103575

Master Thesis Tesis de Maestría submitted within the UNIGIS MSc programme presentada para el Programa UNIGIS MSc at/en

Interfaculty Department of Geoinformatics- Z_GIS Departamento de Geomática – Z_GIS

University of Salzburg Universidad de Sa

lzburgo

Zonificación habitacional basada en estrategias de diseño bioclimático para viviendas residenciales en Ecuador Continental Zoning based on bioclimatic design strategies for residential dwellings in Continental Ecuador by/por

Gabriel Vicente Gaona Gaona 01323721

A thesis submitted in partial fulfilment of the requirements of the degree of Master of Science (Geographical Information Science & Systems) – MSc (GIS)

Quito - Ecuador, 20 de diciembre de 2017

COMPROMISO DE CIENCIA Por medio del presente documento, incluyendo mi firma personal certifico y aseguro que mi tesis es completamente el resultado de mi propio trabajo. He citado todas las fuentes que he usado en mi tesis y en todos los casos he indicado su origen.

Quito - EC, 20 de diciembre de 2017 (Lugar, Fecha)

(Firma)

DEDICATORIA A la memoria de Jerko M. Labus, amigo y compañero

en

este

camino

de

investigación científica.

AGRADECIMIENTOS Este trabajo fue posible gracias a la colaboración científico-técnica de diferentes instituciones públicas y privadas del Ecuador. Principalmente del Instituto Nacional de Meteorología e Hidrología por los datos, el Instituto Nacional de Eficiencia Energética y Energías Renovables INER por el conocimiento científicotécnico, la Universidad Regional Amazónica IKIAM por el soporte logístico y espacio de trabajo. El programa UNIGIS

para

América

Latina

por

la

asistencia

académica, especialmente al Profesor Rafael Beltrán Ramallo. A mis colegas y amigos de INER e IKIAM. Un agradecimiento especial a mi familia por su apoyo incondicional en todo el transcurso del programa de Maestría.

RESUMEN Una zonificación bioclimática para la eficiencia energética en las edificaciones requiere el empleo de información meteorológica de resolución espacial y temporal detallada. Sin embargo, la información meteorológica disponible en Ecuador no cumple con las condiciones requeridas. Por lo tanto, se analizaron las condiciones de clima definidas por las normales climatológicas como insumo de un modelo espacial del uso de estrategias bioclimáticas en el diseño de viviendas residenciales. El objetivo general fue estudiar los patrones espaciales del clima en el Ecuador continental que permitan la identificación de zonas potenciales de uso de estrategias bioclimáticas en el diseño de viviendas residenciales nuevas o remodeladas. En este trabajo, se analizó información meteorológica disponible en las fuentes oficiales de Ecuador para generar mapas de temperatura del aire, humedad relativa y ratio humedad en las tres diferentes regiones macroclimáticas (costa, sierra y Amazonía). A partir de estos mapas, se asignó una estrategia bioclimática de Givoni (1992) a cada unidad geográfica según su temperatura y humedad. Para este proceso, fue necesario establecer un escenario para analizar la pertinencia de diferentes estrategias de diseño bioclimático en cada unidad espacial (4 ha). La configuración del escenario incluye un nivel de arropamiento (Clo = 1), presión atmosférica estándar (1 atm) y un modelo de confort de la norma ASHRAE 55 (2005).

Durante el estudio, se encontró que la información meteorológica no tiene suficiente cobertura para las zonas altas de los Andes y las zonas más alejadas en la Amazonía. Por tal razón, la regionalización de variables tuvo menos precisión en estas zonas. A pesar de ello, se hallaron patrones donde son factibles diferentes estrategias de diseño bioclimático. La Costa y Amazonía requieren de sistemas activos para enfriamiento del aire; mientras que en la Sierra varían las estrategias dependiendo de la ubicación y altitud. La zonificación resultante simplifica el proceso de selección de estrategias de diseño bioclimático de viviendas en Ecuador, principalmente en áreas carentes de información meteorológica detallada. Así, todas las regiones del país podrían alcanzar la eficiencia energética sin comprometer el confort interior en su vivienda.

Palabras clave: Diseño bioclimático, Eficiencia energética en edificaciones, Zonificación climática habitacional, Diagrama bioclimático

ABSTRACT A bioclimatic zoning for energy efficiency in buildings requires the use of meteorological information of detailed spatial and temporal resolution. However, weather information available in Ecuador does not meet the required conditions.

Therefore, the climatic conditions defined by climatological standards were analyzed as an input of a spatial model of the use of bioclimatic strategies in the design of residential housing. Therefore, monthly climatological normal data were analyzed as input of a spatial model for the use of bioclimatic strategies in energy efficient housing design. The aim was to study the spatial patterns of climate in the mainland Ecuador to identify potential zones for the application of bioclimatic design strategies in construction of new or remodeled houses in mainland Ecuador. In this work, weather data from official governmental sources of Ecuador were analyzed to generate maps of air temperature, relative humidity and humidity ratio for three different macroclimatic regions (coast, highland and Amazon). From these maps, a strategy from Givoni’s bioclimatic chart (Givoni, 1992) was assigned to each geographical unit according to its temperature and humidity. To perform this process, a scenario to analyze the suitability of different bioclimatic design strategies across spatial units (4 ha) was required. The main configurations of this scenario include average level clothing (Clo = 1), standard atmospheric pressure (Pa = 1 atm), and a comfort model based on ASHRAE Standard 55 (ASHRAE, 2005).

During the study, it became clear that the highlands of the Andes and remote areas in the Amazon region lack detailed meteorological information. Therefore, the regionalization of meteorological variables was less accurate in these areas.

However, it was possible to define broad patterns in the climate that allow the use of different bioclimatic design strategies. The coastal and Amazonian regions require active systems for air cooling; while the strategy for the highlands (Sierra) may vary depending on location and altitude. The resulting zoning simplifies selection of efficient bioclimatic design strategies for housing development across Ecuador, including in areas for which we currently lack detailed meteorological information. This way, it is possible to achieve energy efficient housing in every region of the country, without compromising the comfort of living.

Keywords: Regionalization of meteorological variables, Bioclimatic design strategies, Energy efficiency in buildings, Housing climatic zoning, Givoni’s bioclimatic chart

TABLA DE CONTENIDOS 1 INTRODUCCIÓN............................................................................................. 10 1.1 ANTECEDENTES ......................................................................................... 10 1.2 OBJETIVOS ................................................................................................ 12 1.2.1 General.................................................................................................... 12 1.2.2 Específicos .............................................................................................. 12 1.3 PREGUNTAS DE INVESTIGACIÓN ................................................................... 12 1.4 HIPÓTESIS ................................................................................................. 13 1.5 JUSTIFICACIÓN........................................................................................... 13 1.6 ALCANCE .................................................................................................. 14 2 REVISIÓN DE BIBLIOGRAFÍA ........................................................................... 16 2.1 EL CLIMA DEL ECUADOR.............................................................................. 16 2.1.1 Localización geográfica del Ecuador ....................................................... 16 2.1.2 Las Regiones Macroclimáticas de Ecuador............................................ 16 2.1.3 Factores que modifican el clima en el Ecuador ....................................... 21 2.1.4 Consideraciones generales para el estudio de la variabilidad climática en el Ecuador ............................................................................................... 21 2.1.5 Descripción de la red nacional de estaciones meteorológicas. ............... 23 2.2 EFICIENCIA ENERGÉTICA EN EDIFICACIONES.................................................. 25 2.2.1 Relación entre el clima y el confort habitacional ...................................... 25 2.2.2 Tipos de edificaciones clasificadas según su uso ................................... 26 2.2.3 Zonificación climática habitacional .......................................................... 27 2.2.4 Las estrategias de diseño bioclimático para viviendas. ........................... 29 2.3 SISTEMAS DE INFORMACIÓN GEOGRÁFICA .................................................... 37 2.3.1 Regionalización de variables meteorológicas.......................................... 37 2.3.2 Predicción espacial y regionalización de variables meteorológicas ........ 40 2.3.3 Análisis espacial ...................................................................................... 42 2.3.4 R como herramienta de Análisis espacial ................................................ 43 3 METODOLOGÍA ............................................................................................. 44 3.1 ÁREA DE ESTUDIO ...................................................................................... 44 3.2 MÉTODOS ................................................................................................. 44 3.2.1 Recopilación de información y herramientas de trabajo .......................... 46 3.2.2 Escenario para la zonificación de estrategias pasivas ............................ 47 3.2.3 Selección de estrategias de diseño para este estudio. ........................... 50 3.2.4 Depuración y relleno de series meteorológicas ....................................... 51 3.2.5 Regionalización de variables meteorológicas.......................................... 53 3.2.6 Asignación de estrategias para cada ubicación geográfica. .................... 56 3.2.7 Validación de la zonificación. ................................................................... 59 4 4.1

RESULTADOS Y ANÁLISIS DE RESULTADOS ...................................................... 61 REGIONALIZACIÓN DE VARIABLES METEOROLÓGICAS ..................................... 61

4.2 4.3

SELECCIÓN Y ZONIFICACIÓN DE ESTRATEGIAS DE DISEÑO BIOCLIMÁTICO. ........ 64 ANÁLISIS DE LOS RESULTADOS .................................................................... 68

5

CONCLUSIONES Y RECOMENDACIONES .......................................................... 73

6

REFERENCIAS BIBLIOGRÁFICAS ..................................................................... 75

APÉNDICES ............................................................................................................ 87

5

GLOSARIO DE ABREVIATURAS Y ACRÓNIMOS AMT ASHRAE C-Do Clo DEC DEC2 DGAC Do EPN ESPOL FFV H-Ho Ho Hr Hrm HTM HTMn IDW IGM IHG INAMHI INER INOCAR MAGAP MNA Mr MSEH OMM Pa Psv SDGh SDGl SIG SP SRTM Ta Tam Tan Tax USFQ VN

Año meteorológico típico American Society of Heating, Refrigerating & Air-Conditioning Engineers Enfriamiento, con des-humidificación en caso de ser necesario Nivel de arropamiento de habitantes Enfriamiento evaporativo directo Enfriamiento evaporativo en dos etapas Dirección General de Aviación Civil del Ecuador Solo des-humidificación Escuela Superior Politécnica Nacional Escuela Superior Politécnica del Litoral Enfriamiento por ventilación forzada Calentamiento, con humidificación en caso de ser necesario Solo humidificación Humedad relativa del aire Humedad relativa media del aire Alta masa térmica Alta masa térmica con pérdida de calor por la noche Interpolación ponderada por el inverso de la distancia Instituto Geográfico Militar Ganancias internas de calor Instituto nacional de meteorología e hidrología Instituto nacional de eficiencia energética y energías renovables de Ecuador Instituto Oceanográfico de la Armada Ministerio de Agricultura, Ganadería, Acuacultura y Pesca del Ecuador Modelo numérico de altitud Ratio de humedad del aire Modelos de simulación energética habitacional Organización Meteorológica Mundial Presión atmosférica en el sitio de observación Presión de saturación del vapor de agua Ganancia pasiva por radiación solar directa - Alta masa Ganancia pasiva por radiación solar directa - Masa Baja Sistemas de Información Geográfica Protecciones solares Misión Topográfica Shuttle Radar Temperatura del aire Temperatura media del aire Temperatura mínima del aire Temperatura máxima del aire Universidad San Francisco de Quito Enfriamiento por ventilación natural

6

LISTA DE FIGURAS Figura 1. Regiones Macroclimáticas del Ecuador delimitadas por la cota 700 msnm de la Cordillera de los Andes. Sistema de referencia de coordenadas EPSG:4326. ................................................................... 17 Figura 2. Temperatura media del océano durante El Niño (1998) y La Niña (1989) ............................................................................................................ 18 Figura 3. Depresión de Girón (Ecuador) - Huancabamba (Perú). ........................ 19 Figura 4. Dinámica estacional de la frecuencia de nubes para Ecuador. ............. 20 Figura 5. Ubicación de las estaciones meteorológicas de INAMHI en Ecuador continental. .......................................................................................... 24 Figura 6. Porcentaje según tipos de viviendas y agrupadas por tipo de usuario y sector ................................................................................................... 26 Figura 7. Diagrama bioclimático de Givoni (1992b). ............................................. 31 Figura 8. Ejemplo de dispositivos de para protección solar. ................................. 32 Figura 9. Ejemplo de alta masa térmica: Paredes de adobe para utilizar la inercia térmica como almacenamiento de energía en climas de alta oscilación térmica entre el día y la noche............................................................. 33 Figura 10. Ejemplo de ventilación natural: Maximización del flujo de aire mediante el uso de ventanas grandes................................................................. 34 Figura 11. Ejemplo de ventilación forzada:Ventiladores en el techo en habitaciones de larga permanencia. ......................................................................... 34 Figura 12. Ejemplo de ganancias internas de calor: calor de las luces, de los equipos o personas. ............................................................................ 35 Figura 13. Ejemplo de ganancia pasiva por radiación solar directa: Espacios que capturen el calor de radiación solar y lo transfieran al interior de la vivienda. .............................................................................................. 36 Figura 14. Arbol de clasificación de 26 métodos de interpolación espacial, según Li y Heap (2008) .................................................................................. 39 Figura 15. Diagrama de flujo del proceso metodológico....................................... 45 Figura 16. Porcentaje de viviendas en Ecuador continental, por tipo de material usado en cada uno de sus tres componentes principales, según los datos del Censo de Vivienda de INEC (2010). ................................... 48 Figura 17.Ejemplo de estrategias bioclimáticas que comparten regiones en el diagrama bioclimático de Givoni (1992b), generado en Climate Consultant 6. ....................................................................................... 50

7

Figura 18. Regiones bioclimáticas en el diagrama psicrométrico a 1atm y para clo de 1. Adaptación del Diagrama Bioclimático de Givoni (1992b) .......... 51 Figura 19. Gráfico de correlación de Pearson entre pares de variables. A) Datos Mensuales desde 1980 a 2010; B) Normales climatológicas .............. 54 Figura 20. Gráfico de correlación de Pearson entre pares de variables, incluyendo Mr: A) Datos Mensuales desde 1980 a 2010; B) Normales climatológicas ...................................................................................... 55 Figura 21. Representación gráfica del proceso de asignación de estrategias bioclimáticas para cada píxel del área de estudio. .............................. 57 Figura 22. Ejemplo de selección de estrategias bioclimáticas para las estaciones A) M0001 y B) M0143. ......................................................................... 58 Figura 23. Índice de datos válidos a escala mensual por estación y variable, según los datos reportados por INAMHI. ....................................................... 61 Figura 24. Gráfico de β1 y ε del ajuste de modelos lineales por grupo de estaciones ........................................................................................... 63 Figura 25. Coeficientes de correlación y eficiencia de estimados vs. observados, por mes ............................................................................................... 64 Figura 26. Diferencia de estimación de Ta y Hr frente a sus valores observado, por mes ...................................................................................................... 64 Figura 27. Mapa de estrategias de diseño bioclimático predominantes para un año promedio. Sistema de referencia de coordenadas EPSG:4326 .......... 65 Figura 28. Zonas de estrategias bioclimáticas según diagrama bioclimático de Givoni. ................................................................................................. 66 Figura 29. Mapa de diversidad de estrategias aplicables. Sistema de referencia de coordenadas EPSG:4326 .................................................................... 67 Figura 30. Índice de aciertos medido en porcentaje. ............................................ 68

8

LISTA DE TABLAS Tabla 1. Metodologías de zonificación climática habitacional oficial por países ... 29 Tabla 2. Métodos de interpolación espacial estudiados por Li y Heap (2008) ...... 38 Tabla 3. Valores típicos de nivel de arropamiento (clo) por conjuntos de ropa. .... 49 Tabla 4. Generación típica de calor metabólico para diversas actividades........... 49 Tabla 5. Número de estaciones por grupo de acuerdo a las condiciones de operación y localización de la estación. .............................................. 62

9

LISTA DE APÉNDICES Apéndice 1: Temperatura media del aire regionalizada por mes. ......................... 87 Apéndice 2: Humedad relativa media regionalizada por mes............................... 88 Apéndice 3: Ratio medio de humedad en el aire regionalizado por mes. ............. 89

1 INTRODUCCIÓN

1.1 ANTECEDENTES El plan para el cambio de la matriz energética en el Ecuador ha generado la necesidad de mejorar e incrementar otros sectores del desarrollo del país. Según el balance energético del año 2014, el residencial se ubica en tercer lugar (12%) de los sectores de mayor consumo energético en el país (MICSE, 2016). Por lo tanto, se están impulsando diferentes acciones para reducir los costos generados por la demanda energética. Una de las estrategias del gobierno es promover la eficiencia de las construcciones para aprovechar las condiciones energéticas naturales de cada sector sin afectar la calidad de vida de las personas (Cadier, Gómez, Calvez, y Rossel, 1994). En este aspecto algunos países y organizaciones internacionales han desarrollado técnicas de planificación de eficiencia energética en viviendas. Para ello se han desarrollado sofisticados Modelos de Simulación Energética Habitacional (MSEH) (Crawley, Lawrie, Pedersen, y Winkelmann, 2000; NREL, 2015).

En Ecuador, la mayor parte de los estudios sobre eficiencia energética en edificaciones los han venido desarrollando diferentes instituciones públicas, a través de proyectos de investigación (INER, 2014; Jara-Alvear, García, Araujo, y Fund, 2013). Sin embargo, la mayor parte de los resultados están condicionados por la poca disponibilidad de bases de datos meteorológicas de alta resolución espacial y temporal. La escasez, la alta variabilidad micro-climática producto de diferentes factores naturales limita el empleo directo de las pocas fuentes de datos meteorológicas existentes (Gaona, 2013; Gaona, Quentin y Labus, 2013; Peralta, Lopez, Barriga, Sosa, y Delgado (2013); Jara-Alvear et al., 2013).

Mientras tanto, los MSEH requieren conjuntos de datos representativos de las condiciones atmosféricas más habituales en un sitio determinado. Este conjunto de datos es conocido como “Año meteorológico típico” (AMT). Sumando la situación desfavorable de la escasez de información meteorológica y las 10

11

reducidas capacidades para ejecutar los MSEH, se acentúan más las limitaciones nacionales para la evaluación de la eficiencia energética en las edificaciones.

Uno de los países que ha incursionado ampliamente en este tipo de evaluaciones energéticas es Estados Unidos. En mencionado país, la American Society of Heating, Refrigerating & Air-Conditioning Engineers (ASHRAE) ha propuesto una zonificación climática habitacional basada en un cálculo sobre el número de horas de calentamiento o enfriamiento que se requieren durante un año (Humphreys y Nicol, 2000). La influencia de esta organización en diferentes países ha promovido el desarrollo y empleo de zonificaciones climáticas similares a la de Estados Unidos, especialmente en países de los trópicos. Debido a la ubicación geográfica de Ecuador, el efecto de factores naturales que modifican el clima y las diferentes limitaciones logísticas de la red meteorológica, el país carece de una cobertura similar a la propuesta de ASHRAE. Bajo esa consideración, se sugiere planificar la eficiencia energética en función de las zonas climáticas propuestas por Holdrige.

Al respecto de la propuesta de Holdrige, las pruebas realizadas por el Instituto Nacional de Eficiencia Energética y Energías Renovables de Ecuador (INER) demostraron que estas zonas climáticas no se ajustan a los cambios espaciales de los climas propios de la Cordillera de los Andes. La elevada incertidumbre que se genera por un mapa global no permite modelar la eficiencia energética para todas las regiones del país. A partir de esto surgió la necesidad de estudiar una nueva alternativa de zonificación que considere las limitaciones del País en los términos de la disponibilidad información (Miño-Rodríguez, Gaona, Lobato, Naranjo-Mendoza, y Labus, 2014). Esta nueva alternativa está orientada al uso de estrategias pasivas de eficiencia energética para los diseños de nuevas edificaciones. Pero además se basa en técnicas de regionalización espacial que regionalizar su empleo en el territorio.

Por su parte, el Instituto Nacional de Meteorología e Hidrología (INAMHI) ha desarrollado varias propuestas de zonificación climática. La primera se basa en los tipos de clima de Thornwhite y según su página web, fue elaborada en el año

12

2006 (INAMHI, 2006). Esta zonificación describe los climas en función de índices de humedad obtenidos de la relación Temperatura – Precipitación. Otras propuestas desarrolladas por diversos estudios se enfocan en el análisis de las series meteorológicas para describir las condiciones registradas en diferentes estaciones sin ofrecer un mapeo de las mismas (Barros López y Troncoso Salgado, 2010; Pourrut, 1983). Entre los estudios meteorológicos más actuales en el Ecuador se encuentran los trabajos de Gaona et al., (2013) y Miño-Rodríguez et al., (2014).

1.2 OBJETIVOS 1.2.1 General Zonificar habitacionalmente al Ecuador continental basandose en estrategias de diseño bioclimático para viviendas residenciales.

1.2.2 Específicos 

Analizar y predecir en alta resolución espacial las variables meteorológicas de temperatura del aire y humedad relativa.



Analizar los patrones espaciales del clima en Ecuador, en función de las condiciones de aplicabilidad de estrategias de diseño bioclimático en edificaciones de uso residencial.



Definir un modelo espacial de zonas potenciales para el empleo de estrategias bioclimáticas en el diseño de viviendas de uso residencial.

1.3 PREGUNTAS DE INVESTIGACIÓN 1. ¿Existe información meteorológica que permita entender las variaciones espaciales y temporales más comunes de temperatura del aire y humedad relativa para Ecuador Continental?

13

2. ¿Existen patrones espaciales permitan definir zonas para la aplicación de las

diferentes

estrategias

de

diseño

bioclimático

para

viviendas

residenciales en Ecuador continental?

3. ¿Qué estrategias de diseño bioclimático son aplicables a las condiciones de

habitabilidad,

economía

y

ambientales

presentes en

Ecuador

continental?

1.4 HIPÓTESIS A pesar de la alta variabilidad climática en Ecuador continental, existen patrones espaciales en las condiciones meteorológicas y termodinámicas que pueden ser detectados con ayuda de predicción y análisis espacial, para definir zonas de implementación

de

estrategias

en

el

diseño

bioclimático

de

viviendas

residenciales en el Ecuador.

1.5 JUSTIFICACIÓN Las nuevas políticas energéticas del Ecuador han generado necesidades técnicas y logísticas entre las cuales resaltan la eficiencia energética en edificaciones. Esto se debe a que los resultados del balance energético nacional destacan que las edificaciones como el tercer sector de mayor consumo energético (Palme, Lobato, Kastillo, Villacreses, y Almaguer, 2016). Dentro de este sector se encuentran las edificaciones destinadas al sector residencial. Las investigaciones del INER, Escuela politécnica del Litoral – ESPOL, Escuela Politécnica Nacional – EPN y Universidad San Francisco de Quito – USFQ

muestran que con la

implementación de estrategias pasivas es posible reducir considerablemente el consumo energético en las edificaciones del Ecuador (Beltrán, Kastillo, MiñoRodríguez, Naranjo-Mendoza, y Ávila, 2015; Miño-Rodríguez

et al., 2014).

Paralelamente estas investigaciones también evidencian que el país aún no dispone de insumos suficientes para la implementación de estas estrategias en todas las localidades (Miño-Rodríguez et al., 2014). La falta de bases de datos

14

meteorológicas y los pocos profesionales capacitados en la temática son deficiencias importantes para la implementación de estas estrategias. Países como Estados Unidos, Dinamarca, Inglaterra China, entre otros, suplieron esta necesidad generando mapas temáticos de zonas para la implementación de ciertas

estrategias

constructivas

en

las

edificaciones

(ASHRAE,

2009;

Humphreys, Rijal, y Nicol, 2013). En Ecuador ya existe una primera propuesta desarrollada en el INER, sin embargo a pesar de sus buenos resultados, ésta no alcanza la extensión de todo el territorio del país (Miño-Rodríguez et al., 2014). En este trabajo se pretende, por un lado, apoyar el proceso de validación de la metodología propuesta por el INER; y por otra parte, propone una zonificación del territorio ecuatoriano desde la perspectiva del diseño de edificaciones que incluyan estrategias pasivas de eficiencia energética. Este será un aporte importante al sector de la construcción de viviendas ya que reduciría tiempo y costos en planificación de las edificaciones. Y constituye un insumo para la elaboración de las normas técnicas ecuatorianas enfocadas en la construcción de viviendas. Además de estos sectores, la población de recientes investigadores en el tema de eficiencia energética en edificaciones podría así tener un punto de referencia para el mejoramiento de los MSEH.

1.6 ALCANCE Durante esta investigación se trata de establecer zonas de aplicabilidad de estrategias de diseño bioclimático para la eficiencia energética en edificaciones, basándose en las condiciones meteorológicas del Ecuador continental. Este trabajo intenta proponer un mapa de zonificación del Ecuador continental visto desde el potencial de empleo de diferentes estrategias de diseño bioclimático. Los resultados de esta investigación están estrechamente vinculados con el diseño o re-modelamiento de viviendas de uso residencial. Por lo cual se espera que pueda ser utilizado por la población de profesionales que se dedican a estas tareas y que no dispongan de información meteorológica detallada para asegurar diseños de viviendas energéticamente eficientes. Consecuentemente, también pueden servir para establecer normativas locales o nacionales sobre eficiencia

15

energética en edificaciones.

De este estudio se excluye cualquier análisis relacionado con edificaciones cuyo uso sea distinto a residencial. Esto se debe a que la eficiencia energética de una edificación está estrechamente relacionada con las actividades que se realizan en ella. Lo cual implica que en el diseño de la misma se establezcan medidas para controlar los efectos de dichas actividades en el consumo de la energía y el confort de los ocupantes (McDowall 2007a; Parsons, 2002).

2 REVISIÓN DE BIBLIOGRAFÍA

2.1 EL CLIMA DEL ECUADOR Ecuador, a menudo ha sido calificado como un sitio mega diverso. Las condiciones geográficas y físicas del país han permitido la diversificación de ecosistemas y culturas en espacios relativamente pequeños. El clima puede cambiar en unos pocos kilómetros de recorrido, por consiguiente, cambian las condiciones de supervivencia de las especies (Richter, 2003b).

2.1.1 Localización geográfica del Ecuador Ecuador se localiza en la zona tórrida del planeta. Toma el nombre del paralelo cero, el cual se conoce como la línea ecuatorial. El territorio de Ecuador está conformado por una parte continental y una parte insular. La parte continental de Ecuador se encuentra en el Noroeste de Sudamérica limitado por Colombia y Perú, mientras que la parte insular corresponde al Archipiélago de Galápagos y la correspondiente parte marina (IGM, 2013).

Por su ubicación, el país no presenta estaciones meteorológicas definidas (Landívar, 1989), pero se pueden diferenciar meses con tendencia seca y meses con tendencia lluviosa durante el año. Según Kiss y Bräuning (2008), en esta parte del planeta, las variaciones climáticas y estaciones anuales típicas de latitudes medias se pueden observar en un solo día. Además, estos períodos pueden cambiar de una localidad a otra en poco espacio (Vuille, Bradley, y Keimig, 2000; Richter y Moreira-Muñoz, 2005).

2.1.2 Las Regiones Macroclimáticas de Ecuador La superficie del Ecuador presenta cuatro regiones macroclimáticas naturales.

Estas regiones tienen características particulares tanto de relieve como de clima que las diferencian entre sí (IGM, 2013; Nouvelot, Le Goulven, Aleman, y Pourrut, 1995; Pourrut, 1983, 1986). La parte continental presenta tres de las cuatro 16

17

regiones (IGM, 2013) y su delimitación natural está condicionada por la presencia de la Cordillera de los Andes (Emck, 2007).

La separación de las diferentes regiones en el país se ha realizado desde diferentes aspectos, por ejemplo límites político-administrativos que son muy útiles en cuestiones de gestión sobre el territorio. Sin embargo, para efectos de análisis espacial de variables continuas se han propuesto límites regionales basados en las características físicas del relieve (Deser y Wallace, 1987). La muestra más reciente es la delimitación de regiones macroclimáticas según MiñoRodríguez et al., (2014) mostrada en la Figura 1.

Figura 1. Regiones Macroclimáticas del Ecuador delimitadas por la cota 700 msnm de la Cordillera de los Andes. Sistema de referencia de coordenadas EPSG:4326.

18

A continuación, se describen características generales de las tres regiones continentales: Costa.

La región costera se caracteriza por estar en contacto con el océano Pacífico y se extiende hasta el pie de monte de las estribaciones occidentales de la Cordillera de los Andes. La mayor parte de esta región tiende a ser plana, sin embargo, se pueden encontrar pequeños complejos montañosos hacia el oeste de la región, que se conocen como la cordillera costanera. El clima en esta región es modificado fuertemente por las corrientes marinas (Bendix y Lauer, 1992; Galeas y Guevara, 2012). En ocasiones, estas corrientes marinas pueden causar condiciones extremas en los regímenes de temperatura y precipitación, principalmente por el aumento de la temperatura en el océano. Por ejemplo, en la Figura 2 se muestran las temperaturas del océano que causaron eventos extremos de precipitación y temperatura en la costa y sierra de Ecuador (Caldwell et al., 2007), anomalías positivas durante El Niño de 1998 y negativas durante La Niña de 1989.

Figura 2. Temperatura media del océano durante El Niño (1998) y La Niña (1989) Fuente: NOAA (2005)

19

Sierra La característica principal de esta región es la presencia de la Cordillera de los Andes. Esta parte del Ecuador presenta la mayor cantidad de terrenos inclinados del país. Las pendientes pueden variar desde 0% hasta sobrepasar más del 100%. Las superficies planas se localizan principalmente en los valles interandinos entre las cadenas montañosas que conforman la cordillera. La región Sierra presenta la mayor variabilidad micro-climática debido a la influencia de la cordillera en la circulación de las masas de aire tanto del Pacífico como del Amazonas (Vuille et al., 2000). Producto de ello se generan de celdas meteorológicas locales difíciles de registrar si no se dispone de una densa red de estaciones meteorológicas (Rollenbeck, Bendix, y Fabian, 2011). Hacia el norte de esta región se pueden encontrar las montañas más altas en Ecuador, por consiguiente se pueden apreciar los nevados y volcanes. Mientras que hacia el sur la cordillera presenta discontinuidad en las cadenas montañosas central y occidental. En el sur, las montañas son más bajas que la parte norte y las cadenas montañosas no son tan evidentes. Esta zona se conoce como la depresión de Girón – Huancabamba (Figura 3).

Figura 3. Depresión de Girón (Ecuador) - Huancabamba (Perú).

Fuente: Richter y Moreira-Muñoz (2005)

20

Amazonía La región toma su nombre debido a que pertenece al sistema hidrográfico del Río Amazonas. Se trata de una porción de la cuenca alta del Amazonas que se extiende desde el pie monte oriental de la cordillera de los Andes hasta la frontera con Perú hacia el Este. Esta zona presenta la mayor cantidad de selvas y bosques tropicales y recibe una fuerte influencia de la circulación atmosférica del continente, en especial los vientos alisios de la cuenca del Amazonas (Galeas y Guevara, 2012). Lo cual puede causar episodios de altas precipitaciones y humedad asociados a la dinámica de las nubes (Bendix, Rollenbeck, Göttlicher, y Cermak, 2006). La Figura 4 muestra la frecuencia de nubes para Ecuador, donde se destaca un comportamiento estacional de la nubosidad de la Amanozía.

Figura 4. Dinámica estacional de la frecuencia de nubes para Ecuador.

Fuente: Bendix et al. (2006)

21

2.1.3 Factores que modifican el clima en el Ecuador Según varios autores, las condiciones meteorológicas del Ecuador (por consiguiente, el clima) se modifican principalmente por cuatro factores (Barros López y Troncoso Salgado, 2010; Bendix, Fabian, y Rollenbeck, 2004; Vuille et al., 2000). La posición de Ecuador en el planeta permite que existan alrededor de 12 horas la radiación solar durante todo el año. Consecuentemente, se espera la predominancia de bosques tropicales típicos. Sin embargo, la Cordillera de los Andes juega un papel importante para la diversificación de los climas. Se ha comprobado que la altitud y la temperatura están relacionadas inversamente entre sí (Fries et al., 2009). Esto quiere decir que la temperatura descenderá proporcionalmente de acuerdo a cuanto se asciende en la Cordillera. Por otro lado, las áreas en la costa y oriente son modificados por los efectos de la circulación del aire en el Pacífico y Atlántico respectivamente (Bendix et al., 2006; Vuille et al., 2000). Estas masas de aire también modifican las estribaciones de los Andes generando anomalías meteorológicas diferentes en las laderas de sotavento y barlovento (Bendix et al., 2004; Bendix, Rollenbeck, Dietrich, Nauß, y Fabian, 2008; Richter, 2003a; Vuille et al., 2000). En la Costa, las corrientes marinas marcan las dinámicas estacionales higro-térmicas, por lo tanto las anomalías pueden variar de acuerdo a la influencia de estas corrientes (Vuille et al., 2000). Tal como se ha mencionado en el apartado 2.1.2, las principales corrientes marinas son conocidas como la Corriente Cálida del Niño y la Corriente fría de Humbolt (Potter y Colman, 2003).

2.1.4 Consideraciones generales para el estudio de la variabilidad climática en el Ecuador Según varios autores, la variabilidad climática en los países andinos no ha sido comprendida en su totalidad (Rollenbeck et al., 2005; Vuille et al., 2000). Estudios de las variabilidades climáticas en la Sierra (Richter, 2003a; Richter y MoreiraMuñoz, 2005; Vuille et al., 2000) y Amazonía (Espinoza Villar et al., 2009; Satgé et al., 2016) han sido realizado empleando extrapolaciones de datos a partir de

22

datos registrados en las estaciones más cercanas. Por ese motivo, no se ha conseguido una representación precisa de las variaciones climáticas reales de estas regiones (Bendix et al., 2008). Esta es una situación en la que se encuentran la mayor parte de los países Andinos y Amazónicos (Vuille et al., 2000) por la cual se requiere una inversión a escala continental para la ampliación de las redes meteorológicas.

El estudio de las variaciones espaciales del clima toma importancia en la planificación de los diferentes ámbitos del desarrollo del país. Richter (2003b), en su estudio menciona que el clima está estrechamente relacionado con las características florísticas de una región. Este autor presentó un método empírico en el que relaciona la presencia de plantas epifitas con las condiciones meteorológicas en bosques naturales y bosques secundarios. Por otra parte, el INAMHI, como parte de la Secretaria de Gestión de Riesgos, se encuentra constantemente emitiendo boletines sobre las condiciones meteorológicas asociadas con riesgos naturales para la población (Palacios-Tapia y Ontaneda Rosales, 2012). Otro departamento del mismo Instituto muestra estudios en los que se destacan que deben considerarse las condiciones meteorológicas de cada sitio para asegurar el crecimiento de cultivos. Mientras que desde otro punto de vista, el INER, recientemente, ha incursionado en proyectos de investigación sobre las condiciones meteorológicas con fines de aprovechamiento energético desde diferentes aspectos (generación eólica, generación solar, biomasa, geotermia, entre otros). Así también, lo relacionado con la eficiencia energética en el transporte, industrias y, en especial, la eficiencia energética de las edificaciones. Las principales conclusiones de sus diferentes estudios incluyen la necesidad de contar con una base de datos que refleje las complejas variaciones del clima en el espacio (Gaona, 2013; Gaona et al., 2013). Otros estudios relacionados destacan la importancia de comprender las variaciones climáticas desde diferentes aspectos de la eficiencia energética y energías renovables. Por ejemplo, para el aprovechamiento de la energía solar los estudios de Peralta (2013) y Jara-Alvear et al. (2013) muestran situaciones diferentes en las cuales se requiere entender la radiación solar sobre el espacio.

23

Lo expuesto anteriormente deja entredicho que la variabilidad climática condiciona el desarrollo de las diferentes actividades socio-económicas y ecológicas. Sin embargo, ante una deficiente fuente de información meteorológica las investigaciones sobre eficiencia energética en Ecuador están condicionadas a la evolución en la adquisición de datos meteorológicos de mayor resolución espaciotemporal.

2.1.5 Descripción

de

la

red

nacional

de

estaciones

meteorológicas.

La institución encargada del registro, organización y almacenamiento de la información relacionada al tiempo atmosférico y clima es el INAMHI. Este Instituto mantiene una red de 107 estaciones (Figura 5).

De las 107 estaciones operativas de INAMHI, 24 son estaciones climatológicas principales,

mientras

que

el

resto

son

estaciones

de

diferente

tipo

(Agroclimatológico, Radio sondeo, Pluviométricas, etc). Es también importante diferenciar entre ellas las estaciones convencionales de las automáticas. De acuerdo a los datos proporcionados por el INAMHI, 25 son estaciones convencionales en las cuales se registra el tiempo atmosférico en períodos de tres horas y diarios dependiendo la accesibilidad a los instrumentos de medición.

A partir de estos datos se ponen a disposición del público los valores correspondientes a cada día o cada mes. Las estaciones automáticas son en total 64. Estas estaciones registran datos en una resolución temporal inferior a una hora, de donde se calculan los valores correspondientes para una hora.

24

Figura 5. Ubicación de las estaciones meteorológicas de INAMHI en Ecuador continental.

No todas las estaciones estuvieron en funcionamiento entre 1980 y 2015, la mayoría registraron datos por cortos períodos de tiempo. De los datos geográficos de INAMHI, se desprende que 88 de las 107 estaciones se encontraron en funcionamiento en el período mencionado (INAMHI, 2015a, 2015b). Esa es otra desventaja importante en la información meteorológica, ya que según la Organización Meteorológica Mundial – OMM – se sugiere que los estudios relacionados con el clima se basen en normales climatológicas obtenidas a partir de 30 años de datos registrados (WMO, 2011). Solo 44 estaciones presentan las condiciones sugeridas por la OMM. Las estaciones automáticas fueron instaladas durante los últimos cinco años, por lo tanto, tampoco cumplen con las condiciones sugeridas por dicha organización.

Basados en las deficientes condiciones que se encuentra la red meteorológica de la institución oficial, otros organismos públicos y privados han implementado sus

25

propias redes meteorológicas. Entre ellos se citan a la Dirección General de Aviación Civil – DGAC, Instituto Oceanográfico de la Armada – INOCAR, el INER, Universidades (Públicas y privadas), organismos no gubernamentales nacionales e internacionales, entre otros (Richter, 2003a; INOCAR, 2015; Bendix et al., 2017). Más estudios durante los últimos años intentan complementar las bases de datos espacio – temporales con

información meteorológica obtenida de

modelos numéricos de predicción, sintetizadores de datos basados en tendencias temporales y sondeo remoto (Rollenbeck, Fabian y Bendix, 2005; METEOTEST et al., 2013; Rivas y Erazo, 2013).

2.2 EFICIENCIA ENERGÉTICA EN EDIFICACIONES La terminología eficiencia energética se emplea para referirse al uso adecuado de la energía en las actividades humanas (McDowall, 2007b). Esta definición fue adoptada a partir de la concepción que las fuentes de energía no son infinitas ni recuperables. Por lo tanto, debe asegurarse una cantidad para el futuro próximo.

Lo

anterior

tiene

como

principio

de

conseguir

los

mismos

o

más

beneficios/productos empleando la menor cantidad de energía (Patterson, 1996; Worrell, Bernstein, Roy, Price, y Harnisch, 2008).

2.2.1 Relación entre el clima y el confort habitacional El confort habitacional es un concepto relacionado con una condición en la cual los habitantes de un espacio se encuentran en satisfacción con el ambiente circundante (Humphreys y Nicol, 2000). Varios autores se han enfocado en la relación de las condiciones ambientales exteriores como causa de las condiciones en el interior de las edificaciones (por ejemplo, Brager y de Dear, 1998; Hensen, 1990). Sin embargo, las últimas investigaciones sugieren que más allá de las condiciones ambientales interiores, el confort está en relación con las acciones que las personas realizan para adaptarse a esas condiciones (Humphreys et al., 2013).

McDowall (2007a) describe siete factores que tienen influencia sobre el confort

26

térmico. De esos factores, dos de ellos son factores relacionados directamente con el estado de la persona (Actividad física y nivel de arropamiento). Además, una característica individual de cada persona es la expectativa de las condiciones que debería tener el espacio alrededor para sentirse confortable. Y los demás son factores ambientales y efectos arquitectónicos entre los cuales se encuentran: temperatura del aire, humedad, velocidad del aire y temperatura radiante de la vivienda.

2.2.2 Tipos de edificaciones clasificadas según su uso Los factores relacionados con la actividad de las personas condicionan también el diseño de las edificaciones. De este modo, se puede hacer una clasificación desde la perspectiva del uso de las edificaciones usando los datos del Censo de Vivienda de 2010 (INEC, 2010). El gráfico de la Figura 6 muestra la distribución porcentual de las edificaciones con uso particular y colectivo, agrupadas por área urbana o rural en Ecuador Continental.

Figura 6. Porcentaje según tipos de viviendas y agrupadas por tipo de usuario y sector

27

Al respecto, en las guías para construcciones energéticamente eficientes que propone ASHRAE (2009), se destaca la siguiente clasificación genérica: 

Edificaciones de uso residencial. Aquellas edificaciones que están diseñadas para su uso como vivienda. Entre ellas pueden considerarse las edificaciones colectivas (los edificios, conjuntos habitacionales verticales, orfanatos, asilos, entre otros) y edificaciones particulares.



Edificaciones de uso no residencial. Se consideran a todas aquellas edificaciones que no tienen un uso como vivienda. Entre ellas se pueden encontrar los edificios de oficinas, hospitales, escuelas, entre otros.

2.2.3 Zonificación climática habitacional Se entenderá en este estudio a la zonificación climática habitacional como un mapeo de las áreas cuyas condiciones ambientales y constructivas permiten alcanzar el confort dentro de una vivienda (Sepúlveda Mellado, 2003). Este tipo de mapeos se realiza principalmente para la implementación de políticas y normas en la construcción de las viviendas, para beneficio de sus futuros ocupantes.

Existen muchas formas de zonificar el espacio desde el aspecto climático para eficiencia energética en edificaciones (Mahmoud, 2011). Cada metodología depende principalmente de cuál es el propósito de establecer dicha sectorización (Lam, Yang, y Liu, 2006; Mahmoud, 2011). Cada mapeo se basa en una propuesta de estrategias de diseño bioclimático, entre las cuales Walsh, Cóstola, y Labaki (2017) en su revisión de metodologías de zonificación bioclimática, citan a: 

Diagrama bioclimático de Olgyay (1968) que es una de las primeras metodologías para selección de estrategias de diseño bioclimático. Se basa en una selección de estrategias en función de la temperatura y humedad del aire (Walsh et al., 2017). Sin embargo, es difícil su implementación en análisis energéticos bajo estándares de construcción en ambientes no

28

acondicionados, especialmente en países en desarrollo (Givoni, 1992a). 

Diagrama bioclimático de Givoni (1992a) es una herramienta construida sobre una carta psicrométrica, en la que se contrasta una zona de confort definida por la humedad y temperatura del aire, generando estrategias bioclimáticas para cada situación fuera de esa zona. Esta metodología requiere de pares de datos de humedad y temperatura, en lo posible a escala horaria, sin embargo es flexible para períodos más cortos o más largos (Walsh et al., 2017). Un trabajo de Wan, Li, Yang y Lam, (2010) presenta una zonificación a partir de un análisis de agregación basada en una adaptación del diagrama bioclimático. De la misma manera este diagrama ha sido empleado por otros investigadores para generar zonificaciones en China e India (Rakoto-Joseph, Garde, David, Adelard, y Randiramanantany, 2009; Lam et al., 2006). En Ecuador ha sido principalmente por investigadores de INER quienes propusieron una primera zonificación para la región sierra (Miño-Rodríguez et al., 2014).

La metodología para zonificación habitacional más difundida mundialmente es la propuesta por ASHRAE (2005a) (Walsh et al., 2017). Esta metodología se basa en el cálculo de grados días de calentamiento y enfriamiento propuesto por CIBSE (2006). Ha sido replicada en varios estudios de países de África, Asia y Europa principalmente (Gelegenis, 1999; Mahmoud, 2011; Almonacid, PérezHigueras, Rodrigo y Hontoria, 2013; Borah, Singh y Mahapatra, 2015; Walsh et al., 2017).

Aunque en la revisión de Walsh et.al. (2017) se presentan las simulaciones energéticas para edificaciones como una metodología para el mapeo de estrategias de diseño bioclimático, éstas se pueden considerar como una aplicación de la metodología de grados-día de CIBSE (2006) dentro de modelos numéricos, como por ejemplo EnergyPlus (Crawley et al., 2000; EnergyPlus, 2013).

Además, existen otras metodologías de zonificación climática que se basan en el agrupamiento de condiciones homogéneas según variables ambientales (Walsh et

29

al. 2017). La mayoría emplean la temperatura del aire como variable principal, aunque pueden también ser usadas la humedad, radiación solar, velocidad del viento, precipitación, entre otras.

En el año 2014, Walsh, Labaki, y Cóstola estudiaron metodologías de zonificación climática habitacional usadas en diferentes países del continente americano. Para ello se basaron en documentos oficiales y entrevistas a investigadores de varios países. Sus hallazgos se resumieron en la Tabla 1 Tabla 1. Metodologías de zonificación climática habitacional oficial por países

Chile x Argentina x x Uruguay x Estados x Unidos Canadá x México x x Brasil x x Perú x Puerto Rico x x Bolivia x Ecuador Colombia x Fuente: Adaptado de Walsh et at. (2014)

x x x

x

x

Clasificación de Köppen

Arquitectura Vernácula

Otras Clasificaciones

Inversión térmica

Humedad del aire

Precipitación

Viento

Radiación solar

Amplitud térmica

Temperatura del aire

Variables climáticas /adicionales

Altitud

TEC/VMP+IBH

Grados -Día CBSE (2006)

Givoni (1992a)

País

Metodología para diagnóstico climático para fines de Eficiencia Energética y confort térmico en edificaciones

x

x

x

x

x

x

x x

x x

x x

x x

x x

x

x x

x x

x

x

x

x x x

x

2.2.4 Las estrategias de diseño bioclimático para viviendas.

El término estrategias de diseño bioclimático para efectos de este documento se referirá a cualquiera de las consideraciones dentro del diseño de una vivienda que permita conseguir mejores condiciones de confort habitacional (Bucking, Zmeureanu, y Athienitis, 2014; McDowall, 2007a; Patterson, 1996). En ese

30

sentido, varios autores de organizaciones especializadas en el tema, como ASHRAE, han enfocado la mayoría de sus estudios en optimizar las estrategias de diseño de edificaciones empleando sofisticados modelos numéricos para predecir el confort (Crawley et al., 2000; EnergyPlus, 2013; Michalak, 2014). Sin embargo, otros autores han desarrollado metodologías que permiten mejorar los diseños basándose en análisis menos sofisticados (Givoni, 1983, 1992a; Lomas, Fiala, Cook, y Cropper, 2004; Martínez y Freixanet, 2014).

El “Confort” no se trata de una estrategia de diseño como tal, sino de la sensación promedio de las personas al habitar una vivienda en ciertas condiciones ambientales. Estas condiciones se convierten en una referencia para el empleo de diferentes estrategias cuando las condiciones ambientales no permiten alcanzar el confort con un modelo básico de vivienda. Existen varios modelos de confort que han sido propuestos para diferentes regiones del mundo. Entre ellos se han propuesto: el Modelo de confort del California Energy Code (CEC, 2013), Modelo del Voto Medio Predicho definido en ASHRAE standard 55 (ASHRAE , 2005a), Modelo de confort de ASHRAE definido en Handbook fundamentals (ASHRAE, 2005b) y el Modelo de confort adaptativo en ASHRAE Standard 55 (ASHRAE, 2010).

A partir del año 1983, Givoni empieza a desarrollar una metodología que combina cálculos de termodinámica y psicrometría para detectar las condiciones en las cuales son efectivos grupos de estrategias de diseño bioclimático (Givoni, 1983).

Su propuesta se resume la zonificación de en una carta psicrométrica de acuerdo a las características ambientales de cada sitio geográfico específico y las características arquitectónicas y constructivas de las edificaciones (Figura 7).

Tomando como referencia los modelos de confort mencionados y a partir de los hallazgos de Givoni (1992a) y Milne, Liggett y Benson (2009) proponen una herramienta que permite analizar la información meteorológica para selección de las mejores estrategias para una localidad. La mencionada herramienta permite analizar la información climática bajo estándares internacionales de modo que se puedan elegir las mejores estrategias para alcanzar el confort en una edificación

31

(Martínez y Freixanet, 2014; Milne et al., 2009).

Figura 7. Diagrama bioclimático de Givoni (1992b).

Fuente: Milne et al. (2009)

Para replicar los análisis de la herramienta de Milne et al. (2009), se requieren un conjunto de condiciones básicas de información y escenarios de análisis. El investigador requiere asumir algunas condiciones básicas para el diseño de edificaciones, tal como se realizó en el estudio de Miño-Rodríguez et al. (2014).

Por ejemplo, en dicho estudio se establecen que, en las nuevas edificaciones, las personas tendrían un nivel de arropamiento de 11 y que la actividad a realizar equivale a 1.12.

Las estrategias aplicables han sido estudiadas ampliamente y en diferentes condiciones (Lomas et al., 2004; Mahmoud, 2011; Manzano-Agugliaro, Montoya, Sabio-Ortega, y García-Cruz, 2015). Ahondar en cada una de ellas puede resultar confuso y tedioso debido a la diversidad de opciones aplicables a nuevo cada diseño. Por lo tanto a continuación se describirán grandes grupos de estrategias

1

Equivale a la combinación de pantalón + camiseta + suéter como mínimo.

2

Lo que quiere que permanecerían la mayor parte del tiempo sentados y haciendo actividades de bajo esfuerzo físico.

32

agrupados por las características higro-térmicas ambientales que presentan (ASHRAE, 2009; Givoni, 1992b). 

Protecciones solares (SP). Se trata de implementación de dispositivos o métodos que permiten reducir la entrada o exposición a la radiación solar directa. Esto evita las ganancias de calor por temperatura radiante. Por ejemplo, la Figura 8 esquematiza el uso de extensiones del techo como estrategia para reducir la exposición directa de las paredes/ventanas al sol.

Figura 8. Ejemplo de dispositivos de para protección solar.

Fuente: Milne et al. (2009)



Alta masa térmica (HTM). Se trata de estrategias para almacenamiento de energía usando la masa de los materiales. Se usan principalmente en climas cálidos y secos, donde la fluctuación de la temperatura puede derivar elevados niveles de calor durante el día y frío durante la noche. Por ejemplo, las paredes de bareque que usan en los valles secos interandinos (Figura 9).

33

Figura 9. Ejemplo de alta masa térmica: Paredes de adobe para utilizar la inercia térmica como almacenamiento de energía en climas de alta oscilación térmica entre el día y la noche.

Fuente: Palme at al. (2016)



Alta masa térmica con pérdida de calor por la noche (HTMn). De la misma manera que la anterior, este grupo de estrategias, permiten acumular energía en la masa de los materiales. Sin embargo, se diferencia porque el diseño con este tipo de estrategias considera una pérdida intencional de calor durante la noche. Esto es útil en sitios con elevadas temperaturas y baja humedad.



Enfriamiento evaporativo directo (DEC). Se trata de un grupo de estrategias que permiten aprovechar el enfriamiento por el cambio de estado del agua. Esto quiere decir que usando el calor latente de fusión del agua se puede enfriar el aire evaporando el agua líquida.



Enfriamiento evaporativo en dos etapas (DEC2). Se trata de un enfriamiento similar al anterior, pero este requiere una etapa previa en la que se aprovecha el agua para enfriar el exterior de un intercambiador de calor de donde pasará a la evaporación directa.



Enfriamiento por ventilación natural (VN). Se trata de estrategias que permiten generar flujos de aire en el interior de la vivienda a velocidades

34

entre los 0.8 y 1.6 m/s (ASHRAE, 2005b). El dimensionamiento de dispositivos o estructuras para estas estrategias a menudo implican complejos análisis los cuales no serán detallados en este documento. Sin embargo, se presenta un ejemplo de ventilación natural en la Figura 10.

Figura 10. Ejemplo de ventilación natural: Maximización del flujo de aire mediante el uso de ventanas grandes.

Fuente: Palme et al. (2016)



Enfriamiento por ventilación forzada (FFV). Cuando la ventilación natural no es suficiente para alcanzar el confort, se requieren aplicar medidas mecánicas para enfriar un ambiente. Estas medidas se requieren principalmente en ambientes cálidos, pero no húmedos. De la misma manera, la Figura 11 esquematiza el empleo de una estrategia de ventilación forzada con ventiladores.

Figura 11. Ejemplo de ventilación forzada:Ventiladores en el techo en habitaciones de larga permanencia.

Fuente: Palme et al. (2016)

35



Ganancias internas de calor (IHG). Representan las ganancias de calor que se agregan a una edificación. Por ejemplo, luces, habitantes, equipos y maquinarias, entre otros (Figura 12). Estas cargas de energía permiten que la temperatura interior entre en un punto de equilibrio con el exterior, de modo que no se requiera calor adicional.

Figura 12. Ejemplo de ganancias internas de calor: calor de las luces, de los equipos o personas.

Fuente: Palme et al. (2016)



Ganancia pasiva por radiación solar directa - Alta masa3 (SDGh). A diferencia del anterior, este grupo de estrategias consideran materiales de construcción con elevada masa térmica. Estos materiales son capaces de almacenar el suficiente calor durante el día para mantener el ambiente interior durante la noche. Depende principalmente de exposición interior a la radiación solar directa, por ejemplo, a través de los vidrios de las ventanas.



Ganancia pasiva por radiación solar directa - Masa Baja4 (SDGl). Se trata de grupos de estrategias que aprovechan la exposición directa al sol para calentar un ambiente por ganancia de calor (Figura 13). El dimensionamiento de estas estrategias está en función de la radiación solar disponible, la temperatura exterior y las demás configuraciones del diseño de

3

El término “Alta masa” se refiere a que la masa de los materiales de construcción permite almacenar tanto calor en su cuerpo

4

El término “Baja masa” se refiere a que la masa de los materiales de construcción no permite almacenar tanto calor

36

la vivienda.

Figura 13. Ejemplo de ganancia pasiva por radiación solar directa: Espacios que capturen el calor de radiación solar y lo transfieran al interior de la vivienda.

Fuente: Palme et al. (2016)



Solo humidificación (Ho). Se trata de estrategias para agregar humedad al ambiente mediante sistemas activos. Estos sistemas deben considerar que la humedad en el interior puede ser incrementada también por los ocupantes de la vivienda.

Se usan principalmente en ambientes térmicamente

confortables, pero muy secos donde se requiere aumentar el contenido de agua en el aire. 

Solo des-humidificación (Do). Al contrario del anterior, en estas estrategias se requiere disminuir el contenido de humedad en el aire a en ambientes con temperaturas adecuadas al rango de confort.



Enfriamiento, con des-humidificación en caso de ser necesario (C-Do).

Se trata de estrategias que requieren sistemas de enfriamiento y de ser necesario humidificación del aire. Principalmente se usan en climas donde las temperaturas exceden el rango de confort y presentan altos niveles de humedad.



Calentamiento, con humidificación en caso de ser necesario (H-Ho). Al contrario de la anterior, se debe calentar y de ser necesario humidificar mediante sistemas de acondicionamiento de aire. Principalmente se usan en climas donde las temperaturas están por bajo el rango de confort y el

37

contenido de agua en el aire no es suficiente para alcanzar el confort.

2.3 SISTEMAS DE INFORMACIÓN GEOGRÁFICA Los sistemas de información geográfica (SIG) son el resultado de una integración organizada entre hardware, software, información y personas enlazadas por los diferentes procedimientos (Olaya, 2014; Santovenia, Tarragó, y Andalia, 2009). El uso extendido de los SIG ha permitido migrar las técnicas puntuales a ambientes espaciales y espacio-temporales. Al respecto de esto existen muchos casos, de los cuales se destacan para este trabajo las regionalizaciones de variables meteorológicas mediante técnicas geoestadísticas (Sosa Paz, 2002; Chica Olmo, 2005; Gallardo, 2006; Portalés, Boronat-Zarceño, Pardo-Pascual, y BalaguerBeser, 2006).

2.3.1 Regionalización de variables meteorológicas Una variable regionalizada puede explicarse por la estructura de correlación que siga en el espacio (Ginzo Villamayor, 2009). Es decir, la variable presenta una dependencia espacial que puede ser modelada por algún proceso matemático (ejemplo: métodos estocásticos o determinísticos).

Las técnicas para regionalización de variables meteorológicas pueden ser diversas desde las más simples como una generalización de los valores más próximos (polígonos de Voronoi) hasta las complejas que implican modelos matemáticos e inteligencia artificial (Bendix y Bendix, 2005; Hurtado Pidal y Suntaxi Aluisa, 2013; Nouvelot et al., 1995). Las técnicas actuales combinan procesos estocásticos con inteligencia artificial para descubrir las condiciones sinópticas que permiten un estado del tiempo (Kumar, Brooks, Thornton, y Dietze, 2012; Lee y Jeong, 2014; Ruiz-Arias, Quesada-Ruiz, Fernández, y Gueymard, 2015). Al respecto de esto, Li y Heap (2008) hicieron una revisión sobre métodos de interpolación espacial para ciencias ambientales. En su estudio analizan 43 técnicas de interpolación espacial, 12 de ellas son no-geoestadísticas, 23 son técnicas geoestadísticas y 8 son métodos combinados (Tabla 2).

38

Tabla 2. Métodos de interpolación espacial estudiados por Li y Heap (2008) Geostatistical Univariated Multivariated Nearest neighbours Simple kriging Universal kriging Triangular irregular Ordinary kriging SK with varying local network related Block kriging means interpolations Factorial kriging Kriging with an external Natural neighbours Dual kriging drift Inverse distance Indicator kriging Simple cokriging weighting Disjunctive kriging Ordinary cokriging Regression models Model-based Standardised OCK Trend surface analysis kriging Principal component Splines and local trend Simulation kriging surfaces Colocated cokriging Thin plate splines Kriging within strata Classification Multivariate factorial Regression tree kriging Fourier series Indicator kriging Lapse rate Indicator cokriging Probability kriging Simulation Fuente: Li et al. (2008) Non-geostatistical

Combined Classification combined other interpolation methods Trend surface analysis combined with kriging Lapse rate combined with kriging Linear mixed model Regression trees combined with kriging Residual maximum likelihood-empirical best linear unbiased predictor Regression kriging Gradient plus inverse distance squared

Entre los resultados de Li y Heap (2008), se encuentra una propuesta de clasificación de 26 métodos de interpolación espacial según sus características, los cuales han sido ilustrados en mediante la Figura 14. El mencionado estudio además presenta resultados sobre comparaciones de diferentes métodos no geoestadísticos frente a Kriging ordinario, y entre los diferentes métodos geoestadísticos. Sin embargo concluye que a pesar de que la selección adecuada de uno u otro método es importante, ésta no es una tarea fácil. Al menos cita tres factores que deben considerarse para la selección del método: la variable bajo estudio, la configuración espacial de la muestra y el escenario bajo el cual se desarrolla la interpolación espacial (Li y Heap, 2008).

39

Figura 14. Arbol de clasificación de 26 métodos de interpolación espacial, según Li y Heap (2008)

Al respecto de la regionalización de variables ambientales en zonas montañosas, los estudios de Fries et al. (2009; 2012), muestran una metodología relativamente fácil y eficaz para la aproximación de valores en estas condiciones. Los métodos son aplicables a las variables de Temperatura del aire (Ta) y Humedad relativa (Hr). Y se basan principalmente en la relación lineal (no necesariamente

40

causalidad) que estas dos variables tienen con la altitud. Antes de regionalizar, Fries et al. (2009; 2012) agrupan las estaciones de acuerdo al tipo de cobertura de suelo donde se localizan. A partir de esto, para cada grupo sigue el siguiente procedimiento: 

f x  = β1 x + β 0

Cálculo de la pendiente ( β ) de un modelo lineal 1

de la

variable a regionalizar en función de la altitud de la estación muestreo. 

Ajuste de los valores de la variable, mediante eliminación del efecto de la altitud del punto de muestreo, mediante

V h = V i   β1  z h  z i

  . Donde;

Vh

es el valor ajustado a una altitud homogénea para todos los puntos de muestreo ( z h ).

Vi

y

zi

son el valor de la variable y la altitud de la estación

i

correspondiente. 

Predicción espacial de valores ajustados a una altitud común. Fries (2012) emplea una predicción espacial de los

Vh

mediante kriging ordinario. Sin

embargo, no especifica el modelo teórico de varianza que empleó para conseguir los valores

V xyh

para una grid similar al modelo numérico de

altitud (MNA). En un apartado posterior se tratará con más detalle la predicción espacial como herramienta. 

Restitución del efecto de altitud sobre el mapa predicho. El efecto de la altitud es re-establecido mediante la ecuación

Una vez obtenidos los

V

xy

V

xy

= V

xyh

+

β

1

 z

xy

 zh

 .

para todos los grupos de estaciones, éstos se

combinan en un mosaico de regionalizaciones en función del tipo de cobertura.

2.3.2 Predicción

espacial

y

regionalización

de

variables

meteorológicas La predicción espacial a diferencia de la predicción temporal basa su análisis en dos premisas principales: 1) La primera tiene que ver con la auto-dependencia espacial de la propia variable. Esto quiere decir que son más parecidas las

41

muestras entre puntos cercanos que entre puntos alejados (Bunge y Sack, 1973; Boer, de Beurs, y Hartkamp, 2001; Chica Olmo, 2005; Gallardo, 2006). 2) La segunda premisa tiene que ver con la asociación o relación espacial entre variables, y se refiere a que todos los fenómenos están de alguna forma relacionados con otros (Hutchinson, 1995).

Usando estas premisas, Fries et al. (2009; 2012) logran imputar valores de Ta y Hr en sitios donde no existen estaciones de muestreo. Entre sus hallazgos (los más relevantes para este estudio), y confirmando los resultados de la investigaciones difundidas por Beck, Bendix, Kottke, Makeschin, y Mosandl (2008), destacan la estrecha relación que tienen Ta y Hr con la altitud. Sin embargo, el gradiente altitudinal de estas variables meteorológicas puede verse afectado por el tipo de cobertura del suelo que se encuentre en el área. Por otro lado, al igual que lo han demostrado otros autores (Hancock y Hutchinson, 2006; Xu y Hutchinson, 2013), la sensibilidad de este método depende de una buena distribución de los sitios de muestreo en el área de estudio.

Varios autores han separado las técnicas de imputación de datos en función de su ubicación espacial. Así se pueden agrupar las técnicas de la siguiente manera: 

Interpolación. Aquellas que permiten estimar un valor de una variable en función de los registros de la misma variable en puntos de referencia más cercanos. No permiten extrapolar valores fuera de los rangos de datos de entrada. Estos métodos son de bajo costo de procesamiento y menor precisión en la imputación de datos. Entre ellas, se tiene: Interpolación ponderada por el inverso de la distancia (IDW), Interpolación por Splines, Interpolación de vecinos naturales, entre otros.



Predicción. Las técnicas de predicción espacial también basan su estimación de valores en función de registros cercanos. Sin embargo, éstas técnicas emplean modelos teóricos de varianza (semivarianza) para extrapolar datos fuera de los rangos de los datos de entrada. Estas técnicas requieren mayor costo de procesamiento, pero ofrecen mejor precisión en la imputación de datos. Entre estos se encuentran, Kriging y

42

Co-kriging, entre otros.

2.3.3 Análisis espacial El análisis espacial se define como un conjunto de técnicas que permiten extraer información a partir de las entidades en un espacio, analizando su localización, características y relaciones con otras entidades (ESRI, 2016). Para ello, se emplean técnicas analíticas5 de acuerdo a la pregunta que se pretende abordar en un espacio abstracto definido por un sistema de coordenadas (Olaya, 2014; ESRI, 2016).

El análisis espacial no está limitado a los espacios geográficos. Es decir, el concepto puede ser empleado en estudios de diferentes aplicaciones en espacios bi-dimensionales (Por ejemplo: Cullis y Gleeson, 1991; Gallardo, Palme, LobatoCordero, Beltrán, y Gaona, 2016; Whallon, 1973). Las coordenadas de estos espacios pueden estar definidos por la relación de dos variables específicas, mientras que la variable de interés puede localizarse mediante un par ordenado de este espacio no geográfico.

Bajo esta última premisa, es posible implementar procedimientos no espaciales que gobiernen cada unidad de análisis del espacio geográfico. Las herramientas convencionales disponen de suficientes algoritmos para hacer estos dos tipos de análisis por separado, pero para lograr esta combinación se requiere de las bondades que ofrece la integración de los lenguajes de programación dentro de los SIG. Según investigadores del John A. Dutton e-Education Institute a través del College of Earth an Mineral Sciences de la Universidad del Estado de Pensilvania, se conocen alrededor de 600 lenguajes de programación útiles para diseño y análisis espacial en SIG. De los cuales al menos 15 son ampliamente utilizados por los desarrolladores de esta rama de la informática (Robinson, Hardisty, y Chaplin, 2017).

5

Pueden ser de superposición, estadística espacial, relaciones espaciales, entre otras.

43

La lista que presentan Robinson et al. (2017) incluye lenguajes de bajo nivel (por ejemplo, C, C++, C# y Java) y alto nivel de comunicación usuario-máquina (como por ejemplo Python, R, Javascript, VB.Net). Estos últimos han sido ampliamente utilizados en la programación de guiones para reproducir tareas basadas en objetos debido a la relativa facilidad de aprendizaje e interpretación.

2.3.4 R como herramienta de Análisis espacial R es software libre de código abierto para análisis estadístico y gráficos ampliamente utilizado en la ciencia (R Core Team, 2016). A pesar de que no es un lenguaje de programación como tal, la lógica de programación es la base de todos los procesos de análisis dentro de R (Bivand, Keitt, y Rowlingson, 2016).

R basa sus procedimientos en la programación funcional orientada a objetos (Wickham, 2014). Esto se refiere a que en una sesión de R la información se guarda como objetos y se analiza usando porciones de código organizado en funciones. Las funciones útiles para SIG se encuentran en un conjunto de paquetes que permiten utilizar R como herramienta de análisis espacial. Los paquetes son aportes en su mayoría de comunidad de usuarios de R. Se conoce que en el repositorio oficial del proyecto R existen 10614 paquetes (R Core Team, 2017), de los cuales al menos 178 aportan funciones para análisis espacial (Bivand, 2017).

3 METODOLOGÍA

3.1 ÁREA DE ESTUDIO La zonificación de estrategias de diseño bioclimático cubrirá toda la superficie del Ecuador continental. Las condiciones geográficas y climáticas del área de estudio se detallan en el apartado 2.1. A continuación, se resumen las características más importantes para el estudio: El área de estudio muestra al menos tres macro regiones bioclimáticas: 1) La Costa que comprende toda la planicie desde el Océano Pacífico hasta los 700 msnm en las estribaciones occidentales de la Cordillera de los Andes; La Sierra, que comprende las cadenas montañosas principales de los Andes desde los 700 msnm en las estribaciones occidentales hasta los 700 msnm en las estribaciones orientales de

los Andes, incluyendo los valles interandinos; y, Amazonía que

cubre la planicie amazónica en el Ecuador (ver Figura 1). Este trabajo se enfoca en la parte continental debido a las limitaciones que presentan las fuentes de datos para el Archipiélago de Galápagos que es la cuarta región natural.

3.2 MÉTODOS La zonificación propuesta en este trabajo se basó en las estrategias de diseño bioclimático propuestas por Givoni (1992a). Esto se debió a que es una metodología de diseño flexible a la situación de disponibilidad de información meteorológica del país. Además, que su aplicabilidad en Ecuador, ya ha sido discutida previamente en las investigaciones de INER (Miño-Rodríguez et al., 2014; Palme et al., 2016).

El cumplimiento de este trabajo de investigación se inicia con una recopilación y análisis de un conjunto de condiciones, conceptos y técnicas para zonificar estrategias de diseño bioclimático a partir de información meteorológica mensual usando herramientas de Sistemas de Información Geográfica. En esta ocasión se 44

45

utilizó R como un Sistema de Información Geográfica para procesamiento, análisis y zonificación El procedimiento, mostrado en la Figura 15, inicia con la recolección de información tanto para la configuración del escenario de análisis energético habitacional, como de la información meteorológica espacial necesaria para la identificación de las zonas climáticas. Las etapas siguientes concentran por separado en aspectos estadístico-espaciales y aspectos no espaciales de preparación del escenario de análisis. Al final se combinan los dos tipos de procesos en una zonificación de las mejores estrategias a nivel mensual y para cada unidad espacial. Todo el procedimiento es validado en cada etapa mediante estadísticos de eficiencia y correlación (Pearson, Spearman, entre otros).

Figura 15. Diagrama de flujo del proceso metodológico.

46

3.2.1 Recopilación de información y herramientas de trabajo A efecto de entendimiento se agruparán las fuentes de información de acuerdo con procesos generales en el diagrama de flujo, de la siguiente manera: 

Conceptos y normas para definición del escenario. Los conceptos principales de este análisis fueron tomados de los fundamentos de la norma ASHRAE 55 (ASHRAE, 2009) y la guía de diseño bioclimático de Givoni (1992b), debido a que ambas fuentes son complementarias. A partir de estas fuentes se estableció el escenario para la zonificación y se seleccionaron las diferentes estrategias factibles de aplicación en este estudio.



Datos meteorológicos. La fuente principal de información fue la base de datos del INAMHI, principalmente los datos de las normales climatológicas para Ta y Hr. Sin embargo, se recurrieron a otras fuentes de datos y modelos de predicción numérica para hacer pruebas generales. Entre las otras fuentes se encuentra, la base de datos meteorológicos diez minutales de la Red de Monitoreo

Atmosférico

de

la

Secretaría

del

Ambiente

de

Quito.

Específicamente, de las estaciones Belisario, Carapungo, Centro, Cotocollao, El Camal, Guamaní, Jipijapa, Los Chillos y Tumbaco para el período entre 2010 y 2015. También se recurrió a los archivos de AMT generados por el INER a partir de Meteonorm 7 en el año 2015. Éstos AMT son valores meteorológicos teóricos para la localización y condiciones específicas del área de estudio, de ninguna forma fueron considerados como parte del conjunto de medidas meteorológicas usadas para la regionalización espacial. 

Datos espaciales. Los principales datos espaciales requeridos fueron la ubicación de las estaciones de INAMHI y de la Secretaría del ambiente de Quito, obtenidas desde las respectivas instituciones; el MNA que fue obtenido de la Misión Topográfica Shuttle Radar – SRTM y corregido por el Instituto Geográfico Militar – IGM; y modelo de cobertura de la tierra generado por el Ministerio de Agricultura, Ganadería, Acuacultura y Pesca - MAGAP en 2014, a escala 1:250000.

47

Durante el desarrollo de este estudio se ha utilizado varias herramientas informáticas para el procesamiento, análisis y generación de reportes: 

Climate Consultant (Milne et al., 2009), para pruebas preliminares para definición del escenario de análisis bioclimático y generación de explicaciones gráficas



Qgis 2.18 (QGIS Development Team, 2016) para composición de mapas y visualización de resultados preliminares.



R-Project (R Core Team, 2016) para programación de algoritmos de análisis, usando sus paquetes: o raster (Hijmans, 2016) para análisis espacial y manipulación de capas raster o rgdal (Bivand et al., 2016), para análisis espacial, manipulación e interoperabilidad de capas en diferentes formatos o ggplot2 (Wickham, 2009), para elaboración de gráficos estadísticos y visualizaciones. o sp (Bivand, Pebesma, y Gómez-Rubio, 2013; Pebesma y Bivand, 2005), para generación y transformación de objetos espaciales en una sesión de R. o gstat (Gräler, Pebesma, y Heuvelink, 2016), para interpolación espacial de variables ambientales. o geoR (Ribeiro y Diggle, 2015) para interpolación de variables ambientales y ajuste de modelos de semivarianza.

3.2.2 Escenario para la zonificación de estrategias pasivas Tal como se describió el en apartado 2.2.2, las edificaciones en Ecuador pueden ser de diversos tipos. Además, se requiere considerar que las estrategias aplicables pueden variar en función del tipo de vivienda. Por lo tanto, fue necesario limitar en este análisis a los requerimientos de edificaciones de tipo residencial particular (ver Figura 6). Además de este grupo se excluirán las edificaciones que no se tenga conocimiento del material en sus componentes principales. Bajo estas consideraciones, se han seleccionado los tipos de vivienda

48

que se muestran en la Figura 16. En la misma figura se presentan los materiales más usados por tipo de vivienda.

Figura 16. Porcentaje de viviendas en Ecuador continental, por tipo de material usado en cada uno de sus tres componentes principales, según los datos del Censo de Vivienda de INEC (2010).

En este escenario se ha intentado generalizar el modelo de vivienda, basándose en experiencias anteriores de investigadores del INER, para ello se tomará como referencia el modelo básico de Mino-Rodriguez, et al. (2014). Por otro lado, considerando que el confort dentro de una vivienda no solo depende de las características de la vivienda, se asumirán condiciones de habitabilidad bajo modelo propuesto por ASHRAE 55 -2005:

49



A partir de la Tabla 3, se ha definido un nivel de arropamiento igual a 1 (clo = 1), lo cual consiste en que el habitante usa habitualmente un pantalón, camiseta y suéter. En modelizaciones más sofisticadas, el nivel de arropamiento puede llegar a ser determinante en la selección de una estrategia bioclimática. Sin embargo, en este estudio no se analizarán las variaciones por el nivel de arropamiento.

Tabla 3. Valores típicos de nivel de arropamiento (clo) por conjuntos de ropa.

Arropamiento Pantalón, camisa de manga corta Falda a la rodilla, camisa de manga corta y sandalias Pantalón, camisa de manga larga, chaqueta de traje o suéter.

Falda hasta la rodilla, camisa de manga larga, media combinación, panty, suéter de manga larga Bata de manga larga, camiseta Fuente: ASHRAE (2005a) citado por McDowall (2007a)



clo 0.57 0.54 0.96 1.10 0.72

Considerando la Tabla 4 de la típica generación de calor por actividad, se ha elegido actividad física igual a 1.1 (met = 1.1), lo que implica que el habitante va a pasar la mayor parte del tiempo sentado y haciendo actividades con pocos movimientos (por ejemplo, leer o ver televisión).

Tabla 4. Generación típica de calor metabólico para diversas actividades.

Actividad Durmiendo Leyendo o escribiendo, sentado en la oficina Archivando, de pie en la oficina Caminando en la oficina Caminando a 2 mph Limpiando la casa Bailando o en actividades sociales Trabajo pesado Fuente: ASHRAE (2005a) citado por McDowall (2007a)



met 0.7 1.0 1.4 1.7 2.0 2.0 - 3.4 2.4 - 4.4 4.0

En cuanto a las condiciones ambientales se asumirá una presión atmosférica de una atmósfera (101,325 Pa) y velocidades de viento ideales. Esto último se refiere a que indistintamente de lo que ocurra fuera de la vivienda, en el interior se mantendrá una velocidad de viento entre 0.8 y 1.6 m/s según sugiere la guía de diseño bioclimático de Givoni (1992b).

50

3.2.3 Selección de estrategias de diseño para este estudio.

Considerando la disponibilidad de información meteorológica y espacial para Ecuador se ha previsto limitar el análisis a seis de las 16 estrategias sugeridas en la norma ASHRAE 55-2005 y la guía de diseño bioclimático de Givoni.

La Figura 18 muestra una adaptación del diagrama bioclimático de Givoni, donde se muestran coloreadas las regiones exclusivas de las seis estrategias de diseño seleccionadas. Las líneas curvadas en color verde son las isolíneas de humedad relativa expresada en porcentaje. Mientras que, las líneas grises horizontales marcan las condiciones de punto de rocío en intervalos de temperatura de bulbo seco cada 5 °C y en condiciones de saturación del aire (Hr = 100 %).

En el diagrama original, las estrategias se pueden superponer en ciertas regiones de otras estrategias. Tal como se puede apreciar el ejemplo en la Figura 17, la estrategia HTMn ocupa el mismo espacio que la HTM, pero queda una región específica para HTMn que no se superpone a ninguna otra.

Figura 17.Ejemplo de estrategias bioclimáticas que comparten regiones en el diagrama bioclimático de Givoni (1992b), generado en Climate Consultant 6.

Fuente: Milne et al. (2009)

A partir de eso y para efectos de cálculo, se han delimitado regiones únicas

51

tomando en cuenta que las estrategias más estrictas respecto a la zona de confort prevalezcan sobre las otras en cuanto a la delimitación del diagrama bioclimático.

De este modo se establecen las condiciones en la cuales alguna estrategia tiene más aplicabilidad que las demás. Aunque esto no significa que sea la única estrategia aplicable en esas condiciones. Se asume que el profesional diseñador de la edificación está en condiciones de interpretar las áreas en las cuales se sobreponen las diferentes estrategias para implementar una de ellas.

Figura 18. Regiones bioclimáticas en el diagrama psicrométrico a 1atm y para clo de 1.

Adaptación del Diagrama Bioclimático de Givoni (1992b)

3.2.4 Depuración y relleno de series meteorológicas Tal como se había mencionado anteriormente, la información meteorológica en Ecuador tiene algunas deficiencias que deben ser consideradas antes de realizar predicciones meteorológicas o climáticas. Para reducir la incertidumbre de los

52

análisis que se presentan en este trabajo se ha seguido los siguientes pasos para la depuración y completado de las series meteorológicas durante el período 1980 – 2015.

La depuración de los datos consiste en eliminar datos atípicos que pueden presentarse como falsa alteraciones durante un corto tiempo. Para ello se han realizado los siguientes controles: 

Uso de las etiquetas de calidad. La base de datos del INAMHI muestra etiquetas en las tablas de datos que indican el tratamiento que ha recibido esa información. En el caso presente, se han prescindido de todos los valores marcados como nulos o NoData. Estos valores fueron identificados por su etiqueta N.



Eliminación de datos atípicos. Complementariamente se analizó la desviación estándar del dato con respecto a la media móvil en la serie temporal. A partir de este análisis se han prescindido de todos aquellos valores con más de 2.5 desviaciones estándar.



El último paso en el control de calidad es la eliminación de todas las estaciones que tengan menos del 75% de datos válidos.

Las variables meteorológicas requeridas para este estudio son principalmente pares de datos Ta y Hr. Esto significa que para el cálculo de las zonas climáticas se deben completar al menos las series de estas dos variables para todo el período de estudio. Sin embargo, se han analizado otras variables adicionales a fin de que permitan tener más opciones para el relleno de los datos inválidos o perdidos. Se han usado dos métodos para completar los datos de las estaciones: 

El primer método se denomina “vector regional” (Hurtado Pidal y Suntaxi Aluisa, 2013) y consiste en una aproximación al valor medio de un conjunto de estaciones pertenecientes a una zona meteorológica homogénea. Este se requirió para completar los datos perdidos no mayor a tres consecutivos en una estación específica.

53



El segundo método se trata de una correlación de doble masa con estaciones cercanas, la ecuación del ajuste entre las dos estaciones permite predecir un valor aproximado para la estación en análisis. Fue necesario para establecer una relación teórica entre estaciones cercanas que permita imputar períodos de datos perdidos mayores a tres consecutivos, pero menores al 20% del total de datos requeridos para el período.

Una vez completadas las series meteorológicas para cada estación, se procedió a calcular las normales climatológicas para Ta y Hr. Se conservaron dos conjuntos de datos para los ensayos: Los originales provistos por INAMHI y las Normales Climatológicas6 por cada estación.

3.2.5 Regionalización de variables meteorológicas La regionalización de variables meteorológicas se realizó con el procedimiento de Fries, et al. (2012). Esta metodología asume que las variables analizadas en este trabajo están influenciadas por los cambios en la altitud. Por lo tanto, la gradiente altitudinal de una relación estadística entre la altitud y la variable sirve como factor de ajuste de la predicción espacial en las condiciones de heterogeneidad meteorológica del área de estudio. La Figura 19 es un gráfico de correlación de Pearson entre pares de variables para Altitud, Ta y Hr. Aquí se puede observar que Ta está inversamente relacionada con la altitud. Sin embargo, Hr no muestra una correlación con la altitud.

6

La normal climatológica corresponde al valor que representa las condiciones meteorológicas más frecuentes en un sitio específico. Se obtiene a partir del análisis estadístico de una serie temporal de mediciones de un período mayor o igual a 30 años

54

Figura 19. GrĂĄfico de correlaciĂłn de Pearson entre pares de variables. A) Datos Mensuales desde 1980 a 2010; B) Normales climatolĂłgicas

Posterior a la regionalizaciĂłn de Hr requiere de una conversiĂłn a ratio de humedad (Mr) de manera que obtenga una variable que pueda relacionarse con la altitud

(Figura 20). La

conversiĂłn

se realizĂł

mediante

aproximaciones

psicromĂŠtricas, segĂşn ecuaciĂłn de MiĂąo-RodrĂ­guez et al. (2014) (EcuaciĂłn 1):

Mr =

0.6219

ďƒ— Psv ďƒ— Hr

Pa   Psv ďƒ— Hr

(1)



Donde; Psv es la presiĂłn de saturaciĂłn del vapor calculado mediante la ecuaciĂłn đ?‘ƒđ?‘ đ?‘Ł = 6.112 ∙ đ?‘’ (17.67 đ?‘‡đ?‘Ž)/(đ?‘‡đ?‘Ž+243.5) ; y Pa es la presiĂłn atmosfĂŠrica medida en la estaciĂłn. Debido a que no se cuenta con datos de Pa, se realizĂł una aproximaciĂłn (ecuaciĂłn 2) usando la altura geopotencial de la estaciĂłn en la fĂłrmula baromĂŠtrica de Berberan-Santos, Bodunov, y Pogliani (1997). g ďƒ—M ďƒŚ Γ ďƒ—z Pa = P 0 ďƒ— ďƒ§ 1  ďƒ§ T0 ďƒ¨

Donde,

P0

ďƒśR ďƒ—Î“ ďƒˇ 0 ďƒˇ ďƒ¸

(2)

es la presiĂłn atmosfĂŠrica a nivel medio del mar (101325 Pa),

gardiente altitudinal de Ta (0.0065 K/m), mar (15°C);

g

T0

Γ

es la

es la temperatura a nivel medio del

es la aceleraciĂłn por gravedad de la tierra (9.80665 m/s 2);

masa molar del aire seco (0.0289644 kg/mol);

R0

M

es la

es la constante universal de los

gases (8.31447 J/(mol ¡ K)); y z es la altitud sobre el nivel del mar

55

Figura 20. Gráfico de correlación de Pearson entre pares de variables, incluyendo Mr: A) Datos Mensuales desde 1980 a 2010; B) Normales climatológicas

A partir de varios estudios ecológicos se conoce que las medidas meteorológicas pueden estar influenciadas por el tipo de cobertura de suelo en la cual se ubique la estación. Además, considerando que la Cordillera de los Andes actúa como una barrera natural para la circulación atmosférica regional, se han detectado condiciones climáticas diferentes para cada macro región. Estos dos factores locales pueden determinar diferentes gradientes altitudinales que deben ser considerados en la regionalización. Tomando en cuenta estos criterios se requiere agrupar las estaciones de acuerdo a las condiciones ambientales en las que se encuentran. La agrupación se realizó de acuerdo a las regiones macroclimáticas de la Figura 1 y tipo de cobertura de la Tierra (MAE-MAGAP, 2015). La regionalización de las variables para cada grupo de estaciones se realizó mediante el lenguaje R y sus paquetes stats, raster, geoR y gstat. Los resultados de la regionalización por grupos fueron combinados para conformar el mosaico general que cubre el área de estudio.

El procedimiento de regionalización realizado bajo los lineamientos de Fries et al.

(2012) fue el siguiente: 1. Cálculo del gradiente de altitud. Se ajustó un modelo lineal

V est = β 1  Z

est

+ β0

mediante mínimos cuadrados entre la variable ( V est ) como ordenada y la altitud de la estación ( Z est ) como abscisa. A partir del modelo ajustado se extrajo la pendiente

β1

que representa un factor de cambio de la variable

con respecto de la altitud.

56

2. Transformación de la variable a una altitud homogénea. Usando la Ecuación (3), se calculó para cada estación el valor

Vz

que tomaría la variable si avg

estuviera a la altitud media de las estaciones ( Z de un factor equivalente a

Vz

avg

avg

) y cambiase en función

.

β1

= V est   β 1   Z

– Z

avg

est



(3)

3. Predicción espacial. La predicción espacial se realizó mediante kriging ordinario con variograma omnidireccional ajustado a un modelo gausiano. El resultado de la predicción fue enmascarado por el área que cubre la región macroclimática y cobertura del suelo al que pertenece el grupo de estaciones. El ajuste del modelo para el variograma se realizó mediante la función fit.variogram() del paquete gstat. La predicción se realizó sobre una capa raster predefinida y ajustada a las dimensiones de un MNA tomado de SRTM (Farr et al., 2007).

4. Reconstrucción de la variable. A partir de la variable predicha a la altitud media de las estaciones ( V xyz

), se requiere ajustar los valores a las avg

condiciones de altitud originales ( V

). Para esto se emplea la Ecuación (4),

xyz

que es la una inversión de la Ecuación (3), pero aplicada al resultado de la predicción espacial; donde,

Z

es la altitud provista por el modelo

mna

numérico de altitud en la coordenada

V xyz = V xyz

avg

+  β 1  Z

x, y

mna

.

– Z

avg



(4)

3.2.6 Asignación de estrategias para cada ubicación geográfica.

La asignación de estrategias para cada coordenada se realizó en un ambiente bidimensional controlado por Ta y Mr. Para esto se usó el sistema coordenadas del diagrama Bioclimático de Givoni (ver Figura 18). Desde este espacio bidimensional se consultó la estrategia correspondiente a cada par ordenado

57

Ta, Mr

 x,

y



en la coordenada espacial

x, y

. La expresión matemática del proceso de

asignación de estrategia bioclimática por cada coordenada geográfica viene dada por la Ecuación 5.

Zonas

mapa  k

= 

x,y

,

 Ta  Mr 

x,y

x,y

   DB 

k

(5)

Donde; k= 1,…,7 es una de las estrategias de diseño del diagrama bioclimático DB. En la Figura 21, se representa gráficamente el procedimiento que se realiza con la expresión matemática anterior. En dicha figura cada punto geográfico-temporal tiene condiciones específicas de Ta y Mr que a trasladarse sobre el espacio euclideano del diagrama bioclimático le corresponde una y solo una zona del gráfico, la cual equivale a una estrategia bioclimática específica. El procedimiento se realiza para cada unidad geográfica de análisis dentro del área de estudio.

Figura 21. Representación gráfica del proceso de asignación de estrategias bioclimáticas para cada píxel del área de estudio.

58

Por ejemplo, la Figura 22 muestra las estrategias de diseño que corresponden a los datos mensuales (desde enero a diciembre de un año normal) de las estaciones M0001 y M0033. Esto fue posible gracias al paquete raster en R, específicamente del método extract.SpatialPointsDataFrame().

A)

B) Figura 22. Ejemplo de selección de estrategias bioclimáticas para las estaciones A) M0001 y B) M0143.

59

El siguiente paso en la representaciĂłn espacial de las zonas de estrategias de diseĂąo bioclimĂĄtico, fue un ajuste de los puntos atĂ­picos mediante filtros espaciales con una ventana de 7 x 7 pĂ­xeles. Esto permite eliminar el ruido en el mapa de zonas de estrategias bioclimĂĄticas, causado por los errores de predicciĂłn espacial de las variables meteorolĂłgicas.

3.2.7 ValidaciĂłn de la zonificaciĂłn.

Usando las coordenadas de las estaciones se construyĂł una matriz de verificaciĂłn donde de las dos variables meteorolĂłgicas y la zona que le corresponde tanto en el mapa y como el correspondiente valor del diagrama psicromĂŠtrico mostrado en la Figura 18. A partir de las dos columnas de variables meteorolĂłgicas se contrastaron los resultados de interpolaciĂłn frente a las normales climatolĂłgicas usando estadĂ­sticos de correlaciĂłn y eficiencia: Pearson đ?‘&#x;

(EcuaciĂłn 6), Kendall đ?‘&#x;đ?‘˜ (EcuaciĂłn 7), Spearman đ?‘&#x;đ?‘ (EcuaciĂłn 8) y Nash-

Sutcliffe đ?‘ đ?‘† (EcuaciĂłn 9). Para el caso de validaciĂłn de las zonas, se calcularon los porcentajes đ?‘?đ?‘š de aciertos de zonificaciĂłn mensual (EcuaciĂłn 10).

đ?‘&#x;=

∑đ?‘›đ?‘–=1(đ?‘Ľđ?‘– − đ?‘ĽĚ… )(đ?‘Śđ?‘– − đ?‘ŚĚ…) √∑đ?‘›đ?‘–=1(đ?‘Ľđ?‘– − đ?‘ĽĚ… )2 √∑đ?‘›đ?‘–=1(đ?‘Śđ?‘– − đ?‘ŚĚ…)2

(6)

DĂłnde: đ?‘› es el nĂşmero de observaciones, đ?‘Ľđ?‘– son los valores observados, đ?‘Śđ?‘– son los valores estimados; đ?‘Ľ y đ?‘Ś son las medias de cada serie de datos.

đ?‘&#x;đ?‘˜ =

đ??śđ?‘? − đ??ˇđ?‘?

0.5đ?‘›(đ?‘› − 1)

(7)

DĂłnde, đ??śđ?‘? es el nĂşmero de pares concordantes entre observados y estimados, đ??ˇđ?‘? el nĂşmero de pares discordantes y đ?‘› el nĂşmero de observaciones comparadas.

đ?‘&#x;đ?‘ = 1 −

6 ∑ đ?‘‘đ?‘–2 đ?‘›(đ?‘›2 − 1)

(8)

60

Donde đ?‘‘đ?‘–2 son las diferencias entre dos rangos de cada observaciĂłn; y, đ?‘› es el nĂşmero de observaciones. ∑đ?‘›đ?‘–=1(đ?‘Śđ?‘– − đ?‘Ľđ?‘– )2 đ?‘ đ?‘† = 1 − đ?‘› ∑đ?‘–=1(đ?‘Ľđ?‘– − đ?‘ĽĚ… )2

(9)

Donde, đ?‘Śđ?‘– son los valores estimados, đ?‘Ľđ?‘– son los valores observados, y đ?‘ĽĚ… es la media de los valores observados.

đ?‘?đ?‘š =

1 đ?‘› ∑ (đ?‘§ ≥ đ?‘§đ?‘Ľđ?‘– ) đ?‘› đ?‘–=1 đ?‘Śđ?‘–

(10)

Donde, ��� ≥ ��� es la prueba de verdad del valor de zona estimada frente al valor de zona observado, y � es el número de observaciones.

61

4 RESULTADOS Y ANÁLISIS DE RESULTADOS El escenario y estrategias de diseño bioclimático descritos en los apartados anteriores marcaron las pautas para los análisis y sus consiguientes resultados.

4.1 REGIONALIZACIÓN DE VARIABLES METEOROLÓGICAS A partir de los datos de INAMHI se estudiaron cinco variables meteorológicas disponibles para 353 estaciones meteorológicas. Las variables estudiadas fueron temperatura del aire: media (Tam), mínima (Tan) y máxima (Tax); humedad relativa media (Hrm) y presión de vapor (Psv). De las 353 estaciones analizadas se encontraron 152 válidas. En la Figura 23, la escala de colores es el índice de cero a uno de datos válidos de 83 de las 152 estaciones, donde el 1 corresponde a una serie completa de datos. El eje de las abscisas corresponde a cada estación identificada por su código INAMHI, mientras que en el eje de las ordenadas están las diferentes variables Estas estaciones presentaron datos sobre el 75% en alguna de las variables analizadas, por ese motivo fueron conservadas.

Figura 23. Índice de datos válidos a escala mensual por estación y variable, según los datos reportados por INAMHI.

De acuerdo con la Tabla 5, las estaciones operativas durante el período 1980 2010 en la Amazonía fueron 7 y fueron agrupadas en 2 categorías. Para la Costa

62

ecuatoriana se hallaron 49 estaciones y principalmente se localizan en zonas de cobertura vegetal de baja altura, como hiervas (incluidos cultivos de ciclo corto) y arbustos. La Sierra tiene un total de 92 estaciones operativas en el período de estudio, de las cuales la mayoría (55) se encuentran instaladas en tierras cubiertas por cultivos o hiervas.

Tabla 5. Número de estaciones por grupo de acuerdo a las condiciones de operación y localización de la estación.

Grupo Región y Clase

Número de Descripción estaciones

1

Amazonía - Arboles

4

Estaciones localizadas en áreas de bosques de gran altura con predominancia mayor a 70% de árboles

2

Amazonía - Hierbas

3

Estaciones localizadas en áreas herbácea y cultivos de ciclo corto

3

Costa - Antrópico

6

Estaciones localizadas en áreas con infraestructura antrópica

4

Costa - Arboles

5

Estaciones localizadas en áreas de bosques de gran altura con predominancia mayor a 70% de árboles

de

cobertura

5

Costa - Arbustos

14

Estaciones localizadas en áreas de vegetación arbustiva, cultivos semi-permanentes no forestales, cultivos permanentes de baja/mediana altura y vegetación secundaria con bosques menores a 50% de presencia.

6

Costa - Hierbas

24

Estaciones localizadas en áreas herbácea y cultivos de ciclo corto.

7

Sierra - Antrópico

8

Estaciones localizadas en áreas con infraestructura antrópica.

8

Sierra - Arboles

12

Estaciones localizadas en áreas de bosques de gran altura con predominancia mayor a 70% de árboles

de

cobertura

9

Sierra - Arbustos

17

Estaciones localizadas en áreas de vegetación arbustiva, cultivos semi-permanentes no forestales, cultivos permanentes de baja/mediana altura y vegetación secundaria con bosques menores a 50% de presencia.

10

Sierra - Hierbas

55

Estaciones localizadas en áreas herbácea y cultivos de ciclo corto

de

cobertura

La Figura 24 muestra los estadísticos de los modelos lineales ajustados entre altitud y las normales climatológicas de las variables por cada grupo de estaciones. Los colores identifican las variables de Hr (rojo) y Ta (azul). Los grupos son los paneles del gráfico definidos por la intersección entre tipo de cobertura y región macroclimática.

63

Figura 24. GrĂĄfico de đ?›˝1 y đ?œ€ del ajuste de modelos lineales por grupo de estaciones

Los mapas mensuales muestran una franja de valores mĂĄs bajos para todas las variables, en las ĂĄreas que corresponden a la cadena montaĂąosa de la Cordillera de los Andes. Y no se aprecian variaciones mensuales tan evidentes, sin embargo, se destacan variaciones espaciales muy fuertes en los Andes y la Costa. Los apĂŠndices 1, 2 y 3 presentan vistas generales de las variables regionalizadas para cada mes. A partir los mapas mensuales, se compararon los valores estimados con los observados en las estaciones, hallĂĄndose coeficientes de correlaciĂłn altos (> 0.9) para Ta y medios (>0.6) para Hr (Figura 25).

64

Figura 25. Coeficientes de correlación y eficiencia de estimados vs. observados, por mes

Además, se calcularon las diferencias entre valores estimados y valores observados por INAMHI, y se encontró que los valores de Ta tienen poca diferencia entre los dos conjuntos de datos. Al contrario, para Hr las diferencias son mayores principalmente en los meses entre junio y octubre. El gráfico de la Figura 26 muestra diagramas de cajas de las diferencias (eje y) agrupados por mes (eje x) y variable (colores)

Figura 26. Diferencia de estimación de Ta y Hr frente a sus valores observado, por mes

4.2 SELECCIÓN Y ZONIFICACIÓN DE ESTRATEGIAS DE DISEÑO BIOCLIMÁTICO. El mapa en la Figura 27 resumen las estrategias predominantes por localidad en un año promedio. La zona que presenta las condiciones de confort se localiza

65

principalmente en la transición de las planicies de la Costa y Amazonía hacia la Sierra. La estrategia de Ganancias de calor interno se presenta principalmente en las estribaciones exteriores de la Cordillera. La Costa y Amazonía prevalecen las zonas donde se requiere enfriamiento y deshumidificación. En la Sierra, cambian las estrategias de acuerdo con los cambios en la altitud. En toda el área de estudio se presentan un total de cinco zonas características para un año promedio. Mientras que a escala mensual se pueden encontrar hasta seis diferentes zonas.

Figura 27. Mapa de estrategias de diseño bioclimático predominantes para un año promedio. Sistema de referencia de coordenadas EPSG:4326

La zonificación por meses que se presenta en la Figura 28 , muestra dos temporadas climáticas marcadas. La primera temporada es de diciembre a mayo donde se incrementa el área de las zonas cálido-húmedas. Mientras que al contrario estas áreas disminuyen en el resto del año y solo permanece la

66

humedad. La estrategia Alta masa térmica solo se encuentra presente solo en la provincia de Loja, al sur del Ecuador en los meses de agosto y septiembre.

Figura 28. Zonas de estrategias bioclimáticas según diagrama bioclimático de Givoni.

Durante los primeros cuatro meses del año no tienen lugar la estrategia de Solo deshumidificación, mientras que el resto del año aparecen paulatinamente las zonas donde es posible esta estrategia. Esta estrategia tiene lugar principalmente en la cadena montañosa de la cordillera costera.

Durante el año pueden presentarse diversas estrategias en una misma ubicación, tal como se puede observar en el mapa de la Figura 29. En la Sierra pueden tener

67

lugar hasta cuatro diferentes estrategias, principalmente en los valles interandinos del sur de Ecuador. En las estribaciones externas de los Andes se pueden encontrar hasta tres estrategias. Mientras que en la Costa y Amazonía máximo puede dos estrategias diferentes en el año. La mayor parte en estas dos regiones solo es posible emplear un tipo de estrategia de las analizadas.

Figura 29. Mapa de diversidad de estrategias aplicables. Sistema de referencia de coordenadas EPSG:4326

La validación de la zonificación mostró que, de los 151 puntos comparados, se alcanzaron porcentajes de aciertos mayores al 90% en todos los meses, según se presenta en la Figura 30. Los meses con menor porcentaje de aciertos fueron octubre y noviembre.

68

Figura 30. Índice de aciertos medido en porcentaje.

4.3 ANÁLISIS DE LOS RESULTADOS Pregunta de investigación: ¿Existe información meteorológica que permita entender las variaciones espaciales y temporales más comunes de temperatura del aire y humedad relativa para Ecuador Continental?

Según los resultados, la hipótesis planteada para esta investigación se cumple, ya que a partir de los datos de INAMHI y con las técnicas propuestas si se llegó a definir zonas de implementación de estrategias de diseño bioclimático para Ecuador continental. Sin embargo, el punto crítico para alcanzar este resultado fue la regionalización de las variables meteorológicas. Al respecto, Fries et al.

(2009, 2012), al igual que otros autores (Antolini et al., 2016; Daly, Neilson, y Phillips, 1993) proponen cálculos para reducir los errores de predicción espacial de las variables eliminando efectos de la topografía. Pero además, Fries et al.

(2009, 2012) incluyen el criterio de cobertura de la tierra para asumir condiciones homogéneas en la observación de variables meteorológicas. A diferencia de Fries et al. (2009, 2012), en este trabajo también se incluyó la división en regiones macroclimáticas como criterio de agrupamiento de estaciones. Esto fue necesario porque las condiciones meteorológicas en barlovento (laderas orientales de los Andes) son diferentes a las de sotavento (laderas occidentales) debido al efecto

69

de Föehn (Kiss y Bräuning, 2008). Y además, porque los factores climáticos en la Costa son diferentes a los de la Amazonía.

Los diez grupos de estaciones presentados en la Tabla 5 tienen condiciones ambientales y de operación diferentes. No se tuvo conocimiento de las condiciones de cobertura y uso de la tierra en las que operan las estaciones de INAMHI, por lo tanto, fue necesario basarse en mapas de cobertura de la tierra. El criterio de cobertura vegetal considera principalmente la estructura de la vegetación y predominancia de árboles, arbustos o hierbas que se describen en el mapa de cobertura y uso de la tierra a escala 1:100,000 del MAE-MAGAP (2015).

A partir de la misma Tabla 5, se halló que la Amazonía es la región que tiene de menor número de estaciones operativas. Por lo tanto, los modelos de regresión lineal y modelos de semivarianza tienen menor eficiencia en la predicción de la variable meteorológica (ver Figura 24 y Figura 25). Por el contrario, la sierra tiene la mayor cantidad de estaciones y están distribuidas en casi toda la región. Sin embargo, la orografía causa alta variabilidad en espacios más reducidos por lo tanto juega un papel importante en la interpolación de variables meteorológicas, principalmente para predecir Hr. Las series meteorológicas disponibles para este estudio fueron insuficientes para el período de análisis. Esta situación ya habría sido descrita en otros estudios (por ejemplo: Gaona et al., 2013), por lo tanto, se requirió homogeneizar y completar las series para el período 1980 – 2010. Los valores obtenidos mediante la regionalización de las variables, comparados con los observados por las estaciones no tienen diferencias importantes. Los cuatro coeficientes de correlación entre valores observados y estimados (ver Figura 25) reflejan una buena predicción en la regionalización espacial de Ta y Hr. Sin embargo, cabe anotar que se presenta menor efectividad para Hr en los meses de junio a octubre. Este período coincide con los meses de mayores anomalías en precipitación

y

temperatura

reportados

por

INAMHI

en

sus

anuarios

meteorológicos desde 1990 a 2012 (INAMHI, 2012). Por lo tanto, estos bajos coeficientes podrían estar relacionados con anomalías climáticas implícitas en los promedios mensuales y que se remarcan en gráfico de diferencias Observado-

70

Estimado de la Figura 26.

La relación de Ta y Hr con otras variables ambientales permiten su regionalización conservando la variabilidad espacial y temporal de las mismas. Sin embargo, no se ha podido corroborar su correcta regionalización en lugares de gran altitud (> 4,500 msnm) o en la Selva amazónica, por no disponer de suficientes sitios de medición en esas áreas. Por lo tanto, se recomienda incrementar los sitios de medición, de modo que permita cubrir todo el rango de altitudes y condiciones de medición.

Pregunta de investigación: ¿Existen patrones espaciales permitan definir zonas para la aplicación de las diferentes estrategias de diseño bioclimático para viviendas residenciales en Ecuador continental?

El error de la predicción de las variables meteorológicas tiene un efecto sinérgico en la selección de las estrategias para cada unidad de análisis. Este efecto se destaca en la Figura 30, donde los índices de aciertos marcan alrededor de 8 puntos porcentuales por debajo de la predicción ideal. La metodología de asignación de estrategias que fue seleccionada para este trabajo permitió romper la acumulación de un nuevo error. Esto fue posible ya que se redujeron los procesos predictivos en esta etapa, eliminando los cálculos de índices de calentamiento y humedad como los que proponen los trabajos de Rakoto-Joseph et al. (2009) o Lam et al. (2006). Lo cual permite centrar la atención en el mejoramiento de las técnicas de regionalización de las variables meteorológicas a partir de normales climatológicas.

El escenario propuesto para esta zonificación resalta las variaciones climáticas de las zonas templadas y frías, principalmente por el Clo seleccionado para este caso de estudio. Al respecto, tanto Givoni (1992a) como ASHRAE (2009) mencionan que el nivel de arropamiento y la actividad física a realizar en una vivienda son determinantes a la hora de elegir una estrategia de diseño (MiñoRodríguez et al., 2014). Debido a deficiente información sobre Clo y actividad física típicas de cada localidad, en este trabajo no se han modelado las variaciones espaciales de estrategias de diseño en función de esas variables. Por

71

lo tanto se usaron valores fijos en la configuración del escenario de base que delimita el alcance de estos resultados. El Clo = 1 es un valor que implica sobre arropamiento para las regiones Costa y Amazonía, pero para la Sierra implica un nivel de arropamiento normal. Por consiguiente, este análisis es más estricto para las zonas bajas que para las altas montañas.

Pregunta de investigación: ¿Qué estrategias de diseño bioclimático son aplicables a las condiciones de habitabilidad, economía y ambientales presentes en Ecuador continental?

La zonificación presentada en las Figura 27 y Figura 28 muestra estrategias bioclimáticas predominantes en las regiones Costa y Amazonía. La cordillera costanera7 genera una zona de microclimas cálido-húmedos que no requieren de enfriamiento del aire, pero sí de deshumidificación. De la misma manera, todo el pie de monte costero y amazónico es una zona de microclimas cálido-húmedos con temperaturas más bajas entre los meses de junio y octubre. Por lo tanto, varían entre las estrategias de Solo dehumidificación y Enfriamiento, y deshumidificación si se requiere. Estos resultados permiten dar mayor aplicabilidad a las regiones climáticas habitacionales que propone el INER (Palme et al., 2016). Por el contrario, en la Sierra pueden tener lugar diversas estrategias durante el año. La Figura 29 resalta zonas donde la variabilidad climática en la Sierra puede dar lugar hasta cuatro diferentes estrategias en una misma ubicación geográfica. En la mayor parte de la superficie de la costa se deben considerar hasta dos estrategias diferentes en el diseño de viviendas. Este resultado puede ser explicado por las dos aparentes estaciones en el clima de Ecuador según los mismos datos de INAMHI (2012). La primera es la temporada lluviosa que ocurre durante meses de diciembre a mayo; y la segunda es la temporada seca (o menos lluviosa) que ocurre en los meses entre junio y octubre.

La misma Figura 29 muestra zonas donde tiene lugar una sola estrategia, causadas por la frecuente condición de extremos (máximos o mínimos) de calor y humedad.

7

Presente en las provincias de Manabí y Esmeraldas

72

El diagrama psicrométrico de Givoni (1992b) considera condiciones de temperatura y humedad en las cuales podrían ser empleadas diferentes estrategias. Sin embargo, solo tres combinaciones de estrategias se pueden superponer entre sí: Alta masa térmica - Alta masa térmica con pérdida de calor en la Noche; Solo deshumidificación - Enfriamiento, y deshumidificación si es necesario; y, Ganancias internas de calor - Calentamiento, y humidificación si es necesario. Todo esto indica que el mapa de estrategias bioclimáticas se podría resumir en zonas más amplias que engloben características climáticas generales.

Esta investigación presenta un caso particular de análisis que está condicionado por el tipo de diagrama bioclimático y el escenario base utilizado. Esto limita a diseñar viviendas bajo el Modelo de Confort de ASHRAE Standard 55, para Clo = 1 y Pa = 1 atmósfera. Por lo tanto, queda abierta la posibilidad de ampliar el estudio variando estos parámetros.

5 CONCLUSIONES Y RECOMENDACIONES La información meteorológica oficial disponible en el INAMHI es representativa para la mayor parte de las áreas pobladas de Ecuador continental. A pesar de que no tiene suficiente cobertura para las áreas no pobladas, se considera suficiente para modelar su comportamiento en la superficie.

Al menos cinco estrategias de diseño bioclimático se pueden usar para mejorar las condiciones de confort en las viviendas de Ecuador Continental. La mayor parte de la Costa y Amazonía requieren de sistemas activos de enfriamiento y/o deshumidificación de aire. Mientras que en la Sierra las partes más altas de los Andes y valles interandinos del norte de la cordillera requieren sistemas activos para calentamiento del aire.

Las estribaciones de los Andes son las únicas zonas que no requieren de sistemas activos para acondicionamiento de aire. En estas áreas pueden ser suficientes estrategias pasivas como el adecuado tamaño de ventanas, grosor de paredes o tipo de materiales para diseño de viviendas, entre otras.

Las condiciones ambientales que propone el diagrama bioclimático de Givoni para los diferentes tipos de estrategias agrupan un amplio rango de climas por cada una de ellas. Por lo tanto, las oportunidades de encontrar los patrones que delimiten zonas de aplicación de cada una de ellas son amplias. Sin embargo, el proceso matemático en un SIG, para identificar las diferentes zonas es complejo.

Por lo tanto, en esta tesis se ha recurrido a un procedimiento más simple de asignación de zonas empleando espacios bidimensionales no geográficos. Así se pudieron encontrar los patrones espaciales que delimitan la aplicabilidad de una u otra estrategia de diseño bioclimático en cada unidad de análisis del espacio geográfico.

Finalmente, la zonificación propuesta brinda la oportunidad de simplificar el proceso de selección de estrategias de diseño bioclimático de viviendas en Ecuador, principalmente en áreas carentes de información meteorológica 73

74

detallada. De esta manera, todas las regiones del PaĂ­s podrĂ­an alcanzar la eficiencia energĂŠtica sin comprometer el confort interior en su vivienda.

6 REFERENCIAS BIBLIOGRÁFICAS Antolini, G., Auteri, L., Pavan, V., Tomei, F., Tomozeiu, R., y Marletto, V. (2016). A daily high-resolution gridded climatic data set for Emilia-Romagna, Italy, during 1961-2010. International Journal of Climatology, 36(4), 1970-1986.

DOI:10.1002/joc.4473 Almonacid, F., Pérez-Higueras, P., Rodrigo, P., y Hontoria, L. (2013). Generation of ambient temperature hourly time series for some Spanish locations by artificial neural networks. Renewable Energy, 51, 285–291. DOI: 10.1016/j.renene.2012.09.022 ASHRAE, American Society of Heating, Refrigerating and Air Conditioning Engineers (2005a). ASHRAE 55 - 2005. Thermal environmental conditions for human occupancy.

ASHRAE, American Society of Heating, Refrigerating y Air-Conditioning Engineers. (2005b). 2005 ASHRAE Handbook - Fundamentals (Inch-Pound).

American Society of Heating, Refrigerating and Air-Conditioning Engineers, Inc. ASHRAE, American Society of Heating, Refrigerating y Air-Conditioning Engineers. (2009). 2009 ASHRAE Handbook - Fundamentals (Inch-Pound).

American Society of Heating, Refrigerating and Air-Conditioning Engineers, Inc. ASHRAE, American Society of Heating, Refrigerating y Air-Conditioning Engineers. (2010). ASHRAE Standard 55-2010:«Thermal Environmental Conditions for Human Occupancy. American Society of Heating, Refrigerating and Air-Conditioning Engineers, Inc. Barros López, J. G., y Troncoso Salgado, A. Y. (2010). Atlas climatológico del Ecuador. Quito, Ecuador: Escuela Politécnica Nacional.

Beck, E., Bendix, J., Kottke, I., Makeschin, F., y Mosandl, R. (Eds.). (2008).

Gradients in a Tropical Mountain Ecosystem of Ecuador (Vol. 198). Berlin, Heidelberg: Springer Berlin Heidelberg. DOI: 10.1007/978-3-540-73526-7 Beltrán, R. D., Kastillo, J., Miño-Rodríguez, I., Naranjo-Mendoza, C., y Ávila, C. (2015). Assessment of Different Natural Ventilation Strategies for an Educational Building on the Warm-Humid Climate of Guayaquil, Ecuador. En Volume 2: Photovoltaics; Renewable-Non-Renewable Hybrid Power System; Smart Grid, Micro-Grid Concepts; Energy Storage; Solar Chemistry; Solar 75

76

Heating and Cooling; Sustainable Cities and Communities, Transportation; Symposium on Integrated/Sustainable Buil (p. V002T17A006). ASME. Bendix, A., y Bendix, J. (2005). Heavy rainfall episodes in Ecuador during El Niño associated regional atmospheric circulation and SST patterns. Advances in Geosciences, 6, 1-7. DOI: 10.5194/adgeo-6-43-2006 Bendix, J., Fabian, P., y Rollenbeck, R. (2004). Gradients of fog and rain in a tropical montane cloud forest of southern Ecuador and its chemical composition. Fog Collection and Dew, 3-6.

Bendix, J., y Lauer, W. (1992). Die Niederschlagsjahrsezeiten in Ecuador und Ihre Klimadinamische Interpretation. Erdkunde, 46, 118-134.

Bendix, J., Rollenbeck, R., Dietrich, G., Nauß, T., y Fabian, P. (2008). Seasonality and diurnal pattern of very low clouds in a deeply incised valley of the eastern tropical Andes (South Ecuador) as observed by a cost-effective WebCam system. Meteorological Applications, 291(May), 281-291.

Bendix, J., Rollenbeck, R., Göttlicher, D., y Cermak, J. (2006). Cloud occurrence and cloud properties in Ecuador. Climate research, 30(2004), 133-147.

Bendix, J., Fries, A., Zárate, J., Trachte, K., Rollenbeck, R., Pucha-Cofrep, F., …

Achilles, S. (2017). RadarNet-Sur First Weather Radar Network in Tropical High Mountains. Bulletin of the American Meteorological Society, 98(6), 1235-1254. DOI: 10.1175/BAMS-D-15-00178.1 Berberan-Santos, M. N., Bodunov, E. N., y Pogliani, L. (1997). On the barometric formula. American Journal of Physics, 65(5), 404–412.

Bivand, R. (2017). CRAN task view: Analysis of spatial data. Recuperado en octubre de 2017, a partir de https://cran.r-project.org/web/views/Spatial.html Bivand, R., Keitt, T., y Rowlingson, B. (2016). rgdal: Bindings for the Geospatial Data Abstraction Library. R package version 1.2-15. Recuperado en noviembre de 2015 a partir de https://cran.r-project.org/package=rgdal Bivand, R. S., Pebesma, E., y Gómez-Rubio, V. (2013). Applied Spatial Data Analysis with R. (R. Gentleman, K. Hornik, y G. G. Parmigiani, Eds.) (Second). New York, NY: Springer New York. DOI: 10.1007/978-1-46147618-4 Boer, E. P. J., de Beurs, K. M., y Hartkamp, A. D. (2001). Kriging and thin plate splines for mapping climate variables. International Journal of Applied Earth Observation and Geoinformation, 3(2), 146-154. DOI: 10.1016/S03032434(01)85006-6

77

Borah, P., Singh, M. K., y Mahapatra, S. (2015). Estimation of degree-days for different climatic zones of North-East India. Sustainable Cities and Society, 14, 70–81. DOI: 10.1016/j.scs.2014.08.001 Brager, G. S., y de Dear, R. J. (1998). Thermal adaptation in the built environment: a literature review. Energy and Buildings, 27(1), 83-96. DOI: 10.1016/S03787788(97)00053-4 Bucking, S., Zmeureanu, R., y Athienitis, A. (2014). A methodology for identifying the influence of design variations on building energy performance. Journal of Building Performance Simulation, 7(6), 411-426.

DOI: 10.1080/19401493.2013.863383 Bunge, W., y Sack, R. D. (1973). Spatial Prediction. Annals of the Association of American Geographers, 63(4), 566-569.

Cadier, É., Gómez, G., Calvez, R., y Rossel, F. (1994). Inundaciones y Sequías en el Ecuador. En ORSTOM (Ed.), Conferencias por los 20 Años del ORSTOM en Ecuador (pp. 107-116). Quito, Ecuador: ORSTOM. Caldwell, M. M., Heldmaier, G., Jackson, R. B., Lange, O. L., Mooney, H. A., Schulze, E. D., y Sommer, U. (2007). Ecological studies: Gradients in a Tropical Mountain Ecosystem of Ecuador. (E. Beck, J. Bendix, I. Kottke, F. Makeschin, y R. Mosandl, Eds.) (Uncorrected, Vol. 198). Heidelberg, Germany: Springer.

CEC, California Energy Commission (2013) 2013 California Energy Code, Title 24, Part 6 and Associated Administrative Regulations in Part 1 Chica Olmo, M. (2005). La geoestadística como herramienta de análisis espacial de datos de inventario forestal. Sociedad Española de Ciencias Forestales, 19, 47-55.

CIBSE, Chartered Institution of Building Services Engineers (2006). Degree-Days - Theory and Application. The Chartered Institution of Building Services Engineers, London,16.

Crawley, D. B., Lawrie, L. K., Pedersen, C. O., y Winkelmann, F. C. (2000). Energy plus: energy simulation program. ASHRAE, 42(4), 49-56.

Cullis, B. R., y Gleeson, A. C. (1991). Spatial Analysis of Field Experiments-An Extension to Two Dimensions. Biometrics, 47(4), 1449. DOI: 10.2307/2532398 Daly, C., Neilson, R. P., y Phillips, D. (1993). A statistical-topographic model for mapping climatological precipitation over mountainous terrain. Journal applied of meteorology, 33, 140-1588.

DOI: 10.1175/1520-

78

0450(1994)033<0140:ASTMFM>2.0.CO;2 Deser, C., y Wallace, J. (1987). El Nino events and their relation to the Southern Oscillation: 1925–1986. Journal of Geophysical Research. DOI: 10.1029/JC092iC13p14189 Emck, P. (2007). A Climatology of South Ecuador - With special focus on the major Andean ridge as Atlantic-Pacific climate divide.

EnergyPlus. (2013). Auxiliary EnergyPlus Programs. Extra programs for EnergyPlus. October. California, US.: EnergyPlus.

Espinoza Villar, J. C., Ronchail, J., Guyot, J. L., Cochonneau, G., Naziano, F., Lavado, W., … Vauchel, P. (2009). Spatio-temporal rainfall variability in the Amazon basin countries (Brazil, Peru, Bolivia, Colombia, and Ecuador).

International Journal of Climatology, 29(11), 1574-1594. DOI: 10.1002/joc.1791 ESRI. (2016). ESRI Support GIS Dictionary. Recuperado 5 de enero de 2017, a partir de http://support.esri.com/other-resources/gis-dictionary/term/spatial analysis Farr, T. G., Rosen, P. A., Caro, E., Crippen, R., Duren, R., Hensley, S., … Alsdorf, D. (2007). The Shuttle Radar Topography Mission. Reviews of Geophysics, 45(2), RG2004. DOI: 10.1029/2005RG000183 Fries, A. (2012). Implementation of new methods for the regionalization of climate data. Philips-Universität Marburg.

Fries, A., Rollenbeck, R., Göttlicher, D., Nauß, T., Homeier, J., Peters, T., y Bendix, J. (2009). Thermal structure of a megadiverse Andean mountain ecosystem in southern Ecuador and its regionalization. Erdkunde, 63(4), 321-335.

Fries, A., Rollenbeck, R., Nauß, T., Peters, T., y Bendix, J. (2012). Near surface air humidity in a megadiverse Andean mountain ecosystem of southern Ecuador and its regionalization. Agricultural and Forest Meteorology, 152, 17-30. DOI: 10.1016/j.agrformet.2011.08.004 Galeas, R., y Guevara, J. E. (2012). Metodología para la Representación Cartográfica de los Ecosistemas del Ecuador Continental. Quito, Ecuador: Ministerio del Ambiente. Recuperado en mayo de 2017, a partir de http://www.ambiente.gob.ec/wpcontent/uploads/downloads/2013/03/Documento_Metodologi?a_28_05_2012 _v2_1.pdf Gallardo, A. (2006). Geostadística. Ecosistemas, 3(1987), 1-11.

79

Gallardo, A., Palme, M., Lobato-Cordero, A., Beltrán, R., y Gaona, G. (2016).

Evaluating Thermal Comfort in a Naturally Conditioned Office in a Temperate Climate Zone. Buildings. Multidisciplinary Digital Publishing Institute. DOI: 10.3390/buildings6030027 Gaona, G. (2013). Delimitación y evaluación del área de influencia bioclimática en el sector de Yachay, Urcuquí. Quito, Ecuador.

Gaona, G., Quentin, E., y Labus, J. (2013). Homogeneidad y variabilidad espacial de series meteorológicas del área del proyecto Ciudad del Conocimiento Yachay. Avances en Ciencias e Ingenierias, 5(2), 22-34. DOI: 10.18272/aci.v5i2.138 Gelegenis, J. J. (1999). Estimation of hourly temperature data from their monthly average values: Case study of Greece Renewable Energy, 18(1), 49–60.

DOI: 10.1016/S0960-1481(98)00779-4 Ginzo Villamayor, M. J. (2009). Análisis Geostadístico de datos funcionales.

Universidad de Santiago de compostela, Santiago de Compostela.

Givoni, B. (1983). Passive and Low Energy Architecture. Elsevier.

Givoni, B. (1992a). Climatic aspects of urban design in tropical regions.

Atmospheric Environment. Part B. Urban Atmosphere, 26(3), 397-406. DOI: 10.1016/0957-1272(92)90015-K Givoni, B. (1992b). Comfort, climate analysis and building design guidelines.

Energy and Buildings, 18(1), 11-23. DOI: 10.1016/0378-7788(92)90047-K Gräler, B., Pebesma, E., y Heuvelink, G. (2016). Spatio-Temporal Interpolation using gstat. The R Journal, 8(1), 204–218.

Hancock, P. A., y Hutchinson, M. F. (2006). Spatial interpolation of large climate data sets using bivariate thin plate smoothing splines. Environmental Modelling & Software, 21(12), 1684-1694.

DOI: 10.1016/j.envsoft.2005.08.005 Hensen, J. L. M. (1990). Literature review on thermal comfort in transient conditions. Building and Environment, 25(4), 309-316. DOI: 10.1016/03601323(90)90004-B Hijmans, R. J. (2016). raster: Geographic Data Analysis and Modeling. R package version 2.6-7. https://cran.r-project.org/package=raster Humphreys, M. A., Rijal, H. B., y Nicol, J. F. (2013). Updating the adaptive relation between climate and comfort indoors; new insights and an extended database.

Building and Environment, 63, 40-55.

DOI:

80

10.1016/j.buildenv.2013.01.024 Humphreys, M., y Nicol, J. (2000). Outdoor temperature and indoor thermal comfort: Raising the precision of the relationship for the 1998 ASHRAE database of field studies/Discussion. Ashrae Transactions.

Hurtado Pidal, J., y Suntaxi Aluisa, F. (2013). Regionalizacion climática del litoral ecuatoriano, utilizando 3 metodologías para la agrupación de zonas/estaciones homogéneas, en torno al proyecto índices – ENOS. Recuperado en mayo de 2017, a partir de http://es.scribd.com/doc/176663173/Regionalizacion-Litoral-Ecuatoriano Hutchinson, M. F. (1995). Interpolating mean rainfall using thin plate smoothing splines. International journal of geographical information systems, 9(4), 385403.

IGM, Instituto Geográfico Militar. (2013). Atlas Geográfico de la República del Ecuador. (IGM, Ed.) (Segunda Ed). Quito, Ecuador: IGM. INAMHI Instituto Nacional de Meteorología e Hidrología. (2006). Mapa de climas del Ecuador. Quito, Ecuador: INAMHI. Recuperado en noviembre de 2016, a partir de http://www.serviciometeorologico.gob.ec/wpcontent/MapasBiblioteca/1 Climas del EcuadorA0.pdf INAMHI, Instituto Nacional de Meteorología e Hidrología. (2012). Anuarios meteorológicos 1990 -2012. Quito, Ecuador. Recuperado en noviembre de 2016, a partir de http://www.inamhi.gob.ec/index.php/clima/anuariosmeteorologicos INAMHI, Instituto Nacional de Meteorología e Hidrología. (2015a). Red de estaciones meteorológicas automáticas 2015. Quito, Ecuador. Recuperado en Febrero de 2016, a partir de http://www.serviciometeorologico.gob.ec/gisweb/METEOROLOGIA/RED%20 DE%20ESTACIONES%20METEOROLOGICAS/RED%20METEOROLOGIC A%20AUTOMATICA/shp/ INAMHI, Instituto Nacional de Meteorología e Hidrología. (2015b). Red de Estaciones Meteorológicas Convencionales 2015. Quito, Ecuador.

Recuperado en Febrero de 2016, a partir de http://www.serviciometeorologico.gob.ec/gisweb/METEOROLOGIA/RED%20 DE%20ESTACIONES%20METEOROLOGICAS/RED%20METEOROLOGIC A%20AUTOMATICA/shp/ INEC, Instituto Nacional de Estadísticas y Censos. (2010). Censo de Población y Vivienda 2010. Quito, Ecuador. Recuperado en febrero de 2016 a partir de http://redatam.inec.gob.ec/cgibin/RpWebEngine.exe/PortalAction

81

INER. (2014). Informe de cierre del proyecto «Métodos para el control de calidad y complementación de datos faltantes en parámetros meteorológicos relacionados con la utilización de energías renovables». Quito, Ecuador.

INOCAR, Instituto Oceanográfico de la Armada. (2015). Reseña histórica del Instituto Oceanográfica de la Armada. Recuperado 28 de abril de 2015, a partir de http://www.inocar.mil.ec/ Jara-Alvear, J., Garcia, J., Araujo, E., y Fund, W. W. (2013). Embarcaciones solares, una evolución al transporte marino en las islas Galápagos, Ecuador.

En Primer Congreso Internacional y Expo Cientifica Investigacion Sostenible: Energías Renovables y Eficiencia Energética (pp. 1-9). Quito, Ecuador: INER. Kiss, K., y Bräuning, A. (2008). El bosque húmedo de montaña. Investigaciones sobre la diversidad de un ecosistema de montaña en el Sur del Ecuador. (U. FOR 402, DFG, TMF, & NCI, Eds.). Loja, Ecuador.

Kumar, J., Brooks, B.-G. J., Thornton, P. E., y Dietze, M. C. (2012). Sub-daily Statistical Downscaling of Meteorological Variables Using Neural Networks.

Procedia Computer Science, 9, 887-896. DOI: 10.1016/j.procs.2012.04.095 Lam, J. C., Yang, L., y Liu, J. (2006). Development of passive design zones in China using bioclimatic approach. Energy Conversion and Management, 47(6), 746-762. DOI: 10.1016/j.enconman.2005.05.025 Landívar, C. B. (1989). Análisis y estudios climatológicos en el Ecuador. Instituto Panamericano de Geografía e Historia, Sección Nacional del Ecuador.

Lee, T., y Jeong, C. (2014). Nonparametric statistical temporal downscaling of daily precipitation to hourly precipitation and implications for climate change scenarios.

Journal of Hydrology, 510, 182-196.

DOI: 10.1016/j.jhydrol.2013.12.027 Li, J., & Heap, A. (2008). A review of spatial interpolation methods for environmental scientists. Geoscience Australia, 23. Recuperado en noviembre de 2017, a partir de https://pdfs.semanticscholar.org/686c/29a81eab59d7f6b7e2c4b060b1184323 a122.pdf Lomas, K. J., Fiala, D., Cook, M. J., y Cropper, P. C. (2004). Building bioclimatic charts for non-domestic buildings and passive downdraught evaporative cooling.

Building and Environment, 39(6), 661-676.

DOI: 10.1016/j.buildenv.2003.12.011 MAE-MAGAP. Ministerio del Ambiente del Ecuador – Ministerio de Agricultura, Ganadería, Acuacultura y Pesca (2015). Protocolo metodológico para la

82

elaboración del Mapa de cobertura y uso de la tierra del Ecuador continental 2013 – 2014, escala 1:100.000. Quito, Ecuador. Recuperado en marzo de 2016, a partir de http://app.sni.gob.ec/sni-link/sni/Portal SNI 2014/USO DE LA TIERRA/01-METODOLOGIA_MAPA_COBERTURA_USO.pdf Mahmoud, A. H. A. (2011). An analysis of bioclimatic zones and implications for design of outdoor built environments in Egypt. Building and Environment, 46(3), 605-620. DOI: 10.1016/j.buildenv.2010.09.007 Manzano-Agugliaro, F., Montoya, F. G., Sabio-Ortega, A., y García-Cruz, A. (2015). Review of bioclimatic architecture strategies for achieving thermal comfort. Renewable and Sustainable Energy Reviews, 49, 736-755. DOI: 10.1016/j.rser.2015.04.095 Martínez, J. C. R., y Freixanet, V. A. F. (2014). Bioclimatic Analysis Tool: An Alternative to Facilitate and Streamline Preliminary Studies. Energy Procedia, 57, 1374-1382. DOI: 10.1016/j.egypro.2014.10.128 McDowall, R. (2007a). Chapter 3. Thermal Comfort. En Fundamentals of HVAC Systems (pp. 34-44). Elsevier. DOI: 10.1016/B978-012373998-8/50018-2 McDowall, R. (2007b). Fundamentals of HVAC Systems. Fundamentals of HVAC Systems. Elsevier. DOI: 10.1016/B978-012373998-8/50016-9 METEOTEST, Remund, J., Müller, S., Kunz, S., Huguenin-Landl, B., Schmid, C., y Schilter, C. (2013). Handbook part II : Theory. Bern, Switzerland: Meteotest.

Michalak, P. (2014). The simple hourly method of EN ISO 13790 standard in Matlab/Simulink: A comparative study for the climatic conditions of Poland.

Energy. DOI: 10.1016/j.energy.2014.08.019 MICSE, Ministerio Coordinador de Sectores Estratégicos. (2016). Resumen: Balance Energético Nacional 2014. Quito, Ecuador: Milne, M., Liggett, R., y Benson, A. (2009). Climate Consultant 4.0 develops design guidelines for each unique climate. Buffalo, New. Recuperado en octubre de 2016 a partir de http://www.energy-designtools.aud.ucla.edu/papers/ases09-milne.pdf Miño-Rodríguez, I., Gaona, G., Lobato, A., Naranjo-Mendoza, C., y Labus, J. (2014). Implementation of simple GIS methodology and bioclimatic strategies to improve the quality of social housing in the Andean region of Ecuador. En World Sustainable Building Conference (pp. 148-156). Barcelona: Green Building Council.

NOAA, National Oceanic and Atmospheric Administration. (2005). El Niño Southern Oscillation. Recuperado el 1 de mayo de 2017, a partir de

83

http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensocycle/ensoc ycle.shtml Nouvelot, J.-F., Le Goulven, P., Aleman, M., y Pourrut, P. (1995). Análisis estadístico y regionalización de las precipitaciones en el Ecuador. En El agua en el Ecuador : clima, precipitaciones, escorrentia (pp. 27-66). Corporacion Editora Nacional ; Colegio de Geógrafos del Ecuador ; ORSTOM. Recuperado en enero de 2014, a partir de http://www.documentation.ird.fr/hor/fdi:010014828 NREL, National Renewable Eenergy Laboratory. (2015). Energy Analysis Data and Tools of Recuperado 28 de abril de 2015, a partir de http://www.nrel.gov/analysis/data-tools.html Olaya, V. (2014). Sistemas de Información Geográfica. (V. Olaya, Ed.) (Versión 2.0). OsGEO. Recuperado en septiembre de 2016, a partir de https://volaya.github.io/libro-sig/index.html Olgyay, V. (1968). Clima y arquitectura en Colombia. Universidad del Valle, Facultad de Arquitectura. Recuperado en febrero de 2017, a partir de https://books.google.com.ec/books?id=THuXHAAACAAJ Palacios-Tapia, J., y Ontaneda Rosales, G. (2012). Boletín Climatológico Anual Año 2011. Quito, Ecuador. Recuperado en agosto de 2016, a partir de http://186.42.174.231/meteorologia/banual/2011/boletin_anual_2011.pdf Palme, M., Lobato, A., Kastillo, J., Villacreses, G., y Almaguer, M. (2016).

Estrategias para mejorar las condiciones de habitabilida y consumo de energía en viviendas. Quito, Ecuador: Instituto Nacional de Eficiencia Energética y Energías Renovables - INER. Parsons, K. C. (2002). The effects of gender, acclimation state, the opportunity to adjust clothing and physical disability on requirements for thermal comfort.

Energy and Buildings, 34(6), 593–599. DOI: 10.1016/S0378-7788(02)000099 Patterson, M. G. (1996). What is energy efficiency? Energy Policy, 24(5), 377-390.

DOI: 10.1016/0301-4215(96)00017-1 Pebesma, E. J., y Bivand, R. S. (2005). Classes and methods for spatial data in R. R News, 5(2), 9-13. https://cran.r-project.org/doc/Rnews/ Peralta, J., Lopez, Á., Barriga, A., Sosa, I., y Delgado, E. (2013). Análisis estadístico de la información meteorológica para la explotación de energías renovables en el Ecuador. Primer Congreso Internacional y Expo Cientifica Investigacion Sostenible: Energías Renovables y Eficiencia Energética, 1-9.

84

Portalés, C., Boronat-Zarceño, N., Pardo-Pascual, J. E., y Balaguer-Beser, A. (2006). Un nuevo método para el cálculo de precipitaciones medias mediante técnicas de interpolación geoestadística considerando las características geográficas y topográficas del territorio. Valencia, España: Congreso internacional de ingeniería, geomática y topografia.

Potter, T. D., y Colman, B. R. (2003). Handbook of Weather, Climate and Water.

Dinamics, Climate, Physical Meteorology, Weather, Systems, And Measuresments. (W. InterScience, Ed.). New Jersey, US: John Wiley & Sons Inc., Hoboken.

Pourrut, P. (1983). Los climas del Ecuador: fundamentos explicativos. En Los climas del Ecuador (pp. 7-41). CEDIG. Recuperado en noviembre de 2015, a partir de http://www.documentation.ird.fr/hor/fdi:21848 Pourrut, P. (1986). Algunas consideraciones acerca de los fenómenos climáticos extremos observados en el Ecuador. Cultura: Revista del Banco Central del Ecuador, 8, 257-272. Recuperado en noviembre de 2015, a partir de http://www.documentation.ird.fr/hor/fdi:26526 QGIS Development Team. (2016). QGIS Geographic Information System.

Recuperado en febrero de 2016, a partir de http://qgis.osgeo.org R Core Team. (2016). R: A Language and Environment for Statistical Computing.

Vienna, Austria: R Foundation for Statistical Computing. Recuperado en enero de 2016, a partir de http://www.r-project.org/ R Core Team. (2017). Comprehensive R Archive Network. Recuperado 5 de mayo de 2017, a partir de https://cloud.r-project.org/web/packages/index.html Rakoto-Joseph, O., Garde, F., David, M., Adelard, L., y Randriamanantany, Z. A. (2009). Development of climatic zones and passive solar design in Madagascar. Energy Conversion and Management, 50(4), 1004-1010. DOI: 10.1016/j.enconman.2008.12.011 Richter, M. (2003a). Interpretations in Southern Ecuador (Der Nutzen von funktionalen Pflanzentypen und Bodentemperaturen für klimaökologische Interpretationen in Süd-Ecuador). Erdkunde.

Richter, M. (2003b). Using epiphytes and soil temperatures for eco-climatic interpretations in southern Ecuador. Erdkunde, 57, 161-181.

Richter, M., y Moreira-Muñoz, A. (2005). Heterogeneidad climática y diversidad de la vegetación en el sur de Ecuador: un método de fitoindicación. Revista Peruana de Biología, 12(2), 217-238. Recuperado en diciembre de 2015, a partir de http://www.scielo.org.pe/scielo.php?script=sci_arttext&pid=S172799332005000200007&lng=es&tlng=en.

85

Rivas, D., y Erazo, M. (2013). Planificación de una red inalámbrica para estaciones meteorológicas en el valle de Latacunga. En Primer Congreso Internacional y Expo Cientifica Investigacion Sostenible: Energías Renovables y Eficiencia Energética (pp. 1-9).

Robinson, A., Hardisty, F., y Chaplin, G. (2017). GEOG 583: Geospatial System Analysis and Design. Recuperado en mayo de 2017, a partir de https://www.e-education.psu.edu/geog583/node/67 Rollenbeck, R., Bendix, J., y Fabian, P. (2011). Spatial and temporal dynamics of atmospheric water inputs in tropical mountain forests of South Ecuador.

Hydrological Processes, 25(3), 344-352. DOI: 10.1002/hyp.7799 Rollenbeck, R., Fabian, P., y Bendix, J. (2005). Precipitation dynamics and chemical properties in tropical mountain forests of Ecuador, 1-4.

Ruiz-Arias, J. A., Quesada-Ruiz, S., Fernández, E. F., y Gueymard, C. A. (2015).

Optimal combination of gridded and ground-observed solar radiation data for regional solar resource assessment. Solar Energy, 112, 411-424. DOI: 10.1016/j.solener.2014.12.011 Santovenia D, J., Tarragó M., C., y Andalia, C. (2009). Sistemas de información geográfica para la gestión de la información. ACIMED, 20(1024-9435.), 7275.

Recuperado en febrero de 2015, a partir de http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S102494352009001100007&lng=es&tlng=es.

Satgé, F., Bonnet, M.-P., Gosset, M., Molina, J., Hernan Yuque Lima, W., Pillco Zolá, R., … Garnier, J. (2016). Assessment of satellite rainfall products over the Andean plateau. Atmospheric Research, 167, 1-14. DOI: 10.1016/j.atmosres.2015.07.012 Sepúlveda Mellado, O. (2003). Sectorización Climatico-Habitacional de las Regiones de Valparaíso y Metropolitana. Revista INVI, 18 (46), 35-59.

Recuperado en febrero de 2016, a partir de http://www.redalyc.org/articulo.oa?id=25804604. ISSN 0718-1299 Sosa Paz, C. J. (2002). Método geoestadístico de krige: una aplicación a la distribución pluvial en el estado de tabasco. Instituto Politécnico Nacional.

Recuperado en marzo de 2016, a partir de http://www.bibliosepi.esimez.ipn.mx/sistemas/2002/Método geoestadÃstico de krige una aplicaciÃ3n a la distribuciÃ3n pluvial en el estado de tabasco.pdf Vuille, M., Bradley, R., y Keimig, F. (2000). Climate variability in the Andes of Ecuador and its relation to tropical Pacific and Atlantic sea surface temperature anomalies. Journal of Climate. DOI: 10.1175/1520-

86

0442(2000)013<2520:CVITAO>2.0.CO;2 Walsh, A., Labaki, L., y Cóstola, D. (2014). Panorama do Zoneamento Bioclimatico nas Américas. En XV Encontro nacional de Tecnología do Ambiente Constroído (pp. 994-1003). Maceió, Br. Walsh, A., Cóstola, D., y Labakia, L. C. (2017). Review of methods for climatic zoning for building energy efficiency programs. Building and Environment, 112, 337–350. DOI: 10.1016/j.buildenv.2016.11.046 Wan, K. K. W., Li, D. H. W., Yang, L., y Lam, J. C. (2010). Climate classifications and building energy use implications in China. Energy and Buildings, 42(9), 1463-1471. DOI: 10.1016/j.enbuild.2010.03.016 Whallon, R. (1973). Spatial Analysis of Occupation Floors I: Application of Dimensional Analysis of Variance. American Antiquity, 38(3), 266. DOI: 10.2307/279714 Wickham, H. (2009). ggplot2: Elegant Graphics for Data Analysis. Springer-Verlag New York. http://ggplot2.org Wickham, H. (2014). Advanced R. Boca Raton, FL: CRC Press, Taylor & Francis Group.

WMO, World Meteorological Organization. (2011). Guide to Climatological Practices (WMO-No100). Geneva, Switzerland: World Meteorological Organization.

Worrell, E., Bernstein, L., Roy, J., Price, L., y Harnisch, J. (2008). Industrial energy efficiency and climate change mitigation. Energy Efficiency, 2(2), 109-123.

DOI: 10.1007/s12053-008-9032-8 Xu, T., y Hutchinson, M. F. (2013). New developments and applications in the ANUCLIM spatial climatic and bioclimatic modelling package. Environmental Modelling & Software, 40, 267-279. DOI: 10.1016/j.envsoft.2012.10.003

87

APÉNDICES APÉNDICE 1: TEMPERATURA MEDIA DEL AIRE REGIONALIZADA POR MES. Consiste en un panel de dividido en 12 celdas donde se muestra el mapa de temperatura para cada mes de un año normal climatológico.

88

APÉNDICE 2: HUMEDAD RELATIVA MEDIA REGIONALIZADA POR MES Consiste en un panel de dividido en 12 celdas donde se muestra el mapa de humedad relativa para cada mes de un año normal climatológico.

89

APÉNDICE 3: RATIO MEDIO DE HUMEDAD EN EL AIRE REGIONALIZADO POR MES. Consiste en un panel de dividido en 12 celdas donde se muestra el mapa de Ratio de humedad para cada mes de un año normal climatológico. Fue obtenido a partir de la humedad relativa y la temperatura del aire.