3.3.2. Información climática

los mapas, se asume que en la porción faltante de la comuna cortada tiene el mismo riesgo que muestra la porción analizada.

3.3.2. Información climática

Las variables climáticas que son tenidas incluidas esta investigación se toman de datos tomados por entidades nacionales, en el caso de Colombia, el Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM) es quien se encarga del apoyo técnico y científico al sistema nacional ambiental, genera conocimiento, produce información confiable sobe el estado y las dinámicas de los recursos naturales, entre estas están las variables comúnmente utilizadas en estudios que evalúan la relación entre variables climáticas y el dengue. Entre estas están la precipitación, la cual es medida con un pluviómetro, un dispositivo que cuenta con una probeta graduada, o con el pluviógrafo, que tiene una banda registradora, por otro lado, la humedad relativa se realiza con un psicrómetro y el higrógrafo que generan valores de 0 a 100% y por último la temperatura medida por un termómetro de mínima y máxima (IDEAM, 2018)

Para la información climática también se empezó con una exploración de los datos a nivel descriptivo y estadístico por de los datos para una ventana temporal grande de diez años (2010-2019) medio de Excel y el software SPSS. Para esto primero se observó con ayuda de la interpolación descrita más delante de las variables de precipitación si existían estaciones con datos extremos (con alta precipitación o muy baja) que podrían estar afectando los datos y no estar representando la variabilidad real de las condiciones climáticas que ocurren en el casco urbano, el área de interés por presentar las condiciones que favorecen al vector, debido que la especie Aedes aegypti y por tanto la enfermedad tiene una distribución preferentemente urbana (Instituto Nacional de Salud, 2017b). Estas estaciones se eliminaron del análisis y solo se tuvieron en cuenta aquellas que podrían representar la precipitación, humedad relativa y temperatura real del área de estudio.

Para la espacialización de los datos climáticos se realizó un buffer de 5 km a la ciudad de Villavicencio teniendo en cuenta tanto la zona rural como urbana y teniendo en cuenta las estaciones activas, para el periodo 2017-2019 se encuentran 25 estaciones activas. Se obtuvo por parte de un profesional en el área de la hidrología los datos históricos diarios (1970-2017) de precipitación, temperatura media del aire a 2 metros del suelo y humedad relativa media diaria a 2 metros del aire, datos procedentes del Instituto de Hidrología, Meteorología y Estudios Ambientales (IDEAM).

Los datos de precipitación se obtuvieron para los años 2018 y 2019 por medio de la plataforma de Dhime del IDEAM, sin embargo, para las variables correspondientes a temperatura y humedad relativa la información difería entre las fuentes por lo cual no se tuvieron en cuenta para los análisis de regresión pero si se obtuvo información correspondiente a temperatura para los análisis de correlación como se muestra más adelante.

Para el tratamiento de los datos climáticos de precipitación se definió con que datos se iba a trabajar, es importante realizar la selección de qué años se iban a incluir en el estudio para poder obtener una mayor probabilidad de que las variables climáticas expliquen la distribución del Dengue.

Para saber que estaciones se iban a mantener, se vio porcentaje de datos faltantes, se consideró como un porcentaje aceptable las estaciones con menos del 30 % de datos faltantes, Se seleccionó el método de proporciones para la estimación estos datos, lo más adecuado fue empezar desde datos diarios para poder estimar los datos faltantes y los datos trimestrales fueran más acertados. Se espacializaron los datos realizando un proceso de interpolación.

La interpolación es un método que predice valores para celdas de un raster a partir de una cantidad limitada de los datos de muestra (Esri, 2015b), en el caso de esta investigación las estaciones meteorológicas del IDEAM. Se utiliza para prever valores desconocidos de cualquier dato de un punto geográfico. Los supuestos de la interpolación es que los objetos distribuidos espacialmente están correlacionados espacialmente, por ejemplo, la precipitación de una estación puede prever con un alto nivel de confianza con áreas cercanas a ésta, tendría menos certeza si llueve en toda el área de estudio y menos aún acerca de zonas rurales o de municipios cercanos. Teniendo en cuesta esto los valores de los puntos más cercanos a los puntos de muestra tienen más posibilidades de ser similares de los que están más alejados, esta es la base de la interpolación

Existen varios métodos de interpolación, algunos de ellos son muy flexibles y pueden reflejar varios aspectos de los datos de muestra, mientras que otros son más restrictivos y requieren que los datos se ajusten a determinadas condiciones. Cada método tiene su propio conjunto de parámetros, que permite personalizarlos para un grupo de datos concretos (Esri, 2015b) y para los requisitos de salida que se deseen generar. Los métodos de se clasifican por medio de árboles de clasificación (Esri, 2015a), una decisión muy

importante para escoger el método de interpolación son los objetivos a desarrollar. Se escogió el método de interpolación IDW por ser el método más utilizado para generar aproximaciones a superficies climáticas continuas en Colombia (IDEAM, 2005) además de ser un método que se acopla a los requerimientos de la investigación como tener pocos supuestos, tener como resultado la predicción de la precipitación sin tener en cuenta el error de predicción o la probabilidad, así como ser un método que tenga implícito medidas o modelo espacial de autocorrelación y por último es necesario un método que genere una predicción por locación (Esri, 2015a).

Para la estimación de datos faltantes se utiliza el método de las proporciones, éste se utiliza debido a que se usa como referencia la misma estación para el relleno de datos faltantes de sí misma. Cuando se desconoce la lluvia de un mes cualquiera se establece la razón de proporcionalidad entre la lluvia mensual y anual de la siguiente manera:

Donde:

X= Lluvia del mes faltante

X= Lluvia promedio del mes faltante Pf= Total anual (del mes faltante) Pa= Total anual promedio

La proporcionalidad se establece entre la lluvia mensual y su promedio y la lluvia anual pf de 11 meses y su promedio PA, disminuyendo también en un mes que corresponde al valor medio del mes faltante. Las ventajas de este método de estimación de datos es que utiliza su misma estación y no le añade tendencia proveniente de otra estación como otros métodos.

Posterior a la estimación de datos faltantes se caracterizó el comportamiento de precipitación para el periodo de tiempo 2017-2019 mediante la interpolación de los datos trimestrales visualizando el comportamiento a lo largo del año. Esta interpolación se realizó a partir de la información capturada por las estaciones meteorológicas escogidas previamente y luego de la estimación de datos faltantes. Al obtener los raster de la precipitación trimestral se observa si existen estaciones con datos extremos (con alta