ISSN 2477-9105  
DOI: https://doi.org/10.47187/perf.v1i34.364
Número 34 Vol.1 (2025)  
Fecha de recepción: 21-04-2025 · Fecha de aceptación: 08-09-2025 · Fecha de Publicación: 28-11-2025  
MODELADO DE REGÍMENES CLIMÁTICOS ESPACIO TEMPORALES  
EN LA SIERRA CENTRAL ECUATORIANA MEDIANTE CLÚSTERING  
DINÁMICO UTILIZANDO DATOS DE TEMPERATURA Y  
PRECIPITACIÓN DE LA NASA  
Spatiotemporal Modeling of Climate Regimes in the Central Ecuadorian Highlands  
Through Dynamic Clustering Using NASA Temperature and Precipitation Data  
iD  
iD  
¹Geovanny Miranda*  
² Cristina Ramos  
¹ Escuela Superior Politécnica de Chimborazo, Informática y Electrónica, Riobamba, Ecuador.  
2 Escuela Superior Politécnica de Chimborazo, Ciencias, Riobamba, Ecuador.  
* wilson.miranda@espoch.edu.ec  
RESUMEN  
El cambio climático se ha evidenciado en la Sierra Central de Ecuador, donde la compleja topografía andina es afectada por  
variaciones climáticas. Este estudio utilizó datos diarios espaciales de temperatura máxima (CHIRTS) y precipitación (CHIRPS)  
para identificar y modelar los regímenes climáticos de la región mediante clustering dinámico. La técnica empleada demostró  
una alta eficacia de separación de grupos, de acuerdo a los índices de clasificación de temperatura y precipitación de 0,98%  
y 0,99%. Se identificaron cuatro tipos de clima (WT) en cuanto a temperatura y precipitación. El WT2 presento condiciones  
térmicas moderadas, pero no extremos características de las regiones como la Costa y la Amazonía. También el WT4 presento  
temperaturas bajas frecuentes y escasa presencia de eventos térmicos extremos, un régimen climático propio de la Sierra  
Central especialmente en zonas de alta montaña. Se observó que la precipitación fue poco frecuente pero constante en zonas  
andinas (WT1), mientras que los (WT2 y WT3) presento precipitaciones escasas pero frecuente en las regiones más áridas  
como la región Costa y Sierra Sur. Los hallazgos contribuyen a una comprensión espacial y temporal del clima de la región, lo  
cual es esencial para la planificación ambiental y la gestión del cambio climático.  
Palabras claves: Clúster dinámico, precipitación, temperatura, clima, ecosistema, andes tropicales.  
ABSTRACT  
Climate change has been evident in the Central Sierra of Ecuador, where the complex Andean topography is affected by  
climatic variations. This study used daily spatial data of maximum temperature (CHIRTS) and precipitation (CHIRPS) to identify  
and model the region's climate regimes using dynamic clustering. The technique demonstrated high cluster separation  
efficiency, based on temperature and precipitation classification indices of 0.98% and 0.99%. Four climate types (WT) were  
identified in terms of temperature and precipitation. WT2 presented moderate thermal conditions, but not the extremes  
characteristic of regions such as the Coast and the Amazon. WT4 also presented frequent low temperatures and scarce  
occurrences of extreme thermal events, a climate regime characteristic of the Central Sierra, especially in high mountain  
areas. Precipitation was observed to be infrequent but constant in Andean areas (WT1), while WT2 and WT3 presented  
scarce but frequent precipitation in more arid regions, such as the coast and southern sierra. The findings contribute to a  
spatial and temporal understanding of the region's climate, which is essential for environmental planning and climate change  
management.  
Keywords: Dynamic cluster, precipitation, temperature, climate, ecosystem, tropical Andes.  
77  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
I. INTRODUCCIÓN  
El cambio climático global, ocasionado por el  
aumento de gases de efecto invernadero como  
dióxido de carbono, metano y óxidos nitrosos,  
está alterando el equilibrio climático del planeta  
(1). Se proyecta un aumento de la temperatura  
global entre 1,5 y 4,5 °C en los próximos años,  
acompañado de cambios en los patrones de  
precipitación y temperatura generando grandes  
cambios en los ecosistemas (2). Estos cambios  
traen impactos catastróficos, como la expansión  
manera espacial y temporal, a escalas mayores  
que las observaciones meteorológicas (12,13).  
Estos regímenes han sido estudiados mediante  
los métodos de clasificación. El primer método  
de clasificación climática fue desarrollado por  
Koppen, quien consideró los cambios temporales  
en la distribución geográfica de los tipos de clima  
a escala global y regional (14). Actualmente, los  
métodos de clustering (agrupamiento) se han  
convertidoenherramientasvaliosasparaelestudio  
de estos regímenes climáticos, identificando los  
tipos de clima o Weather Types (WT), que agrupan  
los datos climáticos según patrones de circulación  
recurrentes. Cada grupo representa un estado  
disponible del sistema atmosférico, definido como  
una configuración que ocurre con cierta frecuencia  
en un período de tiempo determinado (15). Estas  
configuraciones se reconocen como regiones de  
alta densidad de visitas, o regiones que el sistema  
atmosférico tiende a visitar repetidamente. Estos  
grupos de datos representan tipos de circulación  
diaria, son definidos estadísticamente a partir de  
las configuraciones recurrentes de la circulación  
atmosférica (16,17).  
de enfermedades, inundaciones  
y
sequías  
prolongadas, tormentas intensas, pérdida de la  
biodiversidad y la agricultura (3,4).  
Ecuador se caracteriza por una compleja geografía  
debido a la presencia de la Cordillera de los Andes,  
que atraviesa el país de norte a sur y la divide en  
tres regiones Costa, Sierra y Amazonía, generando  
una distribución irregular de las precipitaciones  
y variaciones de temperatura (5). En términos  
de topografía, la diversidad de suelos, que van  
desde volcánicos hasta arenosos, aumenta la  
susceptibilidad de la agricultura y los ecosistemas  
a la erosión y la pérdida de calidad debido a  
fenómenos climáticos extremos (6). La variada  
orografía del país, en las zonas montañosas,  
contribuye a una gran diversidad ecológica, pero  
también dificulta la adaptación de las comunidades  
y ecosistemas a los efectos del cambio climático  
(7).  
Para caracterizar las principales condiciones  
atmosféricas de la región, el presente estudio  
examina los tipos de clima recurrentes (Tipos  
de Clima, WT) en la Sierra Central del Ecuador.  
Para ello, se aplica un agrupamiento dinámico a  
datos satelitales de la NASA sobre temperatura y  
precipitación. Se utilizan métricas como el índice  
de codo, el coeficiente de silueta y el índice  
de clasificabilidad para evaluar la estabilidad y  
representatividad de los grupos. Además, se realiza  
un análisis estadístico exhaustivo para profundizar  
en la variabilidad espaciotemporal de las regiones  
climáticas identificadas.  
La influencia del fenómeno de El Niño Southern  
Oscillation (ENSO) como factor determinante  
en la variabilidad climática en el Ecuador. Este  
fenómeno se manifiesta en dos fases constantes:  
la fase cálida (El Niño), caracterizada por el  
calentamiento de las aguas del Pacífico ecuatorial,  
generando un aumento de las precipitaciones en  
algunas regiones, provocando efectos extremos  
como inundaciones. En contraste, la fase fría (La  
Niña), representa el comportamiento opuesto  
asociado con el enfriamiento de las aguas del  
Pacífico, ocasionando una notable disminución  
de las precipitaciones, dando lugar a sequías  
pronunciadas (8–10). Estos factores influyen  
directamente sobre el cambio climático, afectando  
tanto a su biodiversidad como a la vida de sus  
habitantes y dificultando la implementación de  
estrategias de adaptación y mitigación efectivas  
(11).  
Además, los métodos de clustering han sido  
utilizadosparaanalizarimágenessatelitalesyseries  
temporales climáticas, permitiendo caracterizar los  
patrones recurrentes espaciales de la circulación  
atmosférica, comparación de modelos, detección  
y diagnósticos de sesgos sistemáticos y tipos de  
clima (16,17).  
II. MATERIALES Y MÉTODOS  
Los datos de la NASA (https://www.chc.ucsb.edu/  
data), incluyen los productos CHIRPS (Climate  
Hazards Group InfraRed Precipitation with Station  
Los regímenes climáticos son patrones recurrentes  
que describen la variabilidad climática, de  
78  
MODELADO DE REGÍMENES CLIMÁTICOS ESPACIO TEMPORALES EN LA SIERRA CENTRAL ECUATORIANA  
MEDIANTE CLÚSTERING DINÁMICO UTILIZANDO DATOS DE TEMPERATURA Y PRECIPITACIÓN DE LA NASA  
Miranda, Ramos.  
Data) y CHIRTS (Climate Hazards Group InfraRed  
será el grupo, se emplea clustering para varios  
valores de K clúster, calculando el coeficiente  
de silueta para cada punto, el número óptimo  
de clúster se identifica visualmente cuando  
el promedio del coeficiente alcanza su punto  
máximo antes de comenzar a descender (18).  
Temperature with Station Data), los cuales fueron  
proporcionados por el proyecto de investigación  
“Predecir patrones de comportamiento climático  
mediante técnicas de aprendizaje automático  
para la provincia de Chimborazo” del Grupo de  
Investigación de Energías Alternativas y Ambiente  
(GEAA) de la Escuela Superior Politécnica de  
Chimborazo. Estos conjuntos de datos son de  
información satelital, permitiendo estimaciones  
aproximados de precipitación del año 1980 a  
2025 y temperatura máxima del año 1980 a 2016.  
La resolución temporal es diaria y la resolución  
espacial cubre un rango de longitud de -79° a -77°  
y latitud de -3° a -1°. Estos datos son apropiados  
para los análisis climáticos tanto globales como  
regionales.  
medidadecohesión  
S = 1 -  
(2)  
(
)
medidadeseparación  
Si cohesión < separación  
medidadecohesión  
S =  
- 1  
(3)  
(
)
medidadeseparación  
Si cohesión > separación  
II.II Clústering Dinámico  
II.I Análisis estadístico  
El algoritmo de clustering dinámico es una  
técnica de aprendizaje no supervisada para la  
segmentación de datos en grupos homogéneos  
que aglomera datos en k clúster según la  
Ecuación 4, minimizando la varianza interna de  
cada grupo. Se basa en la reasignación progresiva  
de puntos hasta alcanzar una partición estable,  
donde la función objetivo a minimizar es la suma  
de varianzas dentro de los clústeres.  
Se emplearon métodos estadísticos descriptivos  
e inferenciales para el análisis y tratamiento de  
la información climática. Además, se evaluó el  
número óptimo de conglomerados mediante  
el método de codo y de silueta, estos métodos  
determinanlavalidezdeunmétododeagrupación  
mediante un índice interno que no requieren  
información externa y evalúan la cohesión y  
la separación de conglomerados mediante la  
distancia euclidiana y algoritmo de K-means (18).  
k
2 (x, Yj)  
=
W(P) ∑ ∑  
(4)  
d
j=1  
x
∈C  
j
El método de codo calcula la suma de cuadrados  
dentro de los clústeres para cada K número de  
clúster, mide cuán cerca están los puntos del  
centro del clúster, donde el punto de suma de  
cuadrado de clúster deja de disminuir de manera  
considerable ese punto se identifica visualmente  
como un codo, es decir a partir de k = n la  
tendencia disminuye y nos permite identificar  
el número óptimo de clúster de acuerdo a la  
Ecuación 1 (18).  
Donde Yj es el centro de clúster Cj y d(x,Yi) es  
la distancia euclidiana entre un punto xy su  
centroide asignado y se define de acuerdo a la  
Ecuación 5:  
n
d(x, Yj,i )  
(d(x, Y ))2  
∑
=
j,i  
(5)  
i=1  
(x - m )2  
(1)  
=
WSS ∑ ∑  
Donde n es la cantidad de dimensiones de los  
datos (temperatura y precipitación), xi es la  
coordenada i del punto x, y Yi,j es la coordenada  
correspondiente del centroide (12,16).  
i
i
x
C
∈
i
Donde mi es el centroide de clúster Ci  
El método de silueta se determina dividiendo  
la medida de separación entre la medida de  
cohesión y restando ese valor por 1 si la medida  
de separación es mayor que la medida de  
cohesión, o por 1 restado al valor de la medida  
de cohesión dividido por la medida de separación  
si la cohesión es mayor según la Ecuación 2 y 3.  
Cuanto mayor sea el coeficiente de silueta, mejor  
El  
algoritmo  
dinámico  
inicia  
a
escoger  
la  
aleatoriamente las semillas, después  
a
asignación de puntos a los centroides y el ajuste  
iterativo de la partición hasta que la suma de  
variaciones en los clústeres W(P) se acerca a  
su nivel más bajo. Es decir, cuando el algoritmo  
converge en función de W(P (n)) con k centroides  
Yj(n-1))que mide la suma de las variaciones entre  
79  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
M
m
´
p
´
q
los clústeres, no cambia entre iteraciones. En  
otras palabras, cuando una parte W(P (n-1)) se pasa  
a W(P (n)) los puntos ya no se resignan a diferentes  
∑
A
jm  
(7)  
p( ,  
)
i,j = 1 ... K,  
2
´
2
M
´
M
∑
∑
m
p
qjm  
m
centroides  
y
como resultado, la partición  
permanece igual. Esto indica que se ha alcanzado  
un mínimo local de W, y el algoritmo se detiene  
(converge) automáticamente.  
Donde las sumas consideran todos los M puntos  
de la cuadrícula en el dominio, y las desviaciones  
de los puntos de la cuadrícula se calculan de  
acuerdo a la Ecuación 8 y 9 (12,19):  
Para medir la igualdad entre las particiones,  
se emplea el coeficiente de correlación (ACC) o  
también conocida de correlación de patrones,  
que establece cuán reproducible es una partición  
al cotejar diferentes particiones del mismo  
conjunto de datos, para identificar patrones de  
comportamiento o tipo de clima por sus siglas en  
inglés (WT) (12,16).  
k
1
´
p
=
=
-
∑
(8)  
(9)  
rm´  
K
r
k
´
1
q
q
q
rm  
-
∑
´
K
r
Donde el valor de m = 1... M. El valor máximo  
de la i-ésima fila del KxK. La matriz p en la  
ecuación representa el grupo en Q que mejor  
se ajusta al i -ésimo grupo en P. Si las dos  
particiones son idénticas, por supuesto p =  
1, cuando el índice de clasificabilidad (CI) es  
más se acerca a 1 el modelo es adecuado y la  
partición se considera clasificable y robusta  
(12,19). Se utilizó este algoritmo para analizar  
las variaciones del régimen climático utilizando  
datos de precipitación y temperatura máxima,  
lo que facilita una categorización precisa de los  
patrones climáticos en la zona de estudio.  
Dados dos clústeres P y Q en k del mismo  
conjunto de datos, la matriz se calcula de acuerdo  
a la Ecuación 6:  
,
A ij Donde i = 1, ... , kyj = 1, ... , k  
(6)  
Donde los valores coeficiente de correlación (ACC)  
entre el clúster i de la partición P y el clúster j de  
la partición P para cada fila i de la matriz A, se  
determina el valor máximo y se define: A´ (i) se  
encuentra para el grupo de Q que mejor se ajusta  
al i-ésimo clúster P.  
II.III Fuentes  
Por otro lado, el valor mínimo de A´, denotado por  
c(P,Q), corresponde al clúster de que P que tiene  
menor correlación en Q y es una medida de la  
similitud entre las dos particiones. Cuando las dos  
particiones son idénticas c(P,Q)=1 lo que significa  
que cada grupo en P contiene una correlación  
perfecta en Q, e indica máxima estabilidad en  
la clasificación; por el contrario, si el valor es  
bajo, al menos un grupo en P no parece estar en  
ninguno de Q, lo que muestra poca coincidencia o  
inestabilidad entre los grupos por (12,19).  
Se empleó Jupyter Notebook de Python 3.12.3  
para el desarrollo y ejecución de los algoritmos  
implementados. El análisis y procesamiento de  
datos de estudio se realizó en sistema operativo  
Windows 11 con un procesador Core i7 y con una  
memoria RAM de 8 GB, de esta forma se garantizó  
el manejo de datos y los cálculos informáticos  
apropiados, se utilizaron bibliotecas de Python.  
Los Datos y el código fuente utilizados para la  
investigación están disponibles en GitHub (20).  
Finalmente, el índice de clasificabilidad refleja  
la dependencia de la partición respecto a las  
semillas iniciales y la estabilidad de los resultados  
obtenidos. Este índice recurre nuevamente  
al coeficiente de correlación para analizar los  
centroides del clúster en diferentes particiones.  
El rendimiento de la clasificación se mide según la  
Ecuación 7 mediante el coeficiente de correlación  
depatronesP entreparesdecentroidesdeclúster  
III. RESULTADOS  
III.I Análisis estadístico  
Se realizó el análisis estadístico exploratorio con  
la finalidad de evaluar la calidad y consistencia  
del conjunto de datos de temperatura máxima y  
precipitación. Este proceso permitió identificar  
posiblesvaloresatípicos,tendenciasestacionales  
y patrones de variabilidad, garantizando que  
los datos estén en condiciones óptimas para  
su posterior modelado. La verificación de la  
y
en las ipj articiones P y Q, respectivamente,  
lo que permite calcular la matriz P[P(K),Q(K)] con  
elementos dados por (12,19):  
80  
MODELADO DE REGÍMENES CLIMÁTICOS ESPACIO TEMPORALES EN LA SIERRA CENTRAL ECUATORIANA  
MEDIANTE CLÚSTERING DINÁMICO UTILIZANDO DATOS DE TEMPERATURA Y PRECIPITACIÓN DE LA NASA  
Miranda, Ramos.  
integridad de los datos garantiza la solidez  
analizado de temperatura máxima se muestran  
en la Figura 2. Se evidenció que la variabilidad  
térmica en la región Sierra Central presentó un  
comportamiento estable que no experimentó  
temperaturas extremas a lo largo del tiempo, sin  
cambios notables entre períodos. Por otro lado,  
en las regiones Costa y Amazonía, se identificaron  
patrones térmicos de temperaturas elevadas. La  
influencia del gradiente regional de temperatura  
y la modulación natural causada por el relieve  
andino y la latitud ecuatorial fue evidente en la  
región Sierra.  
metodológica del estudio y respalda la fiabilidad  
de los hallazgos.  
III.I.I Temperatura máxima  
Figura 1: Serie temporal y variación anual de temperatura máxima.  
Se analizó la variabilidad de la temperatura  
máxima como se muestra en la Figura 1 (a),  
donde se identificaron picos elevados en los  
años 1982, 1983, 2006 y 2015 asociados al  
incremento en las temperaturas máximas. En  
1982 se presentó el promedio anual más alto  
con 25.98°C en comparación a los demás años  
del período de estudio. Por otro lado, en 1993  
y 2007 se registraron picos bajos que reflejan  
eventos de temperaturas extremas inferiores  
a 18°C. En cambio, la variación interanual,  
como se representa en la Figura 1 (b), muestra  
una alta variabilidad interanual, sin evidenciar  
una tendencia del aumento y disminución de  
temperaturas máximas durante el período  
analizado (prueba de Mann-Kendall p> 0.05).  
Mientras que en 2008, se muestra un aumento  
considerable de 0,98ꢀ°C, el cual presenta la  
mayor variación anual de temperatura máxima  
en comparación a los demás años del período  
analizado.  
Figura 2: Mapa de calor de promedio anual de las fluctuaciones de  
temperatura.  
Figura 3: Distribución de los datos.  
La distribución de la temperatura máxima de  
la Sierra Central se presenta en la Figura 3, que  
muestra una forma aproximadamente simétrica  
y cercana a una distribución normal. La media  
registrada es de 24.07°C durante los últimos  
36 años, y la mediana Q2 es de 24.09°C, lo que  
respalda la simetría de la distribución, mientras  
que el tercer cuartil (Q3) de 25.03°C y el primer  
cuartil (Q1) de 23.15°C muestran una distribución  
centrada de los datos alrededor de la mediana.  
Las fluctuaciones térmicas correspondientes  
a los años más representativos del período  
81  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
Esta concentración se evidencia con una variación  
de 1.74 °C que indica menor variabilidad de  
valores extremos con un mínimo de 17.5°C y un  
máximo de 30.26°C.  
fluctuación interanual. Se identifican períodos  
de pocas precipitaciones, asociadas a sequías,  
así otros períodos, con precipitaciones elevadas,  
vinculadas a eventos de lluvias extensas.  
Además, en el año 2024 en particular, con  
una desviación de 128.73 mm, muestra la  
mayor variabilidad registrada respecto al resto  
del período. Las variaciones regionales de  
precipitación se muestran en la Figura 5. La región  
amazónica presenta altos valores de precipitación  
en todos los años de estudio, con una notable  
diferencia en al año 2000 y en el año 1992.  
En la región costa se visualiza precipitaciones  
moderadas, mientras que la región de la Sierra  
Central experimenta bajas precipitaciones.  
III.I.II Precipitación  
Figura 5: Mapa de calor de promedio anual de las fluctuaciones de  
precipitación.  
Figura 4: Serie temporal y variación anual de precipitación.  
La serie temporal de precipitación diaria se  
muestra en la Figura 4 (a). La gráfica refleja la  
evolución diaria de la precipitación acumulada al  
largo de 45 años, se observan picos pronunciados  
que superan los 60 mm, lo que evidencia la  
ocurrencia de eventos de precipitación intensa  
en determinados períodos, en algunos años  
presentan valores superiores al promedio  
histórico. En particular, en el año 2009, se registró  
elpromedioanualmásalto,con256.83mm,loque  
indica la presencia de precipitaciones extremas.  
Asimismo, no se identifica una tendencia en los  
valores de precipitación. La Figura 4 (b), que  
indica el comportamiento de la precipitación  
anual, permitiendo observar patrones a largo  
plazo. Los valores fluctúan entre mínimo a 70  
mm y mayor a 120 mm, corroborando una alta  
Figura 6: Distribución de datos de precipitación.  
Durante el período 1982-2025, el análisis de la  
distribución de Sierra Central de la precipitación  
se evidenció un comportamiento asimétrico,  
diferente a una distribución normal como se  
muestra en la Figura 6. La media anual fue de  
202.94 mm y una varianza de 41.33 mm que  
82  
MODELADO DE REGÍMENES CLIMÁTICOS ESPACIO TEMPORALES EN LA SIERRA CENTRAL ECUATORIANA  
MEDIANTE CLÚSTERING DINÁMICO UTILIZANDO DATOS DE TEMPERATURA Y PRECIPITACIÓN DE LA NASA  
Miranda, Ramos.  
indica que la precipitación es variable, los valores  
están lejanos del promedio y existe fluctuaciones.  
Los valores del primer cuartil con 189.71 mm y  
el mínimo de 164.68 mm están asociados con  
eventos de precipitaciones intensas o condiciones  
secas. Por lo tanto, el tercer cuartil de 217.93 mm  
y el máximo de 256.83 mm indicaron precipitación  
de mayor intensidad de períodos extremos.  
III.II Clustering dinámico  
Mediante el clustering dinámico basado en el  
algoritmo k-means, se identificaron los tipos de  
clima (WT) en la Sierra Central del Ecuador. Se  
realizaron 21 simulaciones, manteniendo un  
número fijo de clústeres (n = 4) y variando las  
semillasaleatoriasencadaejecuciónparaasegurar  
la coherencia y robustez de los resultados. A  
partir de estas simulaciones se entrenó el modelo  
utilizando una única iteración para obtener los  
agrupamientos adecuados. Asimismo, se evaluó  
la coherencia interna de los clústeres mediante  
el índice de clasificabilidad, seleccionando  
las configuraciones más representativas. Por  
último, los datos fueron etiquetados según el  
tipo de clima (WT) y se cálculo la frecuencia de  
recurrencia en cada agrupamiento  
Figura 7: Componentes principales de temperatura máxima y  
precipitación  
De acuerdo con el análisis de componentes  
principales aplicado a la temperatura máxima  
reveló que los siete componentes explican el  
90 % de la variabilidad total como se muestra  
en la Figura 7 (a). En cambio, para la variable  
precipitación, nueve componentes principales  
explican el 85% de la variabilidad como se  
evidencia en la Figura 7 (b) lo que presenta una  
alta capacidad de representación del modelo.  
Este proceso de reducción de dimensional  
permite identificar patrones latentes en los  
datos, optimizando la clasificación posterior  
mediante clustering al reducir el ruido y mejorar  
la interpretabilidad de los grupos climáticos.  
III.II.I Análisis de Componentes Principales (PCA)  
de temperatura máxima y precipitación.  
Se realizó un análisis PCA para simplificar el  
número de variables (dimensión), manteniendo  
la mayor cantidad posible de su variabilidad.  
El índice de variabilidad del 80% se considera  
adecuado, mientras que los valores cercanos al  
90% sugieren que la reducción dimensionalidad  
preserva casi toda la información pertinente  
mientras minimiza la pérdida de varianza y  
se considera adecuado y coherente para el  
estudio.  
III.III Determinación del número óptimo de  
clustering  
El número óptimo de grupos para la temperatura  
máxima y precipitación se determinó mediante las  
métricas del método del codo y coeficiente de silueta.  
Estas herramientas permitieron encontrar una  
segmentación coherente y grupos bien definidos,  
mejorando la estructura de los agrupamientos y la  
interpretacióndelospatronesclimáticosencontrados  
en la Sierra Central del Ecuador.  
Número Óptimo de Clusters: Temperatura y Precipitación  
83  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
comportamiento de los tipos de clima (WT)  
de temperatura máxima y precipitación a lo  
largo del período. El diagrama de Klee muestra  
la distribución temporal diaria y la recurrencia  
de cada WT. Además, la variabilidad interanual  
permitióanalizarlavariabilidadinteranualdecada  
WT, permitiendo identificar períodos con mayor  
frecuencia de ocurrencia de tipos climáticos.  
Estas representaciones proporcionaron una  
visión integrada del espacio-temporal en la región  
Sierra Central.  
Figura 8: Gráfico de codo y silueta de temperatura máxima y  
precipitación.  
El gráfico de codo de temperatura máxima y  
precipitación como se muestra en la Figura 8  
(a,b), la inercia disminuye gradualmente a partir  
del componente 4; por lo tanto, el número  
óptimo de clustering a clasificar es 4. Por otro  
lado, se utilizó el coeficiente de silueta, que  
se muestra en la Figura 8 (c,d), para validar el  
número de agrupamiento obtenido mediante  
el método codo. Ambas métricas respaldan que  
cuatro grupos permiten la mejor separación y  
coherencia de los datos, lo que garantiza una  
segmentación espacial y temporal adecuada  
para el análisis de patrones de comportamiento  
mediante el método de clustering dinámico.  
Figura 9: Tipos de clima de temperatura máxima.  
Se identificarón 4 tipos de clima para la  
variable temperatura, como se muestra en  
la Figura 9 (a), donde el WT1 representa el  
20.58 % de frecuencia de ocurrencia de los  
días de temperaturas extremas, con una media  
de 26.91°C, y una desviación estándar de  
5.37° C, lo que representa mayor dispersión  
de temperatura, como los días secos. El  
WT2, que representa días con temperaturas  
moderadamente cálidas, con el 29.82% de  
III.IV Patrones de recurrencia Temporal  
El diagrama de Klee y la variabilidad interanual  
permitió identificar y analizar patrones de  
84  
MODELADO DE REGÍMENES CLIMÁTICOS ESPACIO TEMPORALES EN LA SIERRA CENTRAL ECUATORIANA  
MEDIANTE CLÚSTERING DINÁMICO UTILIZANDO DATOS DE TEMPERATURA Y PRECIPITACIÓN DE LA NASA  
Miranda, Ramos.  
ocurrencia con una media de 24.47°C y una  
desviación estándar de 4.96°C, mostrando  
una variabilidad de temperatura intermedia,  
característica de la época húmeda. Por otro lado,  
el WT3 con un porcentaje menor de 13.72% con  
días de ocurrencia poco frecuente, asociados a  
temperaturas frías con una media de 23.07°C  
y una dispersión de 8.88°C. Estas condiciones  
pueden estar asociadas  
a
días lluviosos,  
propios de eventos climáticos como La Niña,  
que tienden a aumentar las precipitaciones y el  
calor en los Andes, disminuyendo la radiación  
solar y en consecuencia a las temperaturas  
máximas.  
El WT4 con un alto porcentaje de 35.93%, abarca  
la mayoría de los días, con una media de 25.61°C  
tiende a ser más frecuentes y más persistente.  
El comportamiento de este grupo puede estar  
relacionado con las estaciones climáticas de la  
zona: los día secos y los días lluviosos, que en  
algunas fases puede resultar en un aumento  
de la temperatura y cambios en los patrones  
de circulación atmosférica, favoreciendo una  
disminución de la temperatura máxima en las  
regiones andinas  
Figura 10: Tipo de clima de precipitación  
En la Figura 10 (a), se muestra cómo se distribuye  
los patrones de comportamiento de precipitación  
a lo largo del período asociado a los patrones de  
precipitaciones bajas y frecuentes. El WT1, con  
64.26% de los días, el más dominante asociado  
a precipitación baja, con una media de 2.02  
mm/día y una desviación estándar de 0.99 mm  
representa días de lluvias ligeras pero frecuentes,  
relacionada a la estación climática de días secos.  
El WT2 con 9.16% representa eventos extremos  
o precipitaciones intensas con una precipitación  
media de 42.34 mm/día y una desviación  
estándar de 28.57 mm/día, relacionada a eventos  
extremos como el ENSO, el WT3 con 24,62%  
representan precipitación media de 22.36 mm/  
día, asociados a lluvias moderadas influenciadas  
por la estación climática de días lluviosos. Por  
último, el WT4, el menos frecuente con 1.96%, y  
10.10 mm/día relacionado con lluvias moderadas  
características de la zona andina.  
La frecuencia diaria de cada régimen se muestra  
en la Figura 9 (b) que proporciona condiciones  
climáticas frecuentes. El tipo de clima WT4  
Y el WT2 presentan las mayores frecuencias  
de ocurrencia, lo que indica que son las más  
persistentes a lo largo del período analizado.  
Estos WT se asocian a temperaturas moderadas,  
en comparación con los demás regímenes, lo que  
sugiere su relevancia en la configuración climática  
predominante de la Sierra Central.  
La frecuencia diaria de cada régimen se muestra  
en la Figura 10 (b) asociada a condiciones  
climáticas de precipitación baja pero frecuente,  
donde el WT1 representan mayor frecuencia  
de ocurrencia en comparación con los demás  
WT, reflejando una ausencia de lluvias en Sierra  
Central en el período desde 1980 hasta 2025.  
III.V Representación espacial-temporal de los  
tipos de clima WT en la región central de  
Ecuador  
El análisis espacial temporal mediante el  
clustering dinámico reveló patrones climáticos  
irregulares en la Sierra Central del Ecuador  
85  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
durante el período analizado. Esta variedad está  
influenciada por factores como la topografía, la  
altitud y la latitud, que actúan como barreras  
naturales y modula la distribución del clima. Por  
lo tanto, el análisis espacial de la temperatura  
máxima y la precipitación reveló patrones propios  
que muestran cómo estos factores geográficos  
afectan la dinámica climática regional.  
montaña de la Sierra centro-sur influenciada  
por la altitud y las frecuentes masas de aire frío  
situadas en zonas geográficas latitud (-4.0 y -2.0).  
Figura 12: Distribución de los WT precipitación en la sierra  
ecuatoriana.  
Mediante el clustering dinámico se demostró  
una segmentación de grupos bien definidos de  
patrones de comportamiento de precipitación  
como se muestra en la Figura 12, sustentada por  
el índice de clasificabilidad de 0.99. Uno de los  
casos más representativos es el Cluster 1 (WT1)  
representado por el color amarillo claro, que  
se caracteriza por precipitaciones ligeras pero  
frecuentes con valores promedio por debajo de  
23 mm/día, propios de las regiones interandinas  
ubicadas en longitud (-78.5 y -77.5) y latitud (-3.5  
y -1.0) y de una parte de la región amazónica,  
donde la influencia de la humedad orográfica  
es más prevalente. Por otro lado, los Clústeres  
2 y 3 (WT2 y WT3) presentó una tonalidad azul  
verdosa, lo que indica precipitaciones moderadas  
y poco frecuentes, asociadas a condiciones  
más áridas o irregulares que se encuentran  
particularmente en la Costa y la Sierra Sur, donde  
las precipitaciones son menos concentradas y  
asociadas a días intermitentes. Por otro lado, el  
Clúster 4, caracterizado por un intenso color azul  
asociado a precipitaciones extremas superiores  
a 100 mm/día, se encuentra principalmente en  
la región amazónica, la costa norte y las zonas  
de transición climática de la Sierra Oriental que  
determinan eventos de lluvia intensa vinculados  
a fenómenos atmosféricos.  
Figura 11: Distribución de los WT de temperatura en la sierra  
ecuatoriana.  
Los tipos de clima (WT) identificados a través  
del clustering dinámico de la temperatura  
máxima diaria en la región como se muestra en  
la Figura 11, reveló una segmentación adecuada,  
sustentada por el índice de clasificabilidad de  
0.87, lo que demostró una clasificación bien  
estructurada y coherente. Durante el período  
analizado se muestran variaciones estacionales  
en cada clúster. Como se evidencia en el Clúster  
1 (WT1) el dominio del color azul celeste refleja  
las temperaturas más altas superiores a 30°C,  
principalmente en la región Costa y las zonas  
interandinas de baja altitud (longitud -79.5 y  
-78.0; latitud (-3.5 y 1.0), así como condiciones  
poco frecuentes de días muy calurosos o fríos.  
Por otro lado, el Clúster 2 (WT2) presentó  
tonalidades amarillo-verdosas, lo que se asocia a  
temperaturas moderadas y constantes (20-28°C)  
distribuidas por los valles andinos, así como la  
Amazonía y la región Costa, que forman parte  
de períodos de transición. Además, el Clúster 3  
(WT3) muestra una mezcla de color azul y verde,  
con temperaturas que oscilan entre los 15 y  
los 22°C características de días fríos, pero poco  
frecuentes, que ocurren en regiones áridas de  
la Costa y la Amazonía, posiblemente debido a  
lluvias prolongadas. Mientras que el Clúster 4  
refleja las temperaturas más frías por debajo  
de los 15°C representados por tonos blanco  
azulados, particularmente en regiones de alta  
IV. DISCUSIÓN  
Ecuador se describe por patrones de precipitación  
definidos por su relieve y orografía como las  
86  
MODELADO DE REGÍMENES CLIMÁTICOS ESPACIO TEMPORALES EN LA SIERRA CENTRAL ECUATORIANA  
MEDIANTE CLÚSTERING DINÁMICO UTILIZANDO DATOS DE TEMPERATURA Y PRECIPITACIÓN DE LA NASA  
Miranda, Ramos.  
regiones: Sierra, Costa, Amazonía y región  
Los tipos de clima (WT) identificados en la  
región de Sierra Central de temperatura máxima  
confluyen con investigaciones como Buytaert  
(29), que resaltan la alta variabilidad interanual  
de la precipitación en la Sierra. La zona Andina  
se ve afectada por el ENSO en incremento de  
temperaturas de acuerdo con los estudios de  
Tobar y Wyseure (27). Los resultados obtenidos  
han mostrado WT1 con ocurrencia de 26.91%,  
destacando su persistencia y frecuencia con  
temperaturas más altas podrían ser asociadas  
al ENSO, particularmente en las regiones de  
alta montaña de la Sierra Central (30). Por el  
contrario, el WT2 y WT3, con una frecuencia de  
ocurrencia de 29.82% y 13.72%, están asociados  
a condiciones térmicas más moderadas asociadas  
a las estaciones climáticas típicas de la zona  
ecuatorial.  
insular (21) que se alinean a los cuatro (WT) de  
precipitación encontrados mediante clustering  
dinámico. La influencia de las corrientes  
oceánicas y la existencia de regiones naturales  
como la Costa, la Sierra, y la Amazonía que dan  
lugar a una variedad de microclimas a lo largo  
del territorio nacional como se evidencia en  
estudios de Cornawall (22). De la misma forma,  
se ha observado fluctuaciones de temperatura  
y precipitación espacio-temporales, generando  
patrones atmosféricos cambiantes en zonas  
geográficas cercanas, identificando fenómenos  
naturales como El ENSO como los picos más  
pronunciados como resultado de esta dinámica  
climática (21,23,24).  
Por otra parte, las precipitaciones en zonas  
andinas condicionan el régimen pluviométrico,  
favoreciendo contrastes entre las regiones  
expuestas al flujo de aire húmedo de la Amazonía,  
que puede registrar lluvias frecuentes e intensas,  
y los valles interandinos más secos (24–26). Este  
incremento en los niveles de precipitación se ha  
relacionado con la ocurrencia del ENSO como en  
losaños1982-1983y1997-1998,elcualintensificó  
la humedad atmosférica, especialmente en lo  
que respecta a la variabilidad interanual.  
Mientras que, para precipitación, el WT1 con  
64.26% de ocurrencia y 8054.53 mm que  
indica la presencia de precipitaciones ligeras  
pero frecuentes, características de los valles  
interandinos. Por otro lado, los WT3 con 24.62%  
de ocurrencia y 89027.68 mm están asociados a  
precipitaciones de mayor intensidad y de poca  
frecuencia, el WT2 con 9.16% de ocurrencia y  
168650.06 mm está relacionado con intensas  
precitaciones  
poco  
frecuentes  
observadas  
El clustering dinámico es ampliamente aplicado  
como en (12,19,21,27) para identificar la  
agrupación de los patrones de variables  
climáticas que proporciona una visión más clara  
y coherente del comportamiento climático en  
comparación con otros métodos, adaptándose  
en la estación climática lluviosa de febrero a  
mayo, octubre y noviembre influenciadas por la  
corriente de aire húmedo del Atlántico y la cuenca  
del Amazonas (31). Estos resultados demuestran  
la diversidad climática de patrones de recurrencia  
temporal de la región y las estaciones climáticas  
de la zona: días lluviosos y días secos en un  
periodo de junio a septiembre que es más fuerte  
que el segundo período alrededor de diciembre.  
a
variaciones  
estacionales  
o
fenómenos  
extremos que se presentan en el clima (16,17),  
se ha identificado cuatro tipos de clima (Weather  
Types, WT) para la región Sierra Central en base a  
la variabilidad espacio-temporal de temperatura  
máxima y precipitación. A través del índice de  
clasificabilidad se validó la calidad del grupo, que  
confirmó una segmentación coherente y bien  
definida con valores de 0.99 para la precipitación  
y 0.98 para la temperatura máxima. Por lo tanto,  
estos hallazgos fueron consistentes con Diday y  
Simon (16), así como de Recalde (28), quienes  
emplearon metodologías similares en diferentes  
Los resultados de este estudio han permitido  
determinar  
patrones  
de  
comportamiento  
climático de temperatura máxima y precipitación  
en la región Sierra Central. Esta clasificación  
esta representada por la variabilidad espacial y  
temporal de los datos de las variables climáticas  
estudiadas,  
proporcionando  
información  
para la gestión de los recursos hidrológicos  
y la adaptación al cambio climático en zonas  
vulnerables. Laidentificacióndetiposdeclimacon  
patrones recurrentes asociados a incrementos de  
temperatura y precipitación es significativa para  
la planificación agrícola y el monitoreo de riesgos  
naturales. Estos hallazgos resaltan la importancia  
de incorporar datos satelitales de la NASA y las  
herramientas de aprendizaje automático para la  
regiones  
y
logran clasificaciones climáticas  
adecuadas, demostrando un método confiable  
para representar la complejidad climática en  
la región Sierra Central que proporciona una  
segmentación efectiva para la clasificación de  
patrones de comportamiento.  
87  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
identificación de patrones de comportamiento  
en las regiones climáticas Andinas.  
determinante de las características morfológicas  
y topográficas, de la misma manera, fenómenos  
de gran escala como el ENSO en la variabilidad  
climática del Ecuador. Mientras los valles  
interandinos  
presentan  
precipitaciones  
V. CONCLUSIONES  
frecuentes pero ligeras, las zonas expuestas al  
flujo de aire húmedo amazónico registran lluvias  
más intensas y poco frecuentes, lo que confirma  
la diversidad de microclimas y la sensibilidad de  
la región Sierra Central  
En el período analizado, la temperatura máxima  
mostró alta variabilidad interanual, con picos  
cálidos asociados al ENSO (1982, 1983, 2006,  
2015) y descensos puntuales en 1993 y 2007, sin  
evidenciar una tendencia significativa (prueba  
de Mann-Kendall p > 0.05). Espacialmente, la  
Sierra Central mantuvo un régimen térmico  
estable, mientras que en la Costa y Amazonía  
predominaron anomalías cálidas, moduladas por  
el relieve andino y la latitud ecuatorial.  
VI. AGRADECIMIENTOS  
Los  
autores  
expresan  
su  
profundo  
agradecimiento al proyecto de investigación  
"Predecir los patrones de comportamiento  
climático utilizando técnicas de aprendizaje  
automático en la provincia de Chimborazo"  
(IDIPI-306), del Grupo de Energías Alternativas  
y Ambiente (GEAA) de la Escuela Superior  
Politécnica de Chimborazo (ESPOCH) por su  
apoyo en el desarrollo de esta investigación.  
Asimismo, se reconoce el respaldo cuya  
contribución fue fundamental para la realización  
de este estudio. En particular, se agradece a la  
Biof. Isabel Balvoa por su valiosa participación  
y aporte en el análisis de los resultados de esta  
investigación.  
Con índices de clasificabilidad superiores a  
0.98 que validan la robustez metodológica del  
clustering dinámico permitió determinar cuatro  
tipos de clima (WT) en la región Sierra Central,  
reflejando la complejidad espacio-temporal de  
la temperatura máxima y la precipitación. Estos  
hallazgos son consistentes con estudios previos  
y demuestran que el método constituye una  
herramienta confiable para representar patrones  
climáticos en regiones andinas.  
Los WT identificados evidencian la influencia  
VII. REFERENCIA  
1.  
Filonchyk M, Peterson MP, Zhang L, Hurynovich V, He Y. Emisiones de gases de efecto invernadero  
y cambio climático global: examen de la influencia del CO2, CH4 y N2O. Sci Total Environ.  
2024;935:173359.  
2.  
Vuille M, Bradley RS, Werner M, Keimig F. Cambio climático del siglo XX en los Andes tropicales:  
observaciones y resultados de modelos. En: Diaz HF, editor. Climate Variability and Change in High  
Elevation Regions: Past, Present & Future [Internet]. Dordrecht: Springer Netherlands; 2003 [cited  
2025 Mar 16]. p. 75–99. Available from: https://doi.org/10.1007/978-94-015-1252-7_5  
3.  
Bolan S, Padhye LP, Jasemizad T, Govarthanan M, Karmegam N, Wijesekara H, et al. Impacts of  
climate change on the fate of contaminants through extreme weather events. Sci Total Environ.  
2024;909:168388.  
4.  
5.  
6.  
VijayaVenkataRaman S, Iniyan S, Goic R. A review of climate change, mitigation and adaptation.  
Renew Sustain Energy Rev. 2012;16(1):878–97.  
Capa-MoraD,MedinaJ,BenítezÁ,JiménezÁlvarezL.Perspectivesonclimatechangeandadaptation  
and mitigation measures amongst farmers of Zamora–Ecuador. Clim Serv. 2025;38:100565.  
Toulkeridis T, Tamayo E, Simón-Baile D, Merizalde-Mora MJ, Reyes-Yunga DF, Viera-Torres M, et  
al. El cambio climático según académicos ecuatorianos: percepciones versus hechos. La Granja.  
2020;31(1):21–46.  
7.  
Cadilhac L, Torres R, Calles J, Vanacker V, Calderón E. Desafíos para la investigación sobre el cambio  
climático en Ecuador. Neotrop Biodivers. 2017;3(1):168–81.  
88  
MODELADO DE REGÍMENES CLIMÁTICOS ESPACIO TEMPORALES EN LA SIERRA CENTRAL ECUATORIANA  
MEDIANTE CLÚSTERING DINÁMICO UTILIZANDO DATOS DE TEMPERATURA Y PRECIPITACIÓN DE LA NASA  
Miranda, Ramos.  
8.  
9.  
Francou B, Vuille M, Favier V, Cáceres B. New evidence for an ENSO impact on low-latitude glaciers:  
Antizana15, AndesofEcuador, 0°28′S. JGeophysResAtmospheres[Internet]. 2004[cited2025Mar  
11];109(D18). Available from: https://onlinelibrary.wiley.com/doi/abs/10.1029/2003JD004484  
Sanabria J, Neukom R, Llacza A, Salzmann N, Calanca P. Representation of extreme El Niño events  
and associated atmospheric moisture flux divergence in the central-eastern tropical Pacific in a  
CMIP6 model ensemble. Weather Clim Extrem. 2025;47:100746.  
10. Alexander MA, Vimont DJ, Chang P, Scott JD. The impact of extratropical atmospheric variability  
on ENSO: testing the seasonal footprinting mechanism using coupled model experiments. J Clim  
[Internet]. 2010 [cited 2025 Jul 23]. Available from: https://journals.ametsoc.org/view/journals/  
clim/23/11/2010jcli3205.1.xml  
11. Millán H, Kalauzi A, Llerena G, Sucoshañay J, Piedra D. Climatic trends in the Amazonian area of  
Ecuador: classical and multifractal analyses. Atmos Res. 2008;88(3):355–66.  
12. Michelangeli PA, Vautard R, Legras B. Weather regimes: recurrence and quasi stationarity. J Atmos  
Sci [Internet]. 1995 [cited 2025 Jun 25]. Available from: https://journals.ametsoc.org/view/  
journals/atsc/52/8/1520-0469_1995_052_1237_wrraqs_2_0_co_2.xml  
13. Laraque A, Ronchail J, Cochonneau G, Pombosa R, Guyot JL. Heterogeneous distribution of  
rainfall and discharge regimes in the Ecuadorian Amazon Basin. J Hydrometeorol [Internet].  
2007 [cited 2025 Jun 19]. Available from: https://journals.ametsoc.org/view/journals/  
hydr/8/6/2007jhm784_1.xml  
14. KottekM, GrieserJ, BeckC, RudolfB, RubelF. WorldmapoftheKöppen-Geigerclimateclassification  
updated. Meteorol Z. 2006;15(3):259–63.  
15. Netzel P, Stepinski T. On using a clustering approach for global climate classification. J Clim  
[Internet]. 2016 [cited 2025 Jul 2]. Available from: https://journals.ametsoc.org/view/journals/  
clim/29/9/jcli-d-15-0640.1.xml  
16. Diday E, Simon JC. Clustering analysis. En: Fu KS, editor. Digital Pattern Recognition [Internet].  
Berlin, Heidelberg: Springer; 1976 [cited 2025 Mar 3]. p. 47–94. Available from: https://doi.  
org/10.1007/978-3-642-96303-2_3  
17. YokoiS,TakayabuYN,NishiiK,NakamuraH,EndoH,IchikawaH,etal.Applicationofclusteranalysisto  
climate model performance metrics. J Appl Meteorol Climatol [Internet]. 2011 [cited 2025 Jun 26].  
Available from: https://journals.ametsoc.org/view/journals/apme/50/8/2011jamc2643.1.xml  
18. Saputra DM, Saputra D, Oswari LD. Effect of distance metrics in determining K-value in K-means  
clusteringusingelbowandsilhouettemethod.En:AtlantisPress[Internet].2020[cited2025Jun28].  
p. 341–6. Available from: https://www.atlantis-press.com/proceedings/siconian-19/125939938  
19. Muñoz ÁG, Yang X, Vecchi GA, Robertson AW, Cooke WF. A weather-type-based cross-time-scale  
diagnostic framework for coupled circulation models. J Clim [Internet]. 2017 [cited 2025 Jun 28].  
Available from: https://journals.ametsoc.org/view/journals/clim/30/22/jcli-d-17-0115.1.xml  
20. Miranda G. Cluster-Dinamico-Sierra-Ecuador/Cluster_Dinamico_Precipitación.ipynb [Internet].  
GitHub; 2025 [cited 2025 Jun 18]. Available from: https://github.com/Geovanny-Miranda1/  
Cluster-dinamico-Sierra-Ecuador/blob/main/Cluster_Dinamico_Precipitaci%C3%93N.ipynb  
21. Nalluri S, Ramasubbareddy S, Kannayaram G. Weather prediction using clustering strategies in  
machine learning. J Comput Theor Nanosci. 2019;16(5–6):1977–81.  
22. Cornwall A. Unpacking ‘Participation’: models, meanings and practices. Community Dev J.  
2008;43(3):269–83.  
23. Ruiz-Hernández JC, Condom T, Ribstein P, Le Moine N, Espinoza JC, Junquas C, et al. Spatial  
variability of diurnal to seasonal cycles of precipitation from a high-altitude equatorial Andean  
valley to the Amazon Basin. J Hydrol Reg Stud. 2021;38:100924.  
89  
ISSN 2477-9105  
Número 34 Vol.1 (2025)  
24. Rollenbeck R, Bendix J. Rainfall distribution in the Andes of southern Ecuador derived from  
blending weather radar data and meteorological field observations. Atmos Res. 2011;99(2):277–  
89.  
25. Pérez N, Mullo H, Marcatoma A. Análisis del cambio climático en un ecosistema alto andino,  
Riobamba–Ecuador. Perfiles. 2019;1(23):1–8.  
26. Pérez Londo NA, Lema Londo DS, Toapanta Yugcha EA. Patrones de comportamiento de  
temperatura en el Ecuador en modelos de circulación atmosférica mediante clustering. Rev  
Científico-Prof. 2023;8(8):2169–85.  
27. Tobar V, Wyseure G. Seasonal rainfall patterns classification, relationship to ENSO and rainfall  
trends in Ecuador. Int J Climatol. 2018;38(4):1808–19.  
28. Recalde-Coronel GC, Barnston AG, Muñoz ÁG. Predictability of December–April rainfall in coastal  
and Andean Ecuador. J Appl Meteorol Climatol [Internet]. 2014. Available from: https://journals.  
ametsoc.org/view/journals/apme/53/6/jamc-d-13-0133.1.xml  
29. Buytaert W, Celleri R, Willems P, Bièvre BD, Wyseure G. Spatial and temporal rainfall variability in  
mountainous areas: a case study from the south Ecuadorian Andes. J Hydrol. 2006;329(3):413–  
21.  
30. Thielen DR, Ramoni-Perazzi P, Zamora-Ledezma E, Puche ML, Marquez M, Quintero JI, et al.  
Effect of extreme El Niño events on the precipitation of Ecuador. Nat Hazards Earth Syst Sci.  
2023;23(4):1507–27.  
31. Araujo CR, Hidalgo HG. Aplicación del cálculo fraccional a una serie de temperaturas de la zona  
andina. Perfiles. 2020;1(24):54–61.  
90