Un post sobre clasificación de hidrometeoros en los radares polarimétricos, sesgo regional y la geografía invisible de los algoritmos. English version here.
Los clasificadores de hidrometeoros (HCA/HID) que operan en radares polarimétricos comerciales son, en su gran mayoría, implementaciones de lógica difusa construidas a partir de campañas de observación, simulaciones electromagnéticas y conocimiento microfísico generado en latitudes medias. Cuando estos clasificadores se despliegan en regiones tropicales —como el Caribe o el norte de Sudamérica—, sus funciones de membresía y umbrales de decisión dejan de representar la física local. Este artículo examina el caso de dos fabricantes (EEC y Vaisala), dos países (Jamaica y Colombia), y argumenta que el sesgo no es un defecto de calibración sino una consecuencia estructural de importar modelos regionales disfrazados de productos universales. Se propone un marco de validación local y se explora su aplicación a la detección de microburst.
1. Introducción: una queja que no era técnica
Una colega de la Aerocivil de Colombia manejaba datos de un radar Doppler y Polarimétrico. Hace unos años nos vimos y me comentó una queja que no era técnica, sino casi existencial: el clasificador de hidrometeoros de su radar marcaba nieve en zonas cálidas del país. Zonas donde la isoterma de 0 °C está a 4.800 metros y donde a nivel del suelo nunca ha nevado. Los pilotos reportaban lluvia. El clasificador insistía en nieve.
Ella sabía que el radar estaba bien calibrado. ZDR ajustado, PhiDP sin offset, RhoHV coherente. Y sin embargo, el producto estrella —el que dice qué tipo de partícula cae del cielo— mentía.
Esa queja es el origen de este artículo. Porque el problema no era un bug. Era algo más profundo y más incómodo: el clasificador no conocía Colombia. Y lo mismo podría decirse de Jamaica. O de Puerto Rico. O de cualquier lugar donde un radar polarimétrico mire un cielo para el que su algoritmo no fue diseñado.
2. Calibrar no es clasificar
Conviene separar dos cosas que a menudo se confunden.
Calibrar un radar polarimétrico es asegurar que lo que mide corresponde a lo que hay. Que Zh no tiene sesgo, que ZDR está centrado, que PhiDP no tiene offset, que RhoHV refleja coherencia real. Es un problema de instrumentación. Difícil, pero acotado.
Clasificar hidrometeoros es otra cosa. Es tomar esas variables ya calibradas y decidir, mediante un modelo, si lo que estás viendo es lluvia ligera, lluvia intensa, gotas grandes, granizo, graupel, nieve seca, nieve húmeda, cristales de hielo, biota o clutter. Es un problema de inferencia.
El clasificador más común en radares operativos —tanto en EEC como en Vaisala, como veremos— usa lógica difusa. Se definen funciones de pertenencia para cada variable polarimétrica, se construyen reglas de inferencia del tipo «si Zh es alta y ZDR es bajo y RhoHV es alto, entonces probablemente granizo», y se combinan para obtener un grado de pertenencia a cada clase.
El problema es que esas funciones y esas reglas no salen del aire. Se construyen, se ajustan, se validan con campañas de observación, simulaciones electromagnéticas y mediciones in situ hechas en algún lugar concreto. Y ahí está el detalle: ese «algún lugar» casi nunca es el trópico.
3. Dos primos hermanos: EEC y Vaisala
Aquí es donde la historia se pone interesante. Porque uno podría pensar que el problema es de un fabricante. No lo es. Es de una filosofía compartida.
3.1 EEC y el linaje NOAA/NSSL
Jamaica opera un EEC Defender, banda S, antena de 8.5 metros. EEC —Enterprise Electronics Corporation— tiene su sede en Enterprise, Alabama. No es coincidencia poética: es literal. El radar que mira el Caribe desde Jamaica fue fabricado en una ciudad del sur de Estados Unidos.
Todo indica que EEC incorporó en sus radares la línea de clasificación desarrollada por el grupo de Alexander V. Ryzhkov y Dusan S. Zrnić en NOAA/NSSL, basada en lógica difusa. El propio material técnico de EEC apunta a que integraron los algoritmos de clasificación de hidrometeoros desarrollados para la plataforma WSR-88D —la red NEXRAD estadounidense— (Ryzhkov & Zrnić, 2019).
Ese clasificador usa principalmente:
- Zh (reflectividad horizontal)
- ZDR (reflectividad diferencial)
- RhoHV (coeficiente de correlación)
- KDP (fase diferencial específica)
- Información de temperatura
- Detección de la capa de fusión (melting layer)
Y clasifica aproximadamente entre diez categorías: lluvia, lluvia intensa, gotas grandes, granizo pequeño, granizo grande, graupel, nieve seca, nieve húmeda, cristales de hielo y ecos biológicos/no meteorológicos.
Las membership functions de ese clasificador se construyeron a partir de campañas de observación polarimétrica en Oklahoma, Alabama y otras regiones de latitudes medias continentales; simulaciones electromagnéticas T-Matrix; mediciones in situ; y conocimiento microfísico experto. Es decir: física rigurosa, pero física de latitudes medias continentales.
3.2 Vaisala y su HydroClass
Colombia opera radares Vaisala, principalmente WRM200 en banda C. Vaisala incorpora un módulo llamado HydroClass™, y declara explícitamente que utiliza «a proven fuzzy logic algorithm» para clasificar objetivos meteorológicos y no meteorológicos (Vaisala, 2021).
Las clases que identifica son:
- Rain
- Hail
- Graupel
- Snow
- Wet snow
- Non-meteorological targets (insectos, aves, clutter marino, aerogeneradores, chaff militar, interferencia)
Y las variables que alimentan el clasificador son:
- ZDR
- RhoHV
- PhiDP
- KDP
- LDR (cuando opera en ese modo)
3.3 El punto clave: una filosofía compartida
Fíjate en algo. Ninguno de los dos entrena con datos históricos masivos. Ninguno usa aprendizaje automático moderno. Ambos siguen la misma receta:
- Simulación física de hidrometeoros (T-Matrix)
- Construcción de regiones características en el espacio polarimétrico
- Clasificación mediante lógica difusa
- Corrección usando temperatura ambiental
Son primos hermanos. Comparten física, comparten método, comparten limitaciones. Y comparten el mismo problema cuando aterrizan en el trópico: ninguno de los dos fue construido pensando en la isoterma de 0 °C a 5 km.
Eso significa que el sesgo no viene de «malos datos de entrenamiento». Viene de algo más profundo: las campañas, las mediciones y el conocimiento experto son de un lugar. El T-Matrix simula partículas, pero las partículas que simula son las que alguien decidió simular. Las campañas se hicieron en Oklahoma, en Darwin, en Helsinki. El conocimiento experto es experto en algo.
El clasificador no está «mal entrenado». Está entrenado para otro sitio. Y eso es más difícil de arreglar que reentrenar con datos.
4. La física tropical no es la de latitudes medias
Aquí hay un matiz importante que mi lector debe tener en cuenta: el síntoma cambia según la banda de trabajo que use el radar, pero la enfermedad es la misma.
4.1 El caso de Jamaica (banda S)
La banda S tiene una ventaja enorme: la atenuación por lluvia es mucho menor que en banda C o X. Eso significa que el problema no es la atenuación. El problema es otro.
La isoterma de 0 °C está a 5 km. En latitudes medias está a 2–3 km. Un radar jamaiquino puede estar muestreando hielo a 4 km de altura —hielo que se funde antes de llegar al suelo—. El clasificador ve hielo y dice «nieve». El piloto reporta lluvia. Ambos tienen razón; el HID no distingue entre «hay hielo en el volumen de muestreo» y «cae nieve en superficie».
La micro física cálida domina. Zipser et al. (2006) documentaron por qué las convecciones tropicales marítimas —como las del Caribe— exhiben firmas de micro física cálida: coalescencia eficiente, alto contenido de agua líquida, gotas de tamaño pequeño a mediano que rara vez alcanzan el punto de congelación en niveles bajos. A diferencia de las tormentas continentales de latitudes medias, donde las corrientes ascendentes generan grandes estructuras de hielo, aquí la lluvia se produce sin necesidad de una fase hielo extensa.
Eso se traduce en reflectividades moderadas con KDP alto. Y las fronteras tradicionales del clasificador fallan: asocian esos niveles de reflectividad con mezclas de hielo, cuando en realidad es lluvia cálida eficiente.
Figura 1. Rangos típicos de ZDR por clase de hidrometeoro para Jamaica (18°N, marítimo tropical). Adaptado del esquema de Fabry (2015). Cada barra horizontal representa el intervalo de valores de ZDR asociado a una categoría, coloreado según una escala cromática continua. Los rangos se solapan deliberadamente para reflejar la ambigüedad inherente a la clasificación polarimétrica; la asignación de clase es probabilística, no determinista. Nótese la ausencia de una región operativa de «nieve seca» en superficie —la barra de Snow corresponde exclusivamente a hielo aloft que se funde antes de alcanzar el suelo— y el rango inusualmente amplio de Rain, consecuencia de la micro física cálida tropical. Los dos recuadros punteados señalan las confusiones más frecuentes del clasificador importado: la categoría Snow, que en Jamaica corresponde a graupel en altura y no a nieve en superficie, y la categoría Biological targets, que el HCA etiqueta erróneamente como «nieve húmeda» cuando en realidad es biota. La línea vertical discontinua en ZDR = 0 marca la frontera entre partículas esféricas y obladas, no una temperatura; la isoterma de 0 °C, que en Jamaica se sitúa alrededor de los 5 km de altitud, debe consultarse por separado mediante sondeos o perfiles verticales.
La ambigüedad entre gotas grandes y granizo derretido. En banda S el efecto Mie es menor que en banda C, pero no desaparece. Gotas de gran tamaño y granizo en fusión pueden ocupar regiones vecinas del espacio polarimétrico. El clasificador NSSL/Ryzhkov, afinado con micro física continental, tiende a inclinarse por el hielo.
La biota es un problema todo el año. Capa límite marina cálida, insectos, aves. ZDR alto con RhoHV bajo. El clasificador dice «nieve húmeda». No es nieve: es vida.
4.2 El caso de Colombia (banda C)
Aquí se suma otro problema: la atenuación diferencial severa.
En banda C, las tormentas tropicales intensas absorben y dispersan la energía de forma asimétrica entre los canales H y V. Si no se aplica una corrección rigurosa basada en KDP, la Zh y la ZDR caen artificialmente detrás del núcleo convectivo. Y ahí el clasificador enloquece: cataloga lluvia intensa como nieve seca, granizo derretido o atenuación total (Bringi & Chandrasekar, 2001; Vaisala, 2021).
4.3 La lección
Mismo clasificador, mismos supuestos, mismo sesgo. Pero:
- En Jamaica (S-band), el problema es la isoterma alta y la micro física cálida.
- En Colombia (C-band), se suma la atenuación diferencial.
Misma enfermedad, síntomas distintos.
5. El caso colombiano: dos fabricantes, un mismo reto
Colombia ofrece un caso de estudio particularmente rico, porque en su territorio coexisten al menos dos fabricantes con filosofías de clasificación distintas, operando ambos en banda C y ambos en régimen tropical.
5.1 SIATA (Medellín): EEC en banda C, adaptado localmente
El Sistema de Alerta Temprana de Medellín y el Valle de Aburrá opera un radar polarimétrico EEC en banda C —el mismo fabricante que provee el radar de Jamaica— en topografía compleja y convección tropical andina. Esto significa que enfrenta dos problemas simultáneos: la micro física cálida tropical (isoterma alta, gotas grandes, graupel aloft) y la atenuación diferencial severa propia de la banda C.
El equipo de SIATA ha desarrollado modelos locales de clasificación adaptando la lógica difusa tradicional, con corrección de atenuación basada en KDP antes de alimentar el vector de membresía (SIATA, 2020; Hoyos et al., 2016). La validación combina la red densa de disdrómetros Parsivel con sensores de descarga eléctrica y radares perfiladores.
El caso SIATA es valioso por dos razones. Primero, porque demuestra que se puede hacer bien en banda C tropical, con los instrumentos adecuados. Segundo, porque es el mismo fabricante que Jamaica, lo que permite una comparación directa: ambos son EEC, ambos usan derivados del HCA NSSL, pero SIATA ha sido adaptado localmente mientras que no hay evidencia pública de que Jamaica haya hecho lo mismo.
5.2 Aerocivil (Colombia): Vaisala en banda C
La Aerocivil opera radares Vaisala WRM200 en banda C. Es el caso que origina este artículo: el clasificador HydroClass de Vaisala reportando nieve en zonas cálidas donde los pilotos reportan lluvia. Un clasificador finlandés, aplicado a un cielo colombiano.
5.3 La pregunta que surge sola
Si SIATA (EEC, C-band) ha sido adaptado localmente y la Aerocivil (Vaisala, C-band) reporta el síntoma clásico de sesgo regional, entonces la pregunta no es «¿qué fabricante es mejor?». La pregunta es: ¿cuántos radares en el trópico están operando con clasificadores que nunca fueron validados localmente?
6. No es una anécdota. Es un patrón documentado
Lo que mi colega vio en Colombia no es una rareza. Está documentado en toda la región y más allá.
Puerto Rico (NEXRAD TJUA, S-band). Investigaciones de la Universidad de Puerto Rico en Mayagüez y colaboradores han analizado la respuesta del HCA oficial de la NOAA durante huracanes y ciclones tropicales. Hallazgo clave: en sistemas tropicales puros dominados por micro física cálida, el clasificador etiqueta erróneamente zonas de lluvia torrencial con Zh moderado y KDP alto como «mezcla de lluvia y granizo». Se han propuesto ajustes para elevar los umbrales de ZDR y KDP en la detección de lluvia muy fuerte.
Guadalupe y Martinica (Météo-France, banda C). Campañas de validación cruzada con TRMM y GPM han permitido calibrar la altura de la capa de fusión —4.5 a 5.0 km en el Caribe— y ajustar las funciones de membresía para evitar la falsa clasificación de «nieve húmeda» en capas medias.
Colombia (SIATA, banda C). El caso ya descrito. Modelos locales de clasificación adaptando lógica difusa, con validación multi-instrumento (SIATA, 2020; Hoyos et al., 2016).
Colombia (Universidad Distrital, banda C). El libro de Camargo-Camargo, Cadena-Contreras & Alejo-Zabala (2022) documenta cómo los modelos predeterminados de fábrica en radares comerciales, diseñados para latitudes medias, sobreestiman la presencia de hielo y cometen errores en la zona de fusión. La tesis de Señalin (2021) desarrolla un modelo de clasificación específicamente adaptado a las dinámicas microfísicas cálidas de latitudes bajas.
India (CAIPEEX / IITM). La campaña CAIPEEX del Indian Institute of Tropical Meteorology usó radares de doble polarización en bandas X y C combinados con redes de disdrómetros ópticos Parsivel y 2DVD, más instrumental a bordo de aviones. Evaluaron las funciones de membresía de lógica difusa ajustadas a la distribución del tamaño de gotas monzónicas versus las matrices estándar S-band fijadas para latitudes medias.
Australia (Darwin, C-POL). Thompson et al. desarrollaron un HCA de 10 categorías en banda C optimizado para entornos tropicales. Su motivación explícita fue la ambigüedad electromagnética entre gotas grandes/granizo derretido y nieve húmeda provocada por efectos de Mie en banda C —exactamente el tipo de confusión que un clasificador de latitudes medias no resuelve—.
El patrón es claro: en todos lados donde se ha validado un clasificador importado en el trópico, se ha encontrado el mismo sesgo. No es un problema de un radar mal calibrado. Es un problema estructural.
7. Cómo se hace bien: la receta
Si el problema es estructural, la solución también lo es. No se trata de tirar el clasificador. Se trata de domesticarlo.
7.1 Validación in situ multi-instrumento
El esquema más sólido, implementado de forma pionera por SIATA en Colombia, combina tres componentes:
- Radar polarimétrico: cobertura espacial continua, variables clave (Zh, ZDR, RhoHV, PhiDP).
- Red de disdrómetros ópticos (Parsivel, 2DVD): mide directamente la distribución del tamaño de gota (DSD) y la velocidad de caída en superficie. Valida los supuestos microfísicos del radar.
- Sondeos de altura: determinan la estructura térmica de la atmósfera y la altura de la isoterma de 0 °C. Dato crucial para restringir los modelos de clasificación.
7.2 Corrección de atenuación con KDP
En banda C y X, la corrección de atenuación diferencial basada en KDP es obligatoria antes de alimentar el vector de membresía del clasificador. Sin ella, las falsas clasificaciones aguas abajo del núcleo convectivo son inevitables. Esto aplica tanto a los radares Vaisala WRM200 de Colombia como al SIATA de Medellín, ambos en banda C.
7.3 Reajuste de funciones de membresía con DSD locales
Los trabajos de la UNAM en Yucatán, de la Universidad Distrital en Colombia y de CAIPEEX en India coinciden: hay que construir las funciones de membresía beta del HCA con datos de dispersión electromagnética (T-Matrix) alimentados con DSD locales. No con las matrices estándar de NEXRAD o de Europa.
7.4 Introducir temperatura y altura como variables de contexto
El clasificador debería saber a qué altura está midiendo. Un píxel a 5 km en Jamaica no es lo mismo que un píxel a 5 km en Finlandia. Si el HID no incorpora la altura de la isoterma de 0 °C, está condenado a equivocarse.
7.5 Validación cruzada con sensores remotos espaciales
El cruce de la clasificación tridimensional del radar terrestre con la clasificación del GPM DPR o del TRMM PR permite confirmar la estructura vertical de la capa de fusión y los núcleos de graupel sobre mar y tierra en los trópicos (Dolan & Rutledge, 2009, 2011).
7.6 Transparencia y banderas de calidad
Un buen HID operativo debería indicar incertidumbre por clase, incluir una etiqueta de «clase desconocida» o «baja confianza», no forzar una clasificación cuando las variables no son concluyentes, y documentar para qué región fue entrenado y cuáles son sus limitaciones.
8. Más allá del HID: la oportunidad del microburst
Y aquí es donde el artículo deja de ser una crítica y se convierte en una propuesta.
Porque el clasificador de hidrometeoros no es el producto final. Es un insumo. Y para ciertas aplicaciones —detección de microburst, nowcasting de convección severa, alerta temprana— el HID tradicional se queda corto, no porque esté mal, sino porque no fue diseñado para eso.
Para detección de microburst, el valor real está en combinar:
- Hidrometeoro predominante (salida del HID)
- Columna de ZDR (firma de corriente ascendente con gotas grandes)
- Columna de KDP (contenido de agua líquida)
- Divergencia Doppler (firma de viento en superficie)
- Descenso de reflectividad máxima (firma de downburst)
- Altura de la región de graupel y granizo (mecanismo de carga)
- Perfil termodinámico (estabilidad, CAPE, nivel de condensación)
Los HID tradicionales no están diseñados para esto. Están diseñados para decir «esto es lluvia» o «esto es granizo». Pero un sistema moderno de nowcasting de microburst podría usar las salidas del HID como una variable más dentro de un esquema más amplio.
Ahí hay una oportunidad concreta. Con un radar polarimétrico en banda S como el de Jamaica —antena de 8.5 m, haz estrecho, buena resolución—, se puede desarrollar un clasificador de riesgo de microburst que:
- Use el HID (o HydroClass, o NSSL-HCA) como insumo, no como producto final.
- Incorpore las columnas de ZDR y KDP como detectores de updraft.
- Combine con divergencia Doppler en niveles bajos.
- Restrinja con perfil termodinámico local (isoterma 0 °C a 5 km, CAPE, etc.).
- Se valide con reportes de superficie y con la red LLWAS si existe.
Eso sería más moderno que los HCA tradicionales. Y sería una contribución real, no solo una queja.
9. Conclusiones
Calibrar (de modo instrumental) ZDR y PhiDP es imprescindible. Pero no basta. El HID es un modelo regional disfrazado de producto universal. Y en regiones tropicales, andinas, o simplemente distintas, ese disfraz se cae.
La anécdota de mi colega en la Aerocivil no es una rareza. Es un síntoma. Es lo que pasa cuando importamos tecnología sin importar el contexto. Cuando creemos que un algoritmo entrenado en Helsinki o en Enterprise, Alabama, puede decirnos qué cae del cielo en el Magdalena Medio. No crea mi lector que un fabricante de radares puede desarrollar costosos experimentos de campo en el país donde va a instalar el radar. Ellos toman los resultados publicados por universidades y centros de investigación que hacen estos estudios … válidos solo para los lugares donde hacen esos estudios.
La solución no es tirar el clasificador. Es domesticarlo: validarlo con disdrómetros, reajustar sus funciones de membresía con DSD locales, introducir la temperatura y la altura del haz como contexto, corregir la atenuación con KDP, y sobre todo, saber cuándo no creerle.
Y luego dar el paso siguiente: usar el HID como lo que es —un insumo— y construir encima sistemas que respondan preguntas más útiles: ¿va a haber un microburst? ¿va a granizar? ¿va a llover tan fuerte que se inunde el valle?
Porque al final, el HID no es una verdad. Es una opinión entrenada. Y como toda opinión, hay que saber de dónde viene.
Referencias
Bringi, V. N., & Chandrasekar, V. (2001). Polarimetric Doppler Weather Radar: Principles and Applications. Cambridge University Press.
Camargo-Camargo, J. E., Cadena-Contreras, L. A., & Alejo-Zabala, G. (2022). Estudio de hidrometeoros basado en información de variables polarimétricas de radares meteorológicos para Colombia. Editorial Universidad Distrital Francisco José de Caldas.
Dolan, B., & Rutledge, S. A. (2009). A theory-based hydrometeor identification algorithm for X-band polarimetric radars. Journal of Atmospheric and Oceanic Technology, 26(10), 2071–2088.
Dolan, B., & Rutledge, S. A. (2011). A theory-based hydrometeor identification algorithm for X-band polarimetric radars. Journal of Atmospheric and Oceanic Technology, 28(5), 621–637.
Doviak, R. J., & Zrnić, D. S. (1993). Doppler Radar and Weather Observations (2nd ed.). Academic Press.
Hoyos, C. D., Ceballos, L. I., Pérez, J. S., & Sepúlveda, J. I. (2016). The hydrometeorological monitoring network of the Aburrá Valley (SIATA): An integrated approach for early warning systems. Proceedings of the American Meteorological Society.
Michaelides, S. (Ed.). (2019). Precipitation Science: Measurement, Remote Sensing, Research and Applications. Elsevier.
Ryzhkov, A. V., & Zrnić, D. S. (2019). Radar Polarimetry for Weather Observations. Springer.
Señalin, M. A. (2021). Modelo de clasificación de hidrometeoros para zonas ecuatoriales. Repositorio de la Biblioteca Digital de Bogotá.
SIATA. (2020). Radares meteorológicos: Equipamiento, procesamiento de señales y variables polarimétricas. Documentación técnica del proyecto, Área Metropolitana del Valle de Aburrá.
Thompson, E. J., Rutledge, S. A., Dolan, B., Chandrasekar, V., & Cheong, B. L. (2014). A dual-polarization radar hydrometeor identification algorithm for X-band. Journal of Atmospheric and Oceanic Technology, 31(12), 2611–2627.
Thompson, E. J., et al. A Robust C-Band Hydrometeor Identification Algorithm and Its Application to Long-Term C-POL Observations in Darwin, Australia. Journal of Applied Meteorology and Climatology.
Vaisala. (2021). Corrección de atenuación de radares meteorológicos banda-C. Nota de aplicación técnica, Vaisala Oyj.
Zipser, E. J., Cecil, D. J., Liu, C., Nesbitt, S. W., & Yorty, D. P. (2006). Where are the most intense thunderstorms on Earth? Bulletin of the American Meteorological Society, 87(8), 1057–1072.
Nota del autor
Este artículo es una revisión divulgativa basada en literatura publicada, documentación técnica de fabricantes y observaciones de campo en Colombia y el Caribe. Las afirmaciones sobre el clasificador de EEC y su linaje NSSL se basan en documentación técnica pública y en inferencias razonables, no en comunicaciones oficiales del fabricante. Se invita a cualquier lector con información de primera mano a contribuir a la discusión.
