Satellite-Based Estimation of Monthly Rainfall Across the Indonesian Archipelago: A Month-Specific Multiple Linear Regression Framework Using Bias-Corrected NASA POWER Data over Java, Bali, Nusa Tenggara, and Maluku

La lluvia es el latido del mundo tropical, una fuerza variable que dicta cuándo crecen los cultivos, cuándo se desbordan los ríos y cuándo la tierra se convierte en lodo. En Indonesia, un archipiélago de miles de islas que se extiende a lo largo del ecuador, este ritmo está gobernado por enormes vientos estacionales que desplazan la humedad desde el océano Índico hacia el continente australiano. Para los agricultores, los planificadores urbanos y los equipos de respuesta ante desastres, saber exactamente cuánta lluvia caerá en un mes determinado no es solo una cuestión de curiosidad; es una necesidad para la supervivencia y la estabilidad económica. Sin embargo, un problema persistente ha obstaculizado durante mucho tiempo la planificación precisa: las estaciones meteorológicas terrestres que miden esta lluvia suelen ser escasas, y los registros históricos que mantienen son frecuentemente incompletos. En muchas partes del país, los datos disponibles gratuitamente se detienen tras apenas un par de años, dejando a los científicos sin la visión a largo plazo necesaria para comprender las tendencias climáticas o para calibrar modelos de predicción fiables. Sin estos archivos profundos, la capacidad de pronosticar la disponibilidad futura de agua o de prepararse para las inundaciones sigue siendo limitada.

Para cerrar esta brecha, un equipo de investigadores de varias universidades indonesias dirigió su atención al cielo, específicamente a un conjunto de datos satelitales que ofrece un registro continuo e ininterrumpido de las condiciones meteorológicas. Su objetivo era construir una nueva forma de estimar la lluvia mensual en cuatro regiones distintas del archipiélago indonesio: la densamente poblada isla de Java, la pequeña isla de Bali, las islas de Nusa Tenggara, secas y estacionales, y las islas dispersas y convectivas de Maluku. En lugar de depender de los registros cortos y fragmentados de las estaciones terrestres, utilizaron un conjunto de datos global llamado NASA POWER, que proporciona un flujo constante de información meteorológica derivada de modelos atmosféricos y observaciones satelitales. Este conjunto de datos incluye variables como la temperatura del aire, la humedad y la velocidad del viento, todas las cuales están vinculadas físicamente a cómo se forman las nubes y cómo cae la lluvia. Los investigadores plantearon la hipótesis de que, al combinar estas lecturas satelitales de largo plazo con los limitados datos terrestres disponibles, podrían crear un modelo matemático capaz de estimar la lluvia con alta precisión, incluso en áreas donde las estaciones meteorológicas son pocas y están muy dispersas.

El equipo se centró en un método que trata cada mes del año como un evento único, reconociendo que las fuerzas que impulsan la lluvia en enero son fundamentalmente diferentes a las de julio. Recopilaron observaciones de lluvia de 66 estaciones meteorológicas oficiales en las cuatro regiones y las cotejaron con los datos satelitales para el periodo comprendido entre 2011 y 2026. Antes de construir su herramienta de predicción, primero corrigieron los datos satelitales para asegurar que se alinearan con la realidad medida en tierra, un proceso similar a sintonizar una radio para eliminar la estática para que la señal se escuche con claridad. Una vez ajustados los datos satelitales, utilizaron un enfoque estadístico para encontrar la relación entre las mediciones de temperatura, humedad y viento del satélite, y la lluvia real registrada por las estaciones. Debido a que la influencia de estos factores meteorológicos cambia con las estaciones, no crearon una única fórmula para todo el año. En su lugar, desarrollaron doce conjuntos de reglas distintos, uno para cada mes, permitiendo que el modelo se adapte a los cambios de los monzones.

Los resultados de este esfuerzo fueron alentadores. El modelo demostró ser capaz de estimar la lluvia mensual en las cuatro regiones con un nivel de precisión que los investigadores describieron como bueno. En la región de Bali, las predicciones del modelo coincidieron con los patrones de lluvia observados con una correlación de 0,73, lo que significa que los valores estimados subían y bajaban en estrecho paso con las mediciones reales. La región de Nusa Tenggara mostró una fuerza similar, con una correlación de 0,70. Incluso en Java, que alberga entornos urbanos complejos y terrenos variados que pueden dificultar la predicción de la lluvia, el modelo logró una correlación de 0,65. Quizás lo más significativo es que el modelo funcionó bien en las regiones de Maluku y Nusa Tenggara, donde los datos son escasos. En estas áreas, el modelo capturó con éxito las tendencias generales de la lluvia, lo que sugiere que los datos satelitales, una vez corregidos, pueden servir como un sustituto fiable de los registros terrestres a largo plazo.

Un análisis más detallado de los hallazgos reveló cómo los diferentes factores meteorológicos influyeron en las predicciones. En todas las regiones, la humedad surgió como el motor más constante de la lluvia; cuando el aire era más húmedo, el modelo predecía correctamente más lluvia. La temperatura del aire también desempeñó un papel importante, aunque su efecto variaba según la estación y la ubicación. La velocidad del viento mostró un patrón distinto, actuando a menudo como un supresor de la lluvia durante la temporada de monzones secos, particularmente en las islas orientales donde el aire seco proveniente de Australia barre el archipiélago. Los investigadores señalaron que, si bien el modelo funcionó bien para los totales mensuales generales, enfrentó desafíos para capturar los estallidos de lluvia extremos y localizados que ocurren en los centros urbanos de Java o en las tormentas altamente convectivas de las islas de Maluku. Estas áreas involucran interacciones complejas entre la tierra, el mar y la atmósfera que un modelo lineal simple no puede resolver por completo. No obstante, el rendimiento general confirmó que el enfoque es viable para la planificación regional.

El estudio concluye que este método ofrece una solución práctica y de bajo costo para un país que lucha contra las brechas de datos. Al utilizar el registro largo y continuo de NASA POWER y corregirlo con los mejores datos terrestres disponibles, los científicos y los responsables políticos pueden ahora generar estimaciones de lluvia mensual fiables para regiones que anteriormente eran difíciles de analizar. Esta capacidad es crucial para la gestión de los recursos hídricos, el diseño de defensas contra inundaciones y la planificación de los ciclos agrícolas en un clima cambiante. Los investigadores enfatizan que, si bien su modelo no es una bola de cristal perfecta, proporciona una base sólida para la toma de decisiones basada en evidencia. Sugieren que el trabajo futuro podría refinar estas estimaciones incorporando factores climáticos más complejos y probando el enfoque frente a técnicas avanzadas de aprendizaje automático, pero por ahora, el estudio demuestra que un marco estadístico transparente, mes a mes, puede iluminar eficazmente los patrones de lluvia del archipiélago indonesio.