Introducción

En los estudios climatológicos, la calidad de los datos con los que se trabaja supone el primer desafío que se plantea ante los investigadores, anterior al planteamiento de la metodología con la que abordar los objetivos o del propio planteamiento de una hipótesis de trabajo. La calidad de los estudios meteorológicos y climatológicos depende, en un primer lugar, de la precisión de las mediciones, que van mejorando con el paso del tiempo. La cada vez más frecuente introducción de estaciones meteorológicas automáticas ha ayudado a mejorar la calidad y la precisión de las bases de datos registrados, pero al mismo tiempo, han supuesto nuevos problemas inherentes a este tipo de estaciones que suponen nuevos desafíos en la detección de errores e inhomogeneidades a lo largo de las series (Michaelides, 2008; Sevruk et al., 2009). Estos errores en el registro de los datos pueden aparecer por diversos motivos, desde el crecimiento de árboles o la construcción de edificios en las proximidades de una estación meteorológica (manual o automática), hasta por un mal funcionamiento del propio pluviómetro, como puede ser la pérdida de agua durante el registro. También aparecen errores aleatorios a lo largo del proceso de registro, almacenamiento y transmisión automática de los registros (Brunet y Jones, 2011).

Las series de datos climáticos suelen presentar a menudo una deficiencia de información referida a la toma de los datos, así como sobre los criterios seguidos por el observador en el caso de las estaciones manuales. De esta manera, se desconocen las variaciones que puedan presentar debidas a cambios en el instrumental, localización de la propia estación o eventos extraordinarios que puedan alterar o interrumpir el funcionamiento normal del proceso de observación y registro de los datos (Martín-Vide, 2003). Estos errores son críticos, ya que afectan la continuidad de los registros de precipitación, y, en último término, influyen en los resultados de los modelos que usan estos datos como entrada. Los errores derivados pueden presentar magnitudes similares a la de la señal climática, así como variaciones a largo término, tendencias o ciclos, lo que puede provocar consideraciones equivocadas sobre los resultados de los estudios (Caussinus y Mestre, 2004).

Con el objetivo de obtener resultados confiables, es necesario partir de series de datos libres de cualquier tipo de irregularidad de carácter no climático. Por lo tanto, cobran especial interés e importancia la detección y la corrección de estos errores antes de llevar a cabo cualquier tipo de estudio climático basado en series instrumentales (Brunetti et al., 2012; Buishand et al., 2013; Domonkos, 2013). Por su parte, y en el mismo orden de cosas, la Organización Meteorológica Mundial hace especial énfasis en la importancia de la homogeneización de las series en los procesos de rutina a la hora de trabajar con este tipo de datos (WMO, 2010).

Para asumir que una serie de datos es homogénea, es necesario tener la seguridad de que las variaciones existentes se deben únicamente a la propia variabilidad de la dinámica natural del elemento medido y que no existe ninguna influencia humana o instrumental que la altere (González et al., 2002). Así, únicamente se considerarán como homogéneas aquellas series de las que se pueda afirmar con certeza que los datos que presentan son exclusivamente el reflejo del comportamiento de la atmósfera en un lugar preciso sin ninguna influencia de variables artificiales. Además de esto, otros factores pueden inducir a la presencia de inhomogeneidades en una serie, como son la ausencia de criterios claros y precisos para los observadores de una estación, entre los que se pueden incluir el cambio en la hora de lectura de los datos, de la localización y cambios en los instrumentos de medida, que pueden provocar alteraciones en los propios registros y que son difíciles de detectar a simple vista (Štěpánek et al., 2006).

Las observaciones meteorológicas poseen una gran cantidad de inhomogeneidades. Una de las más frecuentes, y que es inherente a la propia toma de datos, es que los datos que se están registrando no lo están siendo con el instrumental que permite una mayor precisión en la toma de medidas disponible en ese momento, que serán más sofisticados que el instrumental tradicional de la serie estudiada. Otro caso es la utilización de diferentes unidades de medida (milímetros o pulgadas; nudos o metros por segundo, etc.), que, al ser convertidos a una unidad en particular (por ejemplo milímetros), presentarán más inhomogeneidades. Incluso si existen diversos observadores, serán apreciables variaciones en el registro de los datos por diferencias en la capacitación o en la experiencia. El tratamiento de datos meteorológicos originales realizado de una manera diferente a los estándares aceptados puede mostrar cuál es la calidad de los datos de la propia serie. Esta realidad puede mostrar diferentes causas de inhomogeneidades en las series temporales. Los cambios no tienen por qué tener un origen meteorológico o climático, pero su desconocimiento puede estar en el origen de discusiones climáticas sin resolver (Petrovic, 1998).

Según Martín-Vide (2003) es posible acometer la tarea de identificar estas inhomogeneidades a partir de diferentes test. Estos diversos test, con diferentes niveles de exigencia, provocan que no en todas las ocasiones los resultados obtenidos sean los mismos, es decir, que una misma serie climática puede ser contemplada simultáneamente como homogénea por un test e inhomogénea por otro. Pese a la obtención de resultados favorables tras la aplicación de los diversos test, pueden quedar dudas sobre la homogeneidad de la serie, y esto es debido a la propia variabilidad natural del clima.

Estos test de homogeneidad con diferentes niveles de exigencia no siempre son coincidentes en sus resultados, y entre ellos destacan dos grupos fundamentales: los de homogeneización absoluta y los de homogeneización relativa; los primeros solo examinan mediante algún método estadístico la serie estudiada basándose en su aleatoriedad. Por el contrario, los segundos comparan la serie en cuestión con otra u otras series homogéneas vecinas o cercanas (Martín-Vide, 2003). Habitualmente se disponen de series de datos de las cuales se desconocen las variaciones internas y las incidencias de las externalidades, lo que supone una incertidumbre a la hora de diferenciar la propia variabilidad del clima de otro tipo de influencias derivadas por causa no natural. Los métodos como el test de von Neumann, sirven para dilucidar la homogeneidad de datos (Rodríguez et al., 1996). En este sentido, es posible reconstruir series climáticas pluriseculares mediante la implementación de diversas técnicas que controlen la calidad y la homogeneización de series muy cercanas que presenten períodos temporales comunes (Prohom et al., 2016).

La pluviometría es la variable climática que presenta una mayor variabilidad temporal en multitud de regiones en el mundo (Goodess y Jones, 2002; de Luis et al., 2010; Rodríguez-Puebla y Nieto, 2010; Brunetti et al., 2012; Bombardi et al., 2014; Casanueva et al., 2014). Es por esto que es de capital importancia disponer de datos de calidad que permitan atribuir esta variabilidad a la propia dinámica climática y no a errores derivados de la mala praxis en la etapa más primigenia, la recogida de datos. En algunos estudios (Venema et al., 2012) se le da prioridad a la homogeneización de los datos de pluviometría debido a la menor calidad de los resultados que presentan los trabajos sobre esta variable, incluso poniendo de relieve la necesidad de obtener más y mejores test de homogeneidad (Domonkos et al., 2012). Debido principalmente a la gran diversidad de series climáticas, es esencial desarrollar una mayor cantidad de test con diferentes propiedades (Ribeiro et al., 2016a).

Los test de homogeneidad absoluta, como el de von Neumann y el de Thom, presentan diferencias. Este último no requiere que la serie analizada proceda de una población normal; por otra parte, el test de von Neumann exige que la serie analizada pueda ser considerada una muestra de una población normal o gaussiana asumible, por ejemplo, en la mayoría de las series anuales de temperatura y precipitación (Martín-Vide, 2003). Otros test, como el de Craddock (1979) acumulan las diferencias normalizadas entre una serie de referencia y la serie analizada para encontrar inhomogeneidades. Al aplicarlo a series de precipitación, se concluyó que los mejores resultados se presentaban en aquel par de estaciones con el menor coeficiente de variación de la proporción entre ambas series. Otros test más modernos y que también presentan buenos resultados se basan en técnicas de simulación geoestadística, calculando la probabilidad local de funciones utilizando un método de estaciones vecinas (Ribeiro et al., 2016b), u otros compuestos que se basan en test de homogeneización normal estándar (Rienzner y Gandolfi, 2011). También existen diferentes test que consideran metodologías combinadas a partir de las diferencias entre series de referencia y sus vecinas, la aplicación de límites intercuartiles, y comparando los valores de las series con valores esperados, que arrojan buenos resultados (Štěpánek et al., 2013).

Por su parte, el Real Precision Index (RPI) proporciona un nuevo enfoque al procesamiento de los datos. EL RPI expresa la tolerancia en los cálculos realizados en un conjunto de datos, y, por lo tanto, puede aplicarse para completar series de datos a partir de interpolación directa (Petrovic, 2001). Este índice puede detectar inhomogeneidades si se aplica sobre series de datos continuas, y esto puede llevar a la identificación del problema y, por lo tanto, explicar las causas que conducen a estas perturbaciones. Este método considera únicamente la calidad de la lectura por parte de los instrumentos u observador, al margen de otras posibles fuentes de error. De esta manera, la identificación de inhomogeneidades puede condicionar el curso de numerosos debates sobre hipotéticos cambios en las tendencias de las series climáticas (Petrovic, 1998). Este índice también se ha utilizado en diversas situaciones, para la homogeneización de series barométricas y de temperatura en la República Checa (Štěpánek et al., 2006) y también es utilizado para determinar la calidad de los datos que permiten la identificación del cambio climático (Petrovic, 2001).

El objetivo de esta investigación es el de evaluar la validez del RPI como test de homogeneidad para series de precipitación diaria en comparación con otros test de validez comprobada (von Neumann y Thom). Con ello se pretende contribuir a nuevos enfoques de estudio de homogeneidad y uso de datos pluviométricos a resolución fina.

Área de Estudio y Datos Utilizados

Chile continental, por la gran extensión latitudinal en la que se extiende (desde los 17°S hasta los casi 56ºS), es afectado por un gran número de dinámicas atmosféricas, relativas a diferentes latitudes y centros de acción (Sarricolea et al., 2017). Estas dinámicas, que van desde latitudes intertropicales hasta zonas templadas con notables influencias polares, generan marcadas diferencias y contrastes en la distribución de diferentes variables meteorológicas, como es el caso de la precipitación. Es fundamental conocer los patrones de la distribución espacial y temporal de las precipitaciones (Trenberth, 2011), y de modo multiescalar, tanto a nivel espacial como temporal (global, zonal y regional, y centenaria, decadal, anual, mensual y diaria), pues en base a esto se construyen escenarios futuros.

En este trabajo se han analizado registros de un total de 152 estaciones (Tabla I) provenientes de las bases de datos de la Dirección General de Aguas (DGA) y de la Dirección Meteorológica de Chile (DMC), localizadas según indica la Figura 1. Estas estaciones proporcionan datos, en su mayoría, desde 1965 hasta 2010, año en el que se decidió cerrar el presente trabajo. El área de estudio abarca desde los climas semiáridos a los climas templado lluviosos de costa occidental (Sarricolea et al., 2017), y la mayoría de las estaciones meteorológicas estudiadas se localiza en el clima mediterráneo (32-39°S).

El análisis de las series temporales de precipitación en Chile supone una importancia particular, ya que, para muchas regiones del país, la pluviometría es un factor limitante de un gran número de actividades humanas y económicas (norte del país), mientras que en otras los recursos hídricos son abundantes (Montecinos y Aceituno, 2003; Valdés-Pineda et al., 2015). Por su gran amplitud latitudinal, Chile continental presenta una gran diversidad climática (Sarricolea et al., 2017). El norte del país está expuesto a largos períodos de sequía, provocando la degradación de los suelos a partir de la erosión, la desaparición de la cubierta vegetal y la disminución de los recursos hídricos, además de aumentar la vulnerabilidad a la salinización de los acuíferos. El sur del país, sin embargo, conoce en algunos puntos la acumulación de grandes cantidades de precipitación repartidas de manera uniforme y continuada a lo largo del año. Por lo tanto, analizar la calidad de las series de precipitación contribuye a mejorar la calidad de los estudios relativos al clima y a los procesos de desertificación en sus datos de partida (Valdés-Pineda et al., 2015). Los regímenes de precipitación de Chile en particular, y de gran parte del continente sudamericano, muestran una importante relación con la temperatura superficial del mar, concretamente con las del Atlántico Sur y del Pacífico intertropical a modo de dipolo (Nmanchi et al., 201; Bombardi et al., 2014).

Metodología

Se utilizaron tres test para detectar inhomogeneidades en las series diarias de precipitación en la región centro-sur de Chile: von Neumann, Thom y RPI. El test de von Neumann se calcula como

es decir, el mismo corresponde al promedio del cuadrado de las diferencias de cada año de la serie menos el año anterior.

Luego se divide dicho valor por la varianza de la serie:

Si el cociente que se obtiene es próximo a 2, la serie se puede considerar aleatoria y, por lo tanto, homogénea. Para series pluviométricas anuales, un cociente comprendido entre 1,7 y 2,3, o incluso entre 1,6 y 2,4, indica homogeneidad.

En cambio, el test de Thom, de las rachas o de las alternancias, recomendado por la Organización Meteorológica Mundial, no requiere que la serie analizada proceda de una muestra normal. El test consiste en contabilizar el número de rachas o tramos de la serie que quedan por encima y por debajo de la mediana. El número de rachas se simboliza mediante R y se calcula el cociente Z:

Por último, si el valor absoluto de Z es <2,58 la serie puede considerarse aleatoria y por tanto homogénea, con un nivel de confianza superior al 90%, y si es <1,96 el nivel de confianza aumenta al 95%.

Por su parte, el RPI se basa en la presunción de que cada valor decimal se ve representado el mismo número de veces en toda la serie. En este caso, ese número es igual a una décima parte del total del número de casos de la serie (ne), siendo N el número de casos en la serie. Sin embargo, la cantidad real de cada número de decimales (nr) difiere del esperado, y se define como la diferencia del número de casos di:

Los valores positivos hacen referencia a los valores decimales, donde el número de casos real es superior al esperado. Los valores negativos representan déficit de ese valor respecto al esperado. La suma de todas las diferencias es igual a 0. Sin embargo, la suma de los valores absolutos de todas las diferencias es superior a 0:

Se define el RPI de la siguiente manera:

Para aplicar el cálculo del RPI, de precisión en la toma de registros y aplicado a las series pluviométricas a escala diaria, se han descartado de la serie todos aquellos días en los que no se había registrado precipitación, que, para el caso de varios observatorios de Chile, eran numerosos. Esta realidad es la que ha obligado a este proceso, ya que distorsionaría la efectividad del RPI, siempre señalando un exceso de días cuyo valor decimal registrado sería 0. Para realizar esto, se consideran como homogéneas todas las series cuyo RPI sea <0,25, definido como tolerable. Según esta metodología, se distinguen tres categorías:

• Datos de alta precisión, en los que el valor del RPI se encuentra entre 0,1 y 0,15 y que suelen provenir de estaciones un meteorológicas con el mejor equipamiento y el personal más profesional, y pueden ser usados para cualquier tipo de análisis con éxito.

• Datos de precisión tolerable, en los que el valor del RPI se encuentra entre 0,15 y 0,25, de observatorios en los que el equipamiento utilizado es de una calidad menor al de la categoría anterior; a menudo son datos provenientes de estaciones no profesionales. Estas series pueden utilizarse para un análisis sencillo, como la obtención de estadísticos descriptivos, pero no para estudios más complejos, como la creación de modelos climáticos.

• Datos de precisión no tolerable, aquellas series con un valor del RPI entre 0,25 y 1, frecuentemente en estaciones con instrumentos que carecen de certificación para uso meteorológico o con observadores sin formación ni cualificación meteorológica.

Resultados y Discusión

Se han aplicado las tres metodologías propuestas a las series de precipitación de las 152 estaciones meteorológicas estudiadas. Los resultados de los test de von Neumann se muestra en la Tabla I y los correspondientes a los tests de Thom y RPI se muestran en la Tabla II.

Es posible apreciar que los resultados son diferentes en los tres casos, tal y como se refleja en las tres últimas columnas de la Tabla II. El test de von Neumann otorga validez a 116 de las 152 estaciones, un 76,3% del total, mientras que el test de Thom declara como homogéneas a 149 de las 152 estaciones (98%). Los únicos tres observatorios que no presentan homogeneidad según el test de Thom o de las rachas son Laguna Malleco, Lago Maihue y Puerto Montt 1, los cuales tampoco presentan homogeneidad según el test de von Neumann, por lo que se puede asumir que este último es más selectivo a la hora de detectar inhomogeneidades que el primero, ya que además de considerar como inhomogéneas las mismas que el test anterior, incorpora otras.

Por su parte, el test del RPI muestra que la calidad de los datos se cumple para el 48% de las estaciones (73 de 152). Así, se puede considerar a este último más selectivo que los test de von Neumann y Thom, si bien presenta homogeneidad en series para las que ninguno de los otros dos test anteriores la habían mostrado (Lago Maihue y Puerto Montt 1). Esto se explicaría porque los criterios aplicados en los diferentes test son distintos, por lo que podría asumirse que los diferentes métodos son complementarios. El RPI cuestiona la precisión del registro en el momento en el que este dato se integró en la serie temporal y no tanto el valor propio, por lo que, en rigor, para obtener como resultado las series que presentan la mejor calidad para ser analizadas, lo más conveniente es realizar un estudio multi-criterio, consistente en el análisis comparativo de los vecinos más cercanos, aplicando los límites de los intervalos intercuartiles y comparando los valores obtenidos con los esperados según las medias de métodos estadísticos aplicados a datos espaciales (Štěpánek et al., 2013). Para una posterior homogeneización de las series, convendría considerar aquellas series vecinas que hayan sido consideradas como homogéneas y con la longitud suficiente que permitan ser comparadas con las que no cumplieron con los requisitos de los test. Posteriormente, se sugiere la detección de puntos de ruptura (break points) y, finalmente, llevar a cabo una fase de ajuste (Prohom et al., 2016).

Al correlacionar los valores obtenidos para cada índice (el cociente final para el caso del test de von Neumann, el valor de Z para el test de Thom, y el propio valor del índice para el RPI), se obtienen los valores de la r de Pearson que aparecen en la Tabla III. El nivel de significancia obtenido para estas correlaciones en el caso del test de von Neumann con el test de Thom y con el RPI es superior al 95%, con valores de -0,45 y -0,16 respectivamente.

Sin embargo, la correlación entre el valor del RPI con el del test de von Neumann es, pese a ser significativo, casi nulo, y el del RPI con el valor de Z del test de Thom, puede considerarse nulo, por lo que este índice (RPI) puede considerarse prácticamente independiente de los otros dos (von Neumann y Thom).

Estos resultados confirman la medida en la que los test de von Neumann y Thom presentan resultados similares, pero también como el RPI otorga lo que podría considerarse como un punto de vista diferente sobre la precisión de las medidas y la homogeneidad de una serie en sus registros (Štěpánek et al., 2006).

Conclusiones

Los test de homogeneidad de von Neumann y Thom presentaron resultados similares al ser aplicados a 152 series de precipitación de Chile, obteniendo con el primero de ellos un mayor número de series no homogéneas. El RPI, por su parte, únicamente consideró homogéneas a 73 de las 152 estaciones utilizadas, el 48% del total. Por la relación que guardan estos índices entre sí, es posible afirmar que el RPI proporciona unos resultados con base diferente a la de los otros dos, ya que presta atención a la precisión del dato registrado y no a la importancia o peso del monto total. El RPI se presenta por lo tanto como un test complementario a los anteriores, que, además, puede aplicarse a series de datos que no presenten necesariamente una distribución normal.

Agradecimientos

Los autores agradecen el apoyo de los proyectos FONDECYT de Iniciación 11130629 y 11160059 del Gobierno de Chile, así como a la Dirección General de Aguas y a la Dirección Meteorológica de Chile por la cesión de datos. También se agradece el apoyo del Grupo de Climatología de la Universidad de Barcelona (2014SGR300, Generalitat de Catalunya), así como al Convenio de Desempeño UTA-MINEDUC y al proyecto UTA-Mayor 5744-16.

REFERENCIAS

Bombardi RJ, Carvalho LMV, Jones C, Reboita MS (2014) Precipitation over eastern South America and the South Atlantic Sea surface temperature during neutral ENSO periods. Climate Dynam. 42: 1553-1568.

Brunet M, Jones PD (2011) Data rescue initiatives: Bringing historial climate data into the 21st century. Climate Res. 47: 29-40.

Brunetti M, Caloiero T, Coscarelli R, Gullà G, Nanni T, Simolo C (2012) Precipitation variability and change in the Calabria region (Italy) from a high resolu- t ion daily dataset. Int. J. Climatol. 32: 57-73.

Buishand TA, De Martino G, Spreeuw JN, Brandsma T (2013) Homogeneity of precipitation series in the Netherlands and their trends in the past century. Int. J. Climatol. 33: 815-833.

Casanueva A, Rodríguez-Puebla C, Frías MD, González-Reviriego N (2014) Variability of extreme precipitation over Europe and its relationships with teleconnection patterns. Hydrol. Earth Syst. Sci. 18: 709-725.

Caussinus H, Mestre O (2004) Detection and correction of artificial shifts in climate series. J. Royal Statist. Soc. Ser. C 53: 405-425.

Craddock J (1979) Methods of comparing annual rainfall records for climatic purposes. Weather 34(9): 332-346.

De Luis M, Brunetti M, Gonzalez- Hidalgo JC, Longares LA, Martin-Vide J (2010) Changes in seasonal precipitation in the Iberian Peninsula during 1946-2005. Global Planet Change 74: 27-33.

Domonkos P, Venema V, Auer I, Mestre O, Brunetti M (2012) The historical pathway towards more accurate homogenisation. Adv. Sci. Res. 8: 45-52.

Domonkos P (2013) Measuring performances of homogenization methods. Időjárás, Quart. J. Hung. Meteorol. Serv. 117: 91-112.

González JC, De Luis M, Štěpánek P, Raventós J, Cuadrat JM (2002) Reconstrucción, estabilidad y proceso de homogeneizado de series de precipitación en ambientes de elevada varibilidad pluvial. En VII Reunión Nacional de Climatología. Zaragoza, España.

Goodess CM, Jones PD (2002) Links between circulation and changes in the characteristics of Iberian rainfall. Int. J. Climatol. 22: 1593-1615.

Martín-Vide J (2003) El tiempo y el Clima. Rubes. Barcelona, España. 127 pp.

Michaelides S (2008) Precipitations. Advances in Measurements, Estimation and Prediction. Springer. Berlín, Alemania. 540 pp.

Montecinos A, Aceituno P (2003) Seasonality of the ENSO-related rainfall variability in Central Chile and associated circulation anomalies. Am. Meteorol. Soc. 16: 281-296.

Nmanchi HC, Li J, Anyadike RNC (2011) Does a dipole mode really exist in the South Atlantic Ocean? J. Geophys. Res. Atmos. 116: D15104.

Petrovic, P (1998) Measurement precision as a cause of inhomogeneity in weather data time series. En Proc. 2nd Seminar on Homogenization of Surface Climatological Data. Budapest, Hungría.

Petrovic P (2001) Selection of data sets by quality and its role in climate research. En Brunet, M, Lopez Bonillo D (Eds.) Detecting and Modelling Regional Climate Change. Springer. Berlin, Alemania. pp. 21-29.

Prohom M, Barriendos M, Sanchez- Lorenzo A (2016) Reconstruction and homogenization of the longest instrumental precipitation series in the Iberian Peninsula (Barcelona, 1786-2014). Int. J. Climatol. 36: 3072-3087.

Ribeiro S, Caineta J, Costa AC (2016a) Review and discussion of homogenisation methods for climate data. Phys. Chem. Earth, Parts A/B/C 94: 167-179.

Ribeiro S, Caineta J, Costa AC, Henriques R, Soares A (2016b) Detection of inhomogeneities in precipitation time sereis in Portugal using direct sequential simulation. Atmos. Res. 171: 147-158.

Rienzner M, Gandolfi C (2011) A composite statistical method for the detection of multiple undocumented abrupt changes in the mean value within a time series. Int. J. Climatol. 31: 742-755.

Rodríguez R, Llasat M, Martín-Vide J (1996) Revision de los criterios de homogeneidad aplicados a variables meteorológicas. En Juaristi J. ( Ed.) Modelos y Sistemas de Información en Geografía. Universidad del País Vasco. España. pp. 98-112.

Rodríguez-Puebla C, Nieto S (2010) Trends of precipitation over the Iberian Peninsula and the North Atlantic Oscillation under climate change conditions. Int. J. Climatol. 30: 1807-1815.

Sarricolea P, Herrera-Ossandon M, Meseguer-Ruiz O (2017) Climatic regionalisation of continental Chile. J. Maps 13(2): 66-73.

Sevruk B, Ondrás M, Chvíla B (2009) The WMO precipitation measurement intercomparisons, Atmos. Res. 92: 376-380.

Štěpánek P, Řeznïčková L, Brázdil R (2006) Homogenization of daily air pressure and temperature series for Brno (Czech Republic) in the period 1848-2005. En Proc. 5th Seminar for Homogenization and Quality Control in Climatological Databases. (29/05-2/06/2006). Budapest, Hungría pp. 107-121.

Štěpánek P, Zahradníček P, Farda A (2013) Experiences with data quality control and homogenization of daily records of various meteorological elements in the Czech Republic in the period 1961-2010. Időjárás, Quart. J. Hung. Meteorol. Serv. 117: 123-141.

Trenberth K (2011) Changes in precipitation with climate change. Climate Res. 47: 123-138.

Valdés-Pineda R, Valdés JB, Diaz HF, Pizarro-Tapia R (2015) Analysis of spatio-temporal changes in annual and seasonal precipitation variability in South America-Chile and related ocean-atmosphere circulation patterns. Int. J. Climatol. 36: 2979-3001.

Venema V, Mestre O, Aguilar E, Auer I, Guijarro J, Domonkos P, Vertacnik G, Szentimrey T, Štěpánek P, Zahradníček P, Viarre J, Muller-Westermeier G, Lakatos M, Williams C, Menne M, Lindau R, Rasol D, Rustemeier E, Kolokythas K, Marinova T, Andresen L, Acquaotta F, Fratianni S, Cheval S, Klancar M, Brunetti M, Gruber C, Prohom Duran M, Likso T, Esteban P, Brandsma T (2012): Benchmarking homogenization algorithms for monthly data. Climate of the Past 8: 89-115.

WMO (2010) Guide to Climatological Practices. World Meteorological Organization. Ginebra, Suiza.