Combinación de proyecciones de modelos cambio climático y Andes QC: control de calidad de datos by Centro Internacional para la Investigación del Fenómeno de El Niño

......................................................................................................................................................

Plataforma de Información de cambio climático y biodiversidad para el fomento de políticas públicas de conservación y adaptación en la región de los Andes Tropicales

.........................................................................................................................................

Combinación de Proyecciones de Modelos de Cambio Climático Y ANDES QC: Control de calidad de datos para grupos de estaciones meteorológicas

Plataforma de Información de cambio climático y biodiversidad para el fomento de políticas públicas de conservación y adaptación en la región de los Andes Tropicales Combinación de Proyecciones de Modelos de Cambio Climático Y ANDES QC: Control de calidad de datos para grupos de estaciones meteorológicas Por William Cabos y Enric Aguilar

Centro Internacional para la Investigación del Fenómeno de El Niño (2014) Se permite reproducir y comunicar esta obra siempre y cuando se cite la fuente de manera correcta y no se utilice para fines comerciales. Algunos derechos reservados http://creativecommons.org/licenses/by-nc/3.0/ Diagramación Belén Mendoza - Arturo Torres Impresión Digital Center

CENTRO INTERNACIONAL PARA LA INVESTIGACIÓN DEL FENÓMENO DE EL NIÑO Escobedo #1204 y 9 de Octubre Edificio Fundación El Universo, 1er piso Teléfono: + (593 4) 2514770 Fax: + (593 4) 2514771 Casilla #09014237 Guayaquil-Ecuador

Para citar el documento: CIIFEN 2014. Metodología para la Estimación de Vulnerabilidad en Ecuador, Perú y Bolivia, Proyecto Información de cambio climático y biodiversidad para el fomento de políticas públicas de conservación y adaptación en la región de los Andes Tropicales, p 1-67. Esta publicación ha sido realizada por el Centro Internacional para la Investigación del Fenómeno de El Niño en el marco del proyecto ATN/OC-12439-RG “Información de cambio climático y biodiversidad para el fomento de políticas públicas de conservación y adaptación en la región de los Andes Tropicales”, financiado por el Banco Interamericano de Desarrollo, BID, bajo la iniciativa de Bienes Públicos Regionales (2012).

Información de cambio climático y biodiversidad para el fomento de políticas públicas de conservación y adaptación en la región de los Andes Tropicales PROYECTO ATN/OC-12439-RG Financiado por: Banco Interamericano de Desarrollo Bienes Públicos Regionales

Los Servicios Meteorológicos Nacionales de Bolivia, Ecuador y Perú

Agencia Ejecutora:

Y Los Ministerios del Ambiente de Bolivia, Ecuador y Perú

CENTRO INTERNACIONAL PARA LA INVESTIGACIÓN DEL FENÓMENO DE EL NIÑO

2014

DIRECCIÓN GENERAL Director Internacional

Dr. José Daniel Pabón Caicedo

DIGITADORES DE DATOS CLIMÁTICOS: Coordinador Científico

Oc. Rodney Martínez Güingla

EQUIPO DE PROYECTO Coordinador

Juan José Nieto López

Consultor en Climatología

Enric Aguilar Anfrons

Asistente en Sistemas de Información Geográfica

César Quishpe Vásquez

Consultora Administrativa Financiera y Adquisiciones

William Cabos Jessica Díaz Cabezas Narváez

Consultor en Sistemas Asistente en Sistemas de Información de Información Geográfica Geográfica Alejandro Chamizo de Antonio Julián Castro Hernández Cotrina

Consultor para el Desarrollo de la Plataforma Informática

Coordinador

Juan José Nieto López

Juan Ignacio Varela

Asistente para el Consultora para el Desarrollo de la Desarrollo Plataforma Informática de Material Educativo Guillermo Armenta Porras

Consultor en Modelación Climática

Abigail Alvarado Almeida

Consultor en Climatología

Enric Aguilar Anfrons

INAMHI ECUADOR

Álvaro Moreno Moreno Dayanira Castro Zambrano

SENAHMI PERÚ

Gerardo Jácome Vergaray Lenin Suca Huallata

SENAHMI BOLIVIA

Ana Mendoza Calderón José Paz Cortez

DIGITADORES DE DATOS BIODIVERSIDAD: MINISTERIO DEL MINISTERIO DEL AMBIENTE DE EECUADOR AMBIENTE DE PERÚ

María Cristina Argudo Cynthia Sánchez Figueroa Pazmiño Diego Guevara Torres Karina Molina Tarapués

MINISTERIO DE MEDIO AMBIENTE Y AGUA DE BOLIVIA

Shiara Pereira Gutiérrez Naira Durán Nogales

PERSONAL DE CIIFEN - CONTRAPARTE DEL PROYECTO SISTEMAS DE INFORMACIÓN GEOGRÁFICA Pilar Icaza Olvera

ADMINISTRACIÓN

Cinthya García Arias Evelyn Ortiz Sánchez

ANTECEDENTES DEL PROYECTO Esta iniciativa regional tiene como propósito la implementación de un Sistema Público Regional de Información de Cambio Climático y su potencial impacto en la conservación de la biodiversidad para la región de los Andes Tropicales. Su finalidad es contribuir en la generación de políticas públicas y la inserción de la conservación de la biodiversidad en los Planes Nacionales de cambio climático en Bolivia, Ecuador y Perú.

a aplicarse en el proyecto en los distintos componentes, su implementación a nivel nacional y el rol de cada una de las instituciones en el mismo; (ii) 3 Talleres itinerantes para la definición, discusión y consenso de: escenarios e índices climáticos, vulnerabilidad de ecosistemas andinos y bases de datos de biodiversidad-cambio climático; (iii) compilación de escenarios y estimación de índices climáticos; (iv) estimación de la vulnerabilidad de los ecosistemas andinos; (v) fortalecimiento de las bases regionales de biodiversidad y cambio climático de los Andes El proyecto incluye tres componentes, cada uno de los cuales tiene sus Tropicales (vi) implementación de la plataforma tecnológica que integre propios resultados: los productos iii, iv y v. Fruto de estas actividades se cuenta con los siguientes productos: (i) proyecciones regionales integradas de cambio climático en la zona • COMPONENTE I: IMPLEMENTACIÓN DEL SISTEMA REandina de los países beneficiarios; (ii) sistema de información geográfiGIONAL DE INFORMACIÓN DE CAMBIO CLIMÁTICO Y BIODIca para la estimación de la vulnerabilidad de los ecosistemas andinos; VERSIDAD EN LOS ANDES. (iii) integración de bases de datos de biodiversidad disponibles para los Andes Tropicales; y (iv) sistema digital de información en línea con El objetivo del componente era el desarrollo de la plataforma institucio- acceso público. nal, humana y tecnológica que permita la sistematización, análisis y despliegue de los escenarios de cambio climático en los Andes tropi• COMPONENTE II: MÓDULO DE EDUCACIÓN Y ENTREcales, la vulnerabilidad estimada de los ecosistemas andinos y los daNAMIENTO EN CAMBIO CLIMÁTICO Y BIODIVERSIDAD PARA tos e información de la biodiversidad existente en dichos ecosistemas para su uso por parte de los gestores y tomadores decisiones de los LOS ANDES TROPICALES. países participantes. Este Sistema Regional de Información complementará los esfuerzos realizados a nivel de la Comunidad Andina de El objetivo de este componente era desarrollar un módulo de educación Naciones y constituirá el componente (cambio climático-biodiversidad) y entrenamiento de fácil acceso y sostenibilidad que contase con un del Sistema Regional de Biodiversidad. Considera, además, aspectos sistema de aprendizaje virtual sobre todos los resultados del proyecto relevantes sobre principios de manejo de la información, como sober- y la provisión de todo el material educacional de soporte. Además, se anía nacional, derechos sobre la propiedad intelectual y conocimientos desarrolló un kit educativo para impartir Talleres de Entrenamiento a tradicionales. nivel nacional con instructores nacionales que puedan ser replicados Para lograr ese objetivo se llevaron a cabo las siguientes actividades: conforme a las necesidades de cada país. (i) Taller Regional para la definición y el consenso de la metodología

Para lograr ese objetivo se realizaron las siguientes actividades: (i) desarrollo del sistema virtual de educación; (ii) diseño y elaboración de los kits educativos; y (iii) un Taller itinerante para la discusión sobre el uso y la aplicación de los nodos nacionales del sistema regional de información. Estas actividades permitieron desarrollar los siguientes productos: (i) sistema de educación virtual en cambio climático y biodiversidad andina; (ii) kit educacional para capacitadores en cambio climático y biodiversidad andina; y (iii) esquemas de uso y aplicación de los nodos del sistema en cada país.

• COMPONENTE III. FOMENTO A LA INSERCIÓN DEL TEMA CAMBIO CLIMÁTICO-BIODIVERSIDAD EN LAS POLÍTICAS PÚBLICAS NACIONALES.

El objetivo de este componente era fomentar el uso de los productos y servicios de información generados por el proyecto como insumos para los planes y estrategias y la generación de políticas regionales y a nivel nacional en cuanto al manejo y conservación de la biodiversidad, en el contexto del cambio climático, en la región de los Andes Tropicales. Para lograr ese objetivo se llevaron a cabo las siguientes actividades: (i) organización de foros públicos y paneles dirigidos a autoridades políticas y ambientales; (ii) 12 Talleres Nacionales de Trabajo para la revisión de estrategias de inserción del tema biodiversidad en los planes de adaptación; y (iii) articulación del sistema regional con otras iniciativas, proyectos y agencias de cooperación que los países decidieren. Fruto de estas actividades se cuenta con estos productos; (i) aplicaciones de los productos del proyecto en estrategias, planes o políticas de los países en cuanto a cambio climático y biodiversidad; (ii) documentos resumen para políticos en materia de cambio climático y biodiversidad andina; y (iii) alianzas formalizadas con otros organismos internacionales y agencias de cooperación.

Resultados esperados El principal resultado esperado es la implementación de un Sistema Público Regional de Información de Cambio Climático y su potencial impacto en la biodiversidad para la región de los Andes. Se espera que la operación genere los siguientes resultados intermedios:

Plataforma tecnológica regional con nodos nacionales que provee información de escenarios de cambio climático integrados, ecosistemas andinos vulnerables definidos e información de biodiversidad y clima complementaria sistematizada para cada país.

Plataforma institucional, humana y tecnológica para educación, capacitación y entrenamiento a nivel nacional en biodiversidad-cambio climático en funcionamiento.

El sistema contribuirá en la elaboración de estrategia regional y estrategias nacionales que incluyan la conservación de la biodiversidad en los Planes, Programas o Estrategias de adaptación al cambio climático.

PRESENTACIÓN La región andina presenta un reto para los modelos climáticos actuales, ya sean globales o regionales, tanto por sus características climáticas como orográficas. Su clima es afectado, tanto por forzamientos locales, como por otros remotos y regionales. La región presenta una considerable extensión meridional y diversos patrones de tiempo y clima, incluyendo climas de tipo tropical y subtropical. La más importante característica geográfica de la región es la Cordillera de los Andes, que se extiende paralela a la costa del océano Pacífico. La cordillera constituye una barrera estrecha que canaliza el flujo del aire, pero no solo cumple el papel de barrera climática, dando lugar a condiciones secas en la vertiente del Pacífico y condiciones húmedas en el este sino que también influye en la interacción entre trópicos y extra-trópicos. La migración estacional de la zona de convergencia intertropical (ITCZ, por sus siglas en inglés) es el factor más importante que controla la estacionalidad de la precipitación en la región andina. Durante el verano austral, la circulación de larga escala en altura, se caracteriza por un centro de alta presión sobre el altiplano, una zona de baja presión que se extiende desde el noroeste de Brasil hacia el Atlántico Tropical y vientos del este sobre las latitudes subtropicales. En los niveles bajos, las células anticiclónicas subtropicales sobre los océanos Pacífico y Atlántico dominan la circulación de larga escala. Los vientos del este procedentes del Atlántico son desviados hacia el sur por la cordillera andina hacia la baja del Chaco, que representa la principal fuente de humedad en el sur de Brasil y las planicies del sur del continente. Uno de los mayores componentes de la circulación en esta estación, en la región al este de los andes tropicales, es el sistema de Monzones de América del sur (Vera et al., 2006). En invierno, la célula anticiclónica subtropical sobre el océano Pacífico es el factor más importante al oeste de los andes. Los Andes Tropicales presentan áreas críticas en cuanto a la conservación de la biodiversidad. El Cambio climático se suma a las intensas

y variadas presiones que las especies como elementos de los ecosistemas alto andinos ya están percibiendo. Existen ingentes esfuerzos en cuanto al tema de biodiversidad y de cambio climático en la región, los cuales han avanzado en forma individual, sin la necesaria interacción, para generar información integrada que pueda convertirse en un insumo para el diseño de políticas públicas y planes de acción conducentes a la conservación de la biodiversidad dentro de estrategias factibles y eficientes para la adaptación al cambio climático. A inicios de 2011, se dio paso a la implementación del proyecto regional No. ATN/OC-12439-RG. “Información de Cambio Climático y Biodiversidad para el Fomento de Políticas Públicas de Conservación y Adaptación en la Región de los Andes Tropicales.” bajo el programa de Bienes Públicos Regionales del Banco Interamericano de Desarrollo. El proyecto fue ejecutado por CIIFEN, junto a los Ministerios de Ambiente y Servicios Meteorológicos e Hidrológicos Nacionales de Bolivia, Ecuador y Perú. El Objetivo del proyecto fue implementar un Sistema Público Regional de Información de Cambio Climático y su potencial impacto en la biodiversidad para la región de los Andes Tropicales, con la finalidad de contribuir en la generación de políticas públicas y la inserción de la conservación de la biodiversidad dentro de los Planes Nacionales de cambio climático en Bolivia, Ecuador y Perú. La zona de estudio de esta iniciativa regional se extiendes desde el ecuador, 2° Norte hasta los 24° de latitud sur, en la zona de Puna de Bolivia (departamento de Potosí), la zona de Puna de Perú y la zona de Páramos de Ecuador. Esta guía técnica presenta la Metodología usada para la Combinación de Proyecciones de Modelos de Cambio Climático en Ecuador, Perú y Bolivia y la herramienta ANDES QC (programado sobre R) para control de calidad de datos climáticos.

Indice 1

Cambio Climático y Combinación de Proyecciones de Modelos de Cambio Climático ..........................................................................................

1.1 Combinación de Proyecciones de Modelos de CC...............................................16 Región de Estudio...........................................12 Datos utilizados...............................................12 Modelos Globales...........................................12 Escenarios de consensos de cambio climático..............................................14 Modelos Regionales........................................15 Validación...............................................16 Corrección de Desviaciones..................16 Escenarios.......................................................18 RCP 2.6.................................................20 RCP 4.5.................................................20 RCP 6.0.................................................21 RCP 8.5.................................................21 Índices Climáticos...........................................21 Resultados......................................................24 1.2 Cambio de las Variables Climáticas para el Período 2020-2039....................................26 Precipitación...................................................28 Temperaturas diarias máximas y mínimas......28

1.3 Conclusiones...................................................30 Validación........................................................30 Temperatura.....................................................30 Precipitación....................................................31 Proyecciones..................................................31 Recomendaciones metodológicas.................31

2.2 Funciones Adicionales....................................40

ANDES QC: Control de calidad de datos para grupos de estaciones meteorológicas .......................................................................................... 33 Introducción..........................................................33 2.1 Tests incluídos en ANDES QC........................34 OUTLIERS POR MESES│fourboxes()...........34 OUTLIERS PENTADALES│pentauts()...........35 OUTLIERS GAMMA│precipouts ()................35 OUTLIERS ESPACIALES │ Función auxiliar percentcor()..........................35 Recomendaciones metodológicas..................36 TMAX < = TMIN│tmaxmim().........................36 VALORES FUERA RANGO│humongous()....37 VALORES DUPLICADOS│duplicals()............37 DIFERENCIAS INTERDIARIAS│jumps()........37 VALORES CONSECUTIVOS│flatline ()..........38 PRECIP. ACUMULADA│ suspectacumprec().........................................38 CADENAS DE MARKOV│markovchain().......38 CADENAS DE PRECIPITACIÓN│ chainprecip()...................................................39 REDONDEO│tableround().............................39

2.7 Formas de trabajo para Ejecutar ANDESQC.......................................................62 2.8 Aplicación y Futuro de ANDESQC..................65

2.3 Introducción del Control de Calidad Espacial..............................................41 2.4 Output Gráfico y Numérico de Ayuda a la Decisión Integrado en Ficheros HTML............42 2.5 Contenido Output por Períodos de cinco años.......................................................57 2.6 Ficheros MASTERQC......................................61

Anexos ..........................................................................................

Bibliografía ..........................................................................................

Cambio Climático y Combinación de Proyecciones de Modelos de Cambio Climático Por William Cabos Combinación de Proyecciones de Modelos de Cambio Climático (CC) • Región de Estudio El área de estudio cubre tres países andinos: Bolivia, Ecuador y Perú y se extiende desde el ecuador, 2º Norte hasta unos 24º de latitud sur. La orografía de la zona es accidentada, siendo la Cordillera de los Andes, que recorre longitudinalmente la región, el accidente geográfico más importante. Los Andes, que dividen las masas de aire del Pacífico y del Atlántico, son uno de los factores que determinan la gran variedad climática característica de la región. El otro factor importante es el océano Pacífico que baña las costas de Ecuador y Perú e influye de manera relevante en el clima de Bolivia. Las masas de aire Atlánticas, también importantes para el clima de la región, influyen principalmente en las regiones al este de los Andes. La conjunción de estos factores: el océano Pacífico (a través de sus corrientes y masas de aire), los Andes (a través de sus gradientes altitudinales y su influencia en la dinámica y termodinámica de las masas de aire del Pacífico y Atlánticas) y el océano Atlántico dan lugar a una gran variedad climática.

• Datos utilizados El estudio de diagnóstico y proyección de cambio climático en la región indicada se basa en el análisis de tres tipos de datos claramente diferenciados:

a b c

Datos de modelos globales proporcionados en el marco del proyecto CMIP5 Datos del modelo regional REMO generados en el marco del proyecto CORDEX Datos del modelo MRI-AGCM

• Modelos Globales Las proyecciones climáticas son un elemento crucial en el proceso de toma de decisiones, que debe ser consistente con el marco general proporcionado por el informe especial sobre escenarios de emisiones elaborado por el IPCC y con los informes de evaluación del IPCC (http://www.ipcc.ch/pub/reports.htm). La herramienta básica para realizar estimaciones de proyecciones climáticas son los modelos de circulación general acoplados océano-atmósfera (AOGCM, por sus siglas en inglés). El principal forzamiento de los AOGCM utilizados en el Quinto Informe es la radiación solar, para la que se ha incluido su variación interanual. Todos los modelos son también forzados por concentraciones de gases atmosféricos, de origen antropogénico y natural (gases de efecto invernadero, aerosoles provenientes de erupciones volcánicas, quema de biomasa o contaminación). Para este Quinto Informe, también, se incluye el forzamiento por cambios de uso de suelo.

Nombre Modelo

Nuestro desconocimiento de la evolución socioeconómica se traduce en el uso de las vías de concentración representativa que proporcionan escenarios de emisiones de gases de efecto invernadero (principalmente desarrollo industrial) y cambios en el uso de suelo (desarrollo de agricultura) de acuerdo a distintos escenarios plausibles de desarrollo socioeconómico. Las concentraciones de gases de efecto invernadero se calculan con ayuda de modelos de ciclo de carbono, que se incluyen como submodelos en algunos AOGCM; en tanto que para la mayoría de los AGCM estas concentraciones son calculadas por modelos biogeoquímicos externos. En el proyecto “Información de cambio climático y biodiversidad para el fomento de políticas públicas de conservación y adaptación en la región de los Andes Tropicales” se utilizaron modelos de la base de datos CMIP5 (http://pcmdi9.llnl.gov/esgfweb-fe/). Después de un análisis previo de los modelos disponibles, usando como criterio la capacidad de los modelos de simular la climatología del período 1961-1990 y los principales fenómenos climáticos globales, se decidió reducir el número de modelos a utilizar en el proyecto a los modelos incluidos en la Tabla 1. La resolución de los modelos varía entre 1 - 4 grados; la mayoría tiene una resolución 2,5 - 2,7 grados.

Tabla 1.1 (Parte 1/2) Modelos globales acoplados de CMIP5 utilizados.

Acrónimo

Modelo

Resolución

Resolución atmósfera Lat. Lon.

Beijing Climate Center China Meteorological Administration Pekín, China

BCC

Canadian Centre for Climate Modelling and Analysis, Victoria, Canadá

CCCMA

anesm2

Centre National de Recherches Meteorologiques, CNRM & CERFACS, Toulouse, Francia

CNRM

cnrm-cm5 256 _ 128, L31 ~1.4 1.40625

Commonwealth Scientific and Industrial Research Organization – Queensland Climate Change Centre of Excellence (CSIRO-QCCCE), Australia

CSIRO

csiromk3-6-0

192 _ 96, L18

~1.85

Geophysical Fluid Dynamics Laboratory, (NOAA-GFDL),Princeton,Estados Unidos

GFDL

gfdl-esm2m

144 _ 90, L24

1.52.0

2.5

NASA Goddard Institute for Space Studies (NASA-GISS),New York, Estados Unidos

GISS

giss-e2-r

144 _ 90, L40

1.52.0

2.5

Institute of Atmospheric Physics Chinese Academy of Science, Pekín, China

IAP

fgoals-g2

128 _ 60, L26

2.8 – 6.13

bcc-csm1-1 128 _ 64, L40

128 _ 64, L35

~2.8

2.8125

~2.7

2.8125

1.875

2.8125

Nombre Modelo Centro Euro-Mediterraneo sui Cambiamenti Climatici (CMCC), Italia

Acrónimo

INGV

Modelo

cmcc-cm

Resolución

Resolución atmósfera Lat. Lon.

480 _ 240, L31 ~0.8

0.8

Institut Pierre-Simon Laplace, Francia (IPSL), París, Francia

IPSL

ipslcm5a-lr

Institut Pierre-Simon Laplace, France (IPSL),París, Francia

IPSLm

ipsl-cm5a- 144 _ 143, L39 1.894 3.75 mr

Atm. and Ocean Research Inst. (Univ. of Tokyo), Nat. Inst. for Environmental Studies, and Japan Agency for Marine-Earth Science and Technology, Japón AORI&NIES&JAMSTEC, Japón

MIROC

miroc5

Met Office Hadley Centre MOHC, Exeter, Reino Unido

MOHC

hadgem2-es

Max Planck Institute for Meteorology (MPI-M), Hamburgo, Alemania

MPIM

mpi-esm-lr 192 _ 96, L47

~1.85

1.87

Max Planck Institute for Meteorology (MPI-M), Hamburgo, Alemania Meteorological Research Institute (MRI), Tsukuba, Japón NCAR Community Climate System Model, Estados Unidos Norwegian Climate Centre NCC, Oslo Noruega

MPIMm

mpi-esm- 192 _ 96, L95 mr

~1.85

1.87

MRI

mri-cgcm3 320 _ 160, L48 1.125

1.125

NCAR

ccsm4

288 _ 192, L26 0.943

NCC

noresm1 -m

144 _ 96, L26

96 _ 96, L39

1.894 3.75

256 _ 128, L40 ~1.4

192 _ 145, L38 1.25

~1.85

1.4

1.875

1.25 2.5

Tabla 1.1 (Parte 2/2) Modelos globales acoplados de CMIP5 utilizados.

• Escenarios de consensos de cambio climático Los escenarios describen líneas evolutivas plausibles de las condiciones climáticas y otros aspectos del futuro, principalmente relacionadas con aspectos socio-económicos y las emisiones de gases de efecto invernadero y aerosoles asociadas. Para construirlos se utiliza un número de técnicas, incluyendo análogos espaciales y temporales de climas futuros y escenarios basados en modelos de escenarios. Los primeros escenarios eran bastante sencillos y se basaban en modelos que eran representaciones estilizadas de incrementos en la concentración de CO2 en la atmósfera. Estos primeros escenarios permitían responder a preguntas del tipo “¿qué pasaría si la concentración CO2 aumentara en dos (cuatro) veces? ¿Cómo respondería el sistema climático?” Los escenarios actuales representan los forzamientos más importantes, los procesos asociados, los posibles impactos (físicos, ecológicos y económicos) y las posibles respuestas que ayuden a la toma de decisiones políticas. Estos escenarios son distintos de los usados en el Cuarto Informe del IPCC y fueron desarrollados por la “Integrated Assessment Modelling Community (IAMC)”. Éste es un panel científico que incluye representantes de las comunidades de desarrolladores de escenarios socioeconómicos, modeladores climáticos, mitigación y adaptación que desarrollan, conjuntamente, estos nuevos escenarios. La elaboración de estos escenarios está basada, principalmente, en las recomendaciones de los tomadores de decisiones y científicos que trabajan en el ámbito de la mitigación. Estos nuevos escenarios evalúan, explícitamente, distintas estrategias y políticas climáticas de mitigación y de adaptación. De esta manera, permiten asociar directamente una cierta respuesta climática a una cierta estrategia de mitigación y así evaluar los costos y beneficios de distintas estrategias.

En la elaboración de los nuevos escenarios se tuvo en cuenta la evolución de los modelos climáticos, muchos de los cuales incluyen actualmente submodelos de vegetación interactiva, ciclo de carbono e incorporan una mejor representación de la química atmosférica. Estas mejoras en los modelos requieren información sobre la distribución, espacial y temporal, de los GEI más detallada de la que ofrecían los escenarios anteriores. También es necesaria la inclusión de un mayor número de gases (aerosoles sobre todo) y la elaboración de escenarios de cambio de uso de suelos (Richard et al., 2010). • Modelos Regionales Para las estimaciones de proyecciones regionalizadas de cambio climático se utiliza el downscaling dinámico. Esta metodología de estimaciones de proyecciones regionalizadas de cambio climático consiste en conseguir proyecciones de cambio climático en una región determinada con resolución espacial más alta que los modelos globales (descenso de las escalas grandes a las escalas pequeñas) con modelos climáticos de área limitada. Las escalas grandes vienen dadas por los modelos globales acoplados océano-atmósfera y el aumento de la resolución, que proporciona el detalle local, se realiza con ayuda de modelos climáticos regionales. En esta técnica se parte de la hipótesis de que los fenómenos a escala pequeña se fundamentan en las grandes escalas que son las que realmente se predicen con los modelos globales; y los modelos climáticos regionales añaden, a esta señal, los fenómenos relacionados con una orografía más detallada y una mejor representación de las escalas sinópticas. En el marco de esta metodología, la aproximación estándar a las proyecciones regionalizadas consta normalmente de dos pasos. Primero, la integración del modelo global y después, la adaptación regional. La información solamente fluye desde las escalas grandes (modelos globales) a las escalas regionales (modelos regionales). Los modelos regionales cubren un dominio de área limitada con una malla más fina que la del modelo global y son forzados en sus fronteras laterales y en la superficie oceánica por los datos del modelo global.

El modelo climático de alta resolución, REMO, es uno de esos modelos regionales. Desarrollado por el Instituto Max Planck de Meteorología de Hamburgo, REMO es un modelo de circulación atmosférica [10] tridimensional que resuelve las ecuaciones primitivas discreteadas (con aproximación hidrostática). El modelo REMO ha demostrado ser capaz de reproducir, de forma bastante fiable, los patrones climáticos regionales en el continente europeo (proyecto ENSEMBLE), en África y Suramérica (proyecto CORDEX). Un procedimiento alternativo de regionalización dinámica consiste en llevar a cabo simulaciones con modelos atmosféricos que utilizan una rejilla no uniforme con mayor densidad de puntos sobre la zona de interés, forzándolos con los datos oceánicos proporcionados por la componente oceánica del modelo acoplado global. También, aunque resulta más costoso desde el punto de vista computacional, se puede llevar a cabo la bajada de escala utilizando un modelo con alta resolución de malla uniforme. Este es el camino seguido en Mizuta et al. (2012) que llevaron a cabo simulaciones globales de alta resolución (60 km y 20 km) con el modelo atmosférico MRI-AGCM de la agencia Meteorológica Japonesa (JMA). La resolución horizontal de este modelo es comparable a las resoluciones de modelos climáticos regionales utilizados en estudios de cambio climático recientes. Los resultados obtenidos con MRI-AGCM han sido utilizados para investigar el cambio climático en diferentes regiones de América Latina y el Caribe (Vergara et al., 2010), Bangladesh (Rahman et al., 2011) y el Mediterráneo. También se utilizarán datos proporcionados por este modelo, a resolución de 20 km y 60 km.

• Validación Las incertidumbres procedentes de los modelos globales varían mucho dependiendo de la variable, de la región y de la estación considerados. Es muy importante evaluar los distintos AOGCM, tanto en períodos instrumentales como preinstrumentales, para estimar la capacidad de los distintos modelos de simular un amplio abanico de forzamientos. Las incertidumbres provenientes de las distintas técnicas de regionalización, bien sea basadas en métodos empíricos o en modelos regionales, se han explorado ampliamente en el contexto europeo en el marco de proyectos del FP5 EU: STARDEX (http://www.cru.uea.ac.uk/ projects/stardex/) y PRUDENCE (http://prudence.dmi.dk/).

Se ha realizado un número de análisis con fin de evaluar la capacidad del conjunto de modelos globales en CMIP5 y los modelos regionales REMO y MRI-AGCM de simular el clima actual en los países andinos. Para validar los campos de precipitación y temperatura del aire, a dos metros, utilizamos la base de datos de la Universidad de Delawere.

Las temperaturas de esta base de datos se proporcionan en una malla regular de 0,5 grados tanto en longitud como latitud. Los datos observados, desde los que han sido interpoladas estas temperaturas, provienen de diversas fuentes, incluyendo la Red Climatológica Histórica Global (GHCN2), la Red Global de Climatología Sinóptica (Dataset En el contexto de PRUDENCE, se ha estudiado la dispersión de los 9290c de NCDC de EEUU y el Resumen Global Diario de Superficie distintos GCM (modelos climáticos globales) y RCM (modelos climáti- (GSOD). cos regionales) alrededor de su centroide medida por la desviación estándar intermodelos que permite explorar el grado de acuerdo de los Los promedios mensuales de temperatura y precipitación de las estadiferentes modelos y, por lo tanto, explorar la incertidumbre asociada ciones se interpolan a la malla con ayuda de una combinación de métoa los GCM y RCM (DEQUÉ et al., 2005). Se ha visto que la dispersión dos de interpolación espacial: Modelo Digital de Elevación (DEM), interde los GCM es mayor que la de los RCM (forzados por el mismo GCM) polación asistida (Willmott y Matsuura, 1995); interpolación tradicional para el caso de la temperatura, tanto en verano como en invierno. Esto (Willmott et al., 1985) e interpolación ayudada climatológicamente (CAI) es consistente con la ligadura adicional de los RCM por las condiciones (Willmott y Robeson, 1995). de contorno. En el caso de la precipitación, el comportamiento es distinto, los RCM Para la validación se utiliza el periodo 1980-1999. Éste es el período de muestran mayor dispersión que los GCM en el verano. Esto puede referencia usado en el Quinto Informe como período base para estudiar explicarse por el hecho de que los GCM poseen una resolución más la señal de cambio climático. Además, del modelo MRI-AM solo se dispone del periodo 1979-2003 en las simulaciones de clima actual, lo que baja que los RCM y pierden algunos forzamientos orográficos. En este proyecto no se analizó la dispersión, sin embargo hay que no permite el uso del otro período de referencia habitual 1961-1990. tenerla en cuenta al interpretar los resultados que se obtendrán en los análisis. Para cuantificar las incertidumbres se utiliza algunas herramientas sencillas que permiten comparar integraciones, en períodos de control, con bases de datos observacionales y estimar la divergencia entre las estimaciones de las proyecciones futuras de distintos modelos globales.

• Corrección de Desviaciones Figura 1.1 Esquema de la corrección de desviaciones por el método de cuantiles.

las desviaciones de la precipitación. Al aplicar la corrección de desviaciones, suponemos que la dependencia espacial y temporal de las variables climáticas puede ser descrita por procesos aleatorios estacionarios en el tiempo y, por tanto, la densidad marginal de probabilidad de las variables no cambia a lo largo del tiempo o la posición. En este método, la corrección de las desviaciones durante el post-proceso se aplica a la distribución marginal de los datos del modelo, de modo que se corrigen los errores sin que la dependencia espacio temporal sea alterada explícitamente. Para llevar a cabo el mapeo de cuantiles se trata de hallar una transformación de la distribución de probabilidad de la variable modelada Pm tal que la nueva distribución se ajuste lo más posible a la distribución de la variable observada Pm. Esta transformación suele ser paramétrica, habiéndose explorado en la literatura distintas expresiones: Po = f(Pm)

Las variables climáticas simuladas por los modelos climáticos con frecuencia muestran una desviación sistemática con respecto a las observaciones, limitando su utilidad para estudios de impacto (Christensen et al., 2008). Por ello, es habitual hacer un post-proceso de la salida de los modelos con el objetivo de corregirlos para mejorar su correspondencia con los datos observados. Los métodos más sencillos de corrección de estas desviaciones (bias correction) consisten en sustraer la diferencia entre las climatologías de los modelos y las observaciones. Métodos más elaborados también corrigen la variancia, que suele ser menor en los modelos que en las observaciones. El método de mapeo de cuantiles (Panofsky et al., 1968) es un desarrollo más sofisticado, en el que se corrigen las desviaciones en cada cuantil. Themeßl et al. (2011) compararon varios métodos de corrección, llegando a la conclusión de que este método es el que mejor corrige

a b c d e

Po = bPm Po = a + bPm Po = Pmc c

Po = b(Pm -X)

Po = (a + bPm)(1 - e-(Pm - X)/τ )

Donde Po es la mejor estimación de Po. El escalado simple (a) es normalmente usado para el mapeo de la precipitación (Maraun et al., 2010). Las expresiones (b)-(e) han sido utilizadas por otros autores (Piani et al., 2009; Dosio and Parulo, 2011). Todas estos algoritmos de mapeo están realizados en el programa qmap (Gudmundsson et al., 2012), que se utilizaron para la corrección de las desviaciones.

• Escenarios Como se indicó en la sección anterior, los escenarios describen líneas evolutivas plausibles de las condiciones climáticas y otros aspectos del futuro, principalmente relacionadas con aspectos socio-económicos y las emisiones de gases de efecto invernadero y aerosoles asociadas. Los primeros modelos eran muy sencillos y, básicamente, consideraban los incrementos en los contenidos de CO2. En cambio los escenarios acturales tratan de incorporar los forzamientos más importantes, los procesos asociados, los posibles impactos y las posibles respuestas que ayuden a tomar decisiones políticas. En la siguiente figura se esquematiza el proceso de desarrollo de escenarios y luego se presentan los tipos de escenarios más importantes.

Figura 1.2 Proceso de desarrollo de escenarios a partir del segundo informe IPCC

Los tipos más importantes de escenarios son:

a) Escenarios de emisión: Describen posibles emisiones futuras de

GEI, aerosoles y usos de suelo. Incluyen también otros factores de cambio: patrones y ritmo de crecimiento económico, cambio demográfico, tecnología, política y otros factores importantes para la evaluación de impactos. Los escenarios de emisión no son predicciones o pronósticos: reflejan la opinión de expertos con respecto a posibles emisiones en el futuro basados en las tendencias socioeconómicas, ambientales y tecnológicas. Estos escenarios no reflejan fluctuaciones a ‘corto plazo’, tales como ciclos económicos o ciclos de mercado; el énfasis, en el largo plazo, es importante para evaluar la respuesta lenta del sistema climático.

b) Escenarios climáticos: Son representaciones de posibles esta-

dos futuros del clima (temperatura, precipitación y otros fenómenos climatológicos). Los escenarios climáticos se pueden generar con distintas técnicas: - Incrementales, cuando elementos climáticos son aumentados en magnitudes plausibles; - Análogos espaciales y temporales, en los que regímenes climáticos conocidos que pueden ser parecidos al clima futuro son utilizados para estudiar el clima futuro; - Extrapolación y evaluaciones de expertos; - Técnicas que usan modelos físicos y climáticos, incluyendo modelos climáticos regionales. Los modelos climáticos proporcionan la mayor parte de la información utilizada en estudios de impacto. Debido a la importancia de los impactos regionales y locales, se presta especial interés a los escenarios regionales.

c) Escenarios medioambientales: El estudio del impacto poten-

a) Proveen información b) Representan c) Son compatibles cial de un escenario climático dado requiere escenarios ambientales detallada a las comuni- forzamientos radiativos con todo el rango de lo suficientemente con información. Los escenarios ambientales hacen hincapié en facto- dades de adaptación y escenarios de emisdesarrollo sociodiferentes como para res ambientales distintos del clima que pueden ser independientes del iones, estabilización y económico para poder diferenciar cambio climático. Esos factores son la disponibilidad de agua y su calmitigación existente en su impacto idad a nivel de cuencas, variaciones en el nivel del mar debido a facto- desarrollar escenarios la literatura publicada y basados en políticas climático en el largo res geológicos, características del suelo y su uso y condiciones locales revisada por pares. futuras. plazo. de la atmósfera que influyen en la calidad del aire. Estos factores son importantes, ya que si no se tienen en cuenta, no se puede entender los Estos nuevos escenarios son cuatro y son nombrados de acuerdo al forzamiento radiativo que producen al año 2100: RCP 2.6 W/m2, RCP posibles impactos ni la efectividad de las medidas de mitigación. 4.5 W/m2, RCP 6.0 W/m2 y RCP 8.5 W/m2. Las características más d) Escenarios de vulnerabilidad: El Quinto Informe del IPCC se basa importantes de estos escenarios se ilustran en la Figura 1.3; la evoen escenarios que, por primera vez, exploran estrategias de mitigación lución temporal de las radiaciones y emisiones correspondientes se en adición a los escenarios tradicionales “sin políticas climáticas.” La representan en la figura 1.4. El nuevo escenario RCP2.6 (o “required información primaria sobre posibles cambios climáticos debido al au- by science”) tiene concentraciones mucho más bajas que cualquiera mento de la concentración de GEI, de origen antropogénico, procede de los escenario SRES utilizados en el Cuarto Informe, y el escenario de los diferentes AOCGM integrados con escenarios alternativos de RCP8.5 llega a fines de siglo con concentraciones de CO2 más altas que cualquiera de los escenarios utilizados en el Cuarto Informe. emisión RCP (en español, vías de concentración representativas).

Figura 1.3 Vías de concentración representativas definidas para el Quinto Informe

Los nuevos escenarios de emisiones presentan las características (Moss et al., 2010, van Vuuren et al., 2011).

siguientes

Figura 1.4 Evolución temporal del forzamiento radiativo (izquierda) y emisiones (derecha) en los RCP usados en el Quinto Informe del IPCC. En gris se representa el percentil 98 de los escenarios SRES utilizados en el Cuarto Informe. Las líneas grises representan los escenarios SRES.

• RCP 2.6

• RCP 4.5

Esta vía de concentraciones es representativa de escenarios de mitigación cuyo objetivo es limitar el calentamiento global a menos de 2 °C a fin de siglo. Aunque existen importantes incertidumbres, se ha determinado que este objetivo se puede alcanzar si el forzamiento radiativo hacia el año 2100 alcanza valores menores a 3W/m2. Por esto, en este RCP se ha supuesto que, inicialmente, el forzamiento radiativo crece hasta alcanzar un valor de 3,1W/m2 a mediados de siglo, cuando comienza a reducirse hasta que hacia el final de siglo alcanza un valor de 2.6W/m2. Esto hace necesaria una reducción bastante drástica de las emisiones, que algunos sugieren no son posibles (van Vuuren et al., 2011b). Sin embargo, resultados del modelo integrado de evaluación IMAGE muestra que alcanzar este objetivo es posible para valores de crecimiento de población mundial, Producto Interno Bruto (PIB) e intensidad de emisiones (emisiones/PIB) (ver Figura 1.4). La realización de este escenario requiere de tecnologías de almacenamiento y captura de carbono (“Carbon Capture and Storage”, CCS) y disminución de emisiones de bío-energías, gas natural, petróleo y carbono a partir del año 2020. La figura 1.5 muestra la trayectoria de la línea base y las trayectorias requeridas para alcanzar los 2.6 W/m2 de forzamiento de este escenario.

Este es un escenario de estabilización, en el que para el año 2100, el forzamiento radiativo es de 4.5 W/m2, sin haber excedido este valor antes (Thomson et al., 2011). Para lograr este objetivo, se suponen políticas climáticas, que en este caso incluyen la penalización del uso de carbono. En este escenario, la población mundial llega a nueve mil millones en 2065 y se reduce a 8,7 mil millones en 2100. El PIB mundial crece un orden de magnitud, y la necesidad energética en 3 órdenes de magnitud. Además de imponer precios al carbón, la tecnología de captura y almacenamiento de carbón (CCS) se desarrolla de manera que la industria eléctrica llega a ser un sumidero neto de carbón. En este escenario, las emisiones de GEI llegan a su máximo alrededor del año 2040, luego comienzan a bajar hasta el año 2080, cuando se estabilizan.

Figura 1.6 Evolución temporal del consumo de energía (derecha), consumo de combustibes fósiles (centro) y el uso primario de energía (izquierda) en los RCP usados en el Quinto Informe del IPCC. En gris se representa el percentil 98 y 90 (gris claro/oscuro) de los escenarios SRES del Cuarto Informe. Las líneas grises representan los escenarios SRES. Figura 1.5 Evolución temporal de la población (izquierda) y producto interior bruto (derecha) en los RCP usados en el Quinto Informe del IPCC. En gris se representa el percentil 98 de los escenarios SRES del cuarto informe. Las líneas grises representan los escenarios SRES

• RCP 6.0

• Índices Climáticos

En esta vía representiva de concentraciones, las emisiones de gases de efecto invernadero y cambios en el uso de suelo se traducen en un Las tendencias climáticas en una región del globo se pueden monitorizar mediante el seguimiento de un conjunto de indicadores climátiforzamiento radiativo de 6 W/m2 al año 2100 (Masui et al, 2011). cos definidos a escala internacional. Los indicadores nos permiten, Esto requiere disminuciones significativas de emisiones a partir del año generalmente de manera cuantitativa, ilustrar y comunicar de mane2060 (ver figura 1.4), que se logran a través la imposición de políticas ra sencilla procesos complejos que incluyen tendencias y progresión climáticas, es decir, que limiten las emisiones vía precios y tecnología a lo largo del tiempo. Para que un indicador sea válido debe cumplir de CCS. La población mundial crece hasta 9,8 billones al año 2100. El dos condiciones: tener una buena base conceptual (debe hacerse una PIB per cápita global crece un 1,6% anualmente durante 2000–2060 descripción de la metodología y de las fórmulas utilizadas) y ser comy entre 1,3 y 1,4% durante 2060–2100. La intensidad energética dis- prensible y simple. minuye a un ritmo de 1,2%/año antes de 2060 a un ritmo de 1.5%/año Los índices climáticos son indicadores de seguimiento del cambio climático, que se basan, fundamentalmente, en las variables de tementre 2060-2100. peratura y precipitación. Tal como establece la Organización Meteorológica Mundial (OMM), el cálculo de índices climáticos es una herra• RCP 8.5 mienta útil para caracterizar el clima, presentar los patrones climáticos El escenario RCP8.5 representa una vía en la que las emisiones y las históricos y detectar los cambios. Con tal objetivo, la OMM ha impulconcertaciones son altas. Sus principales supuestos socio económicos sado la concepción de herramientas de detección del cambio climático incluyen alto crecimiento poblacional, relativamente bajo crecimiento y la programación de un software específico para calcular índices que de PIB, con tasas modestas de cambios tecnológicos y de eficiencia reflejen las estimaciones más precisas de las tendencias climáticas en energética. Esto lleva a una importante demanda energética y conse- todo el mundo. De hecho, expertos de distintos países han compartido cuente emisiones de gases de efecto invernadero. En este escenario conocimientos y esfuerzos para establecer índices comunes aplicables no se implementan políticas de cambio climático. Las figuras 1.5 y 1.6 a todo el mundo y facilitar su cálculo. En concreto, el Grupo de Expermuestran los forzamientos socio económicos (población y producto tos en Detección de Cambio Climático e Índices (Expert Team on Cliinterno bruto), usos energéticos y emisiones para esta vía. En cada mate Change Detection and Indices, ETCCDI) ha formulado y definido aspecto, salvo en PIB, este escenario tiene valores mayores a los otros un conjunto de índices para analizar situaciones climáticas extremas aplicando una metodología idéntica para garantizar que los resultados tres. En este capítulo solamente se han considerado tres escenarios de puedan analizarse globalmente. El ETCCDI depende de la Comisión de Climatología (CCl) de la OMM, parte del Programa Mundial de Inemisión: RCP2.6, RCP4.5 y RCP8.5. vestigaciones Climáticas (PMIC), y de la Comisión Mixta sobre Oceanografía y Meteorología Marina (Joint Comission for Oceanography and Marine Meteorology o JCOMM).Información adicional sobre el ETCCDI se puede encontrar en: http://cccma.seos.uvic.ca/ETCCDI/indices.shtml. Los 27 índices definidos por este grupo de expertos y que se utilizan en este proyecto se muestran en la tabla 1.2.

Definición

Unidad

Duración de Growing la estación de season crecimiento length

Número de días en 1 año entre la primera racha de, como mínimo, 6 días con TG > 5°C y la primera racha después de 1 de julio con, como mínimo, 6 días con TG < 5°C

días

TXx

Máxima de TX

Maximum TX

Valor máximo anual de la temperatura máxima diaria

°C

TNx

Máxima de TN

Maximum TN

Valor máximo anual de la temperatura mínima diaria

°C

TXn

Mínima de TX

Minimum TX

Valor mínimo anual de la temperatura máxima diaria

°C

TNn

Mínima de TN

Minimum TN

Valor mínimo anual de la temperatura mínima diaria

°C

Aunque la evolución del clima puede ser entendida a través de los valores medios y la variabilidad de las variables climáticas, el estudio de los extremos climáticos es importante, ya que los extremos son una de las causas más importantes de los desastres naturales. Pero los riesgos de desastre también dependen de algo más que peligros físicos. Los riesgos de desastres son el resultado de la interacción de eventos climáticos o meteorológicos, que son los factores físicos de los riesgos de desastre con la exposición y la vulnerabilidad, que son los factores con los que contribuye la sociedad. Las consecuencias de los eventos extremos son el resultado de la combinación de estos factores, haciendo difícil su estudio. Sin embargo, un adecuado entendimiento de los riesgos naturales es un importante requisito para la valoración de los riesgos de exposición y la vulnerabilidad de ecosistemas y comunidades a esos extremos climáticos y meteorológicos.

Índice Castellano Inglés

Nombre Castellano

DEC

GSL

TXx

Tabla 1.2 Índices climáticos definidos por el ETCCDI, donde TN es la temperatura mínima, TX la temperatura máxima, TG la temperatura media y PPT la precipitación; el cálculo de percentiles.

Índice Castellano Inglés

Nombre Castellano

DHe0

FD0

Días de helada

DV25

SU25

Días de verano

Inglés

Definición

Unidad

Frost days

Número de días en 1 año en que TN < 0°C

días

TN10p

Noches frias

Cold nights Porcentaje de días en que TN < percentil 10

Summer days

Número de días en 1 año en que TX > 25°C

días

TX10p

Días frios

Cold days

Porcentaje de días en que TX < percentil 10

TN90p

Noches cálidas

Warm nights

Porcentaje de días en que TN > percentil 90

TX90p

Días cálidos

Warm days Porcentaje de días en que TX > percentil 90

IDRC

WSDI

Indicador de Warm spell duración de duration racha cálida

Inglés

DGa0

ID0

Día glacial

Ice days

Número de días en 1 año en que TX < 0°C

días

NT20

TR20

Noches tropicales

Tropical nights

Número de días en 1 año en que TN > 20°C

días

Número de días en 1 año que, como indicador mínimo, hay 6 días consecutivos con TX > percentil 90

días

Definición

Unidad

Índice Castellano Inglés

Nombre Castellano

Indicador Cold spell de duración duration de racha fría

Número de días en 1 año que, como indicador mínimo, hay 6 días consecutivos con TN < percentil 10

días

LMRS

CDD

Longitud máxima de la racha seca

Maximum length of dry spell

Máximo número en 1 año días de días consecutivos con PPT < 1 mm

Amplitud térmica

Diurnal temperatura anual range

Media anual de la diferencia entre TX y TN

°C

CWD

Longitud máxima de la racha lluviosa

Maximum length of wet spell

Máximo número en 1 año de días consecutivos con PPT ≥ 1 mm

días

PX1dia

RX1day Máximo de PPT en un día

Maximum 1-day precipitation amount

Valor máximo anual de precipitación en 1 día

P95pTOT R95pTOT PPT total anual en los días muy lluviosos

PPT total anual (en días en que ≥ 1 mm) cuando la PPT diaria cumulada es superior al percentil 95

PX5dia

RX5day Máximo de PPT en 5 días consecutivos

Maximum 5-day precipitation amount

Máxima anual de la PPT registrada en 5 días consecutivos

Annual total precipitation on a wet day when > 95th percentile

SDII

Índice simple de intensidad diaria

Simple daily intensity index

PPT total anual dividida entre el número de días con PPT ≥ 1 mm

mm/día

Annual total precipitation on a wet day when > 99th percentile

PPT total anual (en días en que ≥ 1 mm) cuando la PPT diaria cumulada es superior al percentil 99

ISID

P99pTOT R99pTOT PPT total anual en los días extremadamente lluviosos PTOT

Annual total wet-day

PPT total anual precipitación en días en que PPT ≥ 1 mm

Índice Castellano Inglés

Nombre Castellano

IDRF

CSDI

ATA

DTR

Días de PPT ≥ 10 mm

Inglés

DP10

R10

Annual Número anual de días en días count of que PPT ≥ 10 mm days when precipitation ≥ 10 mm

DP20

R20

Días de PPT abundante

Annual Número anual de días en días count of que PPT ≥ 20 mm days when precipitation ≥ 20 mm

DP50

R50

Días de PPT muy abundante

Annual Número anual de días en días count of que PPT ≥ 50 mm days when precipitation ≥ 50 mm

LMRH

PRCPTOT PPT total anual en los días lluviosos

Inglés

Definición

Unidad

• Resultados

VALIDACIÓN DE REMO Y MRI-AGCM

verano austral. También cabe destacar que en invierno, en el norte de Perú y el este de Ecuador, REMO simula una precipitación menor que la observada, en tanto que en MRI_AGCM, el “bias” es positivo.

Para validar los campos de precipitación y temperatura del aire, a dos metros, se utiliza la base de datos de la Universidad de Delawere. Las temperaturas de esta base de datos se proporcionan en una malla regular de 0.5 grados tanto en longitud como latitud. Los datos observados desde los que han sido interpoladas estas temperaturas provienen de diversas fuentes, incluyendo la Red Climatológica Histórica Global (GHCN2), la Red Global de Climatología Sinóptica (Dataset 9290c de NCDC de EEUU) y el Resumen Global Diario de Superficie (GSOD). Los promedios mensuales de temperatura y precipitación de las estaciones se interpolan a la malla con ayuda de una combinación de métodos de interpolación espacial: Modelo Digital de Elevación (DEM), interpolación asistida (Willmott y Matsuura, 1995); interpolación tradicional (Willmott et al., 1985) e interpolación ayudada climatológicamente (CAI) (Willmott y Robeson, 1995). A continuación se presentan los cambios de temperatura media y precipitación para el escenario A1B para el modelo MRI-AGCM y de temperatura media, temperatura mínima, temperatura máxima y precipitación para REMO en las tres vías de concentración representativas RCP2.6, RCP4.5 y RCP8.5. Para el cálculo de las climatologías y los índices se ha utilizado el programa Climate Data Operators (CDO, https://code.zmaw.de/projects/cdo) y para la representación gráfica, se ha utilizado NCL (http://www.ncl.ucar.edu/). En la figura 1.7 se representa la climatología de precipitaciones en la base de datos de la Universidad de Delawere en la región andina para las cuatro estaciones, así como los “bias” de REMO y MRI-AGCM. Se puede observar que los tres modelos muestran una buena representación de la precipitación, siendo MRI-AGCM con resolución de 20 km el más cercano a las observaciones. Los tres modelos, y especialmente REMO, tienen un exceso de precipitación sobre los Andes, sobre todo en el

Figura 1.7 Precipitación estacional (mm/mes) en la base de datos de Delawere (fila superior: invierno (primera columna), primavera (segunda columna), verano (tercera columna), otoño (cuarta columna)) y los errores de los modelos. REMO con 50 km de resolución (segunda fila), MRI-AGCM, 50 km de resolución (tercera fila) y MRI-AGCM, 20 km. (cuarta fila)

Las temperaturas simuladas por REMO y MRI-AGCM muestran patrones de error muy semejantes, tanto en distribución espacial como en magnitud. Se pueden ver como todos los modelos muestran errores positivos en la costa y negativos en las zonas montañosas. La discrepancias entre modelos y observaciones en la región costera se puede explicar en parte por el hecho de que, en general, la estrecha franja costera no está bien resuelta ni por las observaciones ni los modelos, excepto MRI-AGCM a 20 km, para el cual los errores positivos en la costa están restringidos a una banda más delgada.

Figura 1.8 Temperatura a 2m (grados centígrados) estacional en la base de datos Delawere (fila superior: invierno (primera columna), primavera (segunda columna), verano (tercera columna), otoño (cuarta columna)) y los errores de los modelos. REMO con 50 km de resolución (segunda fila), MRI-AGCM, 50 km de resolución (tercera fila) y MRI-AGCM, 20 km (cuarta fila)

Cambio de las Variables Climáticas para el Período 2020-2039.

Temperatura media diaria

Se incorporaron a la base de datos las temperaturas medias y precipitación diarias de todos los modelos utilizados para el período de interés 2020-2039, para el cual se disponían datos de todos los modelos; extendiéndose la base de datos para estas variables hasta 2100 sin el modelo MRI-AGCM. Adicionalmente, se añadieron las variables de temperatura mínima y temperatura máxima diarias para los modelos globales y el modelo regional REMO, cubriéndose todo el siglo XXI. Las proyecciones para REMO y los modelos globales corresponden a los escenarios RCP2.6, RCP4.5 y RCP8.5 del Quinto Informe del IPCC. En tanto que las simulaciones con el modelo MRI-AGCM, se llevaron a cabo utilizando como forzamiento el escenario SRES A1B. De esta manera, en la proyección de consenso se utilizaron dos escenarios extremos, RCP2.6 y RCP8.5 y dos intermedios, RCP4.5 y SRES A1B.

Figura 1.9 Cambios estacionales en la temperatura a 2m (grados centígrados) con respecto al período 1980-1999 (fila superior: verano austral (izquierda), otoño (derecha). Fila inferior: invierno (izquierda), primavera (derecha). Se representa el promedio de todos los modelos utilizados en el proyecto.

En la Figura 1.9, se representan los cambios de temperatura media diaria del período 2020–2039 con respecto al período 1980–1999 para la región que cubre el proyecto. Todos los cambios son positivos y varían entre 0,5 – 2,0 grados centígrados, dependiendo este cambio de la estación. También se observa una marcada dependencia geográfica. En el verano austral se observa un contraste este-oeste, con la cordillera andina, especialmente en los valles interandinos, experimentando los cambios más fuertes y las regiones amazónicas los más débiles para Perú y Bolivia. En Ecuador el patrón es inverso, en la región amazónica, los cambios son más fuertes que en la región costera, alcanzando valores de hasta 1,5 grados. Los cambios en temperatura media más fuertes se observan durante el otoño, aunque se mantiene el patrón espacial de cambios del verano. Los valores más altos de cambio de temperatura se observan en la región del altiplano peruano y el este de Bolivia, alcanzando valores de hasta 2 grados centígrados. El patrón de cambios de temperatura media para el invierno, estación para la cual los cambios son menores, es muy semejante al del verano, aunque ahora no se observa el contraste este-oeste en Ecuador. En primavera se observa un patrón de cambio semejante a verano, aunque ahora en el oeste de Bolivia, los cambios alcanzan su valor máximo de 1,5-2,0 grados centígrados.

Figura 1.10 Cambios estacionales en la precipitación (mm/año) con respecto al período 1980-1999 (fila superior: verano austral (izquierda), otoño (derecha). Fila inferior: invierno (izquierda), primavera (derecha). Se representa el promedio de todos los modelos utilizados en el proyecto.

• Precipitación En la Figura 1.10 se representan los cambios de precipitación acumulada del período 2020–2039 con respecto al período 1980–1999 para la región que cubre el proyecto. La tendencia es positiva en la mayor parte de la región y, en todas las estaciones de estudio, varían entre -30 y +50 mm/año, observándose una fuerte dependencia estacional de este cambio. La distribución geográfica del cambio, como en el caso de la temperatura media, es también marcada. El verano austral es la estación con mayores cambios. En el norte de la región de estudio, los mayores cambios positivos se dan en la vertiente oriental de los Andes con cambios negativos en la región de valles interandinos. En Perú y Bolivia, los cambios más fuertes se dan en la vertiente occidental de los andes, con la costa y región amazónica presentando los cambios positivos más débiles. Aparte de los valles interandinos en Ecuador, también se proyectan disminuciones de precipitación en la región suroriental de Bolivia y en partes de la Amazonía peruana. Durante el otoño, se refuerzan las tendencias negativas de la precipitación en la región de los valles interandinos ecuatorianos y, aunque prácticamente se mantiene el patrón espacial de cambios del verano, los valores ahora son más débiles, apareciendo una tendencia a la disminución de la precipitación en el noreste de Bolivia. El patrón de cambios de presión para el invierno, estación para la cual los cambios son menores, es muy distinto al de las dos estaciones anteriores, especialmente en Ecuador, donde ahora se observa un claro contraste este-oeste, con cambios negativos al este y positivos al oeste. En Perú y Bolivia también se observa un contraste este-oeste en los cambios, de signo similar a los cambios en Ecuador, aunque de valores mucho más pequeños. En primavera, el patrón de cambio es inverso al de verano, los cambios son más fuertes y se proyecta un aumento de precipitación en la región andina.

• Temperaturas diarias máximas y mínimas En la Figuras 1.11 y 1.12 se representan los cambios de temperatura diaria mínima y máxima del período 2020–2039 con respecto al período 1980–1999 para la región que cubre el proyecto. Tanto los cambios de temperatura mínima como máxima son positivos en todo el territorio estudiado y sus valores varían entre 0,5 – 2,0 grados centígrados, dependiendo este cambio de la estación. Como en el caso de la temperatura media, los valores del cambio varían con la geografía, aunque para la temperatura mínima, esta dependencia es menor. En el verano austral, también observamos para ambas variables un contraste este-oeste, aunque los cambios para la temperatura mínima son más uniformes, especialmente en Ecuador y el sur del Perú. En ambas variables, la Cordillera de los Andes experimenta los cambios más fuertes y las regiones amazónicas los más débiles. Esto es, especialmente, cierto para la temperatura máxima en los Andes en la región sur del Perú y es sureste de Bolivia, donde los cambios alcanzan su valor máximo para esta estación. Tanto para la temperatura máxima como la mínima, los cambios mayores se producen durante el otoño y la primavera, aunque los patrones espaciales de cambios son distintos para las distintas estaciones. Los valores más altos de cambio de temperatura máxima en otoño se observan al este de la región de estudio, en tanto que durante la primavera, los cambios más altos se producen en el oeste; en tanto que para las temperaturas mínimas, el patrón espacial es más uniforme. El patrón de cambios de temperatura media para el invierno, estación para la cual los cambios son menores, es muy semejante al del verano, aunque ahora no se observa el contraste este-oeste en Ecuador para las temperaturas máximas.

Figura 1.11 Cambios estacionales en la temperatura mínima diaria (grados centígrados) con respecto al período 1980-1999 (fila superior: verano austral (izquierda), otoño (derecha). Fila inferior: invierno (izquierda), primavera (derecha). Se representa el promedio de todos los modelos globales y REMO.

Figura 1.12 Cambios estacionales en la temperatura máxima diaria (grados centígrados) con respecto al período 1980-1999 (fila superior: verano austral (izquierda), otoño (derecha). Fila inferior: invierno (izquierda) y primavera (derecha). Se representa el promedio de todos los modelos globales y REMO.

• Conclusiones En el presente documento se han discutido dos aspectos. Por una parte, se ha realizado un desarrollo de metodologías nuevas y adaptación de metodologías existentes y, por otro lado, se ha expuesto el aspecto climático de las proyecciones regionales estudiadas. En cuanto a la metodología, se utilizó un sistema de cálculo basado en software libre que permite la validación de modelos regionales y globales, el cálculo de proyecciones de consenso de las variables climáticas más importantes así como el de índices de extremo climáticos para un ensemble que puede consistir tanto de modelos climáticos globales como regionales. En el aspecto puramente climático, se presenta los primeros resultados de las proyecciones regionalizadas para el siglo XXI que se estudiaron en el marco de este proyecto. La discusión se ha centrado sobre todo en la comparación de los valores medios obtenidos con los modelos globales y regionales. También se han considerado los comportamientos de extremos a través de los índices climáticos. Como resultado del proyecto se ha generado una base de datos de proyecciones regionalizadas de impactos, que se pone a disposición de la comunidad. Esta colección de proyecciones satisface la demanda de prontitud en cuanto a disponibilidad de proyecciones. Los resultados presentados han confirmado la relativa robustez de las proyecciones de temperatura que, con las limitaciones ya mencionadas, establece para la trayectoria de concentración representativa alta RCP8.5 unas horquillas de variación aproximada de 1-2 oC para el período 2020-2039 y para las zonas del interior de la Región Andina, que muestran mayores cambios. La trayectoria de concentración representativa muestra valores aproximadamente de 0,5-1 oC más bajos para este mismo período. Las proyecciones de temperatura muestran un desigual reparto del cambio de temperatura por estaciones, correspondiendo los valores de mayor cambio a los meses estivales y los de menor cambio, a los invernales. El modelado del sistema climático está inherentemente asociado a

diversas incertidumbres. Esta incertidumbre debe ser tomada en cuenta y cuantificada de la manera más rigurosa posible en cualquier estudio de impacto de cambio climático que se quiera llevar a cabo. Por ello, en este proyecto se utilizaron tanto modelos climáticos globales como regionales para formar un ENSEMBLE que permita obtener proyecciones más robustas. Gracias a la actividad del IPCC, se disponen de un gran número de simulaciones con modelos globales para varios escenarios. Estos modelos tienen una resolución relativamente baja por lo que la información climática que proporcionan no está suficientemente diferenciada, espacialmente, en la región andina que se caracteriza por accidentes geográficos con una variación espacial muy marcada y se hace necesario contar simulaciones de más alta resolución. La limitación de recursos informáticos no permite la realización del número suficiente de simulaciones con modelos globales de alta resolución, por lo que la utilización de modelos climáticos regionales se hace imprescindible.

Validación En general, tanto los modelos globales, con una resolución espacial promedio de 1-3 grados, como los modelos regionales, con una resolución espacial de 18-50 km, simulan correctamente los ciclos anuales de temperatura y precipitación en la región.

Temperatura Los modelos globales tienen importantes sesgos sistemáticos positivos en las temperaturas. Esto se debe, probablemente, a que no simulan bien la disminución de temperaturas sobre la Cordillera. Nótese que este sesgo sistemático desaparece al evaluar la diferencia de la variable entre dos periodos. • Los modelos regionales representan mejor la distribución espacial de temperatura que los modelos globales

Precipitación • Los modelos globales tienden a subestimar la precipitación en altura. La falta de resolución espacial no permite diferenciar la costa y las regiones de la cordillera en los modelos globales. • Los modelos regionales tienden a sobreestimar la precipitación. Este es un resultado que, en general, ocurre en todos los modelos regionales y zonas con topografía compleja. No se puede cuantificar esta sobreestimación por no existir información climática en altura.

la región de valles interandinos. En Perú y Bolivia, los cambios más fuertes se dan en la vertiente occidental de los Andes. También se proyectan disminuciones de precipitación en la región suroriental de Bolivia y en partes de la Amazonía peruana. El patrón de cambios de precipitación para el invierno, estación para la cual los cambios son menores muestra un claro contraste este-oeste, con cambios negativos al este y positivos al oeste. En Perú y Bolivia también se observa un contraste este-oeste en los cambios, de signo similar a los cambios en Ecuador, aunque de valores mucho más pequeños.

Recomendaciones metodológicas

Proyecciones

• Debido a la presencia de fuertes gradientes espaciales, las variables simuladas, en especial la de los modelos globales se deben someter a algunos ajustes. Por ejemplo, las correcciones de las tempera• El promedio de las simulaciones globales como regionales turas debidas a las diferencias de altura entre la orografía del modelo y proyectan aumento de temperaturas que varía entre 0,5 – 2,0 grados la altura observada pueden llegar a ser muy importantes. centígrados para el periodo 2020-2039, dependiendo de la estación. También se observa una marcada dependencia geográfica, con un • Al usar un ENSEMBLE de modelos, tanto regionales como contraste este-oeste. La Cordillera de los Andes, especialmente en los globales, es importante usar criterios estadísticos que permitan obvalles interandinos, experimentaría los cambios más fuertes y las retener proyecciones robustas. Un procedimiento adecuado sería el de giones amazónicas los más débiles para Perú y Bolivia. En Ecuador, el eliminar de la proyección de consenso, los resultados fuera de serie, patrón es inverso: en la región amazónica, los cambios son más fuertes o “outliers”. que en la región costera, alcanzando valores de hasta 1,5 grados. Los cambios en temperatura media más fuertes se observan durante el • Otro criterio de selección de modelos, a utilizar en las proyecotoño, aunque se mantiene el patrón espacial de cambios del verano. ciones, sería la bondad de la representación de la variabilidad estacioEl patrón de cambios de temperatura media para el invierno, estación nal, interanual e interdecadal para la región, en especial la representpara la cual los cambios son menores, es muy semejante al del verano, ación de la Zona de Convergencia Intertropical, el Fenómeno ENSO y aunque ahora no se observa el contraste este-oeste en Ecuador. la Oscilación Decadal del Pacífico. Los cambios en precipitación son positivos en la mayor parte de la región y en todas las estaciones de estudio varían entre -30 y +50 mm/ año, observándose una fuerte dependencia estacional y espacial de este cambio. El verano austral es la estación con mayores cambios. En el norte de la región de estudio, los mayores cambios positivos se dan en la vertiente oriental de los Andes y con cambios negativos en

• La necesidad de resolver las escalas espaciales típicas de la región en las proyecciones hace necesario el uso de modelos regionales. Para que esas proyecciones sean robustas, se necesita un conjunto, suficientemente, amplio de dichos modelos. Las simulaciones necesarias se deben hacer en un marco de colaboración internacion-

al debido al alto costo computacional y las necesidades de personal científico experto en el tema. Proyectos como Cordex – Sudamérica pueden proporcionar el marco adecuado, aunque simulaciones a mayor resolución (alrededor de 10 km) también son necesarias.

Las temperaturas simuladas por REMO y MRI-AGCM muestran patrones de error muy semejantes, tanto en distribución espacial como en magnitud. Se pueden ver como todos los modelos muestran errores positivos en la costa y negativos en las zonas montañosas. La discrepancias entre modelos y observaciones en la región costera se puede • La generación de una buena base de datos de temperatura y explicar, en parte, por el hecho de que, en general, la estrecha franja precipitación especialmente en altura para la región es imprescindible, costera no está bien resuelta ni por las observaciones ni los modelos, tanto para diagnosticar cambios como para validar modelos. excepto MRI-AGCM a 20 km, para el cual los errores positivos en la costa están restringidos a una banda más delgada.

En Resumen: Las proyecciones climáticas son un elemento crucial en el proceso de toma de decisiones, que debe ser consistente con el marco general proporcionado por el informe especial sobre escenarios de emisiones elaborado por el IPCC y sus informes de evaluación.La herramienta básica para realizar estimaciones de proyecciones climáticas son los modelos de circulación general acoplados océano-atmósfera. Estos modelos proporcionan las características de gran escala de las proyecciones climáticas, pero la escasa resolución espacial de las proyecciones limita su utilidad para los distintos tipos de modelos de impacto, que habitualmente necesitan información climática que resuelva los detalles regionales. Es por ello que los estudios de impacto, a escala regional, hacen ineludible el estudio de escenarios regionalizados de cambio climático, con la mayor resolución espacial posible. La región andina presenta un reto para los modelos climáticos actuales, tanto globales como regionales, tanto por sus características climáticas como orográficas. Los tres modelos utilizados muestran una buena representación de la precipitación, siendo MRI-AGCM con resolución de 20 km el más cercano a las observaciones. Los tres modelos, y especialmente REMO, tienen un exceso de precipitación sobre los Andes, sobre todo en el verano austral. También cabe destacar que en invierno, en el norte de Perú y el este de Ecuador, REMO simula una precipitación menor que la observada, en tanto que en MRI_AGCM el “bias” es positivo.

ANDES QC: Control de calidad de datos para grupos de estaciones meteorológicas Por Enric Aguilar • Introducción ANDESQC se ha programado sobre R, a partir de RClimdex-extraqc y ha sido realizado bajo el contrato CCI-009-ATN/OC-12439-RG-2012 para CIIFEN. Se distribuye bajo licencia GNU Lesser GPL 3.0 La importancia del desarrollo de esta herramienta para control de calidad en los datos climáticos, radica que, durante el proceso de observación y recolección de series de datos, se producen inevitablemente errores de distinta naturaleza. Además, el control de calidad pretende detectar principalmente errores de carácter no sistemático, distintos a los usados con los procesos de homogeneización. Los problemas que se intenta detectar con Andes QC son (entre otros) errores relacionados a la digitalización: 53 fue digitalizado en lugar de 35 en la columna de temperatura máxima. Aquellos errores que se intentan detectar y ajustar mediante los procesos de homogeneización son siempre de carácter sistemático y responden a fenómenos como el cambio de emplazamiento, entorno o instrumentación de los observatorios meteorológicos.

El enfoque de ANDESQC está previsto para el control de calidad simultáneo de una red de estaciones, en la cual la agilidad del proceso es de vital importancia, como también lo es la reducción del código (esto facilita su documentación y su posterior mantenimiento). Por ello, se ha realizado una mejora, simplificación y documentación de algunas rutinas. Abajo se muestra la rutina jumps. Ejemplo de rutina simplificada y documentada. (sustituye jumps_tx y jumps_tn) #################################################### jumps = function(station,mister,maxjump,element=6) { # OBJETIVO: etiquetar diferencias interdiarias excesivas # INPUT: # station: nombre de la estacion. No usado. # mister: fichero que contiene datos + columnas de qc 0/1 ya utilizadas # maxjump: diferencia máxima entre valores diarios # element: columna del elemento sobre el que se trabaja (5 = temperatura máxima; 6 = temperatura mínima) # RETORNA: # mister: datos + columnas de qc, con el qc correspondiente actualizado. hay<-length(which(!is.na(mister[,element]))) if(hay > 0) { diffy<-diff(mister[,element]) chungo<-which(abs(diffy)>maxjump) chungo<-unique(sort(c(chungo,chungo+1))) donde<-ncol(mister)+1 mister[,donde]<-0 if(length(chungo)!=0){mister[chungo,donde]<-1} rm(list=ls(pattern=’[^mister]’)) nyunyu<-gc() return(mister) } } ####################################################

Tesis Incluidas en ANDES QC TEST

FECHA

PRECIP

DTR

Outliers Espaciales

X X

Valores fuera de rango

Outliers por meses Outliers Pentadales Outliers Gamma Tmax < Tmin

Valores Duplicados

Diferencias Interdiarios Valores Consecutivos

Redondeo

OUTLIERS POR MESES - fourboxes()

Estratifica cada una de las variables TX, TN y precipitación distinta de 0 por meses y produce diagramas de caja (boxplot) de las mismas. Identifica como outliers aquellos valores que

Se encuentren por encima del percentil 75 + n rangos intercuartílicos (RIC).

Se encuentren por debajo del percentil 25 - n RIC

X !

X X

Cadenas de Markov Cadena Precip.

X X X

Precip. Acumulada

X X !

X X

Parámetros Configurables

Características

Ejemplo de parametrización

Outrange

Numérico, número de RIC para outiliers de temperatura

Outrangeprec

Numérico, número de RIC para outiliers de precipitación

OUTLIERS PENTADALES - pentauts() Test de nueva implementación el cual estratifica cada una de las variables TX, TN por ventanas móviles de 5 días. Identifica como outliers para el día central de cada ventana, aquellos valores que

Se encuentren por encima del percentil 75 + n RIC

Se encuentren por debajo del percentil 25 - n RIC

Entendemos que para la finalidad de este test (etiquetar posibles outliers cuyos valores superan el cuantil especificado en la parametrización) el enfoque utilizado es suficiente.

Parámetros Configurables gaquant

Los valores de referencia para cada uno de los 365 días julianos, se encentran suavizados mediante una media móvil de 11 puntos. Existe la posibilidad de modificar la parametrización de la función para realizar dicho filtro mediante LOESS.

Parámetros Configurables rangepent

Características

Numérico, número de RIC para outiliers de temperatura

OUTLIERS GAMMA - precipouts ()

Ejemplo de parametrización 4

Características

Numérico, cuantil de la distribución gamma que actúa como límite a valores cutliers.

Ejemplo de parametrización 0.99

OUTLIERS ESPACIALES - Función auxiliar percentcor() Posiblemente, sea el test más complejo incluido en este paquete. Utiliza una función previa configurable, percentcor(). Dicha función:

Función precipouts para detección de outliers de precipitación: esta función ajusta, separadamente a cada mes, una distribución de probabilidad gamma, considerada la más generalizada para describir paramétricamente las distribuciones de precipitación acumulada diaria. No se ha incluido – en la presente versión – la posibilidad de ajustar otras distribuciones y valorar la bondad del ajuste mediante criterios objetivos como el habitual AIC.

Calcula la matriz de correlación para todas las series dis ponibles de temperatura y precipitación. Se utiliza un periodo de referencia (a ser posible, 30 años) y la primera diferencia para evitar el impacto de posibles inhomogeneidades y del cic lo anual. Utilizando los datos del periodo de referencia Estratifica los datos en péntadas móviles. Para cada una de ellas (5 x 30 valores), se extrae la distribución empírica de probabilidad. El valor de cada día de toda la serie es transformado en el percentil que representa en la ECDF correspondiente.

Se seleccionan series bien correlacionadas (referencias) y se compara el percentil de la estación candidata con la mediana de los percentiles de las referencias. De no existir suficientes datos en el periodo de referencia o menos de dos estaciones con r > 0.4, los outliers espaciales no son computados. Si la diferencia supera el valor configurado, la observación queda marcada como un outlier. Dada la complejidad en la configuración de estos outliers, solamente se retienen aquellos outliers espaciales que han fallado otro test.

spatialouts ()

Parámetros Configurables perdiff

Características

Numérico, diferencia máxima entre los cuantiles entre la estación candidata y sus referencias

Ejemplo de parametrización 0.50

percentcor ()

Parámetros Configurables ref1

ref2

Características

Numérico, primer año periodo referencia para cómputo de correlaciones Numérico, año final del periodo de referencia para el cómputo de correlaciones

Ejemplo de parametrización 1961

1990

TMAX < = TMIN - tmaxmim() Dada la definición OMM de temperatura máxima diaria y temperatura mínima diaria, la primera debe ser mayor a la segunda Se identifican como erróneos aquellos valores para los que la anterior afirmación no se cumple.

Parámetros Configurables Carece de parámetros configurables

Características

Ejemplo de parametrización -

VALORES FUERA RANGO - humongous() Identifica valores que se consideran imposibles, como la precipitación negativa o temperaturas de 100ºC. Los valores etiquetados por este test no son considerados outliers o valores sospechosos sino ERRORES.

Parámetros Configurables

Características

Ejemplo de parametrización

smalltx

Valor demasiado bajo de TX

-60

smalltn

Valor demasiado bajo de TN

-80

bigtx

Valor demasiado alto de TX

bigtn

Valor demasiado alto de TN

bigprecip

Valor demasiado alto de PREC

Parámetros Configurables

Características

Ejemplo de parametrización

carece de parámetros configurables

DIFERENCIAS INTERDIARIAS - jumps() Test que identifica valores de TX y TN cuya diferencia con la siguiente observación es considerada excesiva, según valor parametrizado por el usuario.

Parámetros Configurables

Características

800

maxjump

Máxima diferencia permitida entre observaciones consecutivas

VALORES DUPLICADOS - duplicals()

Ejemplo de parametrización 20

Identifica fechas repetidas. Los valores etiquetados por este test no son considerados outliers o valores sospechosos sino ERRORES.

VALORES CONSECUTIVOS - flatline () Identifica rachas consideradas demasiado largas de valores consecutivos iguales para TX, TN y precipitación distinta de 0.

Parámetros Configurables

Características

maxflat

Máxima racha permitida de valores idénticos consecutivos

PRECIP. ACUMULADA - suspectacumprec()

Ejemplo de parametrización 10

Parámetros Configurables

Características

limit

Valor de precipitación a partir del cual se empieza a inspeccionar

tolerance

Núm. días previos a ocurrencia del valor definido por limit iguales a 0 o no disponibles

Ejemplo de parametrización 100

CADENAS DE MARKOV - markovchain()

Se trata de un test de notable complejidad estadística. Se basa en caIdentifica valores de precipitación elevados precedidos de una racha de denas de Markov de dos estados valores 0 o en ausencia de valores previos. (Seco = 0; húmedo = distinto de cero) y rango 1 Las series de precipitación se estratifican por ventanas móviles de 11 días. Se evalúan las probabilidades transicionales de una observación a la siguiente:

P0 = probabilidad de día lluvioso; P1 = probabilidad de día seco

P00 = probabilidad día seco tras día seco; P01 probabilidad día lluvioso tras día seco

Con las probabilidades obtenidas, se utiliza la distribución geométrica para extraer de la misma la racha que representa un determinado cuantil (configurable por el usuario). De encontrarse una racha que exceda la determinada anteriormente, se etiquetarán como sospechosos todos los días que la componen más el anterior y el posterior.

Parámetros Configurables

Características

targetquant

Valor para el cuantil de la distribución geométrica a utilizar. Se expresa como 1-q

Parámetros Configurables

Características

chapa

Número máximo de observaciones idénticas (presumiblemente 0) permitidas

Ejemplo de parametrización 0,025

CADENAS DE PRECIPITACIÓN - chainprecip()

Ejemplo de parametrización 275

REDONDEO - tableround() Adicionalmente a la salida gráfica para evaluación cualitativa ya presente en extraqc, se ofrece un test que etiqueta valores sospechosos. Se basa en determinar el número máximo de observaciones que se permiten con el mismo valor tras el punto decimal (.0 a .9). Se aplica a TX, TN y precipitación distinta de 0.0 Todos los valores implicados en dicha racha son etiquetados.

Se trata de una versión simplificada del anterior test, que simplemente analiza la existencia de rachas superiores a n valores idénticos (presumiblemente, 0), siendo n configurable.

Parámetros Configurables

Características

La parametrización de esta función debe tener en cuenta la existencia de una estación seca.

maxround

Número máximo de observaciones

Ejemplo de parametrización 7

Funciones Adicionales Dadas las características inherentes a la variable precipitación (distribución no gaussiana, limitada por la izquierda y con claro sesgo positivo; gran variabilidad interdiaria e interanual; rápida de correlación espacial) su control de calidad es más complejo y en ocasiones se reduce a representaciones de la información. La versión 3.0 de ANDESQC incluye tres novedades importantes, las cuales amplían sus capacidades y facilitan su conexión con otras herramientas como HOMER o RClimdex .

Parámetros Configurables fudd bunny

Características

Ejemplo de parametrización

elemento sobre el que actuar (4=pc; 5=tx; 6=tn),vectorial

c(4,4,5,5)

valores a ser sustituídos

c(-1,-4,-999.9,-999.9)

valores que les reemplazarán

c(0,0,-99.9,-99.9)

duck

· Función preclean para sustitución de códigos específicos: · Función smartcorrection

es frecuente que muchos bancos de datos incorporen códigos especiales para indicar determinadas circunstancias asociadas con la medida de precipitación. Los más comunes son, sin duda, la marca de para generar un nuevo fichero de datos para cada serie etiquetando a traza de precipitación o valor inferior a 0.1 mm y la indicación de valor -88.8 aquellas valores que no hayan pasado determinados test (configacumulado. De forma similar a los valores perdidos, esta consigna uti- urable) liza valores imposibles de la variable en cuestión (por ejemplo, -1 para indicar traza), los cuales no deben ser leídos como un valor regular ya Parámetros Características Ejemplo de que inducirían a error o – en el caso de ser alfabéticos – a errores en Configurables parametrización aquellas rutinas que requieran cómputos matemáticos. Contrariamente a lo que sucede con los valores perdidos, la solución óptima no es nivel de corrección siempre determinar la inexistencia del valor y la respuesta adecuada levcorr 1. Corrige a -88.8 sólo errores varía caso a caso y en función del banco de datos que se está contro2. Corrige a -88.8 lo anlando. Por ejemplo, los valores traza de un banco de datos destinado terior más aquellos que a ser analizado con RClimdex deben ser igualados a cero, puesto que fallan algún test y tienen dicho software no utiliza valores de precipitación inferioes a 1 mm. La confirmación espacial rutina preclean permite al usuario indicar aquellos códigos que conoce 3. Corrige a -88.8 todo lo y el valor por los que desea sustituirlo. Dado que también consigna – de anterior más los outliers forma vectorial – la columna del elemento al que se refiere, puede ser y saltos interdiarios también utilizado para las variables de temperatura. 4. Corrige a -88.8 cualquier valor etiquetado

· Función makemonthly

realiza al final del proceso de control de calidad, ya que se apoyará en los valores de los tests anteriores y aborda el problema a través de distintos pasos, realizados por funciones subsidiarias:

que genera, a partir de los datos controlados de calidad, series de valores mensuales y ficheros de estación en el formato requerido por HOMER. Generación de una matriz de correlación entre las primeras diferencias de los datos diarios. La primera diferencia se utiliza al objeto de desestacionalizar los valores y evitar las correlaciones ficticiParámetros Características Ejemplo de amente elevadas introducidas por el ciclo anual.

Configurables dailystats

parametrización

nombre del fichero de estaciones diarias

stations.txt

percent

máximo porcentaje de valores faltantes en un mes permitido para calcular el valor mensual

minyear

primer año sobre el que se computarán los valores mensuales

1901

maxyear

último año sobre el que se computarán los valores mensuales

2014

Introducción del Control de Calidad Espacial Dada la naturaleza de las series temporales diarias de temperatura y precipitación, la comparación con valores de estaciones adyacentes se demuestra vital para insistir en discernir entre outliers que se corresponden con valores extremos pero legítimos de una estación y aquellos que se producen por distintos errores. Si bien estos contrastes pueden realizarse a través de la inspección visual de valores o mediante contrastes climatográficos, la función que se introduce, spatialouts, se

Cálculo de la distribución empírica de densidad acumulada (ECDF) estratificada por péntadas móviles (es decir, se computa independientemente para cada día juliano incluyendo el mismo día y los dos días adyacentes anteriores y posteriores). Generación de series temporales en las que el valor de cada día es sustituido por el cuantil que representa en la ECDF que le corresponde. Determinación para cada serie de estaciones suficientemente correlacionadas. Si existen al menos tres series que cumplan con la correlación mínima exigida (configurable) se procede a los siguientes pasos. De lo contrario, el control de calidad espacial no puede (ni debe) realizarse. Cómputo de cuantiles de referencia para cada día a partir de las series correlacionadas. Se han explorado tres opciones para este cálculo: ponderación por coeficiente de correlación, diferencia mínima, diferencia mediana. Finalmente se ha optado por la última. Generación de series de diferencia entre los cuantiles de la serie sometida al control de calidad y sus cuantiles de referencia. De superar el límite configurado por el usuario, se determina provisionalmente que se trata de un outlier espacial .

Se estudia el resto de tests aplicados a las observaciones que han sido marcadas como outliers espaciales provisionales. De haber fallado otro tests, se registra como outlier espacial definitivo. El enfoque utilizado es muy conservador e intenta evitar el etiquetado de un excesivo número de valores. Ofrece una confirmación adicional de que el valor que se había identificado previamente con otro test es, efectivamente erróneo. Este razonamiento es el mismo que se ha utilizado en los procesos de control de calidad de Rclimdex y extraqc, aunque las comparaciones se hacían de forma enteramente manual. Sin descartar la necesidad de una decisión experta al final de proceso, la automatización ofrecida por esta función acelera notablemente el proceso de control de calidad.

Output Gráfico y Numérico de Ayuda a la Decisión Integrado en Ficheros HTML ANDESQC incluye una rutina que genera automáticamente series en formato RClimdex con aquellos valores que no han pasado el control de calidad convenientemente sustituidos por el código de valor perdido. No obstante, dado que difícilmente ningún proceso de control de calidad será perfecto, se ofrece una output gráfico integrado en un solo fichero por estación que nos permite, de forma visual, inspeccionar los valores etiquetados. La Figura muestra un ejemplo de la información gráfica que se ofrece en los ficheros de salida en formato html.

Salida grรกfica y texto en formato html: Un fichero por estaciรณn que se ubica en el mismo directorio de datos y cuyo nombre es el mismo del fichero de datos, cambiando su extensiรณn a html: ra00000001.txt ==> ra00000001.html Visiรณn de Conjunto del Output General VISIร N GENERAL DE LA SERIE: TX

VISIÃ&#x201C;N GENERAL DE LA SERIE: TN

VISIÃ&#x201C;N GENERAL DE LA SERIE: DTR

VISIÃ&#x201C;N GENERAL DE LA SERIE: PRECIP

GRÁFICO OUTLIERS MENSUALES: PRECIP

GRÁFICO OUTLIERS MENSUALES: TX

GRÁFICO OUTLIERS MENSUALES: TN

GRÁFICO OUTLIERS MENSUALES: DTR

GRÁFICO VALORES AUSENTES PRECIPITACIÓN

GRÁFICO VALORES AUSENTES TX

GRÁFICO VALORES AUSENTES TN

GRÁFICO CONTROL DE REDONDEO: TX

GRÁFICO CONTROL DE REDONDEO: TN

GRAFICO CONTROL DE REDONDEO: PRECIP

Contenido Output por Períodos de cinco años Para cada período de 5 años, se grafican los datos de la estación en cuestión. Los outliers están identificados en forma de puntos de colores. Los colores están escogidos de forma que aquellas observaciones que han sido tan solo identificadas por un único test aparecen en verde, mientras que las que han fallado más de un control de calidad, y por tanto, presentan una mayor probabilidad cualitativa de ser erróneas, se representan progresivamente en amarillo, naranja, rojo y púrpura.

Finalmente, aquellos valores detectados en cualquier test y que no han pasado el control de calidad espacial descrito en el apartado anterior, se inscriben en un circulo negro. El output ofrece igualmente los valores involucrados para su inspección. Técnicamente, el fichero se genera en html a través del lenguaje Markdown y su implementación en R R-markdown. Se ha seleccionado este formato por su facilidad y su universalidad, en comparación con otros que también han sido explorados y que quizás permiten un mejor formato del output, como laTeX, pero de mayor complejidad y que requieren la instalación de lectores expresos.

En cambio, html puede ser visionado por cualquier navegador a modo de página web en modo local. El output por períodos de cinco años presenta en detalle la información extraída por el control de calidad y ayuda tomar decisiones respecto a los valores etiquetados. Para cada uno de los parámetros TX, TN y precipitación, se incluyen:

Gráficos de redondeo Gráficos de secuencia de datos con valores etiquetados mediante códigos de colores Listado de valores etiquetados

GRÁFICO REDONDEO POR PERIODOS

GRÁFICO-RESUMEN QC POR PERIODOS DE 5 AÑOS

Listado de Valores Etiquetados por el Control de Calidad

• Control de Calidad por Periodos

QC OUTPUT FOR 1895 - 1899 ra00047407.txt TX Pentadal-based Outliers. Upper Threshold Outpassed year month day pc tx tn 1898 12 16 2.1 18.6 -10.0 1899 1 29 1.9 24.0 -9.6 Monthly-based Outliers. Upper Threshold Outpassed year month day pc tx tn 1898 12 16 2.1 18.6 -10.0 1899 1 29 1.9 24.0 -9.6 TX smaller or equal than TN year month day pc tx tn 1896 1 8 0.4 -4.3 0 1896 2 7 0.0 -3.4 0 1896 3 6 1.0 -3.1 0 1896 12 5 0.0 -1.4 0 1897 2 8 0.0 -1.9 0

Difference between consecutive days is too large year month day pc tx tn 1899 1 28 0.0 -3.0 -14.6 1899 1 29 1.9 24.0 -9.6 1899 1 30 2.7 2.2 -9.6 Spatial Outlier year month day pc tx tn 1898 12 16 2.1 18.6 -10 DTR Monthly-based Outliers. Upper Threshold Outpassed year month day pc tx tn 1895 12 26 0.3 -2.0 -27.9 1895 12 28 27.4 5.5 -23.3 1895 12 30 0.5 -1.0 -29.3 1896 7 17 0.0 27.9 0.0 1896 8 7 1.3 28.3 0.0 1898 12 16 2.1 18.6 -10.0 1899 1 29 1.9 24.0 -9.6

• Número de Test Fallados

Ficheros MASTERQC • Formato

El fichero masterqc contiene un las siguientes columnas: nombre fichero, año, mes, día, precip, tx, tn + una columna para cada uno de los controles de calidad realizados, que se abrevian con un código de cuatro letras, que se detalla en la figura siguiente. Las celdas correspondientes a los distintos tests pueden albergar sólo dos valores: 0 : el valor ha pasado dicho test 1: el valor no ha pasado dicho test Mediante el uso de funciones de filtrado de cualquier hoja de cálculo, se pueden inspeccionar y comparar los valores etiquetados. Dado que cada registro (fila) es único no solo en el fichero, sino en el conjunto de las estaciones analizadas, por estar etiquetado por estación, año, mes y día, los ficheros pueden combinarse y/o integrarse en una base de datos.

Formas de trabajo para Ejecutar ANDESQC Cargando R y ANDESQC 1 Preparar los datos y el fichero de estaciones en el formato indicado 2 Cargar R 3 Establecer como directorio de trabajo aquél en el que tenemos los datos 4 Cargar el código fuente de andesqc_vx.x.R 5 El código se ofrece bajo licencia GNU Lesser General Public License 3.0

Características

QC()

Interactiva

Configurable en Pantalla Configurable desde Código Configurable en Llamada

X X

qclist()

X X

Interacción con la Función QC() PREGUNTA

Opción de Lenguaje / Language option: 1-English; 2-Spanish

Introduciendo 2, las siguientes preguntas y opciones parecerán en español

Introduce el número del fichero de estaciones. Este fichero y los de datos deben estar en el directorio del trabajo

Se nos requieres el nombre del fichero que contiene el listado de estaciones como “estaciones.txt“ Indica si queremos usar la función preclean(1) o no(2). De elegir 1, entraremos en un submenú de introducción de valores Indicar si se desea computar las correlaciones. Debe elegirse 1 si estas no existen o si quieren renovarse. Se entra al submenú si se elige 1

Quieres reemplazar códigos especiales conocidos y distintos a -99.9? 1 = SI; 2 = NO Computar correlaciones? Tomará 5 minutos adicionales por elemento. Solo puedes saltarte el paso si ya las has calculado Selecciona nivel QC: 1.-Duro(reduce falsos positivos); 2.-Medio; 3.- Suave(reduce falsos negativos)

Esta opción correrá uno de los tres conjuntos de parámetros pre-configurados.

Entra nivel corrección: 1.- Solo errores; 2.-Más espacialmente confirmados; 3.- Más saltos y outliers; 4.- Todo lo etiquetado

Seleecionará que valores serán convertidos en -88.8 en los ficheros de salida. La opción 1 sólo eliminará errores y es la más recomendable para QC automático; la 4 etiquetará una gran cantidad de valores y es la más recomendable si queremos revisar manualmente el QC

Quieres calcular valores mensuales y preparar ficheros de estación en formato HOMER? 1 =SI ; 2 = NO

Si indicamos 1, se producirán ficheros medias mensuales de TX, TN, TM, DTR y acumulaciones mensuales de PC, así como ficheros de estación utilizables por HOMER

• FUNCIÓN QC() Para cargar la función QC(), simplemente, teclear QC() desde el prompt de R, siempre después de establecer el directorio de datos como directorio de trabajo y cargar el código fuente. Inmediatamente, aparecerán una serie de mensajes en pantalla, a los que deberemos responder según las opciones que se nos ofrezcan.

RESPUESTA

Modificando los Valores Predefinidos

1 2

Localizar en el código la función QC()

Cada valor de la variable nivelqc(), se corresponde con uno de los niveles predeterminados (1,2,3)

Modificar en el nivel deseado los parámetros que figuran en la misma y que han sido descritos en

La primera parte de esta presentación

Cargar de nuevo el código fuente y ejecutar QC()

Localizar la siguiente sección

if(nivelqc==1){ allqc(master=phil[i,1],outrange=5,outrangeprec=9,bigtx=60,bigtn=40,smalltx=-40,smalltn=-70,bigprecip=1000,maxjump=30,maxflat=15,limit=300,tolerance=7, maxround=20,rangpent=4,kapar=11,mode=1,gaquant=0.999,perdiff=0.75,targetquant=0.01,codelist=NA,levcorr=levcorr,sumvalpc=4,sumvaltx=4,sumvaltn=4,chapa=365) } ! if(nivelqc==2){ allqc(master=phil[i,1],outrange=4,outrangeprec=7,bigtx=55,bigtn=35,smalltx=-30,smalltn=-50,bigprecip=800,maxjump=20,maxflat=7,limit=150,tolerance=5, maxround=10,rangpent=3.5,kapar=11,mode=1,gaquant=0.995,perdiff=0.50,targetquant=0.02,codelist=NA,levcorr=levcorr,sumvalpc=3,sumvaltx=3,sumvaltn=3,chapa=275) } ! if(nivelqc==3){ allqc(master=phil[i,1],outrange=3,outrangeprec=5,bigtx=45,bigtn=30,smalltx=-20,smalltn=-30,bigprecip=500,maxjump=15,maxflat=3,limit=75,tolerance=3, maxround=5,rangpent=3,kapar=11,mode=1,gaquant=0.990,perdiff=0.25,targetquant=0.03,codelist=NA,levcorr=levcorr,sumvalpc=2,sumvaltx=2,sumvaltn=2,chapa=180)}

Este símbolo implica modificar el código, y en este caso se recomienda guardar la copia original.

Uso de qclist() La función qclist() ejecuta el control de calidad de forma automática sin interacción, bien mediante el uso de valores predeterminados, bien mediante la parametrización en tiempo de ejecución Opción 1: simple ejecución de qclist() desde el prompt de R • Utilizará los valores por defecto que contiene la función en su código y que figuran en la siguiente diapositiva • Los mismos pueden ser modificados y usados tras cargar de nuevo el código fuente Opción 2: uno o varios parámetros pueden modificarse al llamar la función qclist(station=‘nombredelarchivo.txt’,bigtx=50,percent=3)

qclist=function(filename=’stations.txt’,path=getwd(),outputpath=’/extraqc/’, ! # THIS IS THE PARAMETRIZATION SECTION FOR QCLIST. Values can be changed here or when calling qclist(). If changed here, don’t # forget to re-source the code. outrange=3, outrangeprec=7, # IQR for monthly based outliers. Outrange is temp; outrangeprec is precip (fourboxes function) bigtx=60,smalltx=-40,bigtn=40,smalltn=-60,bigprecip=800,codelist=NA, # values for aberrant dat. (humongous functions) maxjump=20, # cut value for interdiurnal differences (jumps function) maxflat = 7, # Value for the number of maximum consecutive days with the same value in temp and non zeor precip.(flatline function) limit= 100, tolerance = 10, # Suspected acumm. prec: limit is the value to start looking; tolerance the max number of leading 0 or NA (function suspectacumprec) maxround = 10, # Limit for values with the same 1/10th of degree or mm. (execpt 0.0 precip) (rounded function) rangpent = 3, kapar = 5, mode=0, # rangpent is the IQR for pentadal based outliers of temperature; kapar is the window for smoothing (pentaouts function) gaquant=0.999, # quantile for of the gamma distributtion to flag outliers of precip (function precipouts) perdiff=0.30, # difference in percentiles for between candidate and refernce stations for the spatial outliers (spatialouts) targetquant=0.01, # 1-target quantile in of the geometric distribution for markovian chains (function markovprecip) levcorr=3, # level of correction for smartcorrection precy=1, # precleans the series (0 no, yes 1) fudd=c(4), # fudd is list of elements for preclean, 4 for precip, 5 for tx and 6 for tn bunny=c(-1), # bunny is codes for preclean, must have the same length than fudd and applies to the element defined by fudd which is in the same position duck=c(0), # duck is the values which replace the codes. Same conditions apply sicorr=1, # computes correlations ref1=1961, # first year of the reference period for the correlations ref2=1990, # last year of the reference period for the correlations dailystats=’stations.txt’, # for makemonthly percent=5, # for makemonthly maxyear=2014, # for makemonthly minyear=1880, # for makemonthly sumvaltx=3,sumvaltn=3,sumvalpc=3, # values for smartocorrection = 5, based on correcting errors + multiple fails. hazmes=1, chapa=275, colnum=1,pattern=’^[0-9]{6}.txt’,modo=0){ ! #### END######################################## ! # ASSIGNATION OF GLOBAL VARIABLES #################################################################### ########################## assign(“lang”,1,envir=globalenv()) ############################################

• Aplicación y Futuro de ANDESQC Esta herramienta no debe sólo constituir una solución de control de calidad para las series involucradas en este proyecto, sino que también una aportación del mismo a la comunidad científica en general. ANDESQC puede ser utilizado en muchos otros procesos de control de calidad, especialmente los ligados a los Talleres para índices ETCCDI, a los cuales debe las ideas iniciales. Como se menciona en el párrafo anterior, la experimentación es clave en los procesos de QC y, por ello, el ajuste fino de ANDESQC y su evolución debe basarse en utilizar sus primeras aplicaciones para el ajuste fino de los parámetros de entrada y la reducción de falsos positivos. Se espera que este producto continúe evolucionando.

En resumen:

ANDESQC está pensado para automatizar las tareas de QC incluídas en RClimdex y RClimdex-extraqc. Reconoce la importancia en su elaboración de la família “Climdex” para QC y reconoce la necesidad de inspección humana de los procesos de QC, a pesar de las opciones automáticas ofrecidas. ANDESQC es un código complejo que ha requerido muchas horas de programación. Contiene, en su última versión, más de 2000 líneas de código. Durante el proceso de elaboración se ha testado intensivamente con distintos bancos de datos y eliminado errores. La diversidad climática hace difícil la parametrización universal de ANDESQC. Se ha parametrizado pensando en la región en la que se va aplicar inicialmente. No obstante, se sugiere una ejecución inicial beta para ajustar los mismos. El código es plenamente funcional y ha sido probado con redes con distinto número de series (15 a 60) y con longitudes muy distintas (de 40 a 120 años). A mayor número de series y datos, más fiables son algunos procesos, especialmente el control de calidad espacial. Lamentablemente, debido a los múltiples procesos que se realizan para cada estación, el código requiere un elevado tiempo de computación. Se espera una evolución que lo reduzca.

Anexos Abreviaciones y Acrónimos AOGCM

Atmosphere-Ocean General Circulation Model

BID

Banco Interamericano de Desarrollo

Cambio Climático

CIIFEN

Centro Internacional para la Investigación del Fenómeno de El Niño

FAO

Food and Agriculture Organization of the United Nations

GEI

Gases de Efecto Invernadero

IPCC

Panel Intergubernamental de Cambio Climático (por sus siglas en inglés)

Bibliografía J. P. Boulanger, S. Schlindwein, and E. Gentile, “CLARIS LPB WP1: metamorphosis of the CLARIS LPB European project: from a mechanistic to a systemic approach,” CLIVAR Exchanges, vol. 16, no. 57, pp. 7–10, 2011. A. A. Sörensson, C. G. Menéndez, R. Ruscica, P. Alexander, P. Samuelsson, and U. Willén, “Projected precipitation changes in South America: a dynamical downscaling within CLARIS,” Meteorologische Zeitschrift, vol. 19, no. 4, pp. 347–355, 2010 Christensen, J. H., F. Boberg, O. B.Christensen, and P. Lucas-Picher, 2008: On the need for bias correction of regional climate change projections of temperature and precipitation. Geophys. Res. Lett.,35,L20709, doi:10.1029/2008GL035694. Dosio, A. and Paruolo, P.: Bias correction of the ENSEMBLES high-resolution climate change projections for use by impact models: Evaluation on the present climate, J. Geophys. Res., 25 116, D16106, doi:10.1029/2011JD015934, 2011. 6186, 6187, 6189, 6190 F. Giorgi and L. O. Mearns, “Approaches to the simulation of regional climate change: a review,”Reviews of Geophysics, vol. 29, no. 2, pp. 191–216, 1991. F. Giorgi, C. Jones, and G. Asrar, “Addressing climate information needs at the regional level: the CORDEX framework,” World Meteorological Organization Buletin, vol. 58, no. 3, pp. 175–183, 2009. Gudmundsson, L.; Bremnes, J. B.; Haugen, J. E. & Engen-Skaugen, T. Technical Note: Downscaling RCM precipitation to the station scale using statistical transformations - a comparison of methods. Hydrology and Earth System Sciences, 2012, 16, 3383-3390, doi:10.5194/hess-16-3383-2012.

J. A. Marengo, R. Jones, L. M. Alves, and M. C. Valverde, “Future change of temperature and precipitation extremes in south america as derived from the precis regional climate modeling system,”International Journal of Climatology, vol. 29, no. 15, pp. 2241–2255, 2009. J. A. Marengo, S. C. Chou, G. Kay et al., “Development of regional future climate change scenarios in South America using the Eta CPTEC/HadCM3 climate change projections: climatology and regional analyses for the Amazon, São Francisco and the Paraná River basins,” Climate Dynamics, vol. 38, no. 9-10, pp. 1829–1848, 2012. M. Nuñez, S. A. Solman, and M. F. Cabré, “Regional climate change experiments over southern South America. II: climate change scenarios in the late twenty-first century,” Climate Dynamics, vol. 32, no. 7-8, pp. 1081–1095, 2009. M., Jones, R. G., Onof, C., Vrac, M., and Thiele-Eich, I.: Precipitation downscaling under climate change: Recent developments to bridge the gap between dynamical models and the end user, Rev. Geophys., 48, RG3003, doi:10.1029/2009RG000314, 2010. 6186, 6189 Maraun, D., Wetterhall, F., Ireson, A. M., Chandler, R. E., Kendon, E. J., Widmann, M., Brienen,S., Rust, H. W., Sauter, T., Themeßl, M., Venema, V. K. C., Chun, K. P., Goodess, C. Panofsky, H. W. and Brier, G. W.: Some Applications of Statistics to Meteorology, The Pennsylvania State University Press, Philadelphia, 1968. 6186 Piani, C., J. O. Haerter, and E. Coppola (2009), Statistical bias correction for daily precipitation in regional climate models over Europe, Theor. Appl. Climatol., 99, 187–192. R. D. Garreaud, M. Vuille, R. Compagnucci, and J. Marengo, “Pesent-day South American climate,”Palaeogeography Palaeoclimatology, Palaeoecology, vol. 281, no. 3-4, pp. 180–195, 2009

http://geoportal.ciifen.org/ info-ciifen@ciifen.org (593) 4 2514770 - Fax: (593) 4 2514771 Guayaquil - Ecuador