GARCÍA DIAZ, Pablo
(Becario Posdoctoral FONCyT-IER)
Cuando existen pocos datos ambientales locales se tiende a recurrir a información de remote sensing o predicciones de modelos globales. Sin embargo, esa misma escasez de datos locales hace que esa información pueda no representar adecuadamente las condiciones locales cuando los modelos no han incluido sitios con condiciones similares o análogas a las locales. En esta charla presentare los métodos y resultados de mi trabajo calibrando y validando las predicciones de un modelo global de calidad de agua (Demanda Biológica de Oxigeno) para las condiciones de la provincia de Tucumán.
Usando datos de DBO publicados para diferentes periodos y sitios de Tucumán, use técnicas de Approximate Bayesian Computation – Markov Chain Monte Carlo para ajustar las predicciones globales a las condiciones locales. Posteriormente, valide estos modelos con datos de otras zonas de Tucumán. Los resultados indican un moderado ajuste del modelo a las condiciones locales (correlación de Spearman: 0.5). La etapa de validación indico que los resultados representan adecuadamente los patrones espaciales y temporales de DBO. Por lo tanto, es posible ajustar las predicciones de modelos globales con datos locales aun cuando estos sean escasos para obtener patrones representativos de la realidad local.
