En el presente trabajo se formularon generadores de tiempo para la simulación de la precipitación diaria y se evaluó su desempeño en base a registros pluviométricos en 22 estaciones de Uruguay. Se implementaron dos modelos, ambos basados en una cadena de Markov de primer orden para simular la ocurrencia de precipitación diaria; el primero (de cuatro parámetros) usa una distribución gamma para simular la cantidad de precipitación de los días lluviosos y el segundo (de cinco parámetros) una distribución exponencial mixta. Se evaluó la adopción de parámetros estacionarios y variables a lo largo del año, siendo indiscutible la ventaja de la segunda alternativa. Si bien la distribución exponencial mixta tiene un desempeño marginalmente superior que la gamma, la mejora no justifica el uso de un modelo menos parsimonioso. Se procedió luego a la incorporación de sesgos climáticos (asociados al fenómeno ENOS) al generador de tiempo. Como variable de condicionamiento se tomó el índice N3.4 en el trimestre Noviembre-Enero, de modo de producir secuencias sintéticas consistentes con un escenario determinado. Los resultados obtenidos muestran que el procedimiento desarrollado logra capturar satisfactoriamente la señal de ENOS, lo cual abre oportunidades muy interesantes para la aplicación de pronósticos estacionales asociados a ENOS en diversos sectores. Algunas aplicaciones requieren considerar la precipitación acumulada sobre un área de cierta extensión, lo cual exige considerar también la correlación espacial entre distintos puntos. Para ello se modificó el modelo puntual de forma tal de generar un conjunto de modelos individuales con sorteos aleatorios temporalmente independientes pero espacialmente correlacionados, a través de la simulación simultánea de secuencias de tiempo en múltiples puntos. Las series simuladas de esta manera reproducen de manera satisfactoria los estadísticos seleccionados de las series observadas, siendo notoria la ventaja de incorporar la correlación espacial entre estaciones. En definitiva, se obtuvo una herramienta de modelación estocástica de precipitación diaria en Uruguay de utilidad en diversas aplicaciones y capaz de reproducir el clima medio de la variable de interés, incluyendo la co-variabilidad espacial, e incorporar sesgos en presencia de forzantes climáticos como ENOS.

In this study we developed a weather generator for simulating daily precipitation and evaluated its performance against data collected at 22 stations in Uruguay. Two stochastic models were implemented, both based on a first-order, two-state Markov chain to simulate the occurrence of daily precipitation. The first model (with a total of four parameters) uses a gamma distribution to compute the nonzero daily precipitation amounts, and the second (with five parameters) uses a mixed exponential distribution. Both stationary and yearly-varying parameters were evaluated, resulting in a clear advantage for the latter. Even though the mixed exponential model has a marginally better performance than the gamma, the improvement does not justify the use of a less parsimonious model. We then proceeded to the incorporation of ENSO-related biases in expected climate to the weather generator. In order to produce simulations consistent with a given scenario, November to January N3.4 index was selected as the conditioning variable. The results show that the proposed method successfully captures the ENSO signal. This opens interesting opportunities for the application of seasonal forecasts associated with ENSO in several sectors. Some applications need to consider the accumulated precipitation over an extended area, which in turn requires consideration of spatial correlations. For this purpose, the single-point model was extended to a multi-point generator. Simultaneous simulation at multiple locations is achieved with a collection of individual models fed by temporally independent but spatially correlated random numbers. The results indicate that the observed statistics of rainfall are well reproduced by the simulated series. As expected, the multi-point spatial-correlated extension of the weather generator yields substantially better results. In short, we obtained a tool for stochastic modeling of daily rainfall in Uruguay that might prove useful in various applications. It is able to reproduce the mean climate of the variable of interest (including the spatial co-variability) and to incorporate ENSO-related biases in the expected climate.