A framework for the assessment of rainfall disaggregation methods in representing extreme precipitation

Simple item page
dc.catalogadoryvc
dc.contributor.advisorGironás León, Jorge Alfredo
dc.contributor.authorSandoval Vásquez, Claudio Andrés
dc.contributor.otherPontificia Universidad Católica de Chile. Escuela de Ingeniería
dc.date2025-12-31
dc.date.accessioned2025-06-30T16:34:10Z
dc.date.available2025-06-30T16:34:10Z
dc.date.issued2025
dc.descriptionTesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2025
dc.description.abstractHigh-resolution precipitation data are essential to analyze extreme rainfall, critical for hydrological modeling, infrastructure design and climate change assessments. As highresolution rainfall data are limited, disaggregation methods become an alternative to access such data. Although many studies have evaluated these methods, there is no framework for their selection based on their performance in reproducing extreme attributes. This paper presents a framework for evaluating daily-to-hourly rainfall disaggregation methods, measuring the performance on representing extreme precipitation behavior. The framework assesses this performance using Intensity-Duration-Frequency (IDF) curves and extreme rainfall indices (ERIs). IDF curve disaggregation performance evaluation uses accuracyand precision metrics (i.e., how close and consistent disaggregated values are to observed data, respectively), while ERIs are assessed by comparing the variability and bias of disaggregated annual series to observed data using a modified Kling-Gupta efficiency. The framework was applied to five sites with diverse climates, using three disaggregation methods: (1) a stochastic pulse-type method (SOC), (2) a non-parametric k-nearest neighbor (k-NN), and (3) a method based on Huff curves (HUFF). Results show that k-NN tends to outperform other methods in replicating IDF curves, modeling extreme rainfall percentiles and capturing the occurrence and magnitude of intense precipitation events, as well as most critical dry situations. SOC performs well in precision but has a lower ability in accuracy while HUFF is best at modeling 5-hour maximum rainfall. Nonetheless, these performances are not consistent across all locations, with the best-performing methodvarying per site, highlighting the importance of context-specific evaluations enabled by the framework.
dc.description.abstractLos datos de precipitacion de alta resolución son fundamentales para la estimación de lluvias extremas, la modelación hidrológica, el diseño de infraestructura y las evaluaciones de cambio climático. Sin embargo, estos datos suelen ser escasos, lo que ha llevado al uso de métodos de desagregación de precipitaciones. Aunque numerosos estudios han evaluado estos métodos, no existe un marco conceptual para seleccionarlos en función de su capacidad de reproducir extremos. Este estudio propone un marco para evaluar métodos de desagregación de precipitación diaria a horaria, con un enfoque en los extremos. El marco evalua la capacidad de reproducir curvas Intensidad-Duración-Frecuencia (IDF) mediante métricas de precisión y exactitud, y analiza los índices de precipitación extrema (ERIs) a partir de la variabilidad y el sesgo de las series anuales simuladas, utilizando una eficiencia Kling-Gupta modificada (mKGE). Se evaluaron tres métodos en cinco sitios con climas diversos: (1) un método estocástico basado en pulsos (SOC), (2) un enfoque no paramétrico de los k vecinos mas cercanos (k-NN) y (3) un método basado en curvas de Huff (HUFF). Los resultados muestran que k-NN presenta, en general, el mejor desempeño en la reproducción de curvas IDF, en la modelación de percentiles de precipitación extrema, y en la reproducción de las condiciones secas más críticas. SOC destaca en precisión, pero tiene menor exactitud, mientras que HUFF es mas efectivo para modelar precipitaciones máximas de 5 horas. Sin embargo, ningún método sobresale de forma consistente en todos los sitios o métricas, lo que resalta la importancia de realizar evaluaciones específicas para cada contexto.
dc.description.funderANID/FONDECYT No. 1241163
dc.fechaingreso.objetodigital2025-06-30
dc.format.extentx; 45 páginas
dc.fuente.origenSRIA
dc.identifier.urihttps://repositorio.uc.cl/handle/11534/104792
dc.information.autorucEscuela de Ingeniería; Sandoval Vásquez, Claudio Andrés; S/I; 1065164
dc.information.autorucEscuela de Ingeniería; Gironás León, Jorge Alfredo;0000-0002-6933-2658; 1681
dc.language.isoes
dc.nota.accesocontenido completo
dc.rightsacceso abierto
dc.subjectRainfall disaggregation
dc.subjectExtreme precipitation
dc.subjectEvaluation framework
dc.subjectIDF curves
dc.subjectStochastic methods
dc.subjectK-nearest neighbors
dc.subjectHuff curves
dc.subjectExtreme rainfall indices
dc.subjectDesagregador de lluvia
dc.subjectPrecipitación extrema
dc.subjectMarco de evaluación
dc.subjectCurvas IDF
dc.subjectMétodos estocásticos
dc.subjectK-vecinos más cercanos
dc.subjectCurvas de Huff
dc.subjectIndices de lluvia extrema
dc.subject.ddc620
dc.subject.deweyIngenieríaes_ES
dc.subject.ods13 Climate action
dc.subject.odspa13 Acción por el clima
dc.titleA framework for the assessment of rainfall disaggregation methods in representing extreme precipitation
dc.typetesis de maestría
sipa.codpersvinculados1065164
sipa.codpersvinculados1681
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
TESIS_CSandoval.pdf
Size:
4.51 MB
Format:
Adobe Portable Document Format
Description:
Download
License bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
license.txt
Size:
1.98 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
ING Tesis magíster