Agronomía Trop. 45(1): 35-50. 1995.

GRUPOS DE ESTACIONES CON PATRONES HOMOGÉNEOS DE 
PRECIPITACIÓN DEL ESTADO FALCÓN-VENEZUELA

Jhonny R. Demey¹ ; Yelitza Prada² y Laura Pla³

Esta investigación fue financiada por CDCH-UCV, Proyecto No. 01-35-2684-91.

¹ Profesor. Universidad Central de Venezuela. Facultad de Agronomía. 
Apdo. 4579. Maracay 2102. Venezuela.
² Estudiante graduado. Universidad Central de Venezuela. 
Facultad de Agronomía. Apdo 4579. Maracay 2101. Venezuela.
³ Profesor titular. Universidad Nacional Experimental Francisco de Miranda. 
Departamento de Producción Vegetal. Coro, 4101. Venezuela.

RECIBIDO: marzo 11, 1994.

RESUMEN

Se presenta una definición de grupos de estaciones con precipitaciones homogéneas en el estado Falcón, usando 24 variables originales, la media y la desviación standard de la precipitación mensual por estación, aplicando el Análisis por Componentes Principales (ACP). Los datos fueron recolectados de 43 estaciones climáticas, para el lapso 1968-1981. Los primeros tres componentes sintetizan el 89,25 % del total de la variación, utilizando la matriz de covarianza. El ACP genera ocho grupos coherentes de precipitación constituidos por estaciones meteorológicas, con un patrón de precipitación específico. El grupo 1 representa dos períodos lluviosos marcados; el 2, es lluvioso hacia finales de año; el 3, es lluvioso la mayor parte del año con un pico en noviembre y diciembre; el 4, es el más seco; el 5, es medianamente seco, con un máximo lluvioso en julio-agosto; el 6, con dos períodos lluviosos con máximas en octubre; el 7 es similar a el 6, pero más lluvioso en los dos períodos y el 8, es similar al 1, pero junio y julio son más secos.

INTRODUCCIÓN

La determinación de áreas homogéneas de precipitación constituye una forma de caracterizar el régimen de humedad en una zona, siendo útil para la planificación y la investigación agrícola, a fin de lograr un uso eficiente de los recursos y establecer los planes pertinentes.

GADGIL e IYENGAR (1980) señalan que clasificar grupos homogéneos de variación de precipitación es un primer paso en el desarrollo de modelos estocásticos para predicciones, así como también para estudios de variabilidad usando escalas amplias de tiempo. Según DYER (1975 y 1976) tales clasificaciones son requeridas para elegir una estrategia agrícola y planificar el uso de los recursos hídricos en varias regiones.

Los procedimientos de clasificación climática han ido desde técnicas descriptivas tradicionales hasta técnicas numéricas modernas a diferencia de los métodos descriptivos, los procedimientos numéricos ofrecen un menor sesgo y una alta homogeneidad interna en las agrupaciones. Entre las diversas técnicas de ordenación, una de las más usadas es el Análisis de los Componentes Principales (ACP), por presentar grandes ventajas en cuanto a la interpretación de los resultados. Varios autores (GREGORY et al., 1991; MALLANTS y FEYEN, 1990; RICHMAN, 1981 y WHITE et al., 1991.), entre otros, coinciden que el ACP es una herramienta útil en la climatología por permitir simplificar los datos originales, representándolos en un menor número de variables, las cuales contienen la mayor parte de la información. En años recientes la técnica por ACP se ha ido incrementando en su uso por climatólogos y meteorólogos para la delineación de patrones de temperatura, presión, precipitación, etc. (BRIER y MELTESEN, 1976; DAVIS et al., 1991; LEGATES, 1991 y RICHMAN, 1981).

El ACP ha sido utilizado para determinar zonas homogéneas de precipitación en el Sur de Africa (DYER, 1975); en California (WILLIMON citado por REDDY, 1983); en la India (GADGIL e IYENGAR, 1980); también en el Oeste de Africa e India tropical (REDDY y VIRMANI, citados por REDDY, 1983). Más recientemente OGALLO (1989) usó el ACP para originar patrones espaciales y temporales de lluvias en el este de Africa y SNEYERS et al. (1989) en Bélgica. GREGORY et al. (1991) genera áreas coherentes de precipitación en Gran Bretaña; igualmente PANDZIC y TRNINIC (1991) en la cuenca del río Kupa en Yugoslavia; MALLANTS y FEYEN (1990) en Bélgica y DEMEY (1993), en los llanos centrales venezolanos.

En el estado Falcón se han realizado varios trabajos relacionados con la clasificación climática, mapas de isoyectas y evaluación de variables climáticas OTHEA (1958), QUINTERO et al. (1970), FUDECO (1973), PLA et al. (1978), MARIN (1979), FERRER(1980), PLA (1982), GARCIA BENAVIDES (1983, 1985a, 1985b), MATTEUCCI y COLMA (1986) y LUGO (1988). Se destacan, el de PLA et al. (1978) donde se efectúa un estudio de caracterización climática del estado Falcón, utilizando 28 estaciones climáticas, con registros de precipitación desde 10 hasta 56 años, basándose en el método de Holdridge para definir provincias de humedad. Para determinar los patrones de distribución de la precipitación realizaron comparaciones entre los gráficos que representan la precipitación media mensual de cada estación en función de los meses del año. Los límites entre las zonas se trazaron en función de la relación de evapotranspiración de Holdridge, patrones de vegetación y su distribución sirvió para delimitar tentativamente a las zonas climáticas. Como resultado se obtuvieron siete áreas de diferentes patrones de distribución de precipitación, y las subzonas de provincias de humedad.

MATEUCCI y COLMA (1986) hacen una caracterización climática del estado Falcón, basándose en los métodos de índice de humedad de Bailey, climadiagramas de Gaussen, y las provincias de humedad de Holdirdge, estableciendo una comparación y una combinación entre dichos métodos, para tipificar el clima. Para crear los tipos climáticos se utiliza el análisis multivariada utilizando la distancia Euclidiana y dos modelos de conglomerados. Se utilizaron registros pluviométricos de 79 estaciones de más de 4 años, y los registros de evaporación se obtuvieron a partir de 6 de dichas estaciones. Se generaron 15 grupos de estaciones y 12 estaciones aisladas que representan cada una un tipo climático, derivados de índices que se basan en la temperatura. Concluyen que cualquiera de los métodos basados en temperatura tienen limitaciones, porque el cálculo de la evaporación se hace en función de una temperatura que es constante aproximadamente todo el año. Consideran que por haber obtenido grupos heterogéneos es difícil delimitar regiones climáticas; la existencia de estaciones aisladas, se cree que es causada por la calidad de la información usada en el trabajo.

El objetivo de este trabajo fue definir áreas homogéneas de precipitación en el estado Falcón, mediante el uso de la técnica multivariada de Análisis por Componentes Principales y establecer las variables que definen las áreas homogéneas y las relaciones que existen entre ellas.

MATERIALES Y MÉTODOS

El estado Falcón tiene una superficie de 24 750 km, y junto con Lara, Yaracuy y Portuguesa forman la Región Centro Occidental del país. Con respecto a la actividad agrícola, las lluvias son un factor climático decisivo para la planificación de áreas y requerimientos de riego. En el estado Falcón la zona costera es árida y semiárida y la precipitación aumenta a medida que se avanza hacia el sur. En general, las precipitaciones oscilan entre 435 mm - 1 265 mm / año según la zona (PLA et al., 1978).

La precipitación mensual se recolectó de 43 estaciones que resultaron escogidas de las 45 estaciones inicialmente seleccionadas para un lapso de 13 años de registros (1968-1981) (ver Anexo).

Con el objetivo de completar las series de 13 años para algunos meses en el caso de estaciones que lo ameritaban se estimaron los datos faltantes bajo los siguientes criterios: si la diferencia entre la precipitación mensual de la estación bajo estudio era menor al 10 % con respecto a las estaciones vecinas se usaba el promedio aritmético de las estaciones vecinas; si la diferencia era mayor del 10 %, los datos faltantes se estimaban por el método de la razón de los valores normales (DOORENBOS, 1976; GUEVARA, 1987); RAMIREZ, 1987 y DUQUE, 1990).

Para la verificación de la calidad de la información se utilizó la prueba no-paramétrica de los Signos que permite comprobar la homogeneidad de los datos (THOM, 1971; DOORENBOS, 1976). Como criterio para seleccionar las estaciones a incluir en el análisis, se consideró que si una estación presentaba 4 o más meses no homogéneos se descartaba, aceptándose aquellas con más de 75 % de los meses homogéneos, las cuales hicieron un total de 43 estaciones.

La matriz de datos X está constituida por el conjunto de vectores de las observaciones X[i,j], i=1, ..., n; j=1, ..., p y donde cada vector X[i,j] presenta la variable j-ésima para todas las observaciones y donde X es la matriz de datos constituida por "n" observaciones con "p" variables, siendo las observaciones las estaciones y las variables la media y la desviación standard de 12 meses, es decir, p=24, n=43 y X[i,j]=X[43x24].

Con el fin de simplificar y homogeneizar la nomenclatura, las 24 variables definidas en la matriz X se denotaron: precipitación media de enero (ME) y desviación standard de enero (DE); precipitación media de febrero (MF) y desviación standard de febrero (DF); precipitación media de marzo (MM) y desviación standard de marzo (DM); precipitación media de abril (MA) y desviación standard de abril (DA); precipitación media de mayo (MMY) y desviación standard de mayo (DMY); precipitación media de junio (MJ) y desviación standard de junio (DJ); precipitación media de julio (MJL) y desviación standard de julio (DJL); precipitación media de agosto (MAG) y desviación standard de agosto (DAG); precipitación media de septiembre (MS) y desviación standard de septiembre (DS); precipitación media de octubre (MO) y desviación standard de octubre (DO); precipitación media de noviembre (MN) y desviación standard de noviembre (DN); precipitación media de diciembre (MD) y desviación standard de diciembre (DD).

Utilizando el paquete estadístico SAS versión 6,08 (1988 a y 1988 b), procedimiento PRINCOMP, se generaron los valores propios y proporción de la varianza explicada y la matriz de vectores propios de la matriz de transformación calculadas vía matriz varianza-covarianza; igualmente, la matriz de correlación entre variables originales y los componentes principales; y la proporción de la varianza original explicada por cada componente principal. El mismo programa generó los gráficos tipo XY y XYZ entre el primero y el segundo componente principal y entre el primero, segundo y tercero componente principal respectivamente.

Para la selección de los componentes se utilizó el criterio de Kaisser, el cual incluye sólo aquellos cuyos valores propios son superiores al promedio (PLA, 1986).

Generando gráficos donde se cruzan los valores de los dos primeros componentes y de los tres primeros componentes, se separó a los grupos de individuos con características diferentes y que tienen la mayor ponderación sobre los primeros componentes.

RESULTADOS Y DISCUSIÓN

Según el criterio de Kaisser, los valores propios de los tres pri- meros Componentes Principales (CP) resultaron superiores al promedio x=1 222,4. Estos tres CP logran explicar el 89,24 % de la varianza total, el cual es considerado como un porcentaje significativamente alto, reduciendo la dimensión de la matriz original en 87,5 %. El resto de los 21 componentes sólo explican el 10,76 % de la variación existente.

Los valores propios más altos se presentan en los CP1, CP2 y CP3, lo cual coincide con la mayor proporción de la varianza absoluta y acumulada (Figura 1). El primer componente explica el 51,98 % del total de la varianza; el segundo componente principal un 31,65 % y el tercer componente principal un 5,62 %, para acumular un 89,24 % en total de variabilidad explicada.

Para determinar qué variables de cada uno de estos componentes seleccionados explican la variabilidad de cada componente, se tomaron en cuenta solamente aquellos cuyo coeficiente con la matriz de transformación tenían un valor igual o superior a 0,30.

Primer Componente: es el que tiene la varianza más alta, por lo tanto la mayor capacidad explicativa de los datos, 51,98 % del total. Se observan valores positivos en proporciones superiores al 0,30 de los promedios de los meses de noviembre y diciembre y la desviación del mes de diciembre, variables que reflejan un pico lluvioso a finales del año. Estos resultados se pueden interpretar como el de un componente cuya magnitud está asociada con aquellos puestos pluviométricos que tienen altos promedios de lluvia en los meses de noviembre y diciembre, con un disperción no despreciable y probablemente importante en la planificación agrícola. Las estaciones con valores grandes de este componente son las que definen el patrón de precipitación, siendo este aspecto importante en la ponderación de grupos homogéneos.

Segundo Componente: este explica el 31,65 % de la variabilidad total. Está relacionado con los promedios de los meses mayo, agosto, septiembre, octubre y la desviación del mes de diciembre. Los promedios son las varia-bles que corresponden a dos períodos lluviosos en el año, un primer pico lluvioso en mayo, y después un segundo período lluvioso desde agosto a octubre, con picos en septiembre y octubre. Este componente esta asociado con aquellos puestos pluviométricos que tienen un patrón biestacional de lluvias, presentando un primer período lluvioso corto, con picos en mayo y un segundo pico más largo, desde agosto a octubre, con pico máximo del año de septiembre a octubre. La dispersión del mes de diciembre en términos absolutos implica que es un mes seco, y por ser un valor negativo parece indicar que los promedios de precipitación son muy variables de un año a otro. Si se compara el CP1 con el CP2, se observa que las estaciones pluviométricas con valores altos de CP2 son secas a finales de año, a diferencia del CP1.

FIGURA 1. Valores propios y proporción de la varianza total explicada calculada a partir de la matriz de varianza-covariaza.

Tercer Componente: un 5,62 % del total de la varianza es explicado por este componente. Tiene que ver con los promedios de los meses de junio, julio y noviembre, y la desviación standard del mes de noviembre, cuyos valores absolutos son superiores al 30 %. Los valores positivos de los coeficientes de los promedios de los meses de junio y julio indican que un período lluvioso en los meses de junio y julio se asociarán con valores altos del CP3. El valor negativo del coeficiente del promedio de noviembre, significa que dicho mes está asociado negativamente con este componente. Los puestos pluviométricos que tienen pico principal de lluvias en junio y julio, tendrán valores altos del CP3.

Al comparar el CP3 al ser comparados con los otros dos componentes principales se nota que permite diferenciar aquellas estaciones que definen al patrón de precipitación con picos máximos de lluvia en junio-julio, contribuyendo así a ponderar los grupos homogéneos.

De la interpretación de la matriz de ponderación de las variables que determinan los componentes principales se obtienen los componentes más importantes y su significación, lo cual se sintetiza en el Cuadro 1.

De la revisión de la matriz de correlación entre las variables originales y los componentes principales se generan las Figuras 2, 3 y 4 las cuales destacan que las variables más significativas en cada caso se ubican más cerca del circulo de radio uno, es decir, las más asociadas al componente estarán más cerca de la unidad.

En la correlación entre variables originales con los dos primeros componentes principales, las que más se acercan a los extremos positivos son los promedios de los meses de enero, febrero, marzo, noviembre y diciembre, acercándose sus valores al extremo positivo del eje del CP1, también las desviaciones standard de los meses enero, abril y noviembre tienen alta correlación positiva. Los valores de desviación standard correlacionados con el CP1 son los pertenecientes a los meses de enero, diciembre y abril, (Figura 2).

En la correlación entre CP1 y CP3, ( los promedios de los meses de enero, febrero, marzo, noviembre y diciembre) son iguales que en el caso anterior, aunque se observa más marcada la diferencia con respecto a la explicación de las variables para cada uno de los componentes principales debido a que estas se alejan más de CP3, por la poca capacidad de ser explicadas por dicho componente y se reafirma la correlación con el CP1 (Figura 3).

Entre CP2 y CP3 la mayor correlación ocurre con las variables referidas a los promedios de abril, mayo, agosto, septiembre, octubre y la desviación standard de agosto. CP3 está correlacionado con los promedios de junio y julio, pero en forma secundaria porque a pesar de que los mayores coeficientes de correlación son para dichos meses, CP1 presenta valores de correlación superiores para los promedios y la desviación superior para los promedios y la desviación standard (Figura 4).

Del análisis de la correlación y la proporción de la variación explicada por los tres primeros componentes para cada variable se puede resumir la interpretación de la manera siguiente:

El CP1 tiene que ver con el patrón de precipitación descrito por la época lluviosa a finales del año, noviembre-diciembre, y la época seca a inicio de año, enero-marzo. La alta variabilidad de las precipitaciones en diciembre, enero, abril y julio también se consideran en el CP1, pudiéndose registrar en dichos meses, por ejemplo, en un año, 10 mm de precipitación, y en otro año 150 mm.

Estas características en las precipitaciones son un criterio discriminante de grupos de estaciones que correspondan a un patrón homogéneo de lluvias.

FIGURA 2. Correlación entre variables originales con el primer y segundo componente principal.

FIGURA 3,. Correlación entre las variables originales con el primer y tercer componente principal.

FIGURA 4. Correlación entre las variables originales con el segundo y tercer componente principal.

El CP2, está asociado a la precipitación media de los meses de mayo, agosto, septiembre y octubre, según la ocurrencia de los picos lluviosos en ambos períodos de lluvias, bien para uno o dos períodos lluviosos. Abril y agosto se presentan como meses de alta variabilidad de precipitación.

El CP3 tiene relación con junio y julio; según sean estos meses húmedos, marcarán diferencias entre grupos.

La Figura 5 muestra la representación bivariada entre CP1 y CP2, incluyendo las estaciones identificadas por sus seriales los cuales definen y caracterizan en general a los grupos homogéneos de precipitación, dado que informan sobre el 83,63 % de la varianza. De esta forma, se generan siete grupos homogéneos. El criterio que reúne a las estaciones consiste en diferenciar aquellas estaciones que obedezcan a patrones comunes de lluvias en función de las diferencias entre los períodos secos y húmedos, ocurrencia de picos de precipitación y cantidad de milímetros de lluvia en los meses explicados por los CP1 y CP2.

También en la Figura 5 se aprecia que los valores negativos que tienen las estaciones se debe a que son secas para el período húmedo que destaca el CP1 y el CP2, entonces se nota que el grupo 1 tiende a ser húmedo en los meses importantes del CP2; el grupo 3 es el de mayor pluviosidad en el año; el 2 tiende a ser lluvioso en el período de mayor correlación con CP1, es decir, en los meses de noviembre y diciembre; el grupo 4 es el más seco, ya que se ubica hacia los valores más negativos, y el 7 es seco también, pero menos que el 4.

En la Figura 6, en el plano horizontal, se distinguen los grupos generados por la relación CP1-CP2, y en el plano vertical las estaciones agrupadas por estratos de igual altura donde se considera el CP3. Aquí se refleja el comportamiento de las estaciones en el período junio-julio, además de la relación con los períodos importantes de los CP1 y CP2, pudiéndose observar que las estaciones del grupo 5 tienen valores más altos para CP3, lo que significa que dicha zona corresponde al principal período lluvioso junio-julio, y el grupo 3 para esos meses se presenta lluvioso. Se diferencia el grupo 8, el cual en el gráfico CP1-CP2 aparece fusionado con el grupo 1, pero al agregar el CP3 es evidente la separación en cuanto a estrato de altura en el gráfico, lo cual implica que dichas estaciones corresponden a un área más seca en los meses de junio y julio, haciendo más marcados los dos picos de precipitación, entonces se ratifica la formación de un octavo grupo, el grupo 8. Esta información se comprueba al verificar los patrones de precipitación para cada grupo.

FIGURA 5. Representación bivariada de los resultados de los 43 puestos pluviométricos con los dos primeros componentes.

FIGURA 6. Representación tridimensional de los primeros componentes.

Utilizando los promedios de la matriz de datos originales se construyen los gráficos de precipitación para cada grupo resultante, así como también las desviaciones standard importantes, observándose las diferencias entre los grupos y estaciones involucradas (Figura 7). Según se aprecia en las curvas de precipitación, los grupos se diferencian en cuanto a picos de precipitación, magnitud de las lluvias, número de períodos lluviosos, tendencia del mes de diciembre a ser seco o no y máximas de precipitación en el año.

La Figura 7 permite completar la diferencia entre los grupos 6 y 7, donde en 6 se distingue un pequeño período lluvioso en mayo con un descenso en julio y diciembre seco, y 7 presenta el mes de diciembre más bien húmedo, no se produce el pico de mayo y julio no es seco; 2 y 3 se diferencian en que el pico lluvioso ocurre en noviembre en 3 y de abril a septiembre las precipitaciones son superiores a 90 mm, mientras que en 2 las lluvias llegan a los 60 mm en ese mismo período y el pico lluvioso ocurre en diciembre.

La distribución geográfica de las estaciones utilizando los componentes principales puede ser debida a los factores que influencian la distribución de las lluvias (MALLANTS y FEYEN, 1990). De acuerdo con lo descrito, se puede afirmar que el ACP es sensible a los efectos orográficos, tomando en cuenta el efecto relieve y la topografía, lo cual queda reflejado al ver que los distintos grupos corresponden a ciertas áreas de relieve del estado Falcón, y hay diferencias de altitud en los grupos.

Se observan diferencias en cuanto a la composición y distribución de los grupos y estaciones de los ocho grupos generados por el ACP y con los grupos considerados por PLA et al. (1978). Esto puede deberse a que el análisis realizado es cuantitativo, basado en los promedios y desviaciones standard mensuales, para un período contínuo de registros de 13 años.

Aunque la investigación de MATTEUCCI y COLMA (1986) tenía objetivos diferentes, es posible generar una comparación. En tal sentido, se observa que hay varios tipos climáticos que coinciden con varios grupos de estaciones considerados en el ACP, específicamente aquellos ubicados hacia la zona semiárida, sector nor-oriental, zona subhúmeda y los grupos al sur de Mene de Mauroa. El resto de las estaciones que en los resultados son separadas, el ACP las reúne en grupos homogéneos. Esta diferencia se debe a que el análisis de dichos autores es más complejo porque toma en cuenta un mayor número de variables: evaporación, temperatura, humedad y precipitación, para definir tipos climáticos, mientras que en el ACP se definen solamente patrones de precipitación de las estaciones consideradas.

El Cuadro 2 resume los ocho grupos, estaciones y características de los patrones de precipitación, observándose que la relación entre CP1 y CP2 fue la definió y produjo la caracterización general de los grupos. Esta clasificación final surge de analizar el gráfico CP1-CP2, así como de estudiar la contribución de CP3 al observar el gráfico de tres dimensiones y de comparar los patrones de precipitación de las estaciones y grupos promedios, teniendo en cuenta el nivel de explicación de cada mes por los componentes principales.

CONCLUSIONES

Se comprueba que el ACP es una herramienta muy útil para determinar las relaciones entre diferentes estaciones pluviométricas; permite obtener una mayor compresión de la relación entre las diferentes variables a lo largo del año, por lo tanto puede contribuir a delinear regiones que muestren patrones semejantes de precipitación.

Se diferenciaron ocho grupos homogéneos de precipitación, existiendo un patrón común de precipitaciones dentro de cada uno de ellos.

Las variables que definen los grupos homogéneos de precipitación son los promedios de precipitación de los meses de noviembre-diciembre, agosto-octubre, y el período seco de enero a marzo.

SUMMARY

Key Words: Principal Component Analysis, homogeneus precipitation groups, Falcón State, Venezuela.

BIBLIOGRAFÍA

BRIER, G. and G. MELTESEN. 1976. Eigenvectors analysis for prediction of time series. Journal of Applied Meteorology 15: 1307-1312.

DAVIS, M., F. ESTIS, P. BLOOMFIELD and J. MONAHAN. 1991. Complex principal component analysis of sea level pressure over the Eastern USA. International Journal of Climatology 11: 27-54.

DEMEY, J.R. 1993. Componentes principales y componentes principales comúnes: Aplicaciones a la definición de grupos de estaciones con patrones homogéneos de precipitación en los llanos centrales venezolanos. Tesis de Maestría. Maracay, Ven. Universidad Central. Facultad de Agronomía. p. 109.

DOORENBOS, J. 1976. Estaciones agroclimáticas. Estudio FAO: Riego y Drenaje No. 27. 112 p.

DUQUE, R. 1990. Precipitación: formación, medición y análisis de datos. Mérida, Ven. Centro Interamericano de Desarrollo Integral de Aguas y Tierras. 58 p.

DYER, T. 1975. The assignment of rainfall stations into homogeneus groups: an application of principal component analysis. Q.J.R. Meteorol. Soc. 101(430):1005-1013.

DYER, T. 1976. On the components of time series: the removal of spatial dependence. Quart. J.R. Met. Soc. 102:157-165.

FERRER, E. 1980. El clima en la región Centro Occidental de Venezuela. Barquisimeto. Fundación para el Desarrollo de la Región Centro Occidental. pp. 1-124.

FUNDACION PARA EL DESARROLLO DE LA REGION CENTRO OCCIDENTAL. 1973. II Inventario de aguas superficiales de la región Centro - Occidental, Barquisimeto. 96 p.

GARCIA-BENAVIDES, J. 1983. Probabilidades de lluvia del Estado Falcón. Coro, Ven. Universidad Nacional Experimental Francisco de Miranda.

GARCIA-BENAVIDES, J. 1985a. Algunas aplicaciones prácticas de la inclusión de componentes estocásticas en modelos de predicción de cosechas o funciones de predicción generalizadas. Coro, Ven. Universidad Nacional Francisco de Miranda. Publicación miscelánea. 72 p.

GARCIA-BENABIDES, J. 1985b. Una metodología para la simulación de rendimientos de cultivos en un sistema espacio-tiempo. Acta Científica Venezolana 36:355-365.

GADGIL, S. and N. IYENGAR. 1980. Cluster analysis of rainfall stations of the Indian Peninsula. Quart. J.R. Met. Soc. 106: 873-886.

GREGORY, J. P. JONES and T. WIGLEY. 1991. Precipitation in Britain: an analysis of area-average data updated to 1989. International Journal of Climatology 11:331-345.

GUEVARA, J. 1987. Métodos de estimación y ajuste de datos climáticos. Caracas. Universidad Central de Venezuela. 124 p.

LEGATES, D. 1991. The effect of domain shape pon principal components analysis. International Journal of Climatology 11:135-146.

LUGO, C. 1988. Patrones de precipitación con fines agroecológicos en la Península de Paraguaná. Tesis de Pregrado. Coro, Ven. Universidad Nacional Experimental Francisco de Miranda. Coordinación de Area de Ciencias del Agro y Mar. 159 p.

MALLANTS, D. and J. FEYEN. 1990. Defining homogeneous precipitation regions by means of principal component analysis. Journal of Applied Meteorology 29:892-901.

MARIN, D. 1979. Análisis regional de la vegetación en el ambiente del Estado Falcón: Recursos Hídricos del Estado Falcón. Coro, Ven. Ed. IUTC. 85 p.

MATEUCCI, S. y A. COLMA. 1986. Caracterización climática del Estado Falcón. Acta Científica Venezolana 37:63-71.

OGALLO, L. 1989. The spatial and temporal patterns of the East-African seasonal rainfall derived from principal component analysis. International Journal of Climatology 9(2): 145-167.

OTHEA, C. 1958. Estado Falcón. Rescursos naturales y desarrollo de su economía agropecuaria y forestal. Caracas. Ministerio de Agricultura y Cría. p. 46.

PANDZIC, K. and D. TRNINIC. 1991. Principal component analysis of the annual regime of hydrological and meteorological fields in a River Basin. International Journal of Climatology 11: 909-922.

PLA, L. 1982. Un modelo en el análisis de la vegetación del estado Falcón. Tesis Magister Scientiarum. Maracay, Ven. Universidad Central. 254 p.

PLA, L. 1986. Análisis Multivariado: método por componentes principales. Monografía N<F128>É<F255> 27, serie Matemática. OEA. 91 p.

PLA, L., S. MATTEUCCI y A. COLMA. 1978. Análisis regional de la vegetación y el ambiente del Estado Falcón: El clima de Falcón. Coro, Ven. Ed. IUTC. 64 p.

QUINTERO, C., C. PRECILLAS y C. GONZALEZ. 1970. Análisis climatológico preliminar y requerimientos de riego de la zona centro-norte del Estado Falcón. Caracas. Ministerio de Obras Públicas. 83 p.

RAMIREZ, E. 1987. Análisis del control de calidad de la información climatológica. San Tomé, Ven. Ministerio del Ambiente y de los Recursos Naturales Renovables - CORPOVEN. pp. 20-64.

REDDY, S. 1983. Agroclimatic classification: numerical-taxonomic procedures. A riview. Pesq. agropec. 18(5):433-457.

RICHMAN, M. 1981. Obliquely rotated principal components: an improved meteorological map typing Technique. Journal of Applied Meteorology. 29:1145-1149.

SAS Institute Inc. 1988a. SAS/GRAPH TM User's Guide. Release 6,03 Edition. Cary. NC:SAS Institute. 549 p.

SAS Institute Inc. 1988b. SAS/STAT TM User's Guide. Release 6,04 Edition, Cary. NC:SAS Institute. 1028 p.

SNEYERS, R., R. VANLIERDE and M. VANDIEPENBEECK. 1989. Principal component analysis of Belgian rainfall. Theoretical and applied Climatology, 39(4): 199-204.

THOM, H. 1971. Some methods of climatological analysis. Technical Note N<F128>É<F255> 81 WMO-N<F128>É<F255> 199. T.P. 103. Geneva-Switzerland 53 p.

WHITE, D., M. RICHMAN and B. YARNAL. 1991. Climate regionalization and rotational of principal components. International Journal of Climatology 11:1-25.