
Table of Contents
Glosario Meteorológico
Versión: 1.0 (01062025)
Temperatura a 2 m (T2)

La temperatura de la atmosfera es una de las variables más importantes en la meteorología. Se utiliza en el cálculo de la estabilidad atmosférica y el comportamiento de las parcelas de aire, las cuales se elevan por diferencia de temperatura (Agustín & Reynoso, 2022). Se expresa en grados Celsius o Fahrenheit (Cordulus, 2024) y suele registrarse a 1.5 m o 2 m de altura, ya que puede haber hasta 7 °C de diferencia entre la temperatura medida del suelo y la medida a 2 m de altura (Bureau of Meteorology, 2016). El clima, el comportamiento de los fenómenos meteorológicos y la dinámica atmosférica son afectados directamente por cambios en la temperatura del aire.
Los termómetros suelen protegerse con aditamentos adicionales como la pantalla de Stevenson. Estas cajas con rendijas permiten la circulación de aire y protegen el termómetro de elementos externos como la lluvia y la luz solar directa. La mayoría de las organizaciones meteorológicas usan diseños como este debido a que objetos cercanos, como edificios y árboles, pueden reflejar o absorber el calor (Bureau of Meteorology, 2016).
La topografía también es un factor de variación importante ya que, conforme aumenta la altitud, la temperatura disminuye en un promedio de 6.5°C por cada 1,000 m (Bureau of Meteorology, 2021). Incluso la inclinación del eje de la tierra puede causar variaciones estacionales significativas al afectar la cantidad de radiación solar que recibe la superficie en distintas latitudes a lo largo del año.
Humedad relativa

La humedad relativa es una variable muy utilizada en la meteorología debido a su influencia en los procesos de evapotranspiración de la vegetación, los cuerpos de agua y las condiciones de humedad del suelo (Sahin & Cigizoglu, 2013). Se refiere a la cantidad de vapor de agua presente en un volumen de aire a una temperatura especifica. Es expresada como el porcentaje de humedad respecto a la cantidad máxima posible que se puede contener en dicho volumen sin cambiar la temperatura (Sahin & Cigizoglu, 2013). Si la humedad relativa es del 100%, esto significa que el aire se encuentra en su máxima capacidad de humedad sin cambiar de temperatura (NOAA & US Department of Commerce, 2024).
Un aspecto fundamental de la humedad relativa es su dependencia con la temperatura a la que se encuentra el aire. A medida que aumenta la temperatura, también aumenta su capacidad de retener humedad (Cordulus Glossary, 2024). Esto quiere decir que, aunque la cantidad de vapor de agua en el aire sea la misma, los cambios en la temperatura producen cambios en la humedad relativa.
Humedad especifica

La humedad específica se define como la relación entre el peso del vapor de agua y el peso total de una parcela de aire húmedo determinada (Gaffney, 1978). Representa también a la humedad atmosférica que tiene influencia sobre las condiciones de la superficie, de hecho, la humedad especifica o humedad disponible en la atmosfera y la disponible en la superficie (humedad del suelo), influyen directamente en el balance de la humedad total o absoluta (Sahin & Cigizoglu, 2013).
Esta variable es bastante útil como indicador de las condiciones climáticas y atmosféricas a largo plazo, de hecho, en el quinto informe evaluativo (AR5) del IPCC, el aumento en la humedad especifica desde 1970’s ha sido un indicador clave para detectar el aumento en la temperatura global y si bien en años recientes esta tendencia ha disminuido en intensidad, en las últimas décadas entre 1980 y 2010 se ha detectado un aumento del 3.5% en el vapor de agua contenido en la estratosfera. Esto es consistente con el incremento de 0.5°K en la temperatura global durante el mismo periodo (IPCC et al., 2015).
Nubosidad

La nubosidad o cobertura de nubes se refiere a la porción de la atmosfera en un área determinada que se encuentra cubierta por nubes. Usualmente describe la extensión horizontal de las mismas, incluyendo todas las alturas donde se encuentran, sin embargo, la altura máxima y mínima también son consideradas en estimaciones de nubosidad vertical (Bunting, 1987). La cobertura de nubes se puede medir en octas, donde 0 se reporta en caso de un cielo despejado y 8 cuando hay cielos totalmente cubiertos (Pagès Farré et al., 2001). Si bien la nubosidad se puede medir en octas o en porcentaje; para el Sistema Mundial de Telecomunicaciones (SMT) los datos de nubosidad se manejan en formato BUFR en décimas de cobertura del cielo (World Meteorological Organization, 2018).
El rango de altitudes para la presencia de nubes cambia respecto a la ubicación geográfica. En los trópicos suele ser desde los 0 km a los 18 km, de los 0 km a los 13 km en latitudes medias y hasta los 8 km en los polos (Fitzgerald, 2017), sin embargo, la topografía de la superficie es un factor importante en la variabilidad de estos valores. Tanto la formación de nubes como la precipitación añaden energía a la atmosfera ya que la condensación del vapor de agua libera calor latente, aumentando relativamente la temperatura del entorno circundante (Bunting, 1987). Esta energía intensifica las tormentas progresivamente como en el caso de las depresiones tropicales que incrementan su intensidad hasta formar huracanes (Bunting, 1987).
Agua precipitable

El agua precipitable es la cantidad total de vapor de agua en la atmósfera que se puede condensar o congelar bajo ciertas condiciones. Normalmente este parámetro se mide en un rango que va desde la superficie hasta el límite superior de la atmosfera o hasta los 300 mbar de presión (Myers, 2012).
Durante eventos de precipitación y en particular durante tormentas eléctricas, la cantidad de lluvia suele superar el valor de agua precipitable. Esto se debe a que la convergencia generada durante el evento atrae vapor de agua de la atmosfera circundante en cantidades a menudo bastante extensas. Sin embargo, existe una correlación general entre la precipitación medida durante estos eventos y la estimación de vapor de agua precipitable en las masas de aire involucradas (AMS, 2024d).
Precipitación acumulada

La precipitación es cualquier cantidad de agua líquida o congelada que se forma en la atmosfera y que cae hacia la superficie de la tierra como resultado de la condensación en las masas de aire. Este proceso forma parte del ciclo hidrológico junto con la evaporación y la condensación (National Geograpic Society, 2023). La precipitación acumulada es una variable climática esencial que se utiliza en distintos modelos meteorológicos y climáticos como índice de los valores acumulados de precipitación. La acumulación medida puede ser de forma anual, estacional o mensual dependiendo del periodo de tiempo elegido para una región especifica (EEU Climate ADAPT, 2024).
La precipitación acumulada también es un indicador de variabilidad y cambios en los patrones climáticos. Por ejemplo, el cambio en la precipitación total se utiliza a menudo como índice en las evaluaciones regionales de cambio climático, mientras que los cambios en las mediciones estacionales son pertinentes para aplicaciones sectoriales.
Velocidad del viento a 10 m

En oceanografía y modelación climática, la velocidad superficial del viento se refiere a la velocidad medida a 10 metros de altura (Stewart, 1997). En este punto, la dinámica del viento se ve fuertemente influenciada por la topografía, la vegetación y las modificaciones del terreno. Debido a esto, los perfiles de velocidad superficial suelen tener variaciones como resultado de los flujos turbulentos que se generan en esta capa. Esto es en contraste con los perfiles de velocidad de las capas más elevadas que presentan una mayor estabilidad al verse menos afectadas por las condiciones de la superficie. Estas diferencias a distintas alturas se pueden apreciar con claridad en los perfiles verticales de velocidad (Hakimi & Ghafarian, 2025). Algunos fenómenos influenciados por los vientos superficiales son, el oleaje, las corrientes y las surgencias (Stewart, 1997).
Presión reducida a nivel del mar

En las mediciones de presión atmosférica, es estándar reducir el valor observado al valor que tendría en un punto directamente debajo de la estación a nivel del mar, esto tomando en cuenta la temperatura presente en la superficie como si fuera la temperatura a nivel del mar en ese punto (AMS, 2024c). Este ajuste se calcula tomando en cuenta la posición de cada estación respecto al nivel del mar con base en la relación lineal inversa entre la altura y la presión atmosférica, donde a mayor altitud menor será el valor registrado en ese punto. Esto se debe a que la presión atmosférica varia con la altitud, por lo que, conforme la altitud aumenta, la presión atmosférica disminuye (Vega Rodriguez et al., 2020).
En resumen, la presión reducida a nivel del mar es el valor teórico que resulta de considerar la variación de la presión atmosférica respecto a la altitud. La tasa de disminución estándar suele ser de 0.13 mbar por metro de altura sobre el nivel del mar (Legg, 2017).
Temperatura superficial del mar

La temperatura superficial del mar o TSM (SST por sus siglas en inglés) se define como la temperatura medida en los primeros milímetros del océano. Esta variable es de utilidad para conocer las interacciones que existen entre el océano y la atmosfera, así como estimar la velocidad a la que ocurren distintos procesos físicos, químicos e incluso biológicos del océano (NOAA, 2025). La TSM es de gran importancia en la meteorología, siendo usada como indicador del inicio de ciclos como el del El Niño y La Niña, los cuales afectan ecosistemas marinos, la circulación oceánica y los patrones climáticos globales (NOAA, 2025).
Con el aumento de la TSM en años recientes, se han observado desplazamientos de peces y otras especies marinas hacia las regiones polares. Y está comprobado que el blanqueamiento de corales está vinculado con cambios extremos de la TSM, así como el aumento en las tasas de mortalidad en la pesca y afectaciones en actividades acuícolas (NOAA, 2025).
Capa límite planetaria (PBL)

La capa límite planetaria o Planetary Boundry Layer (PBL), es la zona de la troposfera que está directamente influenciada por la superficie terrestre, y responde a sus forzamientos en una escala temporal de horas (Stull, 1988). Los flujos turbulentos dentro de la PBL pueden dar lugar a variaciones en la dinámica de las parcelas de aire, la mezcla convectiva, forzamientos mecánicos e incluso mezclas convectivas descendentes por enfriamiento. Es por esto que la PBL esta intrínsecamente relacionada con la contaminación atmosférica al modular la dispersión, transporte y acumulación de contaminantes (Wei et al., 2025).
Si bien existen distintos métodos para calcular la PBL (Medium-Range Forecast (MRF), Grenier-Bretherton-McCaa (GBM), Global Forecast System (GFS), etc.), el método Yonsei University PBL (YSU-PBL) implementa un algoritmo de difusión vertical que se adapta muy bien a los modelos de predicción meteorológica y climática (Hong et al., 2006). El modelo YSU- PBL incrementa la mezcla por inducción térmica dentro del régimen de convección libre y la disminuye dentro del régimen de convección forzada debido a las influencias mecánicas, lo cual soluciona los problemas de pronóstico a mediano plazo del método (MPR-PBL). Este esquema se ha implementado con éxito en el modelo de Investigación y Pronóstico Meteorológico (WRF), lo que produce una estructura más realista de la PBL y su desarrollo.
Nivel de Condensación por Ascenso Libre (LCL)

El Nivel de Condensación por Ascenso Libre o Lifting Condensation Level (LCL) es importante para la predicción del clima, la formación de nubes, el albedo planetario y en el balance de energía terrestre (Daidzic, 2019). El LCL representa la altura a la que una parcela de aire húmedo que asciende adiabáticamente alcanza su punto de saturación (AMS, 2024a) y el vapor de agua en su interior comienza a consensarse dando lugar a la formación de nubes.
Existen muchos métodos para calcular el LCL, graficas termodinámicas con Skew-T (log-P diagrams), formulas empíricas e incluso software de análisis climático como las funciones “metpy.calc.lcl” o “wrf.cape_2d” de wrf-python, siendo este último el método utilizado para la obtención del LCL en este glosario. El algoritmo “cape_2d” de la función “wrf.cape_2d” busca primero el nivel máximo de altura para la temperatura potencial equivalente (theta-e) (Gledhill, 1985) en los primeros 3,000 m de la atmósfera. Después calcula una parcela con 500 m de espesor centrada en dicho nivel máximo para theta-e (NCAR, 2016).
Las predicciones para el LCL se basan en las relaciones entre la temperatura, el punto de rocío y/o humedad relativa de la superficie (Murugavel et al., 2017). En un modelo de circulación global (GCM), el pronóstico para la formación de nubes se realiza obteniendo la altura del LCL y comparando su valor con el de la PBL. Si la altura del LCL es menor que la profundidad de la PBL, se puede esperar la formación de nubes estratocúmulos en el GCM (Murugavel et al., 2017).
Nivel de convección libre (LFC)

El nivel de convección libre o Level of Free Convection (LFC) se refiere al punto de la atmosfera donde una parcela de aire alcanza y supera la temperatura de su entorno, lo cual genera una elevación debido a la flotabilidad y la diferencia de densidad, es por esta razón que la convección es “libre”, al no necesitar ningún impulso adicional para seguir ascendiendo (Satiadi et al., 2024). El LFC es utilizado en el análisis de formación de tormentas convectivas y la evaluación de inestabilidad atmosférica.
Uno de los métodos más directos para obtener el LFC es con un diagrama termodinámico Skew-T log-P, donde la temperatura y humedad están graficadas en función de la presión atmosférica (Satiadi et al., 2024). El LFC es el punto de presión atmosférica donde la temperatura de una parcela de aire se vuelve más caliente que la de su entorno por primera vez a lo largo de la columna de aire (Rohli & Li, 2021). También es posible utilizar la función “wrf.cape_2d” de wrf-python para obtener el LFC, la cual calcula una parcela de aire con 500 m de espesor centrada en el nivel máximo de altura para la temperatura potencial especifica (theta-e) en los primeros 3,000 m, esta parcela luego es utilizada para calcular las variables MCAPE, MCIN, LCL y LFC con el algoritmo “cape_2d” (NCAR, 2016).
Inhibición convectiva máxima (MCIN)

La inhibición convectiva máxima o Máximum Convective Inhibition (MCIN) es fundamental para entender la distribución de energía convectiva durante la formación de fenómenos como las tormentas. Por un lado, la inhibición convectiva (CIN) representa la cantidad de energía necesaria para que una parcela de aire se eleve por encima del nivel de convección libre (LFC) (Lee M. Grenci, 2019), mientras que la MCIN es la cantidad máxima que alcanza dicha energía.
Tanto CIN como MCIN se pueden calcular gráficamente en un diagrama termodinámico ya que la cantidad de energía necesaria para elevar una parcela de aire hasta su LFC es directamente proporcional al valor negativo del área formada por la integral del trabajo que realiza una parcela para alcanzar el LFC desde su nivel de origen (Lee M. Grenci, 2019). PYcast utiliza la función “wrf.cape_2d” de wrf-python para calcular CIN y MCIN. Dicha función emplea RIP (Read/Interpolate/plot) para calcular la energía potencial CAPE, y la inhibición convectiva CIN solo para la parcela con valor máximo de temperatura potencial equivalente (theta-e) en su columna (NCAR, 2016). Esta función define CIN como el valor negativo de la energía de flotabilidad desde el punto de origen de la parcela hasta el LFC (NCAR, 2016).
Energía potencial convectiva máxima (MCAPE)

La energía potencial convectiva máxima disponible o Máximum Convective Available Potential Energy (MCAPE) es una variable muy utilizada en el análisis de la convectividad atmosférica y la formación de tormentas. Primero, es importante señalar que la CAPE por si sola, se refiere a la energía potencial por unidad de masa que sería gastada si una parcela de aire fuera levantada sobrepasando su Nivel de Convección Libre LCL (Carnesoltas-Calvo, 2017). También se puede calcular como la integral vertical de la flotabilidad desde la capa limite hasta el nivel de flotabilidad neutral (Zhang, 2009). La MCAPE por otro lado, es definida como la energía potencial calculada para la parcela de aire con la máxima temperatura potencial equivalente (theta-e) en su columna (Y. Huang et al., 2016). En otras palabras, la MCAPE se define como la cantidad de energía máxima que tendría una parcela si se elevara verticalmente (Evans & Westra, 2012).
PYcast utiliza la función “wrf.cape_2d” de wrf-python (v1.4.0) para obtener tanto la MCAPE como la CAPE. Dicha función define la CAPE como la energía de flotabilidad acumulada desde el nivel de convección libre o “LFC” hasta el nivel de equilibrio o “EL” por sus siglas en inglés (NCAR, 2016). Utiliza un código RIP (Read/Interpolate/plot) para calcular la energía potencial CAPE y la CIN sólo para la parcela con valor máximo de temperatura potencial equivalente (theta-e) en su columna (NCAR, 2016).
Generado por:
+Escuela Nacional de Estudios Superiores – Unidad Mérida, UNAM:
- Miguel Ángel González Alpízar
- Juan de la Cruz Zavala

Bibliografía
Agustín, J., & Reynoso, G. (2022). Herramientas meteorológicas Curso-Taller: Pronóstico de Calidad del Aire. https://www.gob.mx/cms/uploads/attachment/file/943902/36_Informe_Curso_Taller_pronostico_calidad_del_aire.pdf
AMS. (2024a, March 29). lifting condensation level – Glossary of Meteorology. https://glossary.ametsoc.org/wiki/Lifting_condensation_level
AMS. (2024b, March 29). lifting condensation level zone – Glossary of Meteorology. https://glossary.ametsoc.org/wiki/Lifting_condensation_level_zone
AMS. (2024c, March 29). Sea level pressure – Glossary of Meteorology. https://glossary.ametsoc.org/wiki/Sea_level_pressure?utm_source=chatgpt.com
AMS. (2024d, April 4). precipitable water – Glossary of Meteorology. https://glossary.ametsoc.org/wiki/Precipitable_water
Bunting, J. T. (1987). Clouds and cloudiness. Climatology, 352–356. https://doi.org/10.1007/0-387-30749-4_49
Bureau of Meteorology. (2016, April 14). Ask the Bureau: How is temperature measured? – Social Media Blog – Bureau of Meteorology. https://media.bom.gov.au/social/blog/916/ask-bom-how-is-temperature-measured/
Bureau of Meteorology. (2021, January 20). Explainer: what influences air temperature? – Social Media Blog – Bureau of Meteorology. https://media.bom.gov.au/social/blog/2544/explainer-what-influences-air-temperature/
Carnesoltas-Calvo, M. (2017). Comunicación Corta Una normalización de la Energía Potencial Disponible para la Convección A normalization of the Available Potential Energy for the Convection. Revista Cubana de Meteorología, 23(2), 226–231.
Cordulus. (2024). Términos meteorológicos | Términos y definiciones de uso común. https://www.cordulus.com/es/glossary#glossary-group-T
Cordulus Glossary. (2024). Humedad relativa- Glosario. https://www.cordulus.com/es/glossary/relative-humidity
Daidzic, N. E. (2019). A New Model for Lifting Condensation Levels Estimation. International Journal of Aviation Aeronautics and Aerospace, 6(5). https://doi.org/10.15394/ijaaa.2019.1341
EEU Climate ADAPT. (2024). Precipitación total: Información previa. https://climate-adapt.eea.europa.eu/es/metadata/indicators/total-precipitation
Evans, J. P., & Westra, S. (2012). Investigating the Mechanisms of Diurnal Rainfall Variability Using a Regional Climate Model. Journal of Climate, 25(20), 7232–7247. https://doi.org/10.1175/JCLI-D-11-00616.1
Fitzgerald, R. J. (2017). International Cloud Atlas. Physics Today, 70(5), 76–76. https://doi.org/10.1063/PT.3.3567
Gaffney, J. J. (1978). Humidity: Basic Principles and Measurement Techniques. HortScience, 13(5), 551–555. https://doi.org/10.21273/HORTSCI.13.5.551
Gledhill, J. A. (1985). The physics of the atmosphere. South African Journal of Science, 81(3), 133–136. https://doi.org/10.1016/B978-012373615-4/50006-6
Guo, Z., Fang, J., & Gu, S. (2025). Linkage Between Projected Warm Season Precipitation Systems and Thermodynamic and Microphysical Changes Over Eastern China. Journal of Geophysical Research: Atmospheres, 130(5), e2024JD042228. https://doi.org/https://doi.org/10.1029/2024JD042228
Haby, J. (2020). GRAPHICAL AREA DISPLAY: LCL (LIFTING CONDENSATION LEVEL). https://www.theweatherprediction.com/habyhints3/948/
Hakimi, A., & Ghafarian, P. (2025). Simultaneous prediction of 10m and 100m wind speeds using a model inspired by brain emotional learning. Scientific Reports, 15(1), 4304. https://www.nature.com/articles/s41598-025-88295-8
Hong, S. Y., Noh, Y., & Dudhia, J. (2006). A New Vertical Diffusion Package with an Explicit Treatment of Entrainment Processes. Monthly Weather Review, 134(9), 2318–2341. https://doi.org/10.1175/MWR3199.1
Huang, C., Chen, S., Lin, Y., Earl, K., Matsui, T., Lee, H., Tsai, I., Chen, J., & Cheng, C. (2019). Impacts of Dust-Radiation versus Dust-Cloud Interactions on the Development of a Modeled Mesoscale Convective System over North Africa. https://doi.org/10.1175/MWR-D-18-0459.1
Huang, Y., Cui, X., & Li, X. (2016). A three-dimensional WRF-based precipitation equation and its application in the analysis of roles of surface evaporation in a torrential rainfall event. Atmospheric Research, 169, 54–64. https://doi.org/10.1016/J.ATMOSRES.2015.09.026
IPCC, Pachauri, R. K., Meyer, L., Hallegatte France, S., Bank, W., Hegerl, G., Brinkman, S., van Kesteren, L., Leprince-Ringuet, N., & van Boxmeer, F. (2015). Climate Change 2014: Synthesis Report. Intergovermental Panel on Climate Change, 5, 151. http://www.ipcc.ch.
Lee M. Grenci. (2019). Assessing Strong Updrafts | Learning Weather at Penn State Meteorology. https://learningweather.psu.edu/node/87
Legg, R. (2017). Properties of Humid Air. Air Conditioning System Design, 1–28. https://doi.org/10.1016/B978-0-08-101123-2.00001-7
Louis, L. (2022). A Synthetic Dual-Doppler Analysis of the 03 March 2020 Nashville, Tennessee Tornado. https://louis.uah.edu/honors-capstones/709
McCaul, E. W., & Cohen, C. (2002). The Impact on Simulated Storm Structure and Intensity of Variations in the Mixed Layer and Moist Layer Depths. Monthly Weather Review, 130(7), 1722–1748. https://doi.org/10.1175/1520-0493(2002)130<1722:TIOSSS>2.0.CO;2
Murugavel, P., Malap, N., Balaji, B., Mehajan, R. K., & Prabha, T. V. (2017). Precipitable water as a predictor of LCL height. Theoretical and Applied Climatology, 130(1–2), 467–476. https://doi.org/10.1007/S00704-016-1872-0/FIGURES/7
Myers, D. R. (2012). 1.12 – Solar Radiation Resource Assessment for Renewable Energy Conversion. Comprehensive Renewable Energy, 213–237. https://doi.org/10.1016/B978-0-08-087872-0.00112-8
National Geograpic Society. (2023, October 19). Precipitation. https://education.nationalgeographic.org/resource/precipitation/
NCAR. (2016). wrf.cape_2d – Documentación de wrf-python 1.4.0. https://wrf-python.readthedocs.io/en/latest/user_api/generated/wrf.cape_2d.html
NOAA. (2022). Lesson 1: Planetary Boundary Layer. https://www.weather.gov/media/zhu/ZHU_Training_Page/clouds/planetary_boundary_layer/L1-PBL.pdf
NOAA. (2025). Temperatura de la superficie del mar | Estado del ecosistema marino nacional. https://ecowatch.noaa.gov/thematic/sea-surface-temperature
NOAA, N. W. S., & US Department of Commerce. (2024). Discussion on Humidity.
Pagès Farré, D., Calbó, J., & González Gutiérrez, J. A. (2001). Arcimis: Método para el análisis de la cobertura nubosa. Aplicación a Girona. https://repositorio.aemet.es/handle/20.500.11765/9208
Riemann-Campe, K., Fraedrich, K., & Lunkeit, F. (2009). Global climatology of Convective Available Potential Energy (CAPE) and Convective Inhibition (CIN) in ERA-40 reanalysis. Atmospheric Research, 93(1–3), 534–545. https://doi.org/10.1016/J.ATMOSRES.2008.09.037
Rohli, R. V., & Li, C. (2021). Using Thermodynamic Diagrams in Meteorology. Meteorology for Coastal Scientists, 95–104. https://doi.org/10.1007/978-3-030-73093-2_10
Sahin, S., & Cigizoglu, H. K. (2013). The effect of the relative humidity and the specific humidity on the determination of the climate regions in Turkey. Theoretical and Applied Climatology, 112(3–4), 469–481. https://doi.org/10.1007/S00704-012-0743-6/FIGURES/5
Sati, A. P., & Mohan, M. (2021). Impact of urban sprawls on thunderstorm episodes: Assessment using WRF model over central-national capital region of India. Urban Climate, 37, 100869. https://doi.org/10.1016/J.UCLIM.2021.100869
Satiadi, D., Fathrio, I., Purwaningsih, A., Harjupa, W., Trismidianto, Nugroho, G. A., Saufina, E., & Pratama, R. (2024). Study of Convective Initiation Over Kototabang. Springer Proceedings in Physics, 305, 507–516. https://doi.org/10.1007/978-981-97-0740-9_45/FIGURES/2
Stewart, R. H. (1997). Introduction to Physical Oceanography.
Stull, R. B. (1988). An introduction to boundary layer meteorology. An Introduction to Boundary Layer Meteorology. https://doi.org/10.1007/978-94-009-3027-8/COVER
Vega Rodriguez, A., Mendoza Nieto, J. A., Dominguez Danache, R. E., & Rozenel Domenella, S. S. (2020, June). Presión-(Presión atmosférica). Departamento de Fisicoquímica, UNAM. https://recursoseducativos.unam.mx/bitstream/123456789/18074/1074/P2.%20Presio%CC%81n.pdf
Von Engeln, A., & Teixeira, J. (2013). A Planetary Boundary Layer Height Climatology Derived from ECMWF Reanalysis Data. Journal of Climate, 26(17), 6575–6590. https://doi.org/10.1175/JCLI-D-12-00385.1
Wei, T., Wang, M., Wu, K., Yuan, J., Xia, H., & Lolli, S. (2025). Characterizing urban planetary boundary layer dynamics using 3-year Doppler wind lidar measurements in a western Yangtze River Delta city, China.
Atmospheric Measurement Techniques, 18(8), 1841–1857. https://doi.org/10.5194/AMT-18-1841-2025
World Meteorological Organization, W. (2018). Guide to Marine Meteorological Services. https://doi.org/http://dx.doi.org/10.25607/OBP-688
XIONG, Y., MENG, Q. shi, GAO, J., TANG, X. fang, & ZHANG, H. fu. (2017). Effects of relative humidity on animal health and welfare. Journal of Integrative Agriculture, 16(8), 1653–1658. https://doi.org/10.1016/S2095-3119(16)61532-0
Zhang, G. J. (2009). Atmospheres: Effects of entrainment on convective available potential energy and closure assumptions in convection parameterization. Journal of Geophysical Reserch, 114, 7109. https://doi.org/10.1029/2008JD010976