Thesis: Nueva metodología para la estimación de la precipitación máxima probable, utilizando la distribución generalizada de valores extremos y análisis regional
| datacite.subject.fos | Engineering and technology::Civil engineering::Civil engineering | |
| datacite.subject.fos | Natural sciences::Earth and related Environmental sciences ::Oceanography, Hydrology, Water resources | |
| dc.contributor.correferente | Meza Araya, Joaquin Alejandro | |
| dc.contributor.department | Departamento de Obras Civiles | |
| dc.contributor.guia | Ossandon Alvarez, Alvaro Humberto | |
| dc.contributor.patrocinante | Suazo Fuentealba, Gonzalo Hernan | |
| dc.coverage.spatial | Campus Casa Central Valparaíso | |
| dc.creator | Villavicencio Arriaza, Ignacio Andres | |
| dc.date.accessioned | 2025-06-23T19:44:10Z | |
| dc.date.available | 2025-06-23T19:44:10Z | |
| dc.date.issued | 2025-05-30 | |
| dc.description.abstract | Una estimación precisa de la Precipitación Máxima Probable (PMP) es fundamental para diseñar infraestructuras hidráulicas resilientes y minimizar los riesgos hidrológicos. Los enfoques estadísticos tradicionales, como lo es el ampliamente utilizado método de Hershfield, se basan en supuestos simplificados que no necesariamente caracterizan correctamente los eventos extremos de precipitación, las cuales presentan una naturaleza asimétrica de los datos. Este tipo de simplificaciones frecuentemente conducen a sesgos sistemáticos, lo cual lleva a una sobreestimación en zonas húmedas el valor de PMP y subestimaciones en zonas áridas. Este estudio propone un método robusto para la estimación de la PMP, que integra un modelo de distribución Generalizada de Valores Extremos (GEV por sus siglas en inglés) y métodos de agrupamientos, con el fin de abordar las limitaciones de los métodos tradicionales. Esto consiste en estimar los parámetros de la distribución GEV mediante método de “L-moments”, corregir el parámetro de forma en función de la longitud de registro para finalmente en estimar el resto de los parámetros. Posterior a esto, el algoritmo “K-means” (KMA por sus siglas en inglés) divide el área de estudio en regiones de precipitaciones homogéneas, basadas en atributos geográficos (Latitud y Altura) y estadísticos, lo cual reduce la influencia de los valores atípicos y proporciona estimaciones de PMP con mayor sentido físico. El caso de estudio de este análisis es Chile continental, el cual tiene el desafío de ser un país con una variabilidad climática latitudinal y longitudinal relevante, lo que constituye contexto idóneo para verificar la aplicabilidad y robustez del método propuesto. Referente a la corrección de sesgo, se redujo sustancialmente la variabilidad del parámetro de forma de la distribución GEV en estaciones que presentan longitudes de registro cortos, lo cual mejora la estabilidad en las estimaciones de valores extremos usando el modelo estadístico. El KMA logra delimitar seis regiones coherentes, cada una con patrones de precipitación distintos. En cuanto a la comparación con el enfoque tradicional de Hershfield, el método propuesto produjo estimaciones de PMP más consistentes espacialmente, particularmente en áreas áridas o semiáridas con alta asimetría. En general, el nuevo método evitó las sobreestimaciones extremas que se observan frecuentemente con los enfoques estadísticos sin corrección. Al combinar el modelado GEV corregido de sesgos con el agrupamiento regional y distribuciones con límites superiores, este estudio ofrece una metodología más robusta para la estimación de la PMP. La alineación verificable con patrones climáticos establecidos, junto con una reducción sustancial de sobreestimaciones extremas, subraya su aplicabilidad en diversos contextos hidrológicos. | es |
| dc.description.abstract | Accurate estimation of Probable Maximum Precipitation (PMP) is paramount for designing resilient hydraulic infrastructure and minimizing hydrological risks. Traditional statistical approaches—such as the widely used Hershfield method—rely on simplified assumptions that can misrepresent heavy-tailed extreme precipitation events and their asymmetric nature. Such simplifications frequently lead to systematic biases, overestimating in humid zones and underestimating in arid areas. This study proposes a robust PMP estimation framework integrating bias-corrected Generalized Extreme Value (GEV) modeling with a data-driven regionalization approach to address these shortcomings. Specifically, GEV parameters are derived via L-moments and adjusted for short-record biases using a shape-parameter correction. The K-means algorithm (KMA) then partitions the study area into homogeneous precipitation regions based on geographic and statistical attributes, reducing outliers' influence and providing more physically coherent PMP estimates. This methodology was tested in Chile, a country spanning marked latitudinal and climatic variability. The bias correction substantially reduced the variability of the GEV shape parameter for short-record length stations, improving stability in extreme-value estimates. KMA delineated six coherent regions, each exhibiting distinct precipitation patterns. Compared to the traditional Hershfield approach, the proposed framework produced more consistent PMP estimates, particularly in arid or semi-arid areas with high skewness. Overall, the new method avoided the extreme overestimates frequently observed with uncorrected statistical approaches. By coupling bias-corrected GEV modeling with regional clustering and upper-bounded distributions, this study offers a robust framework for PMP estimation. The verifiable alignment with established climatic patterns, together with substantially fewer extreme overestimates, underscores its applicability for diverse hydrological contexts. | en_US |
| dc.description.degree | Magíster en Ciencias de la Ingeniería Civil | |
| dc.description.sponsorship | UNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA | |
| dc.description.sponsorship | Agencia Nacional de Investigación y Desarrollo | |
| dc.driver | info:eu-repo/semantics/masterThesis | |
| dc.format.extent | 36 páginas | |
| dc.identifier.doi | 10.71959/w1pa-p808 | |
| dc.identifier.uri | https://cris.usm.cl/handle/123456789/3916 | |
| dc.identifier.uri | https://doi.org/10.71959/w1pa-p808 | |
| dc.language.iso | en | |
| dc.publisher | Universidad Técnica Federico Santa María | |
| dc.rights | Attribution 4.0 International | en |
| dc.rights.uri | http://creativecommons.org/licenses/by/4.0/ | |
| dc.subject | Probable Maximum Precipitation | |
| dc.subject | GEV Distribution | |
| dc.subject | Regionalization | |
| dc.subject | Extreme Precipitation | |
| dc.subject.ods | 6 Agua limpia y saneamiento | |
| dc.subject.ods | 11 Ciudades y comunidades sostenibles | |
| dc.subject.ods | 13 Acción por el clima | |
| dc.title | Nueva metodología para la estimación de la precipitación máxima probable, utilizando la distribución generalizada de valores extremos y análisis regional | |
| dspace.entity.type | Tesis |
Política de Privacidad 
