INFLUENCIA DE LA ALTITUD Y LA LONGITUD
EN LA CONCENTRACIÓN Y VARIABILIDAD
TEMPORAL DE LA PRECIPITACIÓN DIARIA EN
LA CUENCA CHANCAY-LAMBAYEQUE, PERÚ
INFLUENCE OF ALTITUDE AND LONGITUDE ON THE
CONCENTRATION AND TEMPORAL VARIABILITY OF
DAILY PRECIPITATION IN THE CHANCAY-LAMBAYEQUE
BASIN, PERU
Jimmy Franz Trauco Campos
Universidad Nacional del Santa, Perú
pág. 1507
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24124
Influencia de la Altitud y la Longitud en la Concentración y Variabilidad
Temporal de la Precipitación Diaria en la Cuenca Chancay-Lambayeque,
Perú
Jimmy Franz Trauco Campos1
jimmytrauco@gmail.com
https://orcid.org/0009-0008-5062-2672
Universidad Nacional del Santa
Chimbote, Perú
RESUMEN
El presente estudio analiza la influencia de variables geográficas (altitud, longitud, latitud) y
pluviométricas (precipitación media anual - PPmedia, número de días con lluvia) sobre los índices de
concentración de precipitación diaria (CI1, GI1, PCI) en la cuenca Chancay-Lambayeque, comparando
los resultados obtenidos de 22 estaciones del SENAMHI y del producto grillado PISCO para el periodo
1981-2016. Se aplicaron los coeficientes de correlación de Pearson, Spearman y Kendall para
cuantificar las relaciones en ambas fuentes. Adicionalmente, se evaluó la variabilidad temporal de las
series mediante el Índice de Irregularidad Temporal (S1) y el Coeficiente de Variación (CV) de la
precipitación anual, también comparando ambas fuentes. Los resultados revelan una correlación
negativa muy fuerte y estadísticamente significativa de CI1 y PCI con la altitud (Pearson r = -0.85 para
SENAMHI; r = -0.78 para PISCO) y con la longitud (r = -0.77 para SENAMHI; r = -0.77 para PISCO),
indicando que a medida que se asciende y se avanza hacia el este, la precipitación se vuelve más
homogénea y menos concentrada. La latitud mostró correlación débil y no significativa en ambas
fuentes. La variabilidad temporal es extremadamente alta en las estaciones costeras según SENAMHI
(CV > 150%, S1 > 1.0), reflejando la influencia del ENSO, mientras que PISCO tiende a suavizar estos
valores extremos, aunque mantiene el patrón general. En estaciones altoandinas, ambas fuentes
coinciden en baja variabilidad (CV < 35%, S1 < 0.5). Se concluye que la altitud y la longitud son los
principales predictores de la concentración de lluvias, con consistencia cualitativa entre fuentes, aunque
PISCO subestima la magnitud de las relaciones. La variabilidad temporal marcadamente diferenciada
impone desafíos de gestión hídrica específicos para cada zona.
Palabras clave: PISCO; validación de datos; índice de concentración (CI); índice de Gini; índice de
concentración de precipitación (PCI); cuenca Chancay-Lambayeque; variabilidad espacio-temporal
1 Autor principal
Correspondencia: jimmytrauco@gmail.com
DOI: https://doi.org/10.37811/cl_rcm.v10i3.24124
Influencia de la Altitud y la Longitud en la Concentración y Variabilidad
Temporal de la Precipitación Diaria en la Cuenca Chancay-Lambayeque,
Perú
Jimmy Franz Trauco Campos1
jimmytrauco@gmail.com
https://orcid.org/0009-0008-5062-2672
Universidad Nacional del Santa
Chimbote, Perú
RESUMEN
El presente estudio analiza la influencia de variables geográficas (altitud, longitud, latitud) y
pluviométricas (precipitación media anual - PPmedia, número de días con lluvia) sobre los índices de
concentración de precipitación diaria (CI1, GI1, PCI) en la cuenca Chancay-Lambayeque, comparando
los resultados obtenidos de 22 estaciones del SENAMHI y del producto grillado PISCO para el periodo
1981-2016. Se aplicaron los coeficientes de correlación de Pearson, Spearman y Kendall para
cuantificar las relaciones en ambas fuentes. Adicionalmente, se evaluó la variabilidad temporal de las
series mediante el Índice de Irregularidad Temporal (S1) y el Coeficiente de Variación (CV) de la
precipitación anual, también comparando ambas fuentes. Los resultados revelan una correlación
negativa muy fuerte y estadísticamente significativa de CI1 y PCI con la altitud (Pearson r = -0.85 para
SENAMHI; r = -0.78 para PISCO) y con la longitud (r = -0.77 para SENAMHI; r = -0.77 para PISCO),
indicando que a medida que se asciende y se avanza hacia el este, la precipitación se vuelve más
homogénea y menos concentrada. La latitud mostró correlación débil y no significativa en ambas
fuentes. La variabilidad temporal es extremadamente alta en las estaciones costeras según SENAMHI
(CV > 150%, S1 > 1.0), reflejando la influencia del ENSO, mientras que PISCO tiende a suavizar estos
valores extremos, aunque mantiene el patrón general. En estaciones altoandinas, ambas fuentes
coinciden en baja variabilidad (CV < 35%, S1 < 0.5). Se concluye que la altitud y la longitud son los
principales predictores de la concentración de lluvias, con consistencia cualitativa entre fuentes, aunque
PISCO subestima la magnitud de las relaciones. La variabilidad temporal marcadamente diferenciada
impone desafíos de gestión hídrica específicos para cada zona.
Palabras clave: PISCO; validación de datos; índice de concentración (CI); índice de Gini; índice de
concentración de precipitación (PCI); cuenca Chancay-Lambayeque; variabilidad espacio-temporal
1 Autor principal
Correspondencia: jimmytrauco@gmail.com
pág. 1508
Influence of Altitude and Longitude on the Concentration and Temporal
Variability of Daily Precipitation in the Chancay-Lambayeque Basin, Peru
ABSTRACT
This study examines the influence of geographic variables (altitude, longitude, latitude) and
pluviometric parameters (mean annual precipitation - MAP, number of rainy days) on daily
precipitation concentration indices (CI1, GI1, PCI) within the Chancay-Lambayeque basin. The
analysis compares results derived from 22 SENAMHI weather stations against the PISCO gridded
dataset for the 1981–2016 period. Pearson, Spearman, and Kendall correlation coefficients were applied
to quantify relationships across both data sources. Additionally, the temporal variability of the series
was evaluated using the Temporal Irregularity Index (S1) and the Coefficient of Variation (CV) of
annual precipitation. The results reveal a very strong and statistically significant negative correlation
of CI1 and PCI with altitude (Pearson’s r = -0.85 for SENAMHI; r = -0.78 for PISCO) and longitude (r
= -0.77 for SENAMHI; r = -0.77 for PISCO), indicating that precipitation becomes more homogeneous
and less concentrated with increasing elevation and eastward progression. Latitude exhibited a weak,
non-significant correlation in both sources. Temporal variability is extremely high in coastal stations
according to SENAMHI (CV > 150%, S1 > 1.0), reflecting the influence of ENSO, whereas PISCO
tends to smooth these extreme values while maintaining the overall pattern. In high-Andean stations,
both sources converge on low variability (CV < 35%, S1 < 0.5). It is concluded that altitude and
longitude are the primary predictors of rainfall concentration, showing qualitative consistency between
sources, although PISCO underestimates the magnitude of these relationships. The markedly
differentiated temporal variability poses specific water management challenges for each zone.
Key words: PISCO; data validation; concentration index (CI); gini index; precipitation concentration
index (PCI); Chancay-Lambayeque basin; spatio-temporal variability
Artículo recibido 25 marzo 2026
Aceptado para publicación: 25 abril 2026
Influence of Altitude and Longitude on the Concentration and Temporal
Variability of Daily Precipitation in the Chancay-Lambayeque Basin, Peru
ABSTRACT
This study examines the influence of geographic variables (altitude, longitude, latitude) and
pluviometric parameters (mean annual precipitation - MAP, number of rainy days) on daily
precipitation concentration indices (CI1, GI1, PCI) within the Chancay-Lambayeque basin. The
analysis compares results derived from 22 SENAMHI weather stations against the PISCO gridded
dataset for the 1981–2016 period. Pearson, Spearman, and Kendall correlation coefficients were applied
to quantify relationships across both data sources. Additionally, the temporal variability of the series
was evaluated using the Temporal Irregularity Index (S1) and the Coefficient of Variation (CV) of
annual precipitation. The results reveal a very strong and statistically significant negative correlation
of CI1 and PCI with altitude (Pearson’s r = -0.85 for SENAMHI; r = -0.78 for PISCO) and longitude (r
= -0.77 for SENAMHI; r = -0.77 for PISCO), indicating that precipitation becomes more homogeneous
and less concentrated with increasing elevation and eastward progression. Latitude exhibited a weak,
non-significant correlation in both sources. Temporal variability is extremely high in coastal stations
according to SENAMHI (CV > 150%, S1 > 1.0), reflecting the influence of ENSO, whereas PISCO
tends to smooth these extreme values while maintaining the overall pattern. In high-Andean stations,
both sources converge on low variability (CV < 35%, S1 < 0.5). It is concluded that altitude and
longitude are the primary predictors of rainfall concentration, showing qualitative consistency between
sources, although PISCO underestimates the magnitude of these relationships. The markedly
differentiated temporal variability poses specific water management challenges for each zone.
Key words: PISCO; data validation; concentration index (CI); gini index; precipitation concentration
index (PCI); Chancay-Lambayeque basin; spatio-temporal variability
Artículo recibido 25 marzo 2026
Aceptado para publicación: 25 abril 2026
pág. 1509
INTRODUCCIÓN
El Control Geográfico de la Precipitación
La distribución espacial y temporal de la precipitación está gobernada por una compleja interacción de
factores climáticos globales, como el Fenómeno El Niño-Oscilación del Sur (ENSO), y factores
geográficos locales o regionales (Espinoza y otros, 2020; Cai y otros, 2020). Entre estos últimos, la
altitud, la longitud (como proxy de la distancia al mar) y la orientación de las cordilleras son
determinantes y fundamentales, especialmente en regiones de topografía compleja como los Andes
(Espinoza y otros, 2020; Arias y otros, 2021). El efecto de la altitud es particularmente pronunciado, ya
que las masas de aire húmedo se ven forzadas a ascender, enfriarse y condensarse, generando
precipitaciones orográficas que varían drásticamente en distancias cortas (Segura y otros, 2020).
Los Índices de Concentración como Herramientas de Análisis
Para caracterizar la distribución temporal de las precipitaciones, diversos autores han propuesto índices
que permiten cuantificar la concentración de las lluvias. El Índice de Concentración (CI) propuesto por
Martín-Vide, (2004) evalúa la contribución relativa de los días lluviosos al total de precipitación,
mediante el ajuste de una curva exponencial a la relación entre el porcentaje acumulado de días y el
porcentaje acumulado de lluvia. Valores de CI cercanos a 1 indican una alta concentración, donde unos
pocos días aportan la mayor parte de la precipitación anual. El Índice de Gini (GI), derivado de la curva
de Lorenz, mide la desigualdad en la distribución de las lluvias, siendo también útil para este propósito
(Gastwirth, 1972). Por su parte, el Índice de Concentración de Precipitación (PCI), propuesto por
(Oliver, 1980), evalúa la estacionalidad de las lluvias a escala mensual, permitiendo clasificar los
regímenes pluviométricos en uniformes, estacionales o altamente estacionales (UNESCO, 2006).
Relevancia para la Gestión de Cuencas y la Comparación
Identificar y cuantificar la relación entre factores geográficos y regímenes de lluvia permite establecer
relaciones empíricas para estimar índices de concentración en áreas sin datos, crucial para la modelación
hidrológica distribuida y la predicción en cuencas no aforadas (Ochoa-Tocachi y otros, 2016).
Asimismo, posibilita identificar zonas con alta concentración y variabilidad de lluvias para priorizar
inversiones en infraestructura de control de inundaciones y comprender la vulnerabilidad diferencial de
las partes alta, media y baja de una cuenca ante eventos extremos (Buytaert y otros, 2006).
INTRODUCCIÓN
El Control Geográfico de la Precipitación
La distribución espacial y temporal de la precipitación está gobernada por una compleja interacción de
factores climáticos globales, como el Fenómeno El Niño-Oscilación del Sur (ENSO), y factores
geográficos locales o regionales (Espinoza y otros, 2020; Cai y otros, 2020). Entre estos últimos, la
altitud, la longitud (como proxy de la distancia al mar) y la orientación de las cordilleras son
determinantes y fundamentales, especialmente en regiones de topografía compleja como los Andes
(Espinoza y otros, 2020; Arias y otros, 2021). El efecto de la altitud es particularmente pronunciado, ya
que las masas de aire húmedo se ven forzadas a ascender, enfriarse y condensarse, generando
precipitaciones orográficas que varían drásticamente en distancias cortas (Segura y otros, 2020).
Los Índices de Concentración como Herramientas de Análisis
Para caracterizar la distribución temporal de las precipitaciones, diversos autores han propuesto índices
que permiten cuantificar la concentración de las lluvias. El Índice de Concentración (CI) propuesto por
Martín-Vide, (2004) evalúa la contribución relativa de los días lluviosos al total de precipitación,
mediante el ajuste de una curva exponencial a la relación entre el porcentaje acumulado de días y el
porcentaje acumulado de lluvia. Valores de CI cercanos a 1 indican una alta concentración, donde unos
pocos días aportan la mayor parte de la precipitación anual. El Índice de Gini (GI), derivado de la curva
de Lorenz, mide la desigualdad en la distribución de las lluvias, siendo también útil para este propósito
(Gastwirth, 1972). Por su parte, el Índice de Concentración de Precipitación (PCI), propuesto por
(Oliver, 1980), evalúa la estacionalidad de las lluvias a escala mensual, permitiendo clasificar los
regímenes pluviométricos en uniformes, estacionales o altamente estacionales (UNESCO, 2006).
Relevancia para la Gestión de Cuencas y la Comparación
Identificar y cuantificar la relación entre factores geográficos y regímenes de lluvia permite establecer
relaciones empíricas para estimar índices de concentración en áreas sin datos, crucial para la modelación
hidrológica distribuida y la predicción en cuencas no aforadas (Ochoa-Tocachi y otros, 2016).
Asimismo, posibilita identificar zonas con alta concentración y variabilidad de lluvias para priorizar
inversiones en infraestructura de control de inundaciones y comprender la vulnerabilidad diferencial de
las partes alta, media y baja de una cuenca ante eventos extremos (Buytaert y otros, 2006).
pág. 1510
En el Perú, el Servicio Nacional de Meteorología e Hidrología (SENAMHI) opera una red de estaciones
convencionales que constituyen la fuente primaria de datos. Adicionalmente, se ha desarrollado el
producto grillado PISCO (Peruvian Interpolated data of the SENAMHI's Climatological and
hydrological Observations), que proporciona cobertura espacio-temporal continua de precipitación para
todo el territorio peruano desde 1981 hasta 2016, con resolución espacial de 0.05° (Aybar y otros, 2020).
Resulta fundamental comparar los resultados obtenidos de ambas fuentes para evaluar la confiabilidad
de PISCO en estudios de correlación y variabilidad (Huerta y otros, 2022).
Variabilidad Temporal como Indicador de Riesgo
La variabilidad temporal de la precipitación de un año a otro es un indicador clave de la resiliencia de
un sistema hídrico. Una alta variabilidad implica años muy húmedos seguidos de años muy secos, lo
que dificulta la planificación de la operación de embalses y aumenta el riesgo de sequías e inundaciones
(Sarricolea & Romero, 2015). El Índice de Irregularidad Temporal (S1) cuantifica la “rugosidad” de la
serie temporal, es decir, la magnitud de los cambios entre un año y el siguiente (Escobedo & Sarricolea,
2017). Estudios recientes han demostrado que aproximadamente el 70% de los eventos de sequía
agrícola en los Andes peruanos ocurren durante años con presencia de ENSO, evidenciando la fuerte
conexión entre la variabilidad interanual y fenómenos de gran escala (Arana & Moggiano, 2023).
Objetivos de la Investigación
1. Determinar el grado de correlación entre los índices de concentración diaria de precipitación (CI1,
GI1, PCI) y las variables geográficas (altitud, longitud, latitud) utilizando datos SENAMHI y
PISCO.
2. Analizar la correlación de estos índices con las variables pluviométricas (PPmedia, días de lluvia)
en ambas fuentes.
3. Cuantificar y comparar la variabilidad temporal de la precipitación mediante los índices S1 y CV,
contrastando resultados SENAMHI vs PISCO.
4. Discutir las implicaciones de estos hallazgos para la gestión de recursos hídricos y la utilidad de
productos grillados en estudios de correlación.
En el Perú, el Servicio Nacional de Meteorología e Hidrología (SENAMHI) opera una red de estaciones
convencionales que constituyen la fuente primaria de datos. Adicionalmente, se ha desarrollado el
producto grillado PISCO (Peruvian Interpolated data of the SENAMHI's Climatological and
hydrological Observations), que proporciona cobertura espacio-temporal continua de precipitación para
todo el territorio peruano desde 1981 hasta 2016, con resolución espacial de 0.05° (Aybar y otros, 2020).
Resulta fundamental comparar los resultados obtenidos de ambas fuentes para evaluar la confiabilidad
de PISCO en estudios de correlación y variabilidad (Huerta y otros, 2022).
Variabilidad Temporal como Indicador de Riesgo
La variabilidad temporal de la precipitación de un año a otro es un indicador clave de la resiliencia de
un sistema hídrico. Una alta variabilidad implica años muy húmedos seguidos de años muy secos, lo
que dificulta la planificación de la operación de embalses y aumenta el riesgo de sequías e inundaciones
(Sarricolea & Romero, 2015). El Índice de Irregularidad Temporal (S1) cuantifica la “rugosidad” de la
serie temporal, es decir, la magnitud de los cambios entre un año y el siguiente (Escobedo & Sarricolea,
2017). Estudios recientes han demostrado que aproximadamente el 70% de los eventos de sequía
agrícola en los Andes peruanos ocurren durante años con presencia de ENSO, evidenciando la fuerte
conexión entre la variabilidad interanual y fenómenos de gran escala (Arana & Moggiano, 2023).
Objetivos de la Investigación
1. Determinar el grado de correlación entre los índices de concentración diaria de precipitación (CI1,
GI1, PCI) y las variables geográficas (altitud, longitud, latitud) utilizando datos SENAMHI y
PISCO.
2. Analizar la correlación de estos índices con las variables pluviométricas (PPmedia, días de lluvia)
en ambas fuentes.
3. Cuantificar y comparar la variabilidad temporal de la precipitación mediante los índices S1 y CV,
contrastando resultados SENAMHI vs PISCO.
4. Discutir las implicaciones de estos hallazgos para la gestión de recursos hídricos y la utilidad de
productos grillados en estudios de correlación.
pág. 1511
MATERIALES Y MÉTODOS
Área de Estudio
La cuenca Chancay-Lambayeque se ubica en la vertiente occidental de los Andes peruanos, entre las
regiones de Cajamarca y Lambayeque (6°21'12"–6°57'09" S; 78°32'17"–80°10'39" O). Con una
extensión de 5 555,49 km², presenta un gradiente altitudinal extremo que va desde el nivel del mar hasta
más de 3 800 msnm en sus cabeceras de cuenca (PNUMA, 2008). Esta característica geomorfológica
genera una notable diversidad climática, desde un clima árido en la costa hasta uno lluvioso y templado
en la sierra. La precipitación se concentra típicamente entre diciembre y marzo, y la variabilidad
interanual está fuertemente influenciada por el Fenómeno El Niño (Takahashi & Martínez, 2019).
Fuentes de Datos
Estaciones SENAMHI
Se utilizaron registros diarios de precipitación de 22 estaciones meteorológicas ubicadas dentro y en el
entorno inmediato de la cuenca Chancay-Lambayeque, proporcionados oficialmente por el SENAMHI
para el periodo comprendido desde el inicio de funcionamiento de cada estación hasta el año 2025. Las
estaciones incluyen diferentes categorías (Climatológica Ordinaria - CO, Climatológica Principal - CP,
Pluviométrica - PLU) y sus coordenadas geográficas (longitud, latitud, altitud) fueron obtenidas de los
registros oficiales.
Producto Grillado PISCO
Se utilizó el producto PISCOp versión 2.1 (precipitación grillada diaria), que cubre el periodo 1981-
2016 con resolución espacial de 0.05° x 0.05° (~5 km). PISCO combina información de sensores
remotos (CHIRPS, TRMM) y observaciones in-situ mediante técnicas geoestadísticas (Aybar y otros,
2017; Aybar y otros, 2020)). Se extrajeron los valores de precipitación diaria de los píxeles
correspondientes a las coordenadas de cada una de las 22 estaciones SENAMHI.
Índices de Concentración
Para cada estación y fuente de datos, se calcularon previamente los siguientes índices:
Índice de Concentración (CI) para la marca de clase de 1 mm (CI1): Siguiendo la metodología de
Martín-Vide (2004), se construyó la curva de Lorenz relacionando el porcentaje acumulado de días
lluviosos (X) con el porcentaje acumulado de precipitación (Y). Se ajustó una función exponencial del
MATERIALES Y MÉTODOS
Área de Estudio
La cuenca Chancay-Lambayeque se ubica en la vertiente occidental de los Andes peruanos, entre las
regiones de Cajamarca y Lambayeque (6°21'12"–6°57'09" S; 78°32'17"–80°10'39" O). Con una
extensión de 5 555,49 km², presenta un gradiente altitudinal extremo que va desde el nivel del mar hasta
más de 3 800 msnm en sus cabeceras de cuenca (PNUMA, 2008). Esta característica geomorfológica
genera una notable diversidad climática, desde un clima árido en la costa hasta uno lluvioso y templado
en la sierra. La precipitación se concentra típicamente entre diciembre y marzo, y la variabilidad
interanual está fuertemente influenciada por el Fenómeno El Niño (Takahashi & Martínez, 2019).
Fuentes de Datos
Estaciones SENAMHI
Se utilizaron registros diarios de precipitación de 22 estaciones meteorológicas ubicadas dentro y en el
entorno inmediato de la cuenca Chancay-Lambayeque, proporcionados oficialmente por el SENAMHI
para el periodo comprendido desde el inicio de funcionamiento de cada estación hasta el año 2025. Las
estaciones incluyen diferentes categorías (Climatológica Ordinaria - CO, Climatológica Principal - CP,
Pluviométrica - PLU) y sus coordenadas geográficas (longitud, latitud, altitud) fueron obtenidas de los
registros oficiales.
Producto Grillado PISCO
Se utilizó el producto PISCOp versión 2.1 (precipitación grillada diaria), que cubre el periodo 1981-
2016 con resolución espacial de 0.05° x 0.05° (~5 km). PISCO combina información de sensores
remotos (CHIRPS, TRMM) y observaciones in-situ mediante técnicas geoestadísticas (Aybar y otros,
2017; Aybar y otros, 2020)). Se extrajeron los valores de precipitación diaria de los píxeles
correspondientes a las coordenadas de cada una de las 22 estaciones SENAMHI.
Índices de Concentración
Para cada estación y fuente de datos, se calcularon previamente los siguientes índices:
Índice de Concentración (CI) para la marca de clase de 1 mm (CI1): Siguiendo la metodología de
Martín-Vide (2004), se construyó la curva de Lorenz relacionando el porcentaje acumulado de días
lluviosos (X) con el porcentaje acumulado de precipitación (Y). Se ajustó una función exponencial del
pág. 1512
tipo 𝑌 = 𝑎 · 𝑋 · 𝑒(𝑏𝑋) y el CI se calculó como CI = 1 - A/5000, donde A es el área bajo la curva entre 0
y 100.
Índice de Gini (GI1): A partir de la misma curva de Lorenz, se calculó mediante la fórmula de Brown
(Gastwirth, 1972), 𝐺𝐼 = |1 − ∑ (𝑋𝑖+1 − 𝑋𝑖)(𝑌𝑖+1 + 𝑌𝑖)𝑁𝑖−1
1 |.
Índice de Concentración de Precipitación (PCI): Siguiendo a Oliver (1980), se calculó como el
promedio de los valores anuales de
𝑃𝐶𝐼𝑗 = 100 ∗ ∑ (𝑃𝑖𝑗)212
𝑖=1 (𝑃𝑗)2
⁄ , donde Pᵢ es la precipitación del mes i y Pj, la precipitación total del
año j. La clasificación del régimen de precipitaciones siguió los criterios de UNESCO (2006).
Análisis de Correlación
Para evaluar la relación entre los índices de concentración (CI1, GI1, PCI) y las variables geográficas
(altitud, longitud, latitud) y pluviométricas (PPmedia, días de lluvia), se emplearon tres coeficientes
ampliamente utilizados en estudios hidroclimáticos (Fuladipanah y otros, 2025):
Coeficiente de Correlación de Pearson (r): Mide la fuerza y dirección de una relación lineal entre dos
variables. Su valor oscila entre -1 y +1 (Sobkowiak y otros, 2020).
𝑟 = 𝑛 ∑ 𝑥𝑖𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑦𝑖
√𝑛 ∑ 𝑥𝑖
2 − (∑ 𝑥𝑖)2√𝑛 ∑ 𝑦𝑖
2 − (∑ 𝑦𝑖)2 (1)
Coeficiente de Correlación de Spearman (ρ): Alternativa no paramétrica que no asume normalidad,
basada en el orden o rango de los datos. Es robusto ante valores atípicos (Yang y otros, 2025).
𝑟𝑠 = 1 − 6 ∑ 𝑑𝑖
2𝑛
𝑖=1
𝑛 ∗ (𝑛2 − 1) (2)
Tau de Kendall (τ): Coeficiente no paramétrico basado en la concordancia y discordancia de pares de
observaciones, particularmente útil para muestras pequeñas (Patel y otros, 2024). = 2 ∗ (𝐶 − 𝐷)
√[𝑛(𝑛 − 1) ∑ 𝑇𝑥(𝑇𝑥 − 1)] ∗ [𝑛(𝑛 − 1) ∑ 𝑇𝑦(𝑇𝑦 − 1)] (3)
tipo 𝑌 = 𝑎 · 𝑋 · 𝑒(𝑏𝑋) y el CI se calculó como CI = 1 - A/5000, donde A es el área bajo la curva entre 0
y 100.
Índice de Gini (GI1): A partir de la misma curva de Lorenz, se calculó mediante la fórmula de Brown
(Gastwirth, 1972), 𝐺𝐼 = |1 − ∑ (𝑋𝑖+1 − 𝑋𝑖)(𝑌𝑖+1 + 𝑌𝑖)𝑁𝑖−1
1 |.
Índice de Concentración de Precipitación (PCI): Siguiendo a Oliver (1980), se calculó como el
promedio de los valores anuales de
𝑃𝐶𝐼𝑗 = 100 ∗ ∑ (𝑃𝑖𝑗)212
𝑖=1 (𝑃𝑗)2
⁄ , donde Pᵢ es la precipitación del mes i y Pj, la precipitación total del
año j. La clasificación del régimen de precipitaciones siguió los criterios de UNESCO (2006).
Análisis de Correlación
Para evaluar la relación entre los índices de concentración (CI1, GI1, PCI) y las variables geográficas
(altitud, longitud, latitud) y pluviométricas (PPmedia, días de lluvia), se emplearon tres coeficientes
ampliamente utilizados en estudios hidroclimáticos (Fuladipanah y otros, 2025):
Coeficiente de Correlación de Pearson (r): Mide la fuerza y dirección de una relación lineal entre dos
variables. Su valor oscila entre -1 y +1 (Sobkowiak y otros, 2020).
𝑟 = 𝑛 ∑ 𝑥𝑖𝑦𝑖 − ∑ 𝑥𝑖 ∑ 𝑦𝑖
√𝑛 ∑ 𝑥𝑖
2 − (∑ 𝑥𝑖)2√𝑛 ∑ 𝑦𝑖
2 − (∑ 𝑦𝑖)2 (1)
Coeficiente de Correlación de Spearman (ρ): Alternativa no paramétrica que no asume normalidad,
basada en el orden o rango de los datos. Es robusto ante valores atípicos (Yang y otros, 2025).
𝑟𝑠 = 1 − 6 ∑ 𝑑𝑖
2𝑛
𝑖=1
𝑛 ∗ (𝑛2 − 1) (2)
Tau de Kendall (τ): Coeficiente no paramétrico basado en la concordancia y discordancia de pares de
observaciones, particularmente útil para muestras pequeñas (Patel y otros, 2024). = 2 ∗ (𝐶 − 𝐷)
√[𝑛(𝑛 − 1) ∑ 𝑇𝑥(𝑇𝑥 − 1)] ∗ [𝑛(𝑛 − 1) ∑ 𝑇𝑦(𝑇𝑦 − 1)] (3)
pág. 1513
Estudios recientes demuestran que la comparación de estos tres coeficientes proporciona una evaluación
robusta de las relaciones hidrológicas, especialmente en regiones con datos limitados (Varghese y otros,
2024). Se calcularon estos coeficientes para las relaciones de CI1, GI1 y PCI con longitud, latitud,
altitud, PPmedia y días de lluvia, tanto para los datos del SENAMHI como para los del producto PISCO.
Análisis de Variabilidad Temporal
Índice de Irregularidad Temporal (S1)
Este índice cuantifica la irregularidad interanual de la precipitación como el promedio de los logaritmos
naturales de las razones entre precipitaciones de años consecutivos (Escobedo & Sarricolea, 2017):
𝑆1 = 1
𝑛 − 1 ∑ |ln (𝑃𝑖+1
𝑃𝑖
)|
𝑛−1
𝑖=1
(4)
Donde Pᵢ es la precipitación total del año i y n es el número de años de la serie. Valores altos indican
gran irregularidad, con cambios abruptos entre años consecutivos. Se calculó para ambas fuentes de
datos.
Coeficiente de Variación (CV)
El CV permite comparar la variabilidad de conjuntos de datos con diferentes medias (Sarricolea &
Romero, 2015):
𝐶𝑉 = 𝜎
𝜇 ∗ 100% (5)
Donde σ es la desviación estándar y μ es la media de la precipitación anual de la serie. Un CV alto
indica gran variabilidad interanual, característica de regiones influenciadas por ENSO (Takahashi &
Martínez, 2019). Se calculó para ambas fuentes.
RESULTADOS
Correlación entre Índices de Concentración y Variables Geográficas: Comparación SENAMHI
vs PISCO
La Tabla 1 presenta los resultados de los tres coeficientes de correlación para los índices calculados con
datos SENAMHI y PISCO.
Estudios recientes demuestran que la comparación de estos tres coeficientes proporciona una evaluación
robusta de las relaciones hidrológicas, especialmente en regiones con datos limitados (Varghese y otros,
2024). Se calcularon estos coeficientes para las relaciones de CI1, GI1 y PCI con longitud, latitud,
altitud, PPmedia y días de lluvia, tanto para los datos del SENAMHI como para los del producto PISCO.
Análisis de Variabilidad Temporal
Índice de Irregularidad Temporal (S1)
Este índice cuantifica la irregularidad interanual de la precipitación como el promedio de los logaritmos
naturales de las razones entre precipitaciones de años consecutivos (Escobedo & Sarricolea, 2017):
𝑆1 = 1
𝑛 − 1 ∑ |ln (𝑃𝑖+1
𝑃𝑖
)|
𝑛−1
𝑖=1
(4)
Donde Pᵢ es la precipitación total del año i y n es el número de años de la serie. Valores altos indican
gran irregularidad, con cambios abruptos entre años consecutivos. Se calculó para ambas fuentes de
datos.
Coeficiente de Variación (CV)
El CV permite comparar la variabilidad de conjuntos de datos con diferentes medias (Sarricolea &
Romero, 2015):
𝐶𝑉 = 𝜎
𝜇 ∗ 100% (5)
Donde σ es la desviación estándar y μ es la media de la precipitación anual de la serie. Un CV alto
indica gran variabilidad interanual, característica de regiones influenciadas por ENSO (Takahashi &
Martínez, 2019). Se calculó para ambas fuentes.
RESULTADOS
Correlación entre Índices de Concentración y Variables Geográficas: Comparación SENAMHI
vs PISCO
La Tabla 1 presenta los resultados de los tres coeficientes de correlación para los índices calculados con
datos SENAMHI y PISCO.
pág. 1514
Tabla 1. Matriz de correlaciones entre índices de concentración y variables geográficas/pluviométricas
para SENAMHI y PISCO.
Variable Índice Pearson
(SEN)
Pearson
(PIS)
Spearman
(SEN)
Spearman
(PIS)
Kendall
(SEN)
Kendall
(PIS)
Altitud CI1 -0.85 -0.78 -0.80 -0.72 -0.62 -0.51
Altitud GI1 -0.84 0.47 -0.74 0.43 -0.54 0.25
Altitud PCI -0.86 -0.77 -0.71 -0.67 -0.50 -0.46
Longitud CI1 -0.77 -0.77 -0.75 -0.78 -0.59 -0.59
Longitud GI1 -0.74 0.63 -0.74 0.54 -0.57 0.31
Longitud PCI -0.74 -0.89 -0.67 -0.83 -0.49 -0.67
Latitud CI1 -0.23 0.02 -0.23 0.02 -0.13 0.00
Días lluvia CI1 -0.85 -0.78 -0.77 -0.72 -0.60 -0.50
PPmedia CI1 -0.78 -0.72 -0.76 -0.69 -0.56 -0.43
SEN: Con fuente del SENAMHI; PIS: Con fuente de PISCO.
Nota. Elaborado por el investigador.
Los resultados de los tres coeficientes de correlación (Pearson, Spearman y Kendall) para los índices
calculados con datos SENAMHI y PISCO. La inclusión de los coeficientes no paramétricos Spearman
y Kendall permite evaluar la robustez de las relaciones sin asumir normalidad en los datos, siendo
particularmente útil cuando existen valores atípicos o muestras pequeñas.
Correlación con Altitud: Para SENAMHI, se observa una correlación negativa muy fuerte y
estadísticamente significativa entre la altitud y los índices CI1 y PCI. Para CI1, la correlación de Pearson
(r) es de -0.85, indicando que el 72% de la variabilidad (r2) del CI1 puede ser explicada por la altitud
(Espinoza y otros, 2020). Los coeficientes de Spearman (ρ = -0.80) y Kendall (τ = -0.62) confirman
esta fuerte relación negativa, indicando que la asociación es monótona y no depende de la normalidad
de los datos. Para PISCO, la correlación Pearson entre CI1 y altitud es de -0.78 (r2 = 0.61), manteniendo
la misma dirección, aunque con menor magnitud, lo que sugiere que el producto grillado captura la
tendencia general, pero con mayor dispersión estadística (Aybar y otros, 2017). Los coeficientes de
Spearman (ρ = -0.72) y Kendall (τ = -0.51) respaldan esta tendencia, sugiriendo que el producto grillado
Tabla 1. Matriz de correlaciones entre índices de concentración y variables geográficas/pluviométricas
para SENAMHI y PISCO.
Variable Índice Pearson
(SEN)
Pearson
(PIS)
Spearman
(SEN)
Spearman
(PIS)
Kendall
(SEN)
Kendall
(PIS)
Altitud CI1 -0.85 -0.78 -0.80 -0.72 -0.62 -0.51
Altitud GI1 -0.84 0.47 -0.74 0.43 -0.54 0.25
Altitud PCI -0.86 -0.77 -0.71 -0.67 -0.50 -0.46
Longitud CI1 -0.77 -0.77 -0.75 -0.78 -0.59 -0.59
Longitud GI1 -0.74 0.63 -0.74 0.54 -0.57 0.31
Longitud PCI -0.74 -0.89 -0.67 -0.83 -0.49 -0.67
Latitud CI1 -0.23 0.02 -0.23 0.02 -0.13 0.00
Días lluvia CI1 -0.85 -0.78 -0.77 -0.72 -0.60 -0.50
PPmedia CI1 -0.78 -0.72 -0.76 -0.69 -0.56 -0.43
SEN: Con fuente del SENAMHI; PIS: Con fuente de PISCO.
Nota. Elaborado por el investigador.
Los resultados de los tres coeficientes de correlación (Pearson, Spearman y Kendall) para los índices
calculados con datos SENAMHI y PISCO. La inclusión de los coeficientes no paramétricos Spearman
y Kendall permite evaluar la robustez de las relaciones sin asumir normalidad en los datos, siendo
particularmente útil cuando existen valores atípicos o muestras pequeñas.
Correlación con Altitud: Para SENAMHI, se observa una correlación negativa muy fuerte y
estadísticamente significativa entre la altitud y los índices CI1 y PCI. Para CI1, la correlación de Pearson
(r) es de -0.85, indicando que el 72% de la variabilidad (r2) del CI1 puede ser explicada por la altitud
(Espinoza y otros, 2020). Los coeficientes de Spearman (ρ = -0.80) y Kendall (τ = -0.62) confirman
esta fuerte relación negativa, indicando que la asociación es monótona y no depende de la normalidad
de los datos. Para PISCO, la correlación Pearson entre CI1 y altitud es de -0.78 (r2 = 0.61), manteniendo
la misma dirección, aunque con menor magnitud, lo que sugiere que el producto grillado captura la
tendencia general, pero con mayor dispersión estadística (Aybar y otros, 2017). Los coeficientes de
Spearman (ρ = -0.72) y Kendall (τ = -0.51) respaldan esta tendencia, sugiriendo que el producto grillado
pág. 1515
captura la relación general, aunque con mayor dispersión estadística (Aybar y otros, 2020; Huerta y
otros, 2022). A medida que la altitud aumenta, la concentración de lluvias disminuye drásticamente en
ambas fuentes, resultado consistente con estudios en otras regiones montañosas que demuestran el
control orográfico sobre la distribución de precipitaciones (Arias y otros, 2021)
Sin embargo, para el índice GI1 se observa una discrepancia notable entre fuentes. Mientras que
SENAMHI muestra una fuerte correlación negativa (r = -0.84), indicando que a mayor altitud la
desigualdad en la distribución de lluvias disminuye, PISCO presenta una correlación positiva (Pearson
r = 0.47; Spearman ρ = 0.43; Kendall τ = 0.25). Este resultado es físicamente inconsistente, ya que
sugiere que a mayor altitud la precipitación sería más desigual, contradiciendo el patrón observado por
SENAMHI y la literatura especializada (Benhamrouche & Martín-Vide, 2018). Esta anomalía evidencia
una limitación importante del producto grillado para representar adecuadamente la relación entre la
desigualdad de precipitación y el gradiente altitudinal en la cuenca.
Correlación con Longitud: Para SENAMHI, la longitud muestra una correlación negativa muy fuerte
con CI1 (Pearson r = -0.77; Spearman ρ = -0.75; Kendall τ = -0.59) y con PCI (r = -0.74; ρ = -0.67; τ =
-0.49). Las estaciones más cercanas a la costa (longitud más cercana a -80°) presentan alta
concentración, mientras que las del interior (longitud más cercana a -78°) muestran baja concentración.
Para PISCO, las correlaciones son (Pearson r = -0.77; Spearman ρ = -0.78; Kendall τ = -0.59) y aún
más pronunciadas para PCI (Pearson r = -0.89; Spearman ρ = -0.83; Kendall τ = -0.67), manteniendo el
mismo patrón cualitativo (Huerta y otros, 2022). Sin embargo, la correlación de GI1 con longitud en
PISCO es positiva y moderada (Pearson r = 0.63; Spearman ρ = 0.54; Kendall τ = 0.31), lo que
nuevamente muestra un comportamiento errático del producto grillado para este índice específico,
contradiciendo la relación negativa observada en SENAMHI.
Correlación con Latitud: Ambas fuentes muestran correlación débil y no significativa con todos los
índices. Para SENAMHI, los coeficientes oscilan entre r = -0.23 y -0.13, con valores similares en
Spearman y Kendall. Para PISCO, los coeficientes son cercanos a cero (r ≈ 0.02; ρ ≈ 0.02; τ ≈ 0.00).
Esto indica que la latitud no es un factor determinante a la escala de la cuenca (aproximadamente 1.5
grados), consistente con lo reportado por (Arias y otros, 2021) para regiones de extensión latitudinal
limitada.
captura la relación general, aunque con mayor dispersión estadística (Aybar y otros, 2020; Huerta y
otros, 2022). A medida que la altitud aumenta, la concentración de lluvias disminuye drásticamente en
ambas fuentes, resultado consistente con estudios en otras regiones montañosas que demuestran el
control orográfico sobre la distribución de precipitaciones (Arias y otros, 2021)
Sin embargo, para el índice GI1 se observa una discrepancia notable entre fuentes. Mientras que
SENAMHI muestra una fuerte correlación negativa (r = -0.84), indicando que a mayor altitud la
desigualdad en la distribución de lluvias disminuye, PISCO presenta una correlación positiva (Pearson
r = 0.47; Spearman ρ = 0.43; Kendall τ = 0.25). Este resultado es físicamente inconsistente, ya que
sugiere que a mayor altitud la precipitación sería más desigual, contradiciendo el patrón observado por
SENAMHI y la literatura especializada (Benhamrouche & Martín-Vide, 2018). Esta anomalía evidencia
una limitación importante del producto grillado para representar adecuadamente la relación entre la
desigualdad de precipitación y el gradiente altitudinal en la cuenca.
Correlación con Longitud: Para SENAMHI, la longitud muestra una correlación negativa muy fuerte
con CI1 (Pearson r = -0.77; Spearman ρ = -0.75; Kendall τ = -0.59) y con PCI (r = -0.74; ρ = -0.67; τ =
-0.49). Las estaciones más cercanas a la costa (longitud más cercana a -80°) presentan alta
concentración, mientras que las del interior (longitud más cercana a -78°) muestran baja concentración.
Para PISCO, las correlaciones son (Pearson r = -0.77; Spearman ρ = -0.78; Kendall τ = -0.59) y aún
más pronunciadas para PCI (Pearson r = -0.89; Spearman ρ = -0.83; Kendall τ = -0.67), manteniendo el
mismo patrón cualitativo (Huerta y otros, 2022). Sin embargo, la correlación de GI1 con longitud en
PISCO es positiva y moderada (Pearson r = 0.63; Spearman ρ = 0.54; Kendall τ = 0.31), lo que
nuevamente muestra un comportamiento errático del producto grillado para este índice específico,
contradiciendo la relación negativa observada en SENAMHI.
Correlación con Latitud: Ambas fuentes muestran correlación débil y no significativa con todos los
índices. Para SENAMHI, los coeficientes oscilan entre r = -0.23 y -0.13, con valores similares en
Spearman y Kendall. Para PISCO, los coeficientes son cercanos a cero (r ≈ 0.02; ρ ≈ 0.02; τ ≈ 0.00).
Esto indica que la latitud no es un factor determinante a la escala de la cuenca (aproximadamente 1.5
grados), consistente con lo reportado por (Arias y otros, 2021) para regiones de extensión latitudinal
limitada.
pág. 1516
Correlación con GI5 y GI10: Es importante señalar que, si bien en este artículo nos centramos en GI1,
los índices para clases superiores (GI5 y GI10) resultaron en correlaciones muy bajas y
mayoritariamente positivas, lo que refuerza la idea de que estos índices no son adecuados para el análisis
a escalas superiores de 1 mm (Benhamrouche & Martín-Vide, 2018). PISCO muestra un
comportamiento particularmente errático para estos índices, como se observa en la correlación positiva
y moderada entre GI1 y longitud (r = 0.63), que contradice el patrón físico esperado y evidencia las
limitaciones del producto grillado para este tipo de análisis.
Correlación entre Índices de Concentración y Variables Pluviométricas: Comparación
SENAMHI vs PISCO
Días de Lluvia: Para SENAMHI, existe una fuerte correlación negativa entre el número de días de
lluvia y los índices de concentración. Para CI1, los coeficientes son: Pearson r = -0.85; Spearman ρ = -
0.77; Kendall τ = -0.60. La consistencia entre los tres coeficientes refuerza la robustez de esta relación.
Las estaciones con más días de lluvia (sierra) presentan menor concentración, y viceversa (Segura y
otros, 2020). Para PISCO, la correlación es similar pero ligeramente más débil (Pearson r = -0.78;
Spearman ρ = -0.72; Kendall τ = -0.50), indicando que el producto grillado reproduce adecuadamente
esta relación, aunque con cierto “ruido” estadístico.
Precipitación Media Anual: Para SENAMHI, la correlación también es negativa y fuerte. Para CI1,
los coeficientes son: Pearson r = -0.78; Spearman ρ = -0.76; Kendall τ = -0.56. Una mayor cantidad de
lluvia anual no implica mayor concentración, sino una distribución más equitativa, como ocurre en la
sierra. Este patrón, confirmado por los tres coeficientes, indica que las zonas más lluviosas de la cuenca
(sierra) presentan lluvias mejor distribuidas a lo largo del año. Para PISCO, el patrón similar (Pearson
r = -0.72; Spearman ρ = -0.69; Kendall τ = -0.43), aunque con valores ligeramente inferiores (Genovese
y otros, 2025; Beck y otros, 2017).
Análisis de Variabilidad Temporal: Comparación SENAMHI vs PISCO
Índice de Irregularidad (S1)
La Tabla 2 presenta los resultados del Índice de Irregularidad Temporal (S1) para los datos de las
estaciones del SENAMHI y PISCO.
Correlación con GI5 y GI10: Es importante señalar que, si bien en este artículo nos centramos en GI1,
los índices para clases superiores (GI5 y GI10) resultaron en correlaciones muy bajas y
mayoritariamente positivas, lo que refuerza la idea de que estos índices no son adecuados para el análisis
a escalas superiores de 1 mm (Benhamrouche & Martín-Vide, 2018). PISCO muestra un
comportamiento particularmente errático para estos índices, como se observa en la correlación positiva
y moderada entre GI1 y longitud (r = 0.63), que contradice el patrón físico esperado y evidencia las
limitaciones del producto grillado para este tipo de análisis.
Correlación entre Índices de Concentración y Variables Pluviométricas: Comparación
SENAMHI vs PISCO
Días de Lluvia: Para SENAMHI, existe una fuerte correlación negativa entre el número de días de
lluvia y los índices de concentración. Para CI1, los coeficientes son: Pearson r = -0.85; Spearman ρ = -
0.77; Kendall τ = -0.60. La consistencia entre los tres coeficientes refuerza la robustez de esta relación.
Las estaciones con más días de lluvia (sierra) presentan menor concentración, y viceversa (Segura y
otros, 2020). Para PISCO, la correlación es similar pero ligeramente más débil (Pearson r = -0.78;
Spearman ρ = -0.72; Kendall τ = -0.50), indicando que el producto grillado reproduce adecuadamente
esta relación, aunque con cierto “ruido” estadístico.
Precipitación Media Anual: Para SENAMHI, la correlación también es negativa y fuerte. Para CI1,
los coeficientes son: Pearson r = -0.78; Spearman ρ = -0.76; Kendall τ = -0.56. Una mayor cantidad de
lluvia anual no implica mayor concentración, sino una distribución más equitativa, como ocurre en la
sierra. Este patrón, confirmado por los tres coeficientes, indica que las zonas más lluviosas de la cuenca
(sierra) presentan lluvias mejor distribuidas a lo largo del año. Para PISCO, el patrón similar (Pearson
r = -0.72; Spearman ρ = -0.69; Kendall τ = -0.43), aunque con valores ligeramente inferiores (Genovese
y otros, 2025; Beck y otros, 2017).
Análisis de Variabilidad Temporal: Comparación SENAMHI vs PISCO
Índice de Irregularidad (S1)
La Tabla 2 presenta los resultados del Índice de Irregularidad Temporal (S1) para los datos de las
estaciones del SENAMHI y PISCO.
pág. 1517
Tabla 2. Índice de Irregularidad Temporal (S1) para estaciones SENAMHI y PISCO.
Ítem Estación S1 SENAMHI S1 PISCO
1 Pimentel 0.52 0.71
2 Reque 0.97 0.90
3 Lambayeque 1.05 0.91
4 Ferreñafe 1.07 1.11
5 Jayanca 1.49 1.08
6 Sipán 0.90 0.97
7 Cayaltí 0.78 0.89
8 Tinajones 1.11 0.98
9 Puchaca 1.16 0.85
10 Tocmoche 1.15 0.72
11 Chancay Baños 0.32 0.24
12 Cochabamba 0.47 0.25
13 Querocotillo 0.30 0.29
14 Santa Cruz 0.50 0.25
15 Llama 0.50 0.45
16 Chotano Lajas 0.22 1.09
17 Huambos 0.56 0.30
18 Chugur 0.25 0.20
19 Tongod - 0.18
20 Incahuasi 0.30 0.47
21 Quilcate 0.30 0.18
22 Quebrada Shugar 0.17 0.16
Nota. Elaborado por el investigador.
Los valores del Índice de Irregularidad Temporal (S1) para las 22 estaciones analizadas, calculados a
partir de las series anuales de precipitación de SENAMHI y PISCO. Este índice cuantifica la
“rugosidad” de la serie temporal, es decir, la magnitud de los cambios entre años consecutivos, donde
valores superiores a 1.0 indican alta irregularidad y valores inferiores a 0.5 indican alta regularidad
(Escobedo & Sarricolea, 2017).
Alta irregularidad (S1 > 1.0): Para SENAMHI, estaciones costeras como Jayanca (1.49), es la estación
más irregular, seguida por Puchaca (1.16), Tinajones (1.11), Ferreñafe (1.07) y Lambayeque (1.05).
Estos valores indican que la precipitación anual puede variar radicalmente entre años consecutivos,
pasando de años extremadamente húmedos (asociados a eventos El Niño) a años muy secos. Este patrón
Tabla 2. Índice de Irregularidad Temporal (S1) para estaciones SENAMHI y PISCO.
Ítem Estación S1 SENAMHI S1 PISCO
1 Pimentel 0.52 0.71
2 Reque 0.97 0.90
3 Lambayeque 1.05 0.91
4 Ferreñafe 1.07 1.11
5 Jayanca 1.49 1.08
6 Sipán 0.90 0.97
7 Cayaltí 0.78 0.89
8 Tinajones 1.11 0.98
9 Puchaca 1.16 0.85
10 Tocmoche 1.15 0.72
11 Chancay Baños 0.32 0.24
12 Cochabamba 0.47 0.25
13 Querocotillo 0.30 0.29
14 Santa Cruz 0.50 0.25
15 Llama 0.50 0.45
16 Chotano Lajas 0.22 1.09
17 Huambos 0.56 0.30
18 Chugur 0.25 0.20
19 Tongod - 0.18
20 Incahuasi 0.30 0.47
21 Quilcate 0.30 0.18
22 Quebrada Shugar 0.17 0.16
Nota. Elaborado por el investigador.
Los valores del Índice de Irregularidad Temporal (S1) para las 22 estaciones analizadas, calculados a
partir de las series anuales de precipitación de SENAMHI y PISCO. Este índice cuantifica la
“rugosidad” de la serie temporal, es decir, la magnitud de los cambios entre años consecutivos, donde
valores superiores a 1.0 indican alta irregularidad y valores inferiores a 0.5 indican alta regularidad
(Escobedo & Sarricolea, 2017).
Alta irregularidad (S1 > 1.0): Para SENAMHI, estaciones costeras como Jayanca (1.49), es la estación
más irregular, seguida por Puchaca (1.16), Tinajones (1.11), Ferreñafe (1.07) y Lambayeque (1.05).
Estos valores indican que la precipitación anual puede variar radicalmente entre años consecutivos,
pasando de años extremadamente húmedos (asociados a eventos El Niño) a años muy secos. Este patrón
pág. 1518
es consistente con la influencia del ENSO en la costa norte peruana, documentada por (Cai y otros,
2020; Takahashi & Martínez, 2019). Los valores en estas mismas estaciones son sistemáticamente más
bajos: Jayanca (1.08), Puchaca (0.85), Tinajones (0.98), Ferreñafe (1.11) y Lambayeque (0.91). La
única excepción es Ferreñafe, donde PISCO muestra un valor ligeramente superior (1.11 vs 1.07). En
general, esta subestimación evidencia que el producto grillado tiende a suavizar la variabilidad
interanual, probablemente debido a los algoritmos de interpolación espacial que promedian las señales
locales (Huerta y otros, 2022; Aybar y otros, 2020).
Moderada/Baja irregularidad (S1 < 0.5): Para SENAMHI, las estaciones altoandinas presentan alta
regularidad: Quebrada Shugar (0.17), Chotano Lajas (0.22), Chugur (0.25), Querocotillo (0.30),
Incahuasi (0.30), Quilcate (0.30) y Chancay Baños (0.32). Estos valores indican que en la sierra la
precipitación es mucho más estable año tras año, ofreciendo una fuente de agua predecible para la
recarga de acuíferos y el caudal base de los ríos (Ochoa-Tocachi y otros, 2016). Para PISCO, los valores
en estas estaciones son generalmente similares o incluso más bajos: Quebrada Shugar (0.16), Chugur
(0.20), Quilcate (0.18), Chancay Baños (0.24), Cochabamba (0.25), Santa Cruz (0.25), Querocotillo
(0.29) y Huambos (0.30). Esto sugiere que en zonas de sierra, PISCO reproduce adecuadamente la
regularidad observada por SENAMHI (Escobedo & Sarricolea, 2017).
Comentario aparte merece la estación Chotano Lajas, debido a muestra una discrepancia preocupante
entre fuentes. SENAMHI registra un valor de 0.22 (alta regularidad, consistente con su ubicación
altoandina), mientras que PISCO registra 1.09 (alta irregularidad, comparable a las estaciones costeras).
Esta anomalía sugiere problemas severos en la interpolación de PISCO para esta ubicación específica,
probablemente debido a la baja densidad de estaciones de referencia en esa zona o a características
topográficas complejas que el algoritmo no logra representar adecuadamente (Satgé y otros, 2015; Beck
y otros, 2017).
Coeficiente de Variación (CV)
La Tabla 3 presenta los resultados del Coeficiente de Variación (CV) para los datos de las estaciones
del SENAMHI y PISCO.
es consistente con la influencia del ENSO en la costa norte peruana, documentada por (Cai y otros,
2020; Takahashi & Martínez, 2019). Los valores en estas mismas estaciones son sistemáticamente más
bajos: Jayanca (1.08), Puchaca (0.85), Tinajones (0.98), Ferreñafe (1.11) y Lambayeque (0.91). La
única excepción es Ferreñafe, donde PISCO muestra un valor ligeramente superior (1.11 vs 1.07). En
general, esta subestimación evidencia que el producto grillado tiende a suavizar la variabilidad
interanual, probablemente debido a los algoritmos de interpolación espacial que promedian las señales
locales (Huerta y otros, 2022; Aybar y otros, 2020).
Moderada/Baja irregularidad (S1 < 0.5): Para SENAMHI, las estaciones altoandinas presentan alta
regularidad: Quebrada Shugar (0.17), Chotano Lajas (0.22), Chugur (0.25), Querocotillo (0.30),
Incahuasi (0.30), Quilcate (0.30) y Chancay Baños (0.32). Estos valores indican que en la sierra la
precipitación es mucho más estable año tras año, ofreciendo una fuente de agua predecible para la
recarga de acuíferos y el caudal base de los ríos (Ochoa-Tocachi y otros, 2016). Para PISCO, los valores
en estas estaciones son generalmente similares o incluso más bajos: Quebrada Shugar (0.16), Chugur
(0.20), Quilcate (0.18), Chancay Baños (0.24), Cochabamba (0.25), Santa Cruz (0.25), Querocotillo
(0.29) y Huambos (0.30). Esto sugiere que en zonas de sierra, PISCO reproduce adecuadamente la
regularidad observada por SENAMHI (Escobedo & Sarricolea, 2017).
Comentario aparte merece la estación Chotano Lajas, debido a muestra una discrepancia preocupante
entre fuentes. SENAMHI registra un valor de 0.22 (alta regularidad, consistente con su ubicación
altoandina), mientras que PISCO registra 1.09 (alta irregularidad, comparable a las estaciones costeras).
Esta anomalía sugiere problemas severos en la interpolación de PISCO para esta ubicación específica,
probablemente debido a la baja densidad de estaciones de referencia en esa zona o a características
topográficas complejas que el algoritmo no logra representar adecuadamente (Satgé y otros, 2015; Beck
y otros, 2017).
Coeficiente de Variación (CV)
La Tabla 3 presenta los resultados del Coeficiente de Variación (CV) para los datos de las estaciones
del SENAMHI y PISCO.
pág. 1519
Tabla 3. Coeficiente de Variación (CV) para estaciones SENAMHI y PISCO.
Ítem Estación CV SENAMHI (%) CV PISCO (%)
1 Pimentel 222 126
2 Reque 145 175
3 Lambayeque 153 152
4 Ferreñafe 210 185
5 Jayanca 208 179
6 Sipán 157 184
7 Cayaltí 145 176
8 Tinajones 160 160
9 Puchaca 91 103
10 Tocmoche 85 70
11 Chancay Baños 30 24
12 Cochabamba 35 25
13 Querocotillo 27 29
14 Santa Cruz 59 27
15 Llama 49 50
16 Chotano Lajas 23 198
17 Huambos 44 32
18 Chugur 22 21
19 Tongod - 18
20 Incahuasi 35 46
21 Quilcate 25 20
22 Quebrada Shugar 25 16
Nota. Elaborado por el investigador.
Los resultados de las estimaciones para el CV (Tabla 3) corrobora el patrón del S1 de manera aún más
categórica, permitiendo identificar con claridad las zonas de alta y baja variabilidad interanual.
Las categorías detectadas para este coeficiente, se describen:
CV extremadamente alto (> 150%): Para SENAMHI, todas las estaciones costeras presentan CV
excepcionalmente altos, confirmando la influencia dominante del ENSO en la variabilidad interanual
de la costa norte peruana (Takahashi & Martínez, 2019). Los valores más extremos son: Pimentel
(222%), Ferreñafe (210%), Jayanca (208%), Tinajones (160%), Sipán (157%), Lambayeque (153%),
Reque (145%) y Cayaltí (145%). Para PISCO, los valores son consistentemente más bajos en la mayoría
de las estaciones costeras: Pimentel (126%), Ferreñafe (185%), Jayanca (179%), Tinajones (160%),
Tabla 3. Coeficiente de Variación (CV) para estaciones SENAMHI y PISCO.
Ítem Estación CV SENAMHI (%) CV PISCO (%)
1 Pimentel 222 126
2 Reque 145 175
3 Lambayeque 153 152
4 Ferreñafe 210 185
5 Jayanca 208 179
6 Sipán 157 184
7 Cayaltí 145 176
8 Tinajones 160 160
9 Puchaca 91 103
10 Tocmoche 85 70
11 Chancay Baños 30 24
12 Cochabamba 35 25
13 Querocotillo 27 29
14 Santa Cruz 59 27
15 Llama 49 50
16 Chotano Lajas 23 198
17 Huambos 44 32
18 Chugur 22 21
19 Tongod - 18
20 Incahuasi 35 46
21 Quilcate 25 20
22 Quebrada Shugar 25 16
Nota. Elaborado por el investigador.
Los resultados de las estimaciones para el CV (Tabla 3) corrobora el patrón del S1 de manera aún más
categórica, permitiendo identificar con claridad las zonas de alta y baja variabilidad interanual.
Las categorías detectadas para este coeficiente, se describen:
CV extremadamente alto (> 150%): Para SENAMHI, todas las estaciones costeras presentan CV
excepcionalmente altos, confirmando la influencia dominante del ENSO en la variabilidad interanual
de la costa norte peruana (Takahashi & Martínez, 2019). Los valores más extremos son: Pimentel
(222%), Ferreñafe (210%), Jayanca (208%), Tinajones (160%), Sipán (157%), Lambayeque (153%),
Reque (145%) y Cayaltí (145%). Para PISCO, los valores son consistentemente más bajos en la mayoría
de las estaciones costeras: Pimentel (126%), Ferreñafe (185%), Jayanca (179%), Tinajones (160%),
pág. 1520
Sipán (184%), Lambayeque (152%), Reque (175%) y Cayaltí (176%). Sin embargo, se observa que en
algunas estaciones como Sipán (157% vs 184%) y Reque (145% vs 175%), PISCO sobreestima
ligeramente el CV, lo que indica que el comportamiento del producto grillado no es uniforme en toda
la costa. En general, la tendencia predominante es la subestimación de los extremos, especialmente
notable en Pimentel (222% vs 126%), lo que evidencia que PISCO suaviza la variabilidad interanual
(Huerta y otros, 2022; Aybar y otros, 2020).
CV moderado a bajo (< 50%): Para SENAMHI, las estaciones de sierra presentan CV notablemente
bajos: Chotano Lajas (23%), Chugur (22%), Querocotillo (27%), Quebrada Shugar (25%), Quilcate
(25%), Chancay Baños (30%), Incahuasi (35%) y Cochabamba (35%). Estos valores indican que la
precipitación en la sierra es mucho más estable año tras año, ofreciendo una fuente de agua predecible
para la recarga de acuíferos y el caudal base de los ríos (Ochoa-Tocachi y otros, 2016; Segura y otros,
2020). Para PISCO, los valores en estas estaciones son generalmente similares o incluso más bajos:
Chugur (21%), Quilcate (20%), Quebrada Shugar (16%), Chancay Baños (24%), Cochabamba (25%),
Querocotillo (29%), Huambos (32%) e Incahuasi (46%). Esto sugiere que en zonas de sierra, PISCO
reproduce adecuadamente la baja variabilidad observada por SENAMHI, con la excepción de Incahuasi,
donde PISCO muestra un valor algo más alto (46% vs 35%).
Tal como se mencionó en el apartado anterior del S1, para el caso del CV, la estación Chotano Lajas
presenta la discrepancia más preocupante de toda la serie. SENAMHI registra un CV de 23% (baja
variabilidad, consistente con su ubicación altoandina), mientras que PISCO registra 198% (variabilidad
extremadamente alta, comparable a las estaciones costeras más extremas). Esta anomalía, que ya se
había detectado en el índice S1 (SENAMHI: 0.22 vs PISCO: 1.09), evidencia un problema severo en la
interpolación de PISCO para esta ubicación específica. Las causas probables incluyen baja densidad de
estaciones de referencia cercanas, características topográficas complejas que el algoritmo no logra
representar, o errores en los datos de entrada para esa celda grillada (Satgé y otros, 2015; Beck y otros,
2017).
Síntesis Comparativa SENAMHI vs PISCO
Sobre las correlaciones:
Sipán (184%), Lambayeque (152%), Reque (175%) y Cayaltí (176%). Sin embargo, se observa que en
algunas estaciones como Sipán (157% vs 184%) y Reque (145% vs 175%), PISCO sobreestima
ligeramente el CV, lo que indica que el comportamiento del producto grillado no es uniforme en toda
la costa. En general, la tendencia predominante es la subestimación de los extremos, especialmente
notable en Pimentel (222% vs 126%), lo que evidencia que PISCO suaviza la variabilidad interanual
(Huerta y otros, 2022; Aybar y otros, 2020).
CV moderado a bajo (< 50%): Para SENAMHI, las estaciones de sierra presentan CV notablemente
bajos: Chotano Lajas (23%), Chugur (22%), Querocotillo (27%), Quebrada Shugar (25%), Quilcate
(25%), Chancay Baños (30%), Incahuasi (35%) y Cochabamba (35%). Estos valores indican que la
precipitación en la sierra es mucho más estable año tras año, ofreciendo una fuente de agua predecible
para la recarga de acuíferos y el caudal base de los ríos (Ochoa-Tocachi y otros, 2016; Segura y otros,
2020). Para PISCO, los valores en estas estaciones son generalmente similares o incluso más bajos:
Chugur (21%), Quilcate (20%), Quebrada Shugar (16%), Chancay Baños (24%), Cochabamba (25%),
Querocotillo (29%), Huambos (32%) e Incahuasi (46%). Esto sugiere que en zonas de sierra, PISCO
reproduce adecuadamente la baja variabilidad observada por SENAMHI, con la excepción de Incahuasi,
donde PISCO muestra un valor algo más alto (46% vs 35%).
Tal como se mencionó en el apartado anterior del S1, para el caso del CV, la estación Chotano Lajas
presenta la discrepancia más preocupante de toda la serie. SENAMHI registra un CV de 23% (baja
variabilidad, consistente con su ubicación altoandina), mientras que PISCO registra 198% (variabilidad
extremadamente alta, comparable a las estaciones costeras más extremas). Esta anomalía, que ya se
había detectado en el índice S1 (SENAMHI: 0.22 vs PISCO: 1.09), evidencia un problema severo en la
interpolación de PISCO para esta ubicación específica. Las causas probables incluyen baja densidad de
estaciones de referencia cercanas, características topográficas complejas que el algoritmo no logra
representar, o errores en los datos de entrada para esa celda grillada (Satgé y otros, 2015; Beck y otros,
2017).
Síntesis Comparativa SENAMHI vs PISCO
Sobre las correlaciones:
pág. 1521
Las correlaciones obtenidas con datos PISCO siguen la misma dirección (signo) que las de SENAMHI,
pero con magnitudes sistemáticamente menores para los índices C1 y PCI. Por ejemplo, la correlación
de Pearson entre CI1 y altitud con PISCO es de -0.78 (R² = 0.61), frente al -0.85 (R² = 0.72) de
SENAMHI. La correlación con días de lluvia pasa de -0.85 (SENAMHI) a -0.78 (PISCO). Esto sugiere
que, aunque PISCO captura la tendencia general de las relaciones geográficas y pluviométricas, el
“ruido” o error asociado a sus datos debilita la fuerza de las relaciones (Beck y otros, 2017; Aybar y
otros, 2020).
Sin embargo, para el índice GI1, PISCO muestra un comportamiento errático e inconsistentemente
opuesto al de SENAMHI (correlación positiva con altitud: r = 0.47 vs -0.84; correlación positiva con
longitud: r = 0.63 vs -0.74). Esto evidencia que el producto grillado no es confiable para el análisis de
la desigualdad en la distribución diaria de lluvias medida por el GI (Benhamrouche & Martín-Vide,
2018).
Sobre la variabilidad temporal
En cuanto a la variabilidad temporal, PISCO reproduce cualitativamente el patrón costa-sierra (alta
variabilidad en la costa, baja en la sierra), aunque con importantes limitaciones cuantitativas:
▪ Para el CV, PISCO subestima sistemáticamente los valores extremos en la mayoría de las
estaciones costeras (ej. Pimentel: 222% vs 126%).
▪ Para el S1, el comportamiento de PISCO en la costa no sigue un patrón uniforme: en algunas
estaciones subestima (ej. Jayanca: 1.49 vs 1.08), en otras sobrestima (ej. Pimentel: 0.52 vs 0.71).
▪ Presenta una anomalía grave en Chotano Lajas (S1: 0.22 vs 1.09; CV: 23% vs 198%), donde el
patrón observado por SENAMHI se invierte completamente.
Estas limitaciones evidencian que, si bien PISCO puede ser útil para análisis regionales cualitativos y
para identificar patrones generales de correlación geográfica, no debe utilizarse para cuantificación
absoluta de índices de variabilidad temporal ni para estudios que requieran alta precisión en valores
extremos, especialmente en zonas de topografía compleja (Huerta y otros, 2022; Satgé y otros, 2015).
Las correlaciones obtenidas con datos PISCO siguen la misma dirección (signo) que las de SENAMHI,
pero con magnitudes sistemáticamente menores para los índices C1 y PCI. Por ejemplo, la correlación
de Pearson entre CI1 y altitud con PISCO es de -0.78 (R² = 0.61), frente al -0.85 (R² = 0.72) de
SENAMHI. La correlación con días de lluvia pasa de -0.85 (SENAMHI) a -0.78 (PISCO). Esto sugiere
que, aunque PISCO captura la tendencia general de las relaciones geográficas y pluviométricas, el
“ruido” o error asociado a sus datos debilita la fuerza de las relaciones (Beck y otros, 2017; Aybar y
otros, 2020).
Sin embargo, para el índice GI1, PISCO muestra un comportamiento errático e inconsistentemente
opuesto al de SENAMHI (correlación positiva con altitud: r = 0.47 vs -0.84; correlación positiva con
longitud: r = 0.63 vs -0.74). Esto evidencia que el producto grillado no es confiable para el análisis de
la desigualdad en la distribución diaria de lluvias medida por el GI (Benhamrouche & Martín-Vide,
2018).
Sobre la variabilidad temporal
En cuanto a la variabilidad temporal, PISCO reproduce cualitativamente el patrón costa-sierra (alta
variabilidad en la costa, baja en la sierra), aunque con importantes limitaciones cuantitativas:
▪ Para el CV, PISCO subestima sistemáticamente los valores extremos en la mayoría de las
estaciones costeras (ej. Pimentel: 222% vs 126%).
▪ Para el S1, el comportamiento de PISCO en la costa no sigue un patrón uniforme: en algunas
estaciones subestima (ej. Jayanca: 1.49 vs 1.08), en otras sobrestima (ej. Pimentel: 0.52 vs 0.71).
▪ Presenta una anomalía grave en Chotano Lajas (S1: 0.22 vs 1.09; CV: 23% vs 198%), donde el
patrón observado por SENAMHI se invierte completamente.
Estas limitaciones evidencian que, si bien PISCO puede ser útil para análisis regionales cualitativos y
para identificar patrones generales de correlación geográfica, no debe utilizarse para cuantificación
absoluta de índices de variabilidad temporal ni para estudios que requieran alta precisión en valores
extremos, especialmente en zonas de topografía compleja (Huerta y otros, 2022; Satgé y otros, 2015).
pág. 1522
DISCUSIÓN
La Altitud y la Longitud como Factores Determinantes: Consistencia y Limitaciones entre
Fuentes
La fuerte influencia de la altitud y la longitud en la concentración de lluvias, observada en ambas
fuentes, se explica por la dinámica atmosférica en los Andes tropicales occidentales. La humedad
amazónica es transportada por vientos alisios hacia la cordillera, generando precipitaciones orográficas
persistentes en las partes altas (Espinoza y otros, 2020; Cai y otros, 2020). La costa, aislada por la
cordillera, solo recibe lluvias durante irrupciones de aire cálido asociadas a ENSO (Takahashi &
Martínez, 2019).
Para los índices CI1 y PCI, la consistencia cualitativa entre SENAMHI y PISCO valida el uso del
producto grillado para estudios regionales que busquen identificar patrones generales de correlación
geográfica (Huerta y otros, 2022). Sin embargo, para el índice GI1 se observa una discrepancia
importante: mientras SENAMHI muestra una fuerte correlación negativa con la altitud (r = -0.84),
PISCO presenta una correlación positiva (r = 0.47), lo que evidencia que el producto grillado no es
confiable para analizar la desigualdad en la distribución diaria de lluvias medida por el GI
(Benhamrouche & Martín-Vide, 2018).
Los valores de CI1 obtenidos para las estaciones costeras con SENAMHI (0.60-0.71) son consistentes
con los reportados por Sarricolea & Martín-Vide (2012) para climas desérticos costeros en Chile (CI >
0.70). Asimismo, los valores en estaciones altoandinas (CI1 ~0.53) son comparables a los encontrados
por Zubieta y otros (2017) para los Andes centrales peruanos (0.44-0.52).
Estudios recientes confirman que aproximadamente el 70% de los eventos extremos en los Andes
peruanos ocurren durante años con presencia de ENSO, validando la fuerte conexión entre variabilidad
climática de gran escala y regímenes locales (Arana & Moggiano, 2023). La falta de correlación con
latitud en ambas fuentes se debe a la escala del estudio (~1.5 grados), insuficiente para que cambios
latitudinales tengan efecto perceptible en los índices de concentración (Arias y otros, 2021).
Variabilidad Temporal: La Huella del ENSO y las Limitaciones de PISCO
Los valores extremadamente altos de CV en la costa, registrados por SENAMHI (Pimentel: 222%;
Jayanca: 208%), son una firma inequívoca de la influencia del ENSO (Cai y otros, 2020). El valor de
DISCUSIÓN
La Altitud y la Longitud como Factores Determinantes: Consistencia y Limitaciones entre
Fuentes
La fuerte influencia de la altitud y la longitud en la concentración de lluvias, observada en ambas
fuentes, se explica por la dinámica atmosférica en los Andes tropicales occidentales. La humedad
amazónica es transportada por vientos alisios hacia la cordillera, generando precipitaciones orográficas
persistentes en las partes altas (Espinoza y otros, 2020; Cai y otros, 2020). La costa, aislada por la
cordillera, solo recibe lluvias durante irrupciones de aire cálido asociadas a ENSO (Takahashi &
Martínez, 2019).
Para los índices CI1 y PCI, la consistencia cualitativa entre SENAMHI y PISCO valida el uso del
producto grillado para estudios regionales que busquen identificar patrones generales de correlación
geográfica (Huerta y otros, 2022). Sin embargo, para el índice GI1 se observa una discrepancia
importante: mientras SENAMHI muestra una fuerte correlación negativa con la altitud (r = -0.84),
PISCO presenta una correlación positiva (r = 0.47), lo que evidencia que el producto grillado no es
confiable para analizar la desigualdad en la distribución diaria de lluvias medida por el GI
(Benhamrouche & Martín-Vide, 2018).
Los valores de CI1 obtenidos para las estaciones costeras con SENAMHI (0.60-0.71) son consistentes
con los reportados por Sarricolea & Martín-Vide (2012) para climas desérticos costeros en Chile (CI >
0.70). Asimismo, los valores en estaciones altoandinas (CI1 ~0.53) son comparables a los encontrados
por Zubieta y otros (2017) para los Andes centrales peruanos (0.44-0.52).
Estudios recientes confirman que aproximadamente el 70% de los eventos extremos en los Andes
peruanos ocurren durante años con presencia de ENSO, validando la fuerte conexión entre variabilidad
climática de gran escala y regímenes locales (Arana & Moggiano, 2023). La falta de correlación con
latitud en ambas fuentes se debe a la escala del estudio (~1.5 grados), insuficiente para que cambios
latitudinales tengan efecto perceptible en los índices de concentración (Arias y otros, 2021).
Variabilidad Temporal: La Huella del ENSO y las Limitaciones de PISCO
Los valores extremadamente altos de CV en la costa, registrados por SENAMHI (Pimentel: 222%;
Jayanca: 208%), son una firma inequívoca de la influencia del ENSO (Cai y otros, 2020). El valor de
pág. 1523
S1 para Jayanca (1.49) es excepcionalmente alto, indicando que la infraestructura hídrica debe soportar
tanto sequías extremas como lluvias torrenciales. La baja variabilidad en sierra, consistente en ambas
fuentes (CV < 35%), ofrece una fuente de agua más predecible para recarga de acuíferos y caudal base
(Ochoa-Tocachi y otros, 2016).
Sin embargo, las limitaciones de PISCO para la variabilidad temporal son evidentes:
▪ Para el CV: PISCO subestima sistemáticamente los valores extremos en la mayoría de las
estaciones costeras (ej. Pimentel: 222% vs 126%; Jayanca: 208% vs 179%).
▪ Para el S1: El comportamiento de PISCO en la costa no sigue un patrón uniforme: en algunas
estaciones subestima (ej. Jayanca: 1.49 vs 1.08), mientras que en otras sobrestima (ej. Pimentel:
0.52 vs 0.71).
▪ Anomalías graves: La estación Chotano Lajas presenta la discrepancia más preocupante, con
PISCO invirtiendo completamente el patrón observado por SENAMHI (CV: 198% vs 23%; S1:
1.09 vs 0.22).
Estas anomalías probablemente se deben a la interpolación espacial que realiza PISCO, que puede
generar discontinuidades en zonas de topografía compleja o con baja densidad de estaciones (Satgé y
otros, 2015; Aybar y otros, 2020).
Investigaciones en otras regiones montañosas confirman que métodos no paramétricos como Spearman
y Kendall son herramientas robustas para detectar cambios en variabilidad hidrológica, pero requieren
datos de alta calidad como los de estaciones convencionales (Fuladipanah y otros, 2025; Varghese y
otros, 2024). La comparación de los tres coeficientes en este estudio proporciona una evaluación robusta
de las relaciones identificadas (Patel y otros, 2024; Sobkowiak y otros, 2020).
Implicaciones para la Gestión de Recursos Hídricos y Uso de Fuentes
La dualidad costa-sierra revelada por este análisis exige un enfoque de gestión diferenciado pero
integrado, y la comparación de fuentes permite establecer recomendaciones específicas:
Gestión en la Costa (Alta Concentración y Variabilidad): Los valores de CI1 > 0.70 y CV > 200%
indican que la precipitación en la costa es extremadamente concentrada y variable. Se requiere
infraestructura de control de inundaciones y sistemas de alerta temprana para años húmedos, así como
planificación de sequías para años secos (Buytaert y otros, 2006). Para estos fines, los datos SENAMHI
S1 para Jayanca (1.49) es excepcionalmente alto, indicando que la infraestructura hídrica debe soportar
tanto sequías extremas como lluvias torrenciales. La baja variabilidad en sierra, consistente en ambas
fuentes (CV < 35%), ofrece una fuente de agua más predecible para recarga de acuíferos y caudal base
(Ochoa-Tocachi y otros, 2016).
Sin embargo, las limitaciones de PISCO para la variabilidad temporal son evidentes:
▪ Para el CV: PISCO subestima sistemáticamente los valores extremos en la mayoría de las
estaciones costeras (ej. Pimentel: 222% vs 126%; Jayanca: 208% vs 179%).
▪ Para el S1: El comportamiento de PISCO en la costa no sigue un patrón uniforme: en algunas
estaciones subestima (ej. Jayanca: 1.49 vs 1.08), mientras que en otras sobrestima (ej. Pimentel:
0.52 vs 0.71).
▪ Anomalías graves: La estación Chotano Lajas presenta la discrepancia más preocupante, con
PISCO invirtiendo completamente el patrón observado por SENAMHI (CV: 198% vs 23%; S1:
1.09 vs 0.22).
Estas anomalías probablemente se deben a la interpolación espacial que realiza PISCO, que puede
generar discontinuidades en zonas de topografía compleja o con baja densidad de estaciones (Satgé y
otros, 2015; Aybar y otros, 2020).
Investigaciones en otras regiones montañosas confirman que métodos no paramétricos como Spearman
y Kendall son herramientas robustas para detectar cambios en variabilidad hidrológica, pero requieren
datos de alta calidad como los de estaciones convencionales (Fuladipanah y otros, 2025; Varghese y
otros, 2024). La comparación de los tres coeficientes en este estudio proporciona una evaluación robusta
de las relaciones identificadas (Patel y otros, 2024; Sobkowiak y otros, 2020).
Implicaciones para la Gestión de Recursos Hídricos y Uso de Fuentes
La dualidad costa-sierra revelada por este análisis exige un enfoque de gestión diferenciado pero
integrado, y la comparación de fuentes permite establecer recomendaciones específicas:
Gestión en la Costa (Alta Concentración y Variabilidad): Los valores de CI1 > 0.70 y CV > 200%
indican que la precipitación en la costa es extremadamente concentrada y variable. Se requiere
infraestructura de control de inundaciones y sistemas de alerta temprana para años húmedos, así como
planificación de sequías para años secos (Buytaert y otros, 2006). Para estos fines, los datos SENAMHI
pág. 1524
son insustituibles por su precisión en la cuantificación de extremos. PISCO puede usarse para
identificación preliminar de zonas de riesgo, pero los diseños de ingeniería deben basarse en estaciones
convencionales.
Gestión en la Sierra (Menor Concentración y Variabilidad): Los valores de CI1 ~0.53 y CV < 35%
indican una distribución más homogénea y estable. Las prioridades son conservación de páramos y
cabeceras de cuenca, siembra y cosecha de agua, y prácticas agrícolas sostenibles que mantengan la
capacidad de infiltración del suelo (Ochoa-Tocachi y otros, 2016). En estas zonas, PISCO muestra
mejor desempeño relativo y puede complementar la información de SENAMHI, especialmente en áreas
con baja densidad de estaciones.
Recomendación para uso de PISCO: El producto grillado es válido para análisis regionales
cualitativos y para identificar patrones generales de correlación para índices como CI1 y PCI. Sin
embargo, no debe utilizarse para cuantificación absoluta de índices de variabilidad temporal
(especialmente CV y S1), ni para el análisis del índice GI1, ni para estudios que requieran alta precisión
en valores extremos, particularmente en zonas de topografía compleja (Beck y otros, 2017; Huerta y
otros, 2022). Las anomalías detectadas (como en Chotano Lajas) recomiendan un filtrado previo de
estaciones con comportamientos erráticos cuando se utilice PISCO.
CONCLUSIONES
Predictores Geográficos: Ambas fuentes confirman que la altitud y la longitud son los principales
factores que controlan la concentración de precipitación diaria en la cuenca Chancay-Lambayeque, con
una correlación inversa muy fuerte para CI1 y PCI (r ≈ -0.85 para SENAMHI; r ≈ -0.78 para PISCO).
La latitud no es predictora relevante a escala de cuenca en ninguna fuente. Sin embargo, para el índice
GI1, PISCO presenta una correlación positiva con la altitud (r = 0.47) que contradice el patrón físico
observado por SENAMHI (r = -0.84), evidenciando que el producto grillado no es confiable para
analizar la desigualdad en la distribución diaria de lluvias.
Relación con Variables Pluviométricas: Para el índice CI1, la concentración de lluvias es
inversamente proporcional al número de días de lluvia y a la precipitación media anual en ambas
fuentes, aunque PISCO presenta correlaciones ligeramente más débiles (r ≈ -0.78 vs -0.85) debido al
“ruido” estadístico inherente al producto grillado.
son insustituibles por su precisión en la cuantificación de extremos. PISCO puede usarse para
identificación preliminar de zonas de riesgo, pero los diseños de ingeniería deben basarse en estaciones
convencionales.
Gestión en la Sierra (Menor Concentración y Variabilidad): Los valores de CI1 ~0.53 y CV < 35%
indican una distribución más homogénea y estable. Las prioridades son conservación de páramos y
cabeceras de cuenca, siembra y cosecha de agua, y prácticas agrícolas sostenibles que mantengan la
capacidad de infiltración del suelo (Ochoa-Tocachi y otros, 2016). En estas zonas, PISCO muestra
mejor desempeño relativo y puede complementar la información de SENAMHI, especialmente en áreas
con baja densidad de estaciones.
Recomendación para uso de PISCO: El producto grillado es válido para análisis regionales
cualitativos y para identificar patrones generales de correlación para índices como CI1 y PCI. Sin
embargo, no debe utilizarse para cuantificación absoluta de índices de variabilidad temporal
(especialmente CV y S1), ni para el análisis del índice GI1, ni para estudios que requieran alta precisión
en valores extremos, particularmente en zonas de topografía compleja (Beck y otros, 2017; Huerta y
otros, 2022). Las anomalías detectadas (como en Chotano Lajas) recomiendan un filtrado previo de
estaciones con comportamientos erráticos cuando se utilice PISCO.
CONCLUSIONES
Predictores Geográficos: Ambas fuentes confirman que la altitud y la longitud son los principales
factores que controlan la concentración de precipitación diaria en la cuenca Chancay-Lambayeque, con
una correlación inversa muy fuerte para CI1 y PCI (r ≈ -0.85 para SENAMHI; r ≈ -0.78 para PISCO).
La latitud no es predictora relevante a escala de cuenca en ninguna fuente. Sin embargo, para el índice
GI1, PISCO presenta una correlación positiva con la altitud (r = 0.47) que contradice el patrón físico
observado por SENAMHI (r = -0.84), evidenciando que el producto grillado no es confiable para
analizar la desigualdad en la distribución diaria de lluvias.
Relación con Variables Pluviométricas: Para el índice CI1, la concentración de lluvias es
inversamente proporcional al número de días de lluvia y a la precipitación media anual en ambas
fuentes, aunque PISCO presenta correlaciones ligeramente más débiles (r ≈ -0.78 vs -0.85) debido al
“ruido” estadístico inherente al producto grillado.
pág. 1525
Variabilidad Temporal en la Costa: SENAMHI registra CV > 200% y S1 > 1.0 en estaciones costeras
(ej. Jayanca: CV 208%, S1 1.49), reflejando la influencia dominante del ENSO. PISCO reproduce
cualitativamente este patrón, pero con limitaciones cuantitativas importantes: para el CV, subestima
sistemáticamente los valores extremos (ej. Pimentel: 222% vs 126%); para el S1, el comportamiento no
es uniforme (en Jayanca subestima: 1.49 vs 1.08; en Pimentel sobrestima: 0.52 vs 0.71).
Adicionalmente, presenta una anomalía grave en Chotano Lajas (CV: 198% vs 23%; S1: 1.09 vs 0.22),
donde el patrón observado por SENAMHI se invierte completamente.
Robustez y Regularidad en la Sierra: Ambas fuentes coinciden en CV < 35% y S1 < 0.5 en la mayoría
de las estaciones altoandinas (ej. Chancay Baños, Cochabamba, Quebrada Shugar), confirmando que la
sierra es la principal zona de regulación y provisión de agua de la cuenca, con un régimen de lluvias
más predecible y estable. La excepción es Chotano Lajas, donde PISCO muestra valores erráticos que
desaconsejan su uso en esa ubicación específica.
Aporte Metodológico: El análisis combinado de correlaciones paramétricas y no paramétricas
(Pearson, Spearman, Kendall) otorga robustez a los hallazgos. La comparación SENAMHI-PISCO
demuestra que, si bien PISCO puede ser útil para estudios regionales cualitativos de CI1 y PCI, los
datos de estaciones son insuperables para: (a) establecer relaciones de alta precisión con la geografía
local, (b) cuantificar la variabilidad temporal extrema (CV y S1), y (c) analizar índices como el GI1,
donde PISCO muestra inconsistencias graves.
Recomendaciones para la Gestión: Los resultados obtenidos proporcionan una base científica para la
planificación territorial y la gestión de recursos hídricos. En la costa, deben priorizarse infraestructuras
de control de inundaciones y sistemas de alerta temprana para eventos extremos asociados al ENSO.
En la sierra, deben implementarse estrategias de conservación de cabeceras de cuenca y prácticas de
siembra y cosecha de agua. Para el uso de PISCO en estudios aplicados: se recomienda utilizarlo solo
para análisis regionales cualitativos de CI1 y PCI, evitando su uso para cuantificación de extremos de
variabilidad (CV y S1) y para el análisis del índice GI1, especialmente en zonas de topografía compleja
como Chotano Lajas.
Variabilidad Temporal en la Costa: SENAMHI registra CV > 200% y S1 > 1.0 en estaciones costeras
(ej. Jayanca: CV 208%, S1 1.49), reflejando la influencia dominante del ENSO. PISCO reproduce
cualitativamente este patrón, pero con limitaciones cuantitativas importantes: para el CV, subestima
sistemáticamente los valores extremos (ej. Pimentel: 222% vs 126%); para el S1, el comportamiento no
es uniforme (en Jayanca subestima: 1.49 vs 1.08; en Pimentel sobrestima: 0.52 vs 0.71).
Adicionalmente, presenta una anomalía grave en Chotano Lajas (CV: 198% vs 23%; S1: 1.09 vs 0.22),
donde el patrón observado por SENAMHI se invierte completamente.
Robustez y Regularidad en la Sierra: Ambas fuentes coinciden en CV < 35% y S1 < 0.5 en la mayoría
de las estaciones altoandinas (ej. Chancay Baños, Cochabamba, Quebrada Shugar), confirmando que la
sierra es la principal zona de regulación y provisión de agua de la cuenca, con un régimen de lluvias
más predecible y estable. La excepción es Chotano Lajas, donde PISCO muestra valores erráticos que
desaconsejan su uso en esa ubicación específica.
Aporte Metodológico: El análisis combinado de correlaciones paramétricas y no paramétricas
(Pearson, Spearman, Kendall) otorga robustez a los hallazgos. La comparación SENAMHI-PISCO
demuestra que, si bien PISCO puede ser útil para estudios regionales cualitativos de CI1 y PCI, los
datos de estaciones son insuperables para: (a) establecer relaciones de alta precisión con la geografía
local, (b) cuantificar la variabilidad temporal extrema (CV y S1), y (c) analizar índices como el GI1,
donde PISCO muestra inconsistencias graves.
Recomendaciones para la Gestión: Los resultados obtenidos proporcionan una base científica para la
planificación territorial y la gestión de recursos hídricos. En la costa, deben priorizarse infraestructuras
de control de inundaciones y sistemas de alerta temprana para eventos extremos asociados al ENSO.
En la sierra, deben implementarse estrategias de conservación de cabeceras de cuenca y prácticas de
siembra y cosecha de agua. Para el uso de PISCO en estudios aplicados: se recomienda utilizarlo solo
para análisis regionales cualitativos de CI1 y PCI, evitando su uso para cuantificación de extremos de
variabilidad (CV y S1) y para el análisis del índice GI1, especialmente en zonas de topografía compleja
como Chotano Lajas.
pág. 1526
REFERENCIAS BIBLIOGRÁFICAS
Arana, D., & Moggiano, N. (2023). ENSO Influence on Agricultural Drought Identified by SPEI
Assessment in the Peruvian Tropical Andes, Mantaro Valley. Manglar, 20(2), 157-167.
https://doi.org/https://doi.org/10.57188/manglar.2023.018
Arias, P., Garreaud, R., Poveda, G., Espinoza, J., Molina-Carpio, J., Masiokas, M., . . . Van Oevelen,
P. (2021). Hydroclimate of the Andes Part II: Hydroclimate Variability and Sub-Continental
Patterns. Front. Earth Sci, 8(505467). https://doi.org/10.3389/feart.2020.505467
Aybar, C., Fernández, C., Huerta, A., Lavado, W., Vega, F., & Felipe-Obando, O. (2020). Construction
of a high-resolution gridded rainfall dataset for Peru from 1981 to the present day. Hydrological
Sciences Journal, 65(5), 770-785. https://doi.org/10.1080/02626667.2019.1649411
Aybar, C., Lavado-Casimiro, W., Huerta, A., Fernández, C., Vega, F., Sabino, E., & Felipe-Obando, O.
(2017). Uso del producto grilaldo "PISCO" de precipitación en Estudios, investigaciones y
Sistemas Operacionales de Monitoreo y Pronóstico Hidrometeorológico. Nota Técnica 001
Senamhi-DHI, 1-22.
Beck, H., Vergopolan, N., Pan, M., Levizzani, V., Van Dijk, A., Weedon, G., . . . Wood, E. (2017).
Global-scale evaluation of 22 precipitation datasets using gauge observations and hydrological
modeling. Hydrology and Earth System Sciences, 21(12), 6201-6217.
https://doi.org/10.5194/hess-21-6201-2017
Benhamrouche, A., & Martín-Vide, J. (2018). Analyse de la distribution spatiale des valeurs de quatre
indices de concentration des précipitations quotidiennes sur le littoral du bassin de la
Méditerranée occidentale (1951-2010). Geo-Eco-Trop, 42(1), 187-198.
Buytaert, W., Celleri, R., Willems, P., De Bièvre, B., & Wyseure, G. (2006). Spatial and temporal
rainfall variability in mountainous areas: A case study from the south Ecuadorian Andes.
Journal of Hydrology, 329(3-4), 413-421. https://doi.org/10.1016/j.jhydrol.2006.02.031
Cai, W., McPhaden, M., Grimm, A., Rodrigues, R., Taschetto, A., Garreaud, R., . . . Vera, C. (2020).
Climate impacts of the El Niño–Southern Oscillation on South America. Nature Reviews Earth
& Environment, 1, 215-231. https://doi.org/10.1038/s43017-020-0040-3
REFERENCIAS BIBLIOGRÁFICAS
Arana, D., & Moggiano, N. (2023). ENSO Influence on Agricultural Drought Identified by SPEI
Assessment in the Peruvian Tropical Andes, Mantaro Valley. Manglar, 20(2), 157-167.
https://doi.org/https://doi.org/10.57188/manglar.2023.018
Arias, P., Garreaud, R., Poveda, G., Espinoza, J., Molina-Carpio, J., Masiokas, M., . . . Van Oevelen,
P. (2021). Hydroclimate of the Andes Part II: Hydroclimate Variability and Sub-Continental
Patterns. Front. Earth Sci, 8(505467). https://doi.org/10.3389/feart.2020.505467
Aybar, C., Fernández, C., Huerta, A., Lavado, W., Vega, F., & Felipe-Obando, O. (2020). Construction
of a high-resolution gridded rainfall dataset for Peru from 1981 to the present day. Hydrological
Sciences Journal, 65(5), 770-785. https://doi.org/10.1080/02626667.2019.1649411
Aybar, C., Lavado-Casimiro, W., Huerta, A., Fernández, C., Vega, F., Sabino, E., & Felipe-Obando, O.
(2017). Uso del producto grilaldo "PISCO" de precipitación en Estudios, investigaciones y
Sistemas Operacionales de Monitoreo y Pronóstico Hidrometeorológico. Nota Técnica 001
Senamhi-DHI, 1-22.
Beck, H., Vergopolan, N., Pan, M., Levizzani, V., Van Dijk, A., Weedon, G., . . . Wood, E. (2017).
Global-scale evaluation of 22 precipitation datasets using gauge observations and hydrological
modeling. Hydrology and Earth System Sciences, 21(12), 6201-6217.
https://doi.org/10.5194/hess-21-6201-2017
Benhamrouche, A., & Martín-Vide, J. (2018). Analyse de la distribution spatiale des valeurs de quatre
indices de concentration des précipitations quotidiennes sur le littoral du bassin de la
Méditerranée occidentale (1951-2010). Geo-Eco-Trop, 42(1), 187-198.
Buytaert, W., Celleri, R., Willems, P., De Bièvre, B., & Wyseure, G. (2006). Spatial and temporal
rainfall variability in mountainous areas: A case study from the south Ecuadorian Andes.
Journal of Hydrology, 329(3-4), 413-421. https://doi.org/10.1016/j.jhydrol.2006.02.031
Cai, W., McPhaden, M., Grimm, A., Rodrigues, R., Taschetto, A., Garreaud, R., . . . Vera, C. (2020).
Climate impacts of the El Niño–Southern Oscillation on South America. Nature Reviews Earth
& Environment, 1, 215-231. https://doi.org/10.1038/s43017-020-0040-3
pág. 1527
Escobedo, C., & Sarricolea, P. (2017). Análisis y tendencias de la irregularidad temporal y espacial de
la precipitación en Chile mediterráneo, periodo 1965-2010. Cuadernos Geográficos, 56(3), 26-
43. Obtenido de https://www.redalyc.org/pdf/171/17154972002.pdf
Espinoza, J., Garreaud, R., Poveda, G., Arias, P., Molina-Carpio, J., Masiokas, M., . . . Scaff, L. (2020).
Hydroclimate of the Andes Part I: Main Climatic Features. Front. Earth Sci, 8(64).
https://doi.org/10.3389/feart.2020.00064
Fuladipanah, M., Rozumbetov, K., Rathnayake, N., Erkudov, V., Koriyec, M., & Rathnayaque, U.
(2025). Assessing long-term groundwater level trends in Karakalpakstan using non-parametric
statistical methods. Asian Journal of Water, Environment ando Pollution, 22(2), 119-133.
https://doi.org/https://doi.org/10.36922/AJWEP025080052
Gastwirth, J. (1972). The Estimation of the Lorenz Curve and Gini Index. The Review of Economics
and Statistics, 54(3), 306-316. https://doi.org/10.2307/1937992
Genovese, E., Maesano, C., & Barrile, V. (2025). Augmented Statistics for Hydroclimatic Extremes:
Spearman, Mann–Kendall, and AI Classification for Drought Risk Mapping. Sustainability,
17(20), 9251. https://doi.org/10.3390/su17209251
Huerta, A., Lavado-Casimiro, W., & Felipe-Obando, O. (2022). High-resolution gridded hourly
precipitation dataset for Peru (PISCOp_h). Data in Brief, 45(2022), 1-11.
https://doi.org/10.1016/j.dib.2022.108570
Martín-Vide, J. (2004). Spatial distribution of a daily precipitation concentration index in Peninsular
Spain. International Journal of Climatology, 24(8), 959-971. https://doi.org/10.1002/joc.1030
Ochoa-Tocachi, B., Buytaert, W., & De Bièvre, B. (2016). Regionalization of land-use impacts on
streamflow using a network of paired catchments. Water Resources Research, 52(9), 6710-
6729. https://doi.org/10.1002/2016WR018596
Oliver, J. (1980). Monthly precipitation distribution: a comparative index. The Professional
Geografher, 32(3), 300-309. https://doi.org/10.1111/j.0033-0124.1980.00300.x
Patel, G., Das, S., & Das, R. (2024). Determine the best method for analysing long-term (120 years)
annual and seasonal rainfall trends in four east India river basins. Journal of Earth System, 133,
70. https://doi.org/10.1007/s12040-024-02282-7
Escobedo, C., & Sarricolea, P. (2017). Análisis y tendencias de la irregularidad temporal y espacial de
la precipitación en Chile mediterráneo, periodo 1965-2010. Cuadernos Geográficos, 56(3), 26-
43. Obtenido de https://www.redalyc.org/pdf/171/17154972002.pdf
Espinoza, J., Garreaud, R., Poveda, G., Arias, P., Molina-Carpio, J., Masiokas, M., . . . Scaff, L. (2020).
Hydroclimate of the Andes Part I: Main Climatic Features. Front. Earth Sci, 8(64).
https://doi.org/10.3389/feart.2020.00064
Fuladipanah, M., Rozumbetov, K., Rathnayake, N., Erkudov, V., Koriyec, M., & Rathnayaque, U.
(2025). Assessing long-term groundwater level trends in Karakalpakstan using non-parametric
statistical methods. Asian Journal of Water, Environment ando Pollution, 22(2), 119-133.
https://doi.org/https://doi.org/10.36922/AJWEP025080052
Gastwirth, J. (1972). The Estimation of the Lorenz Curve and Gini Index. The Review of Economics
and Statistics, 54(3), 306-316. https://doi.org/10.2307/1937992
Genovese, E., Maesano, C., & Barrile, V. (2025). Augmented Statistics for Hydroclimatic Extremes:
Spearman, Mann–Kendall, and AI Classification for Drought Risk Mapping. Sustainability,
17(20), 9251. https://doi.org/10.3390/su17209251
Huerta, A., Lavado-Casimiro, W., & Felipe-Obando, O. (2022). High-resolution gridded hourly
precipitation dataset for Peru (PISCOp_h). Data in Brief, 45(2022), 1-11.
https://doi.org/10.1016/j.dib.2022.108570
Martín-Vide, J. (2004). Spatial distribution of a daily precipitation concentration index in Peninsular
Spain. International Journal of Climatology, 24(8), 959-971. https://doi.org/10.1002/joc.1030
Ochoa-Tocachi, B., Buytaert, W., & De Bièvre, B. (2016). Regionalization of land-use impacts on
streamflow using a network of paired catchments. Water Resources Research, 52(9), 6710-
6729. https://doi.org/10.1002/2016WR018596
Oliver, J. (1980). Monthly precipitation distribution: a comparative index. The Professional
Geografher, 32(3), 300-309. https://doi.org/10.1111/j.0033-0124.1980.00300.x
Patel, G., Das, S., & Das, R. (2024). Determine the best method for analysing long-term (120 years)
annual and seasonal rainfall trends in four east India river basins. Journal of Earth System, 133,
70. https://doi.org/10.1007/s12040-024-02282-7
pág. 1528
PNUMA. (2008). Perspectivas del Medio Ambiente Urbano: GEO Chiclayo. Chiclayo, Perú:
EMDECOSEGE S.A./Impresiones del Castillo.
Sarricolea, P., & Martín-Vide, J. (2012). Distribución espacial de las precipitaciones diarias en Chile
mediante el índice de concentración a resolución de 1 mm, entre 1965-2005. 631-639.
Salamanca, España: Publicaciones de la Asociación Española de Climatología. Obtenido de
http://hdl.handle.net/20.500.11765/8327
Sarricolea, P., & Romero, H. (2015). Variabilidad y cambios climáticos observados y esperados en el
Altiplano del norte de Chile. Revista de Geografía Norte Grande, 62, 169-183.
https://doi.org/10.4067/S0718-34022015000300010
Satgé, F., Bonnet, M., Timouk, F., Calmant, S., Pillco, R., Molina, W., . . . Garnier, J. (2015). Accuracy
assessment of SRTM v4 and ASTER GDEM v2 over the Altiplano watershed using
ICESat/GLAS data. International Journal of Remote Sensing, 36(2), 465-488.
https://doi.org/10.1080/01431161.2014.999166
Segura, H., Espinoza, J., Junquas, C., Lebel, T., Vuille, M., & Garreaud, R. (2020). Recent changes in
the precipitation-driving processes over the southern tropical Andes/western Amazon. Climate
Dynamics, 54, 2613-2631. https://doi.org/10.1007/s00382-020-05132-6
Sobkowiak, L., Perz, A., Wrzesiński, D., & Faiz, M. (2020). Estimation of the River Flow Synchronicity
in the Upper Indus River Basin Using Copula Functions. Sustainability, 12(12), 5122.
https://doi.org/10.3390/su12125122
Takahashi, K., & Martínez, A. (2019). The very strong coastal El Niño in 1925 in the far-eastern Pacific.
Climate Dynamics, 52, 7389-7415. https://doi.org/10.1007/s00382-017-3702-1
UNESCO. (2006). Guía metodológica para la elaboración del mapa de zonas áridas, semiáridas y
subhúmedas de América Latina y el Caribe. Montevideo, Uruguay: CAZALAC -
PHI/UNESCO.
Varghese, G., Chadaga, M., Lathashri, U., & Sachidananda, H. (2024). Investigating the response of
groundwater and streamflow to rainfall in a tropical catchment using non-parametric methods.
Quarterly Journal of Engineering Geology and Hydrogeology, 57(4).
https://doi.org/10.1144/qjegh2024-052
PNUMA. (2008). Perspectivas del Medio Ambiente Urbano: GEO Chiclayo. Chiclayo, Perú:
EMDECOSEGE S.A./Impresiones del Castillo.
Sarricolea, P., & Martín-Vide, J. (2012). Distribución espacial de las precipitaciones diarias en Chile
mediante el índice de concentración a resolución de 1 mm, entre 1965-2005. 631-639.
Salamanca, España: Publicaciones de la Asociación Española de Climatología. Obtenido de
http://hdl.handle.net/20.500.11765/8327
Sarricolea, P., & Romero, H. (2015). Variabilidad y cambios climáticos observados y esperados en el
Altiplano del norte de Chile. Revista de Geografía Norte Grande, 62, 169-183.
https://doi.org/10.4067/S0718-34022015000300010
Satgé, F., Bonnet, M., Timouk, F., Calmant, S., Pillco, R., Molina, W., . . . Garnier, J. (2015). Accuracy
assessment of SRTM v4 and ASTER GDEM v2 over the Altiplano watershed using
ICESat/GLAS data. International Journal of Remote Sensing, 36(2), 465-488.
https://doi.org/10.1080/01431161.2014.999166
Segura, H., Espinoza, J., Junquas, C., Lebel, T., Vuille, M., & Garreaud, R. (2020). Recent changes in
the precipitation-driving processes over the southern tropical Andes/western Amazon. Climate
Dynamics, 54, 2613-2631. https://doi.org/10.1007/s00382-020-05132-6
Sobkowiak, L., Perz, A., Wrzesiński, D., & Faiz, M. (2020). Estimation of the River Flow Synchronicity
in the Upper Indus River Basin Using Copula Functions. Sustainability, 12(12), 5122.
https://doi.org/10.3390/su12125122
Takahashi, K., & Martínez, A. (2019). The very strong coastal El Niño in 1925 in the far-eastern Pacific.
Climate Dynamics, 52, 7389-7415. https://doi.org/10.1007/s00382-017-3702-1
UNESCO. (2006). Guía metodológica para la elaboración del mapa de zonas áridas, semiáridas y
subhúmedas de América Latina y el Caribe. Montevideo, Uruguay: CAZALAC -
PHI/UNESCO.
Varghese, G., Chadaga, M., Lathashri, U., & Sachidananda, H. (2024). Investigating the response of
groundwater and streamflow to rainfall in a tropical catchment using non-parametric methods.
Quarterly Journal of Engineering Geology and Hydrogeology, 57(4).
https://doi.org/10.1144/qjegh2024-052
pág. 1529
Yang, S.-m., Zhu, D.-k., Cheng, X., Li, B., Zhu, Y.-z., & Ma, W.-s. (2025). Correlation between
Rainfall and Runoff in Fuchun River Basin Based on Copula Functions and Kernel Density
Estimation. Journal of Changjiang river scientific research institute, 42(5), 43-49.
https://doi.org/10.11988/ckyyb.20240068
Zubieta, R., Saavedra, M., Silva, Y., & Giráldez, L. (2017). Spatial analysis and temporal trends of
daily precipitation concentration in the Mantaro River basin: central Andes of Peru. Stochastic
Environmental Research and Risk Assessment, 31, 1305-1318. https://doi.org/10.1007/s00477-
016-1235-5
Yang, S.-m., Zhu, D.-k., Cheng, X., Li, B., Zhu, Y.-z., & Ma, W.-s. (2025). Correlation between
Rainfall and Runoff in Fuchun River Basin Based on Copula Functions and Kernel Density
Estimation. Journal of Changjiang river scientific research institute, 42(5), 43-49.
https://doi.org/10.11988/ckyyb.20240068
Zubieta, R., Saavedra, M., Silva, Y., & Giráldez, L. (2017). Spatial analysis and temporal trends of
daily precipitation concentration in the Mantaro River basin: central Andes of Peru. Stochastic
Environmental Research and Risk Assessment, 31, 1305-1318. https://doi.org/10.1007/s00477-
016-1235-5