaciones como la varianza del parámetro de orden y las
funciones de correlación [12]. Finalmente, la susceptibilidad de la precipitación para una
región 𝐿 y un valor específico de vapor de agua 𝑤, 𝜒(𝑤; 𝐿), se define en función de la
varianza de la precipitación evaluada sobre la misma región y vapor de agua, de la forma
[46]:

𝜒(𝑤; 𝐿) = 𝐿𝑑 𝜎𝑃2 (𝑤; 𝐿),

Ec. 2-8

Donde 𝑑 es la dimensionalidad del sistema.

41



En el estudio de Peters y Neelin [46], no se cambió el tamaño del sistema, sino su resolución.
Definen a 𝐿 como una variable que incluye los efectos de promediar los valores
meteorológicos. De esta manera, el ansatz de escalamiento por tamaño finito para la
susceptibilidad es:

𝜒(𝑤; 𝐿) = 𝐿𝛾⁄𝜈 𝜒̃(∆𝐿1/𝜈 ),

Ec. 2-9

Donde 𝛾 y 𝜈 son los exponentes críticos y 𝜒̃(𝑥) la función de escalamiento de tamaño finito
(Ver Capítulo 1, Efectos de tamaño finito, pág. 12). La cual es constante para pequeños
argumentos |𝑥| ≪ 1, pero decae en ley de potencia |𝑥|−𝛾 para argumentos grandes |𝑥| ≫ 1
[55]. La varianza se vería afectada por las fluctuaciones de 𝑤 y 𝑤𝑐 , dificultando la
cuantificación precisa de la susceptibilidad, pero cerca del punto crítico se puede cambiar
la variable a 𝑤 − 𝑤𝑐 = ∆𝑤 = 0 = 𝑥, colapsando la función y obteniendo finalmente los
exponentes 𝛾/𝜈 dependientes del tamaño finito del sistema.

Figura 2-14 Escalamiento por tamaño finito del sistema. La varianza del parámetro de orden 𝜎𝑃2 (𝑤)
en función del parámetro de sintonización 𝑤, reescalado y logrando el exponente de 𝐿0.42 para
sistemas de tamaño de 0.25°, 0.5°, 1° y 2° en datos satelitales tomados sobre el Océano Pacífico
Occidental. En el caso de estar cerca del valor crítico 𝑤 ≈ 57 𝑚𝑚 se produce un buen colapso.
Adaptado de: Peters y Neelin, 2006 [46].

42



Así, la varianza de la precipitación en función del vapor de agua y el tamaño del sistema
sobre 𝐿𝑑 grados de libertad independientes, se comporta como una ley de potencia del tipo
𝜎𝑃2 (𝑤; 𝐿) ∝ 𝐿−𝑑 . Así la Ec. 2-8 y la Ec. 2-9 llevan a:

𝛾
𝜎𝑃2𝑚𝑎𝑥 (𝐿) ∝ 𝐿𝜈 −𝑑

Ec. 2-10

Disminuyendo la resolución en el área de estudio, se encontró en la Figura 2-14, que el


exponente de 𝐿 fue de 0.46(4), por lo que la razón de los exponentes universales fue 𝛾/𝜈 =
1.54(4).

2.6.5 CRITICALIDAD AUTO-ORGANIZADA DEL SISTEMA ATMOSFÉRICO




Finalmente, para probar la auto-organización del sistema, se presenta la Figura 2-15, en


donde se aprecia que el número de datos (eventos) de vapor de agua, y de precipitación en
función del vapor de agua, se ubican en las cercanías de la transición de fase. Por lo que
se evidencia una preferencia del sistema en esta región.

43



Figura 2-15 Número de eventos N(w) observados en un pixel de 0.25° x 0.25°, con un vapor w. Las
líneas verdes y azules respectivamente muestran los tiempos de residencia para todos los puntos y
para los puntos de precipitación. La línea roja muestra el comportamiento del parámetro de orden.
Adaptado de: Peters y Neelin, 2006 [46].

 

44



CAPÍTULO 3: DATOS UTILIZADOS




Los datos satelitales que utilizan en este estudio corresponden a los entregados por el
satélite TRMM Tropical Rainfall Measure Mission), el cual incorpora sensores de
microondas pasivos con los de un radar activo en órbita, siendo éste único en su clase para
la estimación de la precipitación, además de otros equipos para determinar más variables
climáticas. Estos datos se encuentran disponibles libremente a través de la Earth-Sun
System Division de la NASA, archivados y distribuidos por Goddard Earth Sciences (GES)
Data and Information Services Center (DISC).

La primera parte del presente capítulo abordará una descripción del satélite TRMM y de
la naturaleza de los niveles, productos y datos que se obtienen de él. En la segunda parte
de este estudio, se describirán los scripts sobre lenguaje de programación Phyton y Bash
que se utilizaron para la adquisición y pre-procesamiento de los datos originales.
Finalmente, se presentará el área de estudio y el rango temporal de los datos estudiados.

45



3.1 EL SATÉLITE TRMM




TRMM es producto de la conjunción para la exploración espacial entre la NASA (National


Aeronautics and Space Administration) y la Agencia de Exploración Aeroespacial
Japonesa (NASDA - JAXA), está diseñado para monitorear y estudiar precipitaciones
tropicales y subtropicales, entre las latitudes 40° N y 40° S, pasando sobre cada punto de
esta región entre 2 a 3 veces por día (Ver Figura 3-1). Forma parte de la Mission To Planet
Earth (MTPE) de la NASA, un estudio de largo alcance que coordina investigación para
el estudio de la Tierra como un sistema global. El cohete H-II lanzó a TRMM el 27 de
noviembre de 1997, inyectándolo en una órbita a 380 km de la tierra con una inclinación
de 35° desde el Centro Espacial Tanegashima, en Japón [56]. Gracias a su ángulo de
observación, genera las mejores descripciones de la estructura vertical de las tormentas y
ciclones tropicales [30].

Figura 3-1 Representación artística del satélite TRMM y la franja de barrido de su órbita sobre los
trópicos, a la derecha, insignia del satélite. Fuente: Laing, 2011 [30].

3.2 INSTRUMENTOS DE TRMM

El diagrama esquemático de los equipos de detección meteorológica que se encuentran a


bordo de TRMM se presentan en la Figura 3-2 y se encuentran descritos a continuación.

46



3.2.1 RADAR METEOROLÓGICO DE PRECIPITACIÓN (PR)

El radar meteorológico de precipitación (Precipitation Radar), es el primer radar de


observación a bordo de un satélite y provee la estructura tridimensional de las tormentas.
Consiste en un emisor de radiación que al rebotar con las gotas de agua recibe lecturas de
su intensidad y distribución, tipo de lluvia (debido a su reflectividad), profundidad de la
tormenta y altitud donde la nieve se funde en lluvia (región de las fases mixtas -pág.27).
Puede estimar también el calor liberado a diferentes alturas en la atmósfera y mide la
intensidad de la onda reflejada (eco) en la banda de 13.8 GHz en un rango de 215 km en
tierra y hasta 20 km de altitud. Sus principales objetivos son [57]:

1. Observar la estructura tridimensional y la distribución vertical de la lluvia.

2. Llevar a cabo una observación cuantitativa de la precipitación sobre el océano y la


tierra.

3. Mejorar la precisión de la observación de precipitación del TMI (Generador de


Imágenes de Microondas del TRMM).

3.2.2 Generador de imágenes por microondas (TMI)

El TRMM Microwave Imager es un sensor de microondas pasivo diseñado para dar


información cuantitativa de la lluvia. Recibe las microondas emitidas por la Tierra y su
atmósfera con un sensor multicanal polarizado dual, que opera en las frecuencias de 10.65
GHz, 19.35 GHz, *+]*+]\*+], por lo que es capaz de generar datos de
tasas de lluvias y vapor de agua sobre océanos, pero es menos confiable sobre tierra, donde
las emisiones de una superficie no homogénea dificultan la interpretación de las señales
[33]. Los datos combinados del TMI, con los de PR se utilizan para mejorar la
cuantificación de perfiles de precipitación más exactos tanto sobre tierra como sobre agua.


3.2.3 SCANNER DE RADIACIÓN VISIBLE E INFRARROJO (VIRS)


De las siglas en inglésVisible Infrared Scanner, es un instrumento que sirve como indicador
indirecto de lluvia. Determina la radiación que viene desde la tierra en cinco regiones

47



espectrales, del visible al infrarrojo. El VIRS se incluyó en los instrumentos primarios por
su habilidad para delinear lluvia y porque sirve como un estándar de transferencia datos
con mediciones que son hechas rutinariamente con otros satélites como POES y GOES.
En el presente estudio, los productos de este instrumento no son utilizados.

3.2.4 SISTEMA DE ENERGÍA RADIANTE DE LA TIERRA Y DE LAS NUBES (CERES)

El Clouds and the Earth’s Radiant Emission System mide la energía al tope de la
atmósfera, y estima los niveles de energía dentro de ésta y de la superficie terrestre.
Utilizando información de imágenes de nubes de altísima resolución y patrones de sus
formas, CERES determina las propiedades nubosas: cantidad de nubosidad, altitud,
espesor y tamaño de partículas de las nubes. Todas estas mediciones son críticas para el
entendimiento del sistema total climático y para mejorar los modelos predictivos de clima.

Figura 3-2 Instrumentos a bordo de TRMM. Los utilizados para la medición de la precipitación
corresponden al Radar Meteorológico (PR), el sensor de microondas (TMI) y el sensor de luz visible
(VIRS). Además se incluye un visor de energía radiante para estudiar las nubes (CERES) y un
detector de rayos (LIS). Tomado de: NASDA, 2011 [57].

48



3.2.5 SENSOR DE IMÁGENES DE RELÁMPAGOS (LIS)




El Lightning Imaging Sensor es un complejo instrumental para detectar y localizar


relámpagos. Este detector es una compacta combinación de elementos ópticos y
electrónicos incluyendo un detector de brillo de estrellas capaz de localizar y detectar
relámpagos en nubes de tormenta individuales. El campo de visión del LIS permite
observar un mismo punto terrestre o una nube por 80 segundos, suficiente tiempo para
estimar la relación de relámpagos, y determinar si una tormenta crece o decae.

3.3 BARRIDO DEL TRMM



Los datos satelitales se encuentran disponibles para todas las longitudes en un rango de
latitud que va desde los 40°N a los 40°S. El satélite da una vuelta completa a la tierra
en aproximadamente 90 minutos, dando un total de 16 órbitas al día, tal como se muestra
en la Figura 3-3. Esta órbita proporciona una amplia cobertura en los trópicos y permite
que cada ubicación pueda estar cubierta en una hora local diferente cada día.

Figura 3-3 Rango de visión del satélite TRMM, barrido del día 24 de abril del 2013. Fuente: GES
DISC, 2008 [33].

49



Hay, en general, 2.991 tomas de datos a lo largo de cada órbita, cada una consta de 208
píxeles de alta resolución. De esta manera, la resolución horizontal es de 5.1 km, 250 m en
sentido vertical y temporalmente de 1.67 segundos.

3.4 PRODUCTOS DE TRMM

TRMM entrega sus datos agrupados en diferentes “niveles” y “productos” que están en
función de la especialización y necesidades de los usuarios, tal como se muestra en la Tabla
3-1.

Tabla 3-1 Niveles de los productos entregados por TRMM. Adaptado de: NASDA, 2011 [57].

Nivel Descripción
0 Datos instrumentales instantáneos sin procesamiento previo, con chequeo de calidad,
sin redundancia y ordenados en el tiempo.
1 Datos auxiliares georeferenciados generados para los de nivel 0, y desarrollo de
magnitudes físicas satelitales como: reflectividad, brillo, temperatura, etc.
2 Datos instantáneos de parámetros meteorológicos (como las tasas de precipitación,
vapor de agua, etc.,) derivados de los de nivel 1, además incluyen algoritmos que
generan mapas bi o tridimensionales a lo largo del barrido local del TRMM.
3 Relleno de los datos a través de métodos numéricos y modelos de circulación para los
parámetros meteorológicos del nivel 2, y entregarlos para todo el rango espacial y
tiempo de funcionamiento del TRMM.

Los productos que serán utilizados en esta investigación corresponden al nivel dos, que son
datos instantáneos que traducen las estimaciones en variables meteorológicas directamente
y sin mayor tratamiento estadístico o dinámico. Específicamente se utilizarán los productos
2A12 y al 2B31. En el primer producto, que sale exclusivamente de TMI se estudiarán los
valores de vapor de agua tanto atmosférico como dentro de la nube, mientras que en el
segundo producto 2B31 que lleva la corrección de radar (ya que conjuga datos de TMI con
los de PR), se estudiarán los valores de lluvia, superficial, y convectiva.

Cabe resaltar que los productos de tercera generación (como los 3B42) incluyen un post-
procesamiento de datos que permite a los usuarios tener fácil acceso a más productos

50



meteorológicos y para cualquier punto del trópico terrestre, además de varias herramientas
de selección y visualización de los mismos. Sin embargo estos datos presentan una
resolución menor: 25 km, cada 3 horas; y debido a que combinan la información de los
satélites con las salidas de modelos climáticos mundiales, generalmente estiman los datos
que no logran detectar, lo cual habitualmente produce una subestimación de los eventos
extremos que se quieren analizar a detalle en este estudio. Esto sin tomar en cuenta que
los tiempos de duración de una tormenta rara vez superan la hora. Por estas razones se
prefirió utilizar los datos de nivel dos y no los de nivel tres.

3.4.1 DATOS DEL PRODUCTO 2A12

Los productos de segunda generación 2A12 que TRMM entrega y que serán utilizados en
esta investigación, son:

1. Agua Precipitable Total (Total Precipitable Water TPW): Es un producto


generado por microondas que representa la profundidad del agua líquida que se
acumularía si todo el vapor de agua contenido en un cilindro hipotético ubicado
sobre un determinado lugar de la Tierra hasta la tropósfera se condensara en la
superficie. Es el parámetro correspondiente a la columna de vapor de agua en la
atmósfera que será utilizado en este estudio. Tiene unidades de milímetros, y está
validado sólo sobre los océanos.

2. El agua líquida en las nubes (Cloud Water Path o Cloud Liquid Water) representa
la profundidad de líquido que se acumularía si todas las gotitas nubosas de una
columna vertical se comprimieran en una profundidad de agua líquida equivalente.
También tiene unidades de milímetros y está validado sólo sobre los océanos.

3. Temperatura Superficial del Mar (Sea Surface Temperature SST): Temperatura de
la superficie del mar en Grados Kelvin.

4. Datos temporales y geográficos: Año, mes, día, hora, minuto, longitud y latitud.

51



3.4.2 DATOS DEL PRODUCTO 2B31

Los productos de segunda generación 2B31 que TRMM entrega y que serán utilizados en
esta investigación, son:

1. Surface precipitation rate, prSurf. Tasas de precipitación superficial (sólida y


líquida) que corresponde a la tasa de precipitación que se detecta en la superficie
incorporando la corrección de radar. En unidades de milímetros por hora, y
validados para toda la región de estudio.

2. Surface rain rate. RR-Surf. Tasas de lluvia superficial, se refiere a la precipitación
líquida detectada bajo los 15km sobre la superficie, sus unidades también son
milímetros por hora.

3. Datos temporales y geográficos: Año, mes, día, hora, minuto, Longitud y Latitud.

Cabe indicar que al ser ambos productos de segunda generación, sus datos coinciden
espacial y temporalmente.

3.5 UBICACIÓN Y DESCARGA DE LOS DATOS

Los datos se encuentran disponibles en la página del GES-DISC de la NASA [58], en donde
se describen todos los productos incluyendo metadatos, manuales y descripciones físicas de
las variables meteorológicas entregadas, los links del sitio son:

http://disc.sci.gsfc.nasa.gov/precipitation/documentation/TRMM_README/TRMM_2B31_read
me.shtml

http://disc.sci.gsfc.nasa.gov/precipitation/documentation/TRMM_README/TRMM_2A12_read
me.shtml

Tanto para los productos 2B31 y 2A12 respectivamente, la ventana que se abre se muestra
en la Figura 3-4, donde se encuentra la información agrupada por año y mes con
aproximadamente 400 datos por mes aproximadamente (dentro de cada grupo se
encuentran los datos de 1.67 segundos).

52



Figura 3-4 Página web donde se obtuvieron los datos. Tomado de: GES-DISC de la NASA [58].

Figura 3-5 Datos satelitales de nivel 2A12 enlistados en paquetes generados cada dos horas
aproximadamente. Tomado de: GES-DISC de la NASA [58].

53



3.6 SISTEMA DE ADQUISICIÓN DE DATOS SATELITALES



Es evidente que en el presente nivel de trabajo, la cantidad de datos a adquirir es enorme.
Debido a que se utilizarán datos de 4 años de estudio, se requiere un sistema semi
automático de descarga, mismo que se generó en lenguaje Bash. El algoritmo que se utilizó
encuentra en detalle en el Anexo 1, y fue desarrollado gracias al apoyo del Ing. Pablo
Jácome.

Asimismo, debido a la gran cantidad de datos se utilizó el sistema Internet 2 para su


descarga, que es un servicio de internet que está orientado al trabajo de Universidades e
instituciones de investigación del Ecuador coordinado por CEDIA (Corporación
Ecuatoriana de Internet Avanzado). La descarga de 4 años que correspondió a 2 TB de
espacio en disco, duró aproximadamente 7 días utilizando el Internet 2 del Centro de
Investigación en Modelamiento Ambiental CIMA-UPS de la Universidad Politécnica
Salesiana.

3.7 DESENCRIPTADO DE DATOS




La información satelital que entrega la NASA, y prácticamente toda información


meteorológica de bajo nivel (como el nivel 2) está comprimida bajo un formato jerárquico
.HDF (Hierarchical Data Format File) o .nc (Scientific data NETwork Common Data
Format, NETCDF). Ambos formatos son utilizados para la compresión y lectura
georeferenciada de los datos satelitales, información que incluye tanto un núcleo como los
metadatos específicos del producto aplicable a las mediciones de TMI y PR. Cada archivo
contiene una sola órbita de datos con un tamaño de archivo de aproximadamente 95 MB
(sin comprimir). La estructura de "franja" HDF-EOS se utiliza para dar cabida a las
matrices de datos geofísicos reales. Hay 16 archivos de datos de TMI 2A12 y otros 16 de
PR-TMI 2B31 producidos por día [57].

Para leer y utilizar estos datos, se ha elegido la programación sobre Phyton debido a la
variedad de librerías que dispone y a la compatibilidad con este tipo de formatos [59]. En
el Anexo 2, se describen los algoritmos de desencriptación utilizados para la generación de
documentos de texto tipo .txt producto de los .HDF, que también fueron generados gracias
al Ing. Jácome.

54



Una vez logrados los datos en formato de texto, la cantidad de datos fue enorme, de
aproximadamente 14 millones de líneas con sus respectivos datos de precipitación, vapor
de agua, latitud, longitud, etc. En el estudio de referencia de Peters y Neelin [46], se trabajó
con una resolución espacial 5 veces menor (de 5.1 a 25 km aproximadamente), y
temporalmente casi 3000 veces menor (de 1.67 segundos a 3 horas) con un valor máximo
de estimación de la precipitación que supera el doble (60 mm/h a 25 mm/h) este
incremento de la precisión y capacidad de estimación de las variables meteorológicas
constituye una de las justificaciones de la presente investigación, ya que se pretende probar
la robustez de la teoría de los fenómenos críticos con datos más realistas de precipitación.

3.8 ÁREA DE ESTUDIO

La región estudiada comprende el área de influencia para el Ecuador del Fenómeno del
Niño y de La Niña (Ver Cap.2, pág. 31), ubicada entre las latitudes de 8°N a 5°S y las
longitudes desde 120°O y 92°O, denominada Niño sólo 3 [60].

Figura 3-6 Área de estudio ubicada en El Niño sólo 3. Región con influencia sobre el Ecuador.

De la misma manera, se escogieron los años de estudio en los que ENSO se registró con
mayor intensidad, y en los que existieran datos disponibles, ya que TRMM fue lanzado en
1997 poco antes del fenómeno del Niño más fuerte registrado en los últimos años, el de
1998 [60]; lastimosamente, el satélite en este período aún no contaba con datos validados,
por lo que esa información no está disponible. Por este motivo, se seleccionaron los años

55



2009 y 2010, cuando apareció el fenómeno del Niño más fuerte después de 1998, y los años
2010, 2011 y 2012 cuando apareció La Niña (en dos períodos), tal como se muestra en la
Figura 3-7.

Figura 3-7 Índice Oceánico del Niño, mostrando los años en los que se registró el Fenómeno del
Niño (en rojo), y el Fenómeno de la Niña (en azul). La línea en verde muestra el momento desde el
cual se tienen disponibles los datos de TRMM (1997). Fuente: NOAA [44].

El hecho de realizar este estudio durante la fuente de variabilidad climática más grande
del planeta, se convierte en otra de las justificaciones de la presente investigación. El
probar si la presencia de dos regímenes lluviosos tan opuestos como los del Niño y la Niña
cambia o no los exponentes críticos reportados en la bibliografía, se convertiría en un
aporte que mejoraría la comprensión de la lluvia intensa y sus desencadenantes.

56



CAPÍTULO 4: RESULTADOS Y DISCUSIÓN




En esta parte de la investigación se presentarán las evidencias encontradas para verificar


la robustez de la teoría de los fenómenos críticos en dos regímenes de precipitación tan
opuestos como los que se presentan durante el Fenómeno del Niño y La Niña. Y utilizando
datos que doblan la precisión de los valores reportados por la bibliografía.

En la primera parte de este capítulo se analizará la influencia de ENSO, evaluada por el


índice ONI, en los procesos de precipitación.

A continuación, se encontrarán los exponentes universales de la transición de fase de un


estado de lluvia ligera a un estado de lluvia intensa, siendo el parámetro de orden la
magnitud de la precipitación lluviosa y el parámetro de sintonización la cantidad
troposférica de vapor de agua en una columna. Para lograrlo, se procederá a realizar los
métodos de escalamiento correspondientes para encontrar los exponentes críticos y se
realizarán pruebas de hipótesis sobre los valores encontrados para verificar si existe algún
tipo de discrepancia con los resultados reportados en la bibliografía. El análisis se aplicará
tanto al estudio de los exponentes críticos que marcan el comportamiento del parámetro
de orden como de la susceptibilidad del sistema.

Finalmente se analizará la SOC en presencia de ENSO, verificando si dos regímenes


climáticos tan opuestos mantienen o no la auto-organización de la atmósfera en las
cercanías del punto crítico.

 

57



4.1 INFLUENCIA DEL FENÓMENO DEL NIÑO SOBRE LOS DATOS DE


PRECIPITACIÓN ESTUDIADOS

Se ha mencionado (Captíulo 2, pág. 31), que el Fenómeno del Niño y la Niña o ENSO es
la fuente de variabilidad climática más grande en el planeta, y que se caracteriza por sus
regímenes de lluvias abundantes y escasas respectivamente. Asimismo, se señaló que el
indicador más utilizado para detectar la presencia de ENSO es el índice ONI, el cual es
una medida de las desviaciones mensuales de temperatura superficial del mar. El Niño se
presenta, cuando ONI rebasa los 0.5°C, y La Niña, cuando se queda bajo los -0.5°C, durante
al menos 5 meses consecutivos. En la Tabla 4-1 se presentan los regímenes en donde se
registran El Niño y La Niña, aquellos meses en los que no se registran estos eventos se los
denominará “Testigos”.

Tabla 4-1 Regímenes climáticos determinados (Niño, Niña o Testigo) según el índice mensual ONI
en los años de estudio. Fuente: NOAA [44].

Año Mes ONI Régimen


2009 1 -0,8 NIÑA
2 -0,7 NIÑA
3 -0,5 NIÑA
4 -0,2 TESTIGO
5 0,2 TESTIGO
6 0,4 TESTIGO
7 0,5 NIÑO
8 0,6 NIÑO
9 0,8 NIÑO
10 1,1 NIÑO
11 1,4 NIÑO
12 1,6 NIÑO
2010 1 1,6 NIÑO
2 1,3 NIÑO
3 1 NIÑO
4 0,6 NIÑO
5 0,1 TESTIGO
6 -0,4 TESTIGO
7 -0,9 NIÑA
8 -1,2 NIÑA
9 -1,4 NIÑA
10 -1,5 NIÑA

58



11 -1,5 NIÑA
12 -1,5 NIÑA
2011 1 -1,4 NIÑA
2 -1,2 NIÑA
3 -0,9 NIÑA
4 -0,6 NIÑA
5 -0,3 TESTIGO
6 -0,2 TESTIGO
7 -0,2 TESTIGO
8 -0,4 TESTIGO
9 -0,6 NIÑA
10 -0,8 NIÑA
11 -1 NIÑA
12 -1 NIÑA
2012 1 -0,9 NIÑA
2 -0,6 NIÑA
3 -0,5 NIÑA
4 -0,3 TESTIGO
5 -0,2 TESTIGO
6 0 TESTIGO
7 0,1 TESTIGO
8 0,4 TESTIGO
9 0,5 TESTIGO
10 0,6 TESTIGO
11 0,2 TESTIGO
12 -0,3 TESTIGO

En esta investigación se analizarán estos regímenes encontrados, excluyendo a la Niña


2009, debido a que su período se encuentra incompleto. Cada régimen influye notablemente
en los patrones de precipitación, tanto en su presencia como intensidad. En la Figura 4-1
se presenta el número de eventos de precipitación lluviosa registrados sobre la zona de
estudio para cada mes, respecto a los valores entregados por ONI.

La influencia de ENSO en la producción de lluvia se explica ya que el incremento de la


temperatura superficial del mar favorece la evaporación, más vapor de agua disponible se
traduce en más eventos de precipitación; lo contrario también sucede i.e, mientras menos
temperatura superficial del mar, menos vapor de agua disponible y por lo tanto, menos
eventos de precipitación.

59



Figura 4-1 Número de eventos de precipitación lluviosa registrados mensualmente desde el año 2009
al 2012, comparado con los valores de ONI.

Al analizar la severidad de las lluvias en presencia de ENSO, se considera la magnitud de


cada evento máximo de precipitación a nivel mensual y se lo compara con ONI (Ver Figura
4-2), se aprecia también una relación positiva, sin embargo, existen valores de
precipitaciones máximas que durante el período cúspide de El Niño son visiblemente
menores que sus vecinos, este hecho puede deberse a que una SST demasiado elevada se
podría traducir temperatura ambiental troposférica lo suficientemente alta como para
disminuir la probabilidad de generar núcleos de congelamiento en los cumulonimbos y por
lo tanto evitar que gotas con mayores tamaños se formen, produciendo así el fenómeno
inverso y disminuyendo la intensidad de precipitación producida.

Figura 4-2 Valores máximos de lluvia mensuales registrados sobre la zona de estudio e índice ONI.

60



4.2 ANÁLISIS DE LAS TRANSICIONES DE FASE

Según Peters y Neelin [46], la lluvia experimenta una transición de fase a su estado
convectivo al atravesar cierto valor crítico de vapor de agua. Al buscar un nivel de
dependencia entre de la precipitación (parámetro de orden) con otro parámetro
meteorológico (de sintonización), se encontró una relación con la variable denominada
Total Precipitable Water (TWP), que se refiere al vapor de agua que se puede precipitar
como lluvia líquida, acumulado sobre una columna a lo largo de la tropósfera. La Figura
4-3 es un gráfico que muestra la cantidad de lluvia superficial registrada para cada valor
de vapor de agua.

La figura se realizó a través del script en Phyton mesRegVarHisto.py (Anexo 3), algoritmo
que genera 100 bines para los valores de vapor de agua y 100 para los de precipitación y
determina los valores de lluvia que caían dentro de cada bin. El número de valores de
lluvia se registró en la variable Eventos, presentada en la barra de color. Debido a que hay
tres variables que se analizan en este gráfico, se los conoce como histrogramas 3D [59].

Figura 4-3 Histograma de la Lluvia superficial vs. el vapor de agua (TWP), el color se presenta a
la derecha del gráfico indicando la frecuencia de los eventos de todos los años estudiados.

61



Es visible la gran cantidad de eventos de lluvia de pequeña magnitud (<1 mm/h),


6
resaltados con el color rojo que está en el orden de 10 eventos. Y la poca cantidad de
0
eventos de lluvia intensa ( > 50 mm/h), que sólo se cuentan por unidades (10 ),
representados por el color azul.

Por otro lado, al analizar el comportamiento de la lluvia en la superficie y el vapor de agua


en diferentes regímenes (Ver Figura 4-4), se sigue apreciando una transición de fase al
atravesar un valor crítico de vapor de agua, sin embargo, existe una diferencia en esta
transición marcada por la abundancia de lluvias del régimen del Niño y la escasez de La
Niña. Nótese que en el régimen de la Niña, la intensidad de los eventos de lluvia alcanza
apenas los 40 mm/h, mientras que durante el niño se sobrepasan los 50 mm/h.

Al mismo tiempo, se aprecia que durante El Niño la transición aparenta ocurrir en un


valor crítico 𝑤𝑐 , superior al de la niña, además de una manera menos desordenada. Estas
profundizarán luego del tratamiento estadístico detallado a continuación.

Figura 4-4 Lluvia superficial vs. vapor de agua en dos regímenes opuestos: el de La Niña (izq.),
caracterizado por escasas lluvias, y El Niño (der.) caracterizado por abundantes lluvias.

62



4.2.1 ALGORITMO PARA ENCONTRAR LOS PARÁMETROS DE LA TRANSICIÓN DE FASE

Paso1. Generación de promedios de precipitación.

Con el objetivo de encontrar una ley de potencia entre el parámetro de sintonización y el


de orden, como indica la Ec. 2-3,

〈𝑃 〉(𝑤) = 𝑎(𝑤 − 𝑤𝑐 )𝛽 .

Se determina el promedio de la precipitación ‫ۄܲۃ‬ሺ‫ݓ‬ሻ para cada bin de vapor de agua (Ver
Figura 4-5). Se puede apreciar en el gráfico la diferencia que marcan los ocho diferentes
regímenes determinados, mostrando diferentes los valores máximos y mínimos. Además se
aprecia que los regímenes que alcanzan los valores más altos de precipitación son El Niño
y el régimen Testigo 2010 que ocurre inmediatamente después. Asimismo, es notable como
el régimen Testigo 2011 que ocurre entre dos períodos de La Niña, también alcanza valores
promedios de precipitación altos.

Figura 4-5 Promedio de la lluvia superficial 〈𝑃 〉(𝑤) calculado para cada intervalo de vapor de agua
𝑤, para cada régimen de ENSO entre el 2009 y el 2012.

63



Se advierte además, que después de lograr la transición de fase, los valores promedios de
precipitación decrecen al exceder valores altos de vapor de agua. Este comportamiento
puede responder a un incremento de la temperatura superficial del mar, que frene la
cantidad de núcleos de congelamiento y que por lo tanto disminuya los eventos de
precipitación.

Finalmente, nótese que debido a la enorme cantidad de eventos pequeños de lluvia, al


promediar los valores de la precipitación el orden de magnitud máxima se pierde, logrando
un valor máximo promedio inferior a los 5 mm/h.

Paso 2. Enceramiento de los mínimos de precipitación

Con el objetivo de encontrar las características universales de la Transición de Fase, se


realizará un escalamiento [46]. El primer paso del escalamiento fue el igualar los valores
inferiores a la transición a cero, tal como se presenta en la Figura 4-6.

Figura 4-6 Como la Figura 4-5 pero con los valores de precipitación mínimos a la transición de fase
encerados para cada régimen de estudio.

64



Paso 3. Escalamiento iterativo

En este paso, se encontraron los valores críticos de la transición de fase 𝑤𝑐 para cada
régimen, para el efecto, se utilizó en cada caso el ajuste de la Ec. 2-3 utilizando el programa
GNUPLOT únicamente en la región de la transición. A continuación, se genera el primer
escalamiento al multiplicar un factor 𝑓𝑤𝑖 al vapor de agua de cada uno de los regímenes
estudiados utilizando Open Calc de Libre Office. En lugar de normalizarlos, se mantuvo
la escala dimensional por su interés físico, y se tomó como referencia el valor crítico del
régimen de la Niña ocurrido en el período de Julio 2010 a Abril 2011, correspondiente a
64.8591 mm, como se muestra en la Figura 4-7.

Figura 4-7 Como la Figura 4-6 pero con los valores de vapor de agua escalados por un factor 𝑓𝑤𝑖 .

A continuación se procede a multiplicar a los valores del parámetro de orden por un factor
𝑓𝑃𝑖 tomando como referencia el mismo régimen de La Niña 2010-11. Todos los factores
𝑓𝑤𝑖 ,𝑓𝑃𝑖 , y ‫ݓ‬௖௜ fueron cambiando de manera iterativa hasta lograr la Figura 4-8.

65



Figura 4-8 Como en la Figura 4-7, pero con los valores de 〈𝑃 〉(𝑤) multiplicados por el
factor de escalamiento 𝑓𝑃𝑖 .

Paso 4. Ajuste de la ley de potencia

Figura 4-9 Ajuste en ley de potencia (Ec. 2-3) para la transición de fase de los valores reescalados
de precipitación y vapor de agua, para cada régimen estudiado.

66



Luego de tener los datos escalados, se procede a realizar el ajuste de la ley de potencia
siguiendo la Ec. 2-3 sobre los regímenes estudiados (Ver Figura 4-9). Los factores de
escalamiento 𝑓𝑤𝑖 y 𝑓𝑃𝑖 y ‫ݓ‬௖௜ para cada régimen se presentan en la Tabla 4-2, cabe indicar
que el valor crítico de referencia reportado en la bibliografía fue de 67 mm.

Nuevamente, destaca el comportamiento climáticamente diferente de los tres regímenes


antes identificados: Niño 2009-2010, el régimen que le sigue, Testigo 2010; y el régimen
Testigo 2011 que se encuentra entre dos Niñas. Comportamiento que se plasma en los
factores de escalamiento 𝑓𝑃𝑖 del parámetro de orden inferiores, necesarios para escalar estos
regímenes al comportamiento de los demás.

Asimismo, se aprecia un corrimiento significativo de los valores críticos de vapor de agua


𝑤𝑐 , para los tres regímenes: en el caso de el Niño 2009-2010 y su Testigo 2010, al
presentarse SST superiores, caracterizadas por un ONI máximo de +1.6 (Ver Tabla 4-1
Regímenes climáticos determinados (Niño, Niña o Testigo) según el índice mensual ONI
en los años de estudio. Fuente: NOAA .), la transición de fase sufre un corrimiento
también, es decir, que se requiere más vapor de agua para que se dé una transición hacia
la lluvia convectiva, comportamiento comprensible, ya que al tener altas SST es menos
probable que el vapor se condense, y se requiera más cantidad para generar lluvia. Sin
embargo, es interesante ver que también ocurre este fenómeno durante Testigo 2011,
cuando la SST estaba caracterizada por un ONI máximo de -0.2 (negativo porque se
encuentra entre dos Niñas), mostrando una aparente capacidad de recuperación del sistema
a un estado en el que se reproduzcan las condiciones de liberación de energía de El Niño.

Tabla 4-2 Factores de escalamiento 𝑓𝑤𝑖 y 𝑓𝑃𝑖 , y valores críticos de vapor de agua ‫ݓ‬௖௜ encontrados
para cada régimen. Llama la atención el comportamiento del Niño, Testigo 2010 y Testigo 2011.

𝑤𝑐 𝑓𝑤𝑖 𝑓𝑃𝑖 ,

Testigo 2009 62,61 1,02538093 1,00126661

Niño 2009-2010 66,4132 0,96666175 0,77897438

Testigo 2010 67,576 0,95002812 0,75271213

Niña 2010-2011 64,8591 1 1

Testigo 2011 67,488 0,95126689 0,78601202

Niña 2011-2012 63,4938 1,01110817 1,11672444

Testigo 2012 65,48 0,9804383 0,90694577

67



Al utilizar una gráfica doble logarítmica con el vapor de agua reducido ∆𝑤 = 𝑤 − 𝑤𝑐 ⁄𝑤𝑐 ,
en el eje escalado de las abscisas de la transición de fase para cada régimen (Figura 4-10),
se aprecia la recta característica de la ley de potencia, cuya pendiente corresponde al
exponente crítico 𝛽. Se aprecia un buen colapso de los regímenes estudiados en la región
de la transición de fase, logrado un exponente general de 𝛽 = 0.35, con un error de 0.035.
Cabe indicar que el exponente reportado en la bibliografía fue de 0.215 con un error de
0.002. Los valores obtenidos en esta investigación son significativamente mayores, tanto
en el valor del exponente como en su desviación estándar.

Los valores más altos del exponente se pueden deber a la capacidad aumentada de
estimación de precipitación de los instrumentos utilizados en este estudio, que llega a ser
de 60 mm/h, mientras que en la bibliografía el instrumento utilizado sólo podía estimar
hasta 25mm/h. En la Sección 4.5 (pág. 77) se realizará un “corte” de los datos de
precipitación en los 25mm/h con el objetivo de verificar si se mantiene correspondencia
con los exponentes reportados.

En cuanto a la varianza, ésta es mucho mayor debido no sólo al incremento en capacidad


y resolución de los instrumentos sino también la inclusión de la variabilidad climática del
sistema al comparar los regímenes de El Niño y La Niña.

Figura 4-10 Gráfica doble logarítmica de 〈𝑃 〉(𝑤) reescalados vs. el vapor de agua reducido ∆𝑤 en
la zona de la transición de fase.

68



4.3 COMPORTAMIENTO DE LAS FLUCTUACIONES DEL PARÁMETRO


DE ORDEN.

Dado que la susceptibilidad del sistema está determinada por las fluctuaciones del
parámetro de orden o varianza 𝜎ଶ௉ ሺ‫ݓ‬ሻ. Según la Ec. 2-8 (Capítulo 2),

𝜒(𝑤; 𝐿) = 𝐿𝑑 𝜎𝑃2 (𝑤; 𝐿),

Donde ésta varianza está relacionada con el tamaño del sistema 𝐿 , a través de los
exponentes universales 𝛾/𝜈 y la dimensionalidad 𝑑 que en este modelo se la considera igual
a 2 (Ec. 2-10):

𝜎𝑃2𝑚𝑎𝑥 (𝑤, 𝐿) ∝ 𝐿𝜈−𝑑 .


𝛾

En esta parte de la investigación se buscará la razón 𝛾/𝜈 utilizando los datos adquiridos,
sin variar el tamaño del sistema estudiado sino su resolución [46], a la que se denomina 𝐿
(Ver pág. 39). Así, se cambió la resolución del sistema generando promedios sobre áreas
tres veces más grandes cada vez y por lo tanto disminuyendo indirectamente el tamaño
del sistema. Las resoluciones utilizadas fueron:

L1= 5.1km

L2=15.3km

L3=45.9km

L4=137.7km

La validez de esta metodología radica en que se puede describir el comportamiento de la


precipitación proveniente de diferentes tamaños de nube. Por ejemplo, un cumulonimbo
de tormenta suele tener 10 km de radio, sin embargo al conectarse y crecer junto con otras
nubes y formar sistemas multicelulares puede abarcar centenas de kilómetros [34]. Desde
el punto de vista de los fenómenos críticos, se puede decir que la longitud de correlación
diverge de decenas a centenas de kilómetros.

69



De esta manera, se analizan las varianzas de los datos sobre los valores promedios de
precipitación para cada bin de vapor de agua. Los resultados se muestran en la Figura
4-11. Se aprecia un crecimiento acelerado (divergencia) de la varianza al acercarse a los
valores críticos, cabe indicar que estos datos aún no están escalados.

Figura 4-11 Varianzas del parámetro de orden para los regímenes estudiados sin escalamiento.

Así, se determinaron las varianzas de cada régimen para cada resolución L1, L2, L3 y L4,
i.e. en cada resolución se trabajaron los siete regímenes encontrados. Una vez logradas, se
realizó el escalamiento descrito en la sección anterior. Y se promediaron por régimen, las
barras de error salen de las desviaciones encontradas entre los diferentes régimenes. Una
vez logradas las varianzas totales por resolución se repitió el procedimiento de
reescalamiento iterativo. Los resultados se presentan en la Figura 4-12.

Al igual que en cálculo del exponente 𝛽, se ajustaron los valores escalados de la varianza
a la ley de potencia determinada por la Ec. 2-10, en la región de la transición de fase. El
ajuste de la curva se realizó también utilizando el programa GNUPLOT. La razón de los
exponentes encontrados fue igual a 𝛾/𝜈 =2.100589+/- 0.165.

De la misma manera, los valores encontrados superan a los reportados en la bibliografía:


𝛾/𝜈 = 1.54(4), tanto en su valor esperado como en su error. La justificación de este
comportamiento sería la misma que la dada en la sección anterior: la mayor capacidad y
resolución de los datos así como la inclusión de una variabilidad climática determinada por

70



la presencia de ENSO. En la Sección 4.5 (pág. 77), se revisarán estos valores después de
realizar un corte en la estimación máxima de precipitación en 25 mm/h.

Figura 4-12 Varianzas registradas en cuatro resoluciones diferentes L1, L2, L3 y L4 para los
regímenes estudiados y escalados.

4.4 INVARIANZA DE ESCALA DEL PARÁMETRO DE ORDEN




Al realizar un primer análisis sobre los datos del parámetro de orden -o lluvia superficial-
se encontró una gran presencia de fenómenos de baja magnitud y pocos de gran magnitud.
En la Figura 4-13 se presenta un mes de datos donde se aprecia claramente este hecho.
Este comportamiento es compatible con el ruido 1/𝑓 (Capítulo 1, pág. 16) y, según Bak
[61], es el primer indicio de un comportamiento sin escala del parámetro de orden.

Esta figura fue creada utilizando el programa GNUPLOT, se graficaron los datos logrados
luego de la desencriptación, y filtrado previo. Los datos logrados estaban ordenados
temporalmente, tal como fueron adquiridos.

71



Figura 4-13 Aproximadamente, un millón de eventos de lluvia superficial registrada en el mes de


septiembre del año 2009. Se aprecia la gran cantidad de datos de baja magnitud y los pocos (menos
de una veintena) sobre los 20 mm/h.

Con el objetivo de verificar la invariancia de escala, se buscó una ley de potencia sobre la
distribución de frecuencias de la magnitud de lluvia superficial ܰሺܲሻ, se buscó la relación
descrita por la Ec. 1-17 (Ver Capítulo 1, pág.16):

𝑁 (𝑃 ) = 𝑃 𝜏 .

Donde 𝑁 (𝑃 ) se refiere al número de eventos de lluvia con una magnitud 𝑃 , medida en


mm/h y ordenada de la forma 𝑃𝑚𝑎𝑥 ≥ 𝑃 ≥ 𝑃𝑚𝑖𝑛 mientras que ߬ se refiere al exponente de
la relación [47].

Es importante mencionar que el comportamiento en ley de potencia sobre la distribución


frecuencias no fue evidente. Al inicio de la presente investigación, se trabajó con datos de
diferentes fuentes y resoluciones: gracias al INAMHI, se obtuvieron datos diarios, a TRMM
nivel 3B42 datos cada tres horas, a la Secretaría del Ambiente del Distrito Metropolitano
de Quito, datos cada 10 minutos. Cada vez que se obtenían datos con mejor resolución, se

72



apreciaba de mejor manera el comportamiento en ley de potencia, sobre todo en las colas,
estos resultados fueron reportados en [51], y motivaron la adquisición de datos con mayor
resolución, que se describió en detalle en el Capítulo 3.

De esta manera y con el objetivo de refinar procedimientos y eliminar posibles efectos de


ruido se trabajó con la Distribución Acumulada de Frecuencias A(P), definida por la Ec.
4-1:


1
𝐴(𝑃 ) ∝ ∫ 𝑃 −𝜏 𝑑𝑃 = 𝑃 −𝜏+1
𝑀1
𝜏 −1
Ec. 4-1

Como se puede apreciar, esta ecuación también cumple una ley de potencia, es decir, que
si la distribución de los datos cumple una ley de potencia, su distribución acumulada
también lo hará, siendo la una derivada de la otra [27].

4.4.1 ALGORITMO PARA ENCONTRAR LA DISTRIBUCIÓN ACUMULADA DE FRECUENCIAS

Paso 1. Desencriptar y filtrar los datos obtenidos de TRMM.

De este proceso, se logran aproximadamente 14 millones de datos de lluvia por año. Debido
a la gran cantidad, todo el proceso de tratamiento y filtrado se realizó mediante scripting.
El lenguaje de programación escogido fue Phyton.

Paso 2. Ordenar en una columna los datos de lluvia superficial de menor a mayor x1 ≤
x2 ≤ ⋯ ≤ xn , identificar posibles datos erróneos y eliminarlos.

Paso 3. Determinar las frecuencias individuales normalizadas de cada uno de los datos
𝑥1⁄ 𝑥2⁄ 𝑥𝑛
ordenados en columnas 𝑛, 𝑛 , … , ⁄𝑛

Paso 4. Determinar la frecuencia acumulada normalizada de los datos 𝑁 (𝑥) =


𝑥1⁄ 𝑥2⁄ 𝑥𝑛
∑𝑥𝑖=1 𝑛, 𝑛 , … , ⁄𝑛

73



Paso 5*. Graficar la distribución acumulada (Figura 4-14). La figura se graficó utilizando
GNUPLOT.

Figura 4-14 Distribución Acumulada de Frecuencias Normalizada de los datos de lluvia sobre el
área total de estudio para los años estudiados. Los datos del eje x se encuentran en [mm/h].

4.4.2. AJUSTE DE LA DISTRIBUCIÓN ACUMULADA A LOS DATOS ESTUDIADOS

La Figura 4-14, al ser colocada en un gráfico doble logarítmico, no mostró un


comportamiento en línea recta, lo cual podría directamente descartar la hipótesis de
invariancia de escala sobre los datos. Sin embargo, se evidenció que las colas de los datos
(que corresponden a los valores de lluvia intensa) sí se ajustaron a esta conducta. Con el
objetivo de encontrar una función que describa el comportamiento de todos los datos bajo
una distribución acumulada, se probó con la siguiente función:

− 𝑑𝑎 𝑏
𝑓(𝑥) = 𝑒 (𝑥 −𝑐)

Ec. 4-2

74



La Ec. 4-2 tiene la ventaja de que al derivarla se puede encontrar una ley de potencia para
datos mucho mayores que ܿ y fue propuesta por el Dr. Ramón Xulvi. Así para encontrar
la distribución de frecuencias de los datos, se derivó de la forma:

− 𝑎

,
𝑏 ´
𝑓(𝑥)´ = 𝑒 (𝑥𝑑 −𝑐)
((𝑥𝑑−𝑎
−𝑐)𝑏
)

Entonces,

𝑓(𝑥)´ = (𝑥𝑎𝑏𝑑𝑥 𝑎
𝑑−1
𝑑 −𝑐)𝑏+1 𝑒𝑥𝑝(− (𝑥𝑑 −𝑐)𝑏 ),

Que para datos muy grandes, el límite cuando ‫ ݔ‬es mucho mayor que ܿ se obtiene:

lim 𝑓(𝑥)´ = 𝑎𝑏𝑑 𝑥𝑑−1 𝑥𝑑(𝑏+1)


𝑥≫𝑐

𝑎𝑏𝑑
lim 𝑓(𝑥)´ =
𝑥≫𝑐 𝑥1+𝑑𝑏
Ec. 4-3

Que también cumple con una ley de potencia.

Para realizar el ajuste de la Ec. 4-2 sobre la distribución acumulada de frecuencias de los
datos trabajados, se utilizó el programa GNUPLOT, con el objetivo de encontrar los
valores de los cuatro parámetros a, b, c y d, los valores de los parámetros encontrados
fueron los siguientes:
a = 0.102779 +/- 8.555e-06
b = 0.287345 +/- 9.229e-06
c = 2.91745e-05 +/- 2.194e-10
d = 2.26567 +/- 4.527e-07

Asimismo, al graficar la distribución acumulada de los datos conjuntamente con la Ec. 4-2,
evaluada con los parámetros encontrados a, b, c y d, se encontró la Figura 4-15, que se
encuentra en escala doble logarítmica.

75



Tanto los valores obtenidos de la regresión como el gráfico que oscila alrededor de la
distribución de frecuencias, nos lleva a pensar que la función fue bien escogida. Al observar
las colas de la distribución, se puede vislumbrar la recta. Sin embargo, cabe indicar que
los parámetros encontrados aún no tienen un significado físico, sino estadístico.

Figura 4-15 Ajuste de la función exponencial encontrada Ec. 4-3 a la Distribución Acumulada
Normalizada de los datos de lluvia sobre el área total para todos los años estudiados, en escala
doble logarítmica.

Al denominar al factor ߙ ൌ ܾܽ݀ y al exponente ߬ ൌ ͳ ൅ ܾ݀ de la Ec. 4-3, se logra la


ecuación en ley de potencia en la distribución de frecuencias para valores de lluvia grandes,
logrando la siguiente ecuación:

𝑓(𝑥) = 𝛼𝑥−𝜏

Ec. 4-4

De esta manera, se analizan los siete diferentes regímenes de precipitación y se promedian


sus valores, logrando los parámetros iguales a: 𝛼 = 0.166912 ± 1.06 𝐸 − 4 y 𝜏 =
1.65102895 ± 0.04. Estos errores presentados ya corresponden a una variación física del

76



sistema, misma que se aprecia en la Figura 4-16. Se nota también que los valores superiores
se logran durante el Niño, mientras que los menores en la Niña.

El trabajar únicamente con las colas, corresponde al hecho de estudiar sólo la lluvia
convectiva y eliminar del análisis la estratiforme, es decir, se aplica sólo a la lluvia intensa.
De esta manera, se aprecia que el comportamiento fractal de la lluvia, característico de
tantos otros sistemas en SOC, sólo parece aplicable a las nubes que pueden crecer
indefinidamente por convección.

Figura 4-16 Distribuciones de frecuencia normalizadas en escala doble logarítmica de los tamaños
de lluvia registrados en los diferentes regímenes de lluvia, logrados de la ecuación Ec. 4-4

4.5 CONTRASTE DE EXPONENTES Y PRUEBAS DE HIPÓTESIS




Con el objetivo de verificar el comportamiento y validez de los exponentes encontrados, se


procede a realizar un “corte” en la capacidad de adquisición de los datos -que originalmente

77



registró valores de lluvia superficial de 58 mm/h. Al valor máximo registrado por los
instrumentos reportados de 25 mm/h [46], como se muestra en la Figura 4-17.

Figura 4-17 Corte de los datos superiores a 25mm/h realizados para comparar los exponentes
adquiridos con los reportados teóricamente.

Después de eliminar los datos superiores a los 25 mm/h, se procede a realizar los
procedimientos descritos en los apartados anteriores: separación por regímenes de ENSO,
escalamiento iterativo para encontrar los factores y valores críticos y búsqueda de los
exponentes.

Los exponentes críticos logrados en este sistema truncado se muestran en la Tabla 4-3.
Cabe indicar que dado que en cada régimen existían un número demasiado grande de datos
(𝑛~5 × 106 ), los valores estadísticos encontrados para las pruebas de hipótesis utilizando
un promedio y varianza conocidos fueron muy grandes y determinantes.

Al contrastar los exponentes 𝛽 (de la Ec. 2-3), encontrados en esta investigación con
aquellos logrados con datos recortados, así como los que se reportan en la bibliografía; se
aprecia que los datos recortados coinciden razonablemente con los datos reportados, a
pesar de que presentan un mayor error estándar. Éste hecho se justifica al estar incluida
la fuente física de variabilidad climática de ENSO, sumado al hecho de contar con datos
de mejor resolución que permitía contabilizar tanto datos más pequeños como más grandes.
Sin embargo, el exponente encontrado en los datos sin recortar es estadísticamente

78



diferente, rechazando así la hipótesis nula de este trabajo y mostrando que el incremento
de la capacidad mejorada del instrumento de adquisición de datos incrementa el valor del
exponente 𝛽.

Tabla 4-3 Exponentes críticos encontrados para el sistema lluvioso (Izq.) reportados tanto por
Peters y Neelin [46], como dentro de este estudio, con (Centro) y sin corte (Der.) de los datos.

Referencia [46] Con Corte Datos reales

𝛽 0,215±0,02 0,25±0.035 0,35±0.036

𝛾/𝜈 1,54±0.04 1,66±0.128 2,1±0.16

𝜏 1,4 1,602±0.04 1,65±0.045

El mismo comportamiento se verifica en los exponentes 𝛾/𝜈, determinados por la Ec. 2-10,
sólo que los valores de la varianza son significativamente mayores, ya que la varianza es
el parámetro que recoge la variabilidad del sistema por excelencia.

Se aprecia un comportamiento parecido en para 𝜏 . Sin embargo, en este caso el exponente


logrado con datos recortados no es estadísticamente similar al reportado en la bibliografía,
cabe indicar que este exponente fue derivado de otra investigación liderada por Peters y
Christensen en el año 2002, pero con un área de estudio sobre el Mar Báltico [62]. Sin
embargo, se lo incluye por el interés que despierta lo parecidos que son estos valores.

4.6 ANÁLISIS DE LA CRITICALIDAD AUTOORGANIZADA.




En esta sección se presenta el número de eventos de precipitación relacionados con el vapor


de agua para cada régimen, con el objetivo de conocer la posición preferencial del sistema
lluvioso. La Figura 4-18 muestra el número de eventos de lluvia por bin de vapor de agua
generado para cada régimen (El valor unificado para cada mes, se presenta en la Figura
4-19, ya que no todos los regímenes duran la misma cantidad de meses).

En ambas figuras se puede apreciar que el sistema tiene la más alta probabilidad de
encontrarse antes del inicio de la transición de fase hacia el régimen de lluvia intensa

79



(marcado con la curva verde). Y que el comportamiento de cada régimen, a pesar de ser
variado presenta una posición preferencial.

Figura 4-18 Número de eventos de lluvia vs. vapor de agua registrados para cada régimen.

Se destacan los períodos de La Niña, como lo más abundantes (mayor número de eventos
de precipitación), este hecho se explica nuevamente al recordar que la mayoría de eventos
de lluvia son muy pequeños. Al visibilizar el comportamiento de El Niño, se aprecia un
sesgo a la derecha, indicando que también la mayoría de sus eventos de precipitación
ocurren cuando los valores de vapor de agua son bajos, y por lo tanto, se corresponden a
valores bajos de precipitación, -inclusive más bajos que los de La Niña-. Es notable cómo
desaparece de éste análisis estadístico la influencia de las fuertes lluvias registradas durante
El Niño debido a su escasa ocurrencia (de tan sólo decenas o cientos de eventos), que
difícilmente puede cambiar el comportamiento de la distribución del número de eventos,
del orden de millones de eventos.

Se puede concluir entonces, que además de existir una congruencia con la teoría de los
fenómenos críticos, existe un nivel de auto-organización del sistema climático alrededor de
una región de vapor de agua ubicada antes de la transición de fase, por lo que se puede
incluir en este estudio el término de Criticalidad Auto-organizada. De la misma manera,
el modelo del cuasi-equilibrio postulado por Arakawa y Schubert [45], y que es la base de
la modelación atmosférica utilizada actualmente, puede ser visto como una adaptación del
modelo de la Pila de Arena planteado por Bak [22] y paradigma de la SOC.

80



Figura 4-19 Número de eventos de lluvia por mes vs. vapor de agua registrados para cada régimen

81



CONCLUSIONES


𝛾⁄
Se encontró que los exponentes críticos 𝛽 y 𝜈 logrados con un corte en 25mm/h en la
capacidad de estimación de la precipitación lluviosa eran estadísticamente similares a los
reportados en la bibliografía, a pesar de la inclusión de la variabilidad climática inducida
por ENSO. Sin embargo, al incluir la capacidad mejorada del instrumento los exponentes
se incrementaron, perdiendo su similitud.

En todos los exponentes estudiados se evidenció un incremento de la varianza producto no


sólo de la inclusión de la variabilidad natural debida a ENSO, sino también debido al
mejoramiento en la capacidad de estimación y resolución de los datos estudiados.

El comportamiento de estos exponentes críticos comunes para los regímenes estudiados,


refuerza la teoría de los fenómenos críticos y criticalidad auto-organizada en una transición
de fase aplicada en un sistema atmosférico, no existe pérdida de universalidad, sino más
bien una corrección de los exponentes por la inserción de datos más realistas.

Este tipo de resultados podrían incluirse en modelos atmosféricos que utilizan las
ecuaciones de Navier Stokes, y cuya confiabilidad para predecir lluvias intensas aún no es
adecuada. Una corrección en ley de potencia sobre los valores de lluvia, al sobrepasar un
umbral crítico de vapor de agua, podría mejorar la calidad del modelo.

Finalmente, se recomienda también investigar la vinculación de otros exponentes críticos


como 𝛼 o 𝛿, y cuyo significado físico en el sistema atmosférico podría tener aplicaciones
importantes.

82



Referencias

[1] D. P. Sanders, Introducción a las transiciones de fase y a su simulación, México: Universidad


Autónoma de México, 2009.

[2] H. N. a. G. Ortiz, Elements of phase transitions and critical phenomena, New York: Oxford
University Press Inc., 2011.

[3] J. P. Sethna, Entropy, Order Parameters, and Complexity, Cornell University, Ithaca, NY:
Oxford University Press, 2006.

[4] J. M. Yeomans, Statistical Mechanics of Phase Transitions, Oxford University Press, 1992.

[5] L. Landau, «On the theory of phase transitions,» Zh. Eksp. Teor. Fiz., vol. 7, pp. 19-32, 1937.

[6] L. Landau, «On the theory of phase transitions,» Zh. Eksp. Teor. Fiz., vol. 7, pp. 19-32, 1937.

[7] C. Kittel y H. Kroemer, Termal Physics, New York: W.H. Freeman and Company, 1980.

[8] W. Greiner, L. Neise y H. Stocker, Termodinamics and Statistical Mechanics, New York:
Springer, 1994.

[9] L. D. Landau, Collected Works, vol. 1, Nauka Moscow, 1969.

[10] C. D. a. J. L. Lebowitz, Phase Transitions and Critical Phenomena, vol. 18, San Diego:
Academic Press, 2001.

[11] Botcharova, Farmer y Berthouze, «Markers of criticality in phase synchronisation,»


OURNAL=Frontiers in Systems Neuroscience, vol. 8, 2014.

[12] Kadanoff y Martin, «Hydrodynamic equations and correlations functios,» Annals of Physics,
vol. 24, pp. 419-469, 1963.

[13] E. a. A. P. Stueckelberg, « La renormalisation des constants dans la theorie de quanta,» Helv.


Phys. Acta, vol. 26, p. 499, 1953.

[14] N. Goldenfeld, Lectures on Phase Transitions and the Renormalization Group, P. B. Group,
Ed., University of Illinois at Urbana Champaign, 1992.

83



[15] K. Binder, «Critical properties from Monte Carlo coarse graining and renormalization,»
Physical Review Letters, vol. 693, 1981.

[16] A. N. Rubio, Estudio del efecto de la topologia de mundo pequeño en el modelo de Ising de
1D y 2D mediante simulación computacional, Quito: Escuela Politécnica Nacional, Facultad
de Ciencias, 2010.

[17] Santa Fe Institute, «Complexity, Metaphors, Models and Reality,» 1994.

[18] P. C. T. y. K. W. Bak, «Selforganized criticality,» Physical Review A, vol. 38, nº 1, p. 364–


374, 1987.

[19] R. M., «Bilogical extinction in earth history,» Science, vol. 251, p. 1530–1532, 1986.

[20] Z. H. J. F. y. K. C. Olami, «Selforganized criticality in a continuous, nonconservative model


of earthquakes,» Phys. Rev. Letters, vol. 68, p. 68: 1464–1247, 1992.

[21] B. Mandelbrot, The Fractal Geometry of Nature, San Francisco: W.H. Freeman, 1982.

[22] P. Bak, How Nature Works: The science ofself-organized criticality, Copernicus, 1996.

[23] P. y. K. S. Bak, «Punctuated equilibrium and criticality in a simple model of evolution.,»


Physical Review Letters, vol. 71, nº 24, p. 4083–4086, 1993.

[24] P. y. K. C. Bak, «Self-organized criticallity,» Science Amercian, vol. 246, nº 1, 1991.

[25] S. Serrano y L. Basile, «La precipitación intensa vista desde la criticalidad autoorganizanda,»
La Granja, vol. 15, nº 1, 2012.

[26] N. K. &. J. S. Pierluigi Colli, Disipative Phase Transitions, London: World Scientific
Publishing Co. Pte. Ltd., 2006.

[27] M. Newman, «Power laws, pareto distributions and zipf’s law.,» Contemporary Physics, vol.
47, 2005.

[28] D. L. Turcotte, «Collapse of loaded fractal trees,» Nature, vol. 313: 671, 1985.

[29] "Backtang2" by Claudio Rocchini - Own work. , «Wikipedia,» Licensed under CC BY 3.0 via
Wikimedia Common, [En línea]. Available:
http://commons.wikimedia.org/wiki/File:Backtang2.png#/media/File:Backtang2.png.
[Último acceso: 15 Abril 2015].

84



[30] A. y. J.-L. E. Laing, Introducción a la Meteorología Tropical, The COMET Program and the
National Center for Atmospheric Research, 2011.

[31] B. S. a. S. Bony, «Water in atmosphere,» Physics Today, vol. 66(6), nº 29, 2013.

[32] J.-P. C. y. M. Gillet, «Las Nubes,» 2010. [En línea]. Available:


http://monograficos/temas/numeros/1998/4/las-nubes-3167.

[33] GES DISC Goddard Earth Sciences Data and Information Services Center, «Readme
Document for TRMM 2A12, Version 006,» 2008.

[34] R. Houze, Cloud Dynamics, Academic Press, 2014.

[35] Pierrehumbert, Principles of Planetary Climate, New York: Cambridge University Press, 2010.

[36] P. G. Hewitt, Física conceptual, México: PEARSON EDUCACIÓN, 2007.

[37] Lamb, «Atmospheric Physics Course II: Physics and Chemistry of Clouds,» Penn State
University, 2004. [En línea]. Available: http://www.ems.psu.edu/.

[38] W. Chuck, «Lecture notes,» 2011.

[39] F. Net, «Meteorología,» [En línea]. Available:


http://www.fisicanet.com.ar/monografias/monograficos2/es17_meteorologia.php.

[40] Facultad de Ciencias y Facultad de Química, UNAM, «El imperio de la ciencia,» [En línea].
Available: https://imperiodelaciencia.wordpress.com/about/.

[41] J. L. Miller, «Water dimer yields to spectroscopic study,» Physics Today, vol. 66, pp. 18-18,
2013.

[42] G. T. y. E. W. B. Walker, «World weather,» V. Memories of the Royal Meteorology Society,


vol. 4, pp. 53-84, 1932.

[43] 2. E. W. [. o. a. h. International Research Institute for Climate Prediction (IRI), «IRI,» [En
línea]. Available: http://iri.columbia.edu/climate/ENSO/currentinfo/QuickLook.html.

[44] NOAA, National Weather Service, NOAA Center for Weather and Climate Prediction,
«http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ensoyears_1971-
2000_climo.shtml,» [En línea].

85



[45] A. y. W. H. S. Arakawa, «Interaction of a cumulus cloud ensemble with the large-scale


enviroment, Part I.,» Journal of Atmospheric Science, vol. 31, pp. 674-701, 1974.

[46] D. N. O. Peters, «Critical phenomena in atmospheric precipitation,» Nature Physics, vol. 2,


2006.

[47] C. Peters, «Rain: Relaxations in the sky,» vol. 66, nº 036120, 2002.

[48] H. S. Beitelmajer, HISTORIA Y PANORAMA DE INVESTIGACION Y APLICACIONES


DE LA FISICA TERMODINAMICA Y FISICA ESTADISTICA, Cantabria: Instituto de
Fisica de Cantabria, 2010.

[49] S. F. Insitute, «Ole Peters,» [En línea]. Available:


http://tuvalu.santafe.edu/~ole/convection.html#Contents. [Último acceso: 08 08 2015].

[50] G. y. A. H. Vattay, «Scaling behavior in daily air humidity fluctuations,» Physical Review
Letters, vol. 73, pp. 768-771, 1994.

[51] S. Serrano, L. Basile, P. Jácome y N. Vásquez, «Critical phenomena of rainfall in Ecuador,»


Sun and Geosphere, vol. 9(1), pp. 73-76, 2014.

[52] H. Nyquist, «Thermal Agitation of Electric Charge in Conductors,» Physical Review, vol. 32,
nº doi:10.1103/PhysRev.32.110, pp. 110-113, 1928.

[53] S. Cannas, Notas de Mecánica Estadística, Universidad Nacional de Córdoba, 2013.

[54] O. P. y. D. Neelin, «Critical phenomena in atmospheric precipitation—Supplementary


Information,» Nature Physics, 2006.

[55] V. H. P. C. y. A. Privman, in Phase Transitions and Critical Phenomena, vol. 14, New York:
Domb, C & Lebowits, 1991.

[56] TRMM, JAXA, [En línea]. Available: http://www.eorc.jaxa.jp/.

[57] NASDA National Space Development Agency of Japan, TRMM data users handbook, Earth
Observation Center, 2011.

[58] Goddard Earth Sciences Data and Information Services Center, GES-DISC National
Aeronautic and Space Administratio, [En línea]. Available: http://mirador.gsfc.nasa.gov.

[59] R. Gonzalez Duque, «Phyton para todos,» 2011. [En línea]. Available:
http://mundogeek.net/tutorial-python.

86



[60] IPCC.Cambridge University Press. 2007, Informe del Grupo de Trabajo I. Bases de las
Ciencias Físicas, NY: Cambridge University Press. 2007, 2007.

[61] C. T. a. K. W. Per Bak, «Self-organized criticality: An explanation of the 1/f noise,» Phys.
Rev. Lett., vol. 59, 1987.

[62] O. Peters y K. Hertlein Christopher y Christensen, «A Complexity View of Rainfall,» Physical


Review Letters, vol. 88, nº 1, 2002.

[63] L. N. H. S. Walter Greiner, Thermodynamics and statistical mechanics, Germany: Springer,


1995.

[64] G. B. Leo P. Kadanoff, Quantum Statistical Mechanics, 1976: Benjamin Inc., New York.

[65] O. Peters y D. Neelin, «Critical phenomena in atmospheric precipitation—Supplementary


Information,» Nature Physics, 2006.

[66] L. C., «Lucas, C. (1999). Complexity Philosophy as a Computing Paradigm. Self-Organising


Systems,» 1999.

[67] N. W. S. NOAA, «Oni Index,» Climate Prediction Center Internet Team, 3 08 2015. [En
línea]. Available:
http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ensoyears.shtml.

[68] C. Aegerter, «A sandpile model for the distribution of rainfall?,» Physica A , vol. 319, pp. 1-
10, 2003.

87



Tabla de contenido
CAPÍTULO 1. FENÓMENOS CRÍTICOS 1

1.1 LAS TRANSICIONES DE FASE 1

1. 2 FÍSICA ESTADÍSTICA DE LAS TRANSICIONES DE FASE 3

1. 3 CLASIFICACIÓN DE LAS TRANSICIONES DE FASE 5

1. 4 TRANSICIONES DE FASE CONTINUAS 7

1.5 FENÓMENOS CRÍTICOS 8

1.5.1 CORRELACIONES DE LARGO ALCANCE 9

1. 5. 2 EXPONENTES CRÍTICOS 10

1. 5. 2 UNVIERSALIDAD 12

1.5.3 ESCALAMIENTO POR TAMAÑO FINITO 12

1. 6 la CRITICALIDAD AUTO-ORGANIZADA 14

1.6.1 EL MODELO DE LA PILA DE ARENA 15

1. 6. 1 INVARIANZA DE ESCALA 16

CAPÍTULO 2. METEOROLOGÍA DE la LLUVIA 21

2.1 el agua en la atmósfera 21

2.1.2 PROPIEDADES RADIATIVAS 22

2.2 microfísica de LAS NUBES 23

2.2.1 Tamaños de gota 24

2.3 TIPOS DE NUBES 25

2.4 Tipos de lluvia 27

2.4.1 Lluvia convectiva 27

2.4.2 TORMENTAS 30

2.5 EL FENÓMENO DEL NIÑO 31

2.5.1 ÍNDICES EMPLEADOS PARA OBSERVAR A ENOS 34

88



2.6 EVIDENCIA DE FENÓMENOS CRÍTICOS EN LA PRECIPITACIÓN LLUVIOSA


PROPUESTOS POR PETERS Y NEELIN. 35

2.6.1 Cuasi-equilibrio de Arakawa y Schubert 35

2.6.2 Transiciones de fase continuas 36

2.6.3 Tamaño de los eventos en la atmósfera. 38

2.6.4 Susceptibilidad del sistema estudiado 39

2.6.5 Criticalidad auto-organizada del sistema atmosférico 43

capítulo 3: DATOS utilizados 45

3.1 El satélite TRMM 46

3.2 Instrumentos de TRMM 46

3.2.1 Radar meteorológico de precipitación (PR) 47

3.2.3 Scanner de radiación visible e infrarrojo (VIRS) 47

3.2.4 Sistema de Energía Radiante de la Tierra y de las Nubes (CERES) 48

3.2.5 Sensor de Imágenes de Relámpagos (LIS) 49

3.3 Barrido del TRMM 49

3.4 PRODUCTOS de TRMM 50

3.4.1 Datos del producto 2A12 51

3.4.2 Datos del producto 2B31 52

3.5 UBICACIÓN Y descarga de los datos 52

3.6 Sistema de adquisición de datos satelitales 54

3.7 DESENCRIPTADO DE DATOS 54

3.8 ÁREA DE ESTUDIO 55

capítulo 4: RESULTADOS Y DISCUSIÓN 57

4.1 influencia del fenómeno del niño SOBRE LOS DATOS DE precipitación
ESTUDIADOS 58

89



4.2 Análisis de las Transiciones de Fase 61

4.2.1 ALGORITMO para encontrar los parámetros de la Transición de Fase 63

4.3 Comportamiento de las fluctuaciones del parámetro de orden. 69

4.4 INVARIANZA DE ESCALA DEL PARÁMETRO DE ORDEN 71

4.4.1 Algoritmo para encontrar la Distribución Acumulada de Frecuencias 73

4.4.2. Ajuste de la distribución acumulada a los datos estudiados 74

4.5 CONTRASTE DE EXPONENTES Y pruebas de hipótesis 77

4.6 Análisis de la Criticalidad autoorganizada. 79

CONCLUSIONES 82

Anexo 1: 91

Anexo 2 96

Anexo 3 100

90



ANEXO 1:
Protocolos de descarga de los datos originales desde el sitio web
#!/bin/bash

## Nombre de archivo de la lista de los archivos descargados

salida="listaTRMM3B42_NetCDF"

################################################################

## Verificar que se han ingresado las fechas de inicio y fin (6 parámetros)

if [ $# -ne 6 ]; then

echo "Ingresar las fechas de inicio y fin de la busqueda (6 parámetros)"

echo "De la siguiente forma: dd mm año dd mm año, ejemplo: "; echo ""

echo "bash proceso.sh 14 6 2008 17 7 2008"; echo ""

exit

fi

################################################################
## Copiar los valores de fecha introducidos en variables de bash

ano_ini=$3

mes_ini=$2

dia_ini=$1

ano_fin=$6
mes_fin=$5

dia_fin=$4

################################################################
## Obtener el día ingresado en términos de calendario (1 a 365)

dia_365_ini=`date -d $ano_ini"-"$mes_ini"-"$dia_ini +%j`

################################################################

## Chequear que la fecha de inicio introducida sea válida

if [ $? -ne 0 ]; then

echo "La fecha de inicio ingresada no es válida (usar: dd mm aa)"

echo "Revisar el calendario para constatar que esa fecha existe"

echo "Ingresar de la siguiente forma: dd mm año dd mm año, ejemplo: "; echo ""
echo "bash proceso.sh 14 6 2008 17 7 2008"; echo ""

exit

fi

################################################################

## Obtener el día ingresado en términos de calendario (1 a 365)

dia_365_fin=`date -d $ano_fin"-"$mes_fin"-"$dia_fin +%j`

################################################################

91



## Chequear que la fecha de fin introducida sea válida

if [ $? -ne 0 ]; then

echo "La fecha de fin ingresada no es válida (usar: dd mm aa)"

echo "Revisar el calendario para constatar que esa fecha existe"

echo "Ingresar de la siguiente forma: dd mm año dd mm año, ejemplo: "; echo ""

echo "bash proceso.sh 14 6 2008 17 7 2008"; echo ""

exit

fi

###############################################################

## Verificar que la fecha de inicio sea menor o igual que la fecha final

if [ $ano_fin -lt $ano_ini ] || [ $ano_fin -eq $ano_ini -a $dia_365_fin -lt $dia_365_ini ]; then

echo "La fecha de inicio ingresada (izquierda) debe ser menor "

echo "o igual a la fecha de fin (derecha)"

exit
fi

echo ""
while true; do

read -p "Ingrese latitud inicial y final (separadas por espacio): " lato latf

if [[ $lato =~ ^-?[0-9]+$ && $latf =~ ^-?[0-9]+$ ]];


then

break

fi
done

while true; do

read -p "Ingrese longitud inicial y final (separadas por espacio): " lono lonf
if [[ $lono =~ ^-?[0-9]+$ && $lonf =~ ^-?[0-9]+$ ]];

then

break

fi

done

#ftp://disc2.nascom.nasa.gov/ftp/data/s4pa//TRMM_L3/TRMM_2A12/2008/038/2A12.20080208.00.7A.HDF.Z

#http://disc2.nascom.nasa.gov/s4pa/TRMM_L3/TRMM_2A12/2008/038/2A12.20080207.18.7A.HDF.Z

#http://disc2.nascom.nasa.gov/daac-
bin/OTF/HTTP_services.cgi?FILENAME=%2Fftp%2Fdata%2Fs4pa%2FTRMM_L3%2FTRMM_2A12%2F2008%2F038%2
F2A12.20080208.00.7A.HDF.Z&LABEL=2A12.20080208.00.7A.nc&SHORTNAME=TRMM_2A12&SERVICE=HDF_TO_
NetCDF&VERSION=1.02

#
http://disc2.nascom.nasa.gov/opendap/hyrax/TRMM_L3/TRMM_2A12/2008/004/2A12.20080104.15.7A.HDF.Z.nc?Grid_p
recipitation[0:1:1439][0:1:399],Grid_relativeError[0:1:1439][0:1:399],Grid_satPrecipitationSource[0:1:1439][0:1:399],Grid_HQpr
ecipitation[0:1:1439][0:1:399],Grid_IRprecipitation[0:1:1439][0:1:399],Grid_satObservationTime[0:1:1439][0:1:399]

# http://disc2.nascom.nasa.gov/opendap/hyrax/TRMM_L3/TRMM_2A12/

# 2008/004/2A12.20080104.15.7A.HDF.Z.nc

# ?Grid_precipitation[0:1:1439][0:1:399],Grid_relativeError[0:1:1439][0:1:399]

92



# ,Grid_satPrecipitationSource[0:1:1439][0:1:399],Grid_HQprecipitation[0:1:1439][0:1:399]

# ,Grid_IRprecipitation[0:1:1439][0:1:399],Grid_satObservationTime[0:1:1439][0:1:399]

################################################################

## URL de la dirección donde se encuentran todos los archivos para la descarga

dir_base="http://disc2.nascom.nasa.gov/opendap/hyrax/TRMM_L3/TRMM_2A12/"

complemento="?Grid_precipitation[$lono:1:$lonf][$lato:1:$latf],Grid_relativeError[$lono:1:$lonf][$lato:1:$latf]"

complemento=$complemento",Grid_satPrecipitationSource[$lono:1:$lonf][$lato:1:$latf],Grid_HQprecipitation[$lono:1:$lonf][
$lato:1:$latf]"

complemento=$complemento",Grid_IRprecipitation[$lono:1:$lonf][$lato:1:$latf],Grid_satObservationTime[$lono:1:$lonf][$lat
o:1:$latf]"

################################################################

## Se borran los archivos anteriormente creados

rm -f $salida

rm -f pagina_dias

rm -f lista_dias
rm -f lista_horas

rm -f lista_descargas

################################################################
## Chequear si existe el directorio para almacenar las descargas,

## caso contrario lo crear

ls ./descargas > /dev/null 2>/dev/null


if [ $? -ne 0 ]; then

mkdir ./descargas

if [ $? -ne 0 ]; then
echo "NO TIENE PERMISO DE USUARIO PARA CREAR DIRECTORIOS EN ESTA CARPETA"

exit

fi
fi

###############################################################

## Se empieza buscando año por año los dias seleccionados

for (( i=$ano_ini ; i<=$ano_fin ; i++ ))

do

################################################################

## Se descarga desde el URL la página con la lista de dias que hay

## en ese año y se almacena en el archivo "pagina_dias"

echo "Descargando lista de dias que hay en el año: "$i

wget -q -O pagina_dias $dir_base""$i"/contents.html"

if [ $? -ne 0 ]; then

echo "Hubo un problema en la descarga:"

echo $dir_base""$i"/contents.html"

echo " "

93



echo "Pudo haber ocurrido:"

echo " 1) El URL base ha cambiado (verificar y cambiar este script)"

echo " 2) El directorio no existe"

fi

###############################################################

## Se extrae de esa página web la lista de los días presentes en ese

## año

cat pagina_dias | grep "<a href=\"[0-3][0-6][0-9]/contents.html\">[0-3][0-6][0-9]/</a>" \

| cut -d "\"" -f 2 | cut -d "/" -f 1 > lista_dias

rm pagina_dias

###############################################################

## Ordenar la lista de dias

sort -n lista_dias -o lista_dias

################################################################
## Se accede uno a uno a los días en esa lista

while read -r dia

do
#############################################################

## Se verifica si ese día está dentro del rango de fechas

## de inicio y fin
if [ $i -le $ano_ini -a $dia -lt $dia_365_ini ] || [ $i -ge $ano_fin -a $dia -gt $dia_365_fin ]; then

####################################################

## Si el dia leido de la lista no está dentro del


## rango inicio-fin deseado, Entonces no hace nada

XXX=0

else

####################################################

## Si ese día está dentro del rango, procede a ingresar

## al directorio de ese día y descargar la página web

## que contiene la lista de archivos


echo "Descargando lista de archivos que hay en el día: "$dia" del año: "$i

wget -q -O lista_horas $dir_base""$i"/"$dia"/contents.html"

if [ $? -ne 0 ]; then

echo "Problema en la descarga. Pudo haber ocurrido que:"

echo " 1) Se perdió la conexión con internet"

echo " 2) El URL base ha cambiado (verificar y cambiar este script)"

echo " 3) La codificación del nombre de los archivos ha cambiado"

fi

####################################################

94



## Extrae de la página web, solamente la lista de

## archivos que hay en ese dia

## La lista filtrada se almacena en el archivo descargas

cat lista_horas | grep "\.HDF.Z.html\">html</a>" \

| cut -d "\"" -f 2 | cut -d "." -f 1-6 | sed 's/$/.nc/' > lista_descargas

rm lista_horas

####################################################

## Ordena esa lista de hora menor a mayor

## para que se guarde en orden

sort -t. -k 2,2 -k 3,3 -n lista_descargas -o lista_descargas

####################################################

## Leer uno a uno los archivos que tiene ese dia

while read -r archivo

do
###########################################

## Se descarga el archivo leído en esa lista

echo "Descargando el archivo: "$archivo", del día: "$dia", del año:"$i


mes_i=`date -d "$i-01-01 +$dia days -1 day" +%m`

mkdir -p ./descargas/$i

mkdir -p ./descargas/$i/$mes_i
wget -q -O "./descargas/"$i"/"$mes_i"/"$archivo
$dir_base""$i"/"$dia"/"$archivo""$complemento

if [ $? -ne 0 ]; then

echo "Problema en descarga HDF. Pudo haber ocurrido que:"


echo " 1) El URL base ha cambiado (verificar y cambiar este script)"

echo " 2) La codificación del nombre de los archivos ha cambiado"

echo " "

echo "REFERENCIA: "$dir_base""$i"/"$dia"/"$archivo""$complemento

else

echo "./descargas/"$i"/"$mes_i"/"$archivo >> $salida

fi

done < lista_descargas

rm lista_descargas

fi

done < lista_dias

rm lista_dias

done

exit

95



ANEXO 2
Protocolos para el desencriptado de datos de HDF a txt utiliando Phyton.
#!/usr/bin/python

from numpy import *

from pyhdf.SD import *

import sys

up_lat = 2.0

down_lat = -16.0

left_lon = -68.0

right_lon = -50.0

v1t = 'cloudWaterPath'

v2t = 'surfacePrecipitation'

v3t = 'convectPrecipitation'
v4t = 'surfaceRain'

v5t = 'rainWaterPath'

v6t = 'iceWaterPath'
v7t = 'seaSurfaceTemperature'

v8t = 'totalPrecipitableWater'

v9t = 'windSpeed'
v10t = 'probabilityOfPrecip'

list_name = 'lista1'
list_file = open(list_name,'r')

list_lines = list_file.readlines()

list_file.close()

outname='data_region_TRMM2A12_2009A'

fout = open(outname+'.txt', 'w')

fout.write('Year Month DayOfMonth Hour Minute Longitude Latitude ')

fout.write(v1t+' '+v2t+' '+v3t+' '+v4t+' '+v5t+' ')

fout.write(v6t+' '+v7t+' '+v8t+' '+v9t+' '+v10t+' '+'\n')

fout.flush()

flog = open(outname+'.log', 'w')

first_time = True

96



for hdf_file in list_lines:

flog.write('\n\nfile: ' + hdf_file.strip())

flog.flush()

try:

hdf = SD(hdf_file.strip(), SDC.READ )

#####################################################

longitude = hdf.select('Longitude').get()

latitude = hdf.select('Latitude').get()

max_nscan = longitude.shape[0]

max_npixel = longitude.shape[1]

v1 = hdf.select(v1t).get()

v2 = hdf.select(v2t).get()
v3 = hdf.select(v3t).get()

v4 = hdf.select(v4t).get()

v5 = hdf.select(v5t).get()
v6 = hdf.select(v6t).get()

v7 = hdf.select(v7t).get()

v8 = hdf.select(v8t).get()
v9 = hdf.select(v9t).get()

v10 = hdf.select(v10t).get()

year = hdf.select('Year').get()
month = hdf.select('Month').get()

dom = hdf.select('DayOfMonth').get()

hour = hdf.select('Hour').get()
minute = hdf.select('Minute').get()

if (first_time):

first_time = False

fout.write('_ ')

fout.write('_ ')

fout.write('_ ')

fout.write('_ ')

fout.write('_ ')

fout.write(hdf.select('Longitude').attributes()['units']+' ')

fout.write(hdf.select('Latitude').attributes()['units']+' ')

fout.write(hdf.select(v1t).attributes()['units']+' ')

fout.write(hdf.select(v2t).attributes()['units']+' ')

fout.write(hdf.select(v3t).attributes()['units']+' ')

fout.write(hdf.select(v4t).attributes()['units']+' ')

97



fout.write(hdf.select(v5t).attributes()['units']+' ')

fout.write(hdf.select(v6t).attributes()['units']+' ')

fout.write(hdf.select(v7t).attributes()['units']+' ')

fout.write(hdf.select(v8t).attributes()['units']+' ')

fout.write(hdf.select(v9t).attributes()['units']+' ')

fout.write(hdf.select(v10t).attributes()['units']+'\n')

#
###########################################################

for _nscan in range(max_nscan):

for _npixel in range(max_npixel):

_lon = longitude[_nscan,_npixel]

_lat = latitude[_nscan,_npixel]

if (left_lon < _lon < right_lon ):

if ( down_lat < _lat < up_lat ):

fout.write(str(year[_nscan])+' ')

fout.write(str(month[_nscan])+' ')

fout.write(str(dom[_nscan])+' ')

fout.write(str(hour[_nscan])+' ')

fout.write(str(minute[_nscan])+' ')
fout.write(str(_lon)+' ')

fout.write(str(_lat)+ ' ')

fout.write(str(v1[_nscan,_npixel])+' ')
fout.write(str(v2[_nscan,_npixel])+' ')

fout.write(str(v3[_nscan,_npixel])+' ')

fout.write(str(v4[_nscan,_npixel])+' ')
fout.write(str(v5[_nscan,_npixel])+' ')

fout.write(str(v6[_nscan,_npixel])+' ')

fout.write(str(v7[_nscan,_npixel])+' ')

fout.write(str(v8[_nscan,_npixel])+' ')

fout.write(str(v9[_nscan,_npixel])+' ')

fout.write(str(v10[_nscan,_npixel])+'\n')
fout.flush()

####################################################

hdf.end()

except HDF4Error, msg:

flog.write('\n Error in format of HDF file (HDF4Error)')

flog.flush()

except KeyboardInterrupt:

flog.write('\n Keyboard Interrupt ')

flog.flush()

98



raise

except:

flog.write('\n Unknown error '+ str(sys.exc_info()))

flog.flush()

fout.close()

flog.close()

quit()

 

99



ANEXO 3
Algoritmo para generar histogramas de frecuencias mesRegPlot2VarsHisto.py


#!/usr/bin/python

import matplotlib.pyplot as plt

from matplotlib import colors

import numpy as np

plot_title = "Region de estudio ano 2009"

files = []

files.append("data_region_TRMM2A12_2009.txt")

#files.append("data_region_TRMM2A12_2010.txt")

#files.append("data_region_TRMM2A12_2011.txt")

#files.append("data_region_TRMM2A12_2012.txt")

bins=100

########################################################

#Region de estudio

maxLon=np.float64(-92.00)
minLon=np.float64(-120.00)

maxLat=np.float64(8.0)

minLat=np.float64(-5.0)

maxMonth=np.float(3.00)

minMonth=np.float(1.00)

##########################################################

#Year Month DayOfMonth Hour Minute Longitude Latitude cloudWaterPath surfacePrecipitation convectPrecipitation
surfaceRain rainWaterPath iceWaterPath seaSurfaceTemperature totalPrecipitableWater windSpeed probabilityOfPrecip

var1_low_limit = 0

var2_low_limit = 0

var1 = "totalPrecipitableWater"
var2 = "surfaceRain"

var1_arr = []

var2_arr = []
for filename in files[:]:

i=0

with open(filename) as infile:

for line in infile:

i=i+1

if i < 3 :
if ( i == 1 ):

var_names = line.split(' ')

var1_pos = var_names.index(var1)

100



var2_pos = var_names.index(var2)

if ( i == 2 ):

var_units = line.split(' ')

var1_units = var_units[var1_pos]

var2_units = var_units[var2_pos]

else:

campos = line.split(' ')

Longitud = np.float64(campos[5])

if ( Longitud > maxLon ) : continue

if ( Longitud < minLon ) : continue

Latitud = np.float64(campos[6])

if ( Latitud > maxLat ) : continue

if ( Latitud < minLat ) : continue

Mes = np.float64(campos[1])
if ( Mes > maxMonth ) : continue

if ( Mes < minMonth ) : continue

var1_val = np.float64(var1_val[var1_pos])

var2_val = np.float64(var2_val[var2_pos])

if ( var1_val < var1_low_limit ) : continue


if (var2_val < var2_low_limit ): continue

var1_arr.append(var1_val)

var2_arr.append(var2_val)
print "Finalizado: ",filename

#H, xedges, yedges = np.histogram2d(var1_arr, var2_arr, bins=100)

H, xedges, yedges = np.histogram2d(var1_arr, var2_arr, bins)


print "Xmin, Xmax, Ymin, Ymax : ", xedges[0], xedges[-1], yedges[0], yedges[-1]

Xmin = xedges[0]

Xmax = xedges[-1]

Ymin = yedges[0]

Ymax = yedges[-1]

H = np.rot90(H)

H = np.flipud(H)

Hmasked = np.ma.masked_where(H==0,H) # Mask zeros

fig = plt.figure()

plt.title(plot_title)

#plt.pcolormesh(xedges,yedges,Hmasked)

#plt.pcolormesh(xedges,yedges,Hmasked, cmap='gray', norm=colors.LogNorm())

plt.pcolormesh(xedges, yedges, Hmasked, norm=colors.LogNorm())

plt.xlabel(var1+' ['+var1_units+']')

plt.ylabel(var2+' ['+var2_units+']')

101



cbar = plt.colorbar()

cbar.ax.set_ylabel('Eventos')

plt.show()

#type(H)

#H.shape

#H.dtype

#print H[0,0] # H[x>+ , y^+]

fout = open('Histo3D_Nina_2009.txt', 'w')

for x in range(H.shape[0]):

for y in range(H.shape[1]):

#print H[x,y]

fout.write(str(H[x,y]) +' ')

fout.write('\n')
fout.close()

102


También podría gustarte