Análisis espacio temporal de la variable vapor de agua atmosférico en estaciones GNSS de América

PERALTA, BRUNO; BABOLENE, IGNACIO; LAUTARO, PEÑA; MACKERN OBERTI, M.VIRGINIA; ROSELL, PATRICIA A.; MATEO, MARÍA LAURA; CAMISAY, MARÍA FERNANDA

Jornada; 4tas Jorandas de Geociencias para la Ingeniería; 2023

La variable atmosférica vapor de agua, es considerada una de las variablesesenciales, ya que es reguladora de la temperatura en el planeta. Es unavariable muy cambiante, tanto en el espacio como en el tiempo, por lo cualresulta fundamental medirla, monitorearla y analizar su variabilidad.La técnica mas utilizada para medir el vapor de agua atmosférico esmediante radiosondeos. Estos por su costo son utilizados generalmente enaeropuertos y respondiendo al requerimiento de la Asociación internacional deaviación civil, son lanzados a las 12 hs y en algunos casos a las 00 hs.Permitiendo conocer el contenido de agua precipitable del perfil atmosféricosobre el sitio a las 00 y 12 h, como máximo.Desde las estaciones continuas de observación GNSS, es posible estimar elretardo cenital troposférico que se produce en la señal por la suma de dosfactores, la componente hidrostática del aire seco y la componente húmedacausada por el contenido de vapor de agua de la tropósfera. Contando con lacomponente húmeda del retardo es posible determinar el vapor de aguaintegrado en la atmósfera de manera indirecta.En América se dispone de mas de 500 estaciones GNSS, que conforman lared SIRGAS, cuyo principal objetivo es dar coordenadas. Desde el Centro deprocesamiento de Ingeniería Mendoza Argentina se calcula el vapor de aguaen más de 500 estaciones SIRGAS y se dispone de una serie de datos de másde 10 años (2014 a 2023).En este trabajo se presenta una metodología de análisis de las seriestemporales del vapor de agua. La misma se basa en el modelado de la serieconsiderando el valor medio, la tendencia decadal, la variabilidad anual ysemi-anual, como también la variabilidad diaria y los residuos respecto delajuste respecto de los datos. Se presenta la regionalización de las estacionesconsiderando el análisis de los parámetros determinados en el modelo deajuste aplicado.El análisis fue realizado a través de scripts de python usando librerías comonumpy, pandas, entre otras. Estas bibliotecas nos permitieron realizar cálculosprecisos y manipular datos de manera eficiente, brindando una comprensiónmás profunda de las relaciones entre las variables. Además, para facilitar lacolaboración y el control de versiones en nuestro equipo, empleamos GitHubcomo plataforma central