ANÁLISIS ESTADÍSTICO CON FCLIMDEX PARA ECUADOR

(1)

Análisis Estadístico con FClimdex para Ecuador (2010) Á. G. Muñoz et al.

INAMHI-MAE

ANÁLISIS ESTADÍSTICO CON FCLIMDEX PARA ECUADOR

INFORME FINAL

Ángel G. Muñoz S.1_{, Cristina Recalde}2_{, Jaime Cadena}2_, Alfredo Núñez1_{, Joaquín Díaz}1_{, Raul Mejía}2

1_{Centro de Modelado Científico (CMC) de La Universidad del Zulia. Maracaibo, 4004. Venezuela} 2_{Instituto Nacional de Meteorología e Hidrología (INAMHI) del Ecuador. Quito, Ecuador.}

Junio 2010

(2)

Resumen

Se presentan los aspectos metodológicos y resultados de un análisis estadístico que considera los 27 indicadores básicos del Expert Team on Climate Change Detection and Indices (ETCCDI/CRD), calculados por la herramienta FClimdex, para la caracterización, vigilancia y detección de Cambio Climático en Ecuador.

Debido a la insuficiencia en el territorio nacional de datos homogeneizados y rellenos a resolución temporal diaria, se procedió a emplear datos del NCEP-NCAR Reanalysis Project (NNRP), interpolados a 1o_{de resolución espacial, e integrados a resolución diaria.} Aunque este procedimiento posee sus limitaciones y caveats, y no pretende en modo alguno suplantar el uso de los propios datos de las estaciones, la metodología permite -con las debidas precauciones- tener una primera aproximación del comportamiento de los índices para todo el territorio ecuatoriano, con una base homogénea y sin dato faltante.

De este modo, a una resolución final de 1o_{, para 57 celdas en total (de manera de} cubrir el territorio con 7x7 celdas continentales y costeras, y 4x2 celdas para el territorio insular de Galápagos) se obtuvieron los 27 índices empleando una automatización del proceso que hace uso de FClimdex para el cómputo de los indicadores (y del control de calidad estadístico) y de scripts en NCAR Command Language (NCL) para la determinación de estadísticas, tendencias y graficación. El número total de figuras asciende a 741, que comprende las variables originales a resolución diaria e índices calculados a escala mensual y anual, para cada celdilla. Estos productos, que representan en principio un comportamiento consistente con las observaciones y experiencia general en la mayoría de los casos, son empleados para generar mapas espacio-temporales de los mencionados índices, así como los mapas de tendencia para los próximos 5 años (aproximadamente).

En general, se aprecia un incremento de la precipitación total anual para la mayor parte del territorio continental ecuatoriano, así como el mismo comportamiento para la intensidad simple anual de precipitación. El litoral noroccidental ecuatoriano evidencia un decremento de precipitaciones mayores o iguales a 10 mm por día, sin embargo cuando

(3)

éstas ocurren tienden a hacerlo con mayor carácter de extremas (mayores o iguales a 50 mm por día).

Las tendencias apuntan a un incremento de períodos fríos en el noroccidente del país, pero de noches más cálidas en la costa sur. Esta interesante diferencia debe estudiarse más a profundidad próximamente para esclarecer sus posibles mecanismos físicos. Para una región meridional bien definida del Oriente, se aprecian incrementos de los extremos superiores de temperatura, tanto para el día como para la noche.

En cuanto a Islas Galápagos, especial cuidado debe prestarse al uso de los productos, dado que aquí especialmente la resolución escogida plantea una “mezcla” de información correspondiente a océano y a territorio insular en la misma celda. Sin embargo, el análisis de tendencias evidencia un incremento de las precipitaciones extremas para las celdas que albergan a San Cristóbal, Española, Santa Cruz, Santa Fé, Floreana y en el caso del índice R50 (ver anexo A), Pinzón y el sur de Isabela. En cuanto a los índices de temperatura, éstos presentan un incremento en los percentiles superiores de las temperaturas tanto de los días como de las noches para la celda más suroccidental, mientras que se muestra un decremento en los mismos percentiles para las celdas que involucran el norte de Isabela y Santiago, Rabida, Pinta, Marchena y Tower (Genovesa).

Finalmente, se ha prestado especial atención a los caveats y limitaciones que la presente aproximación posee, toda vez que se conoce que no se trata de un producto libre de incertidumbres y que por el contrario merece, debido a la data NNRP y a la aproximación en términos de celdas en lugar de las propias estaciones, múltiples atenciones y un oportuno post-procesamiento. En todo caso, se reconoce que se trata de un producto muy útil como una primera aproximación para detectar y reconocer tendencias climáticas en el territorio ecuatoriano, sobre todo a falta de datos diarios adecuados a nivel de estaciones nacionales.

(4)

ÍNDICE GENERAL ANTECEDENTES ... 9 I.INTRODUCCIÓN ... 11 II.OBJETIVOS ... 15 III.DATOS ... 15 IV.METODOLOGÍA ... 17

a)Adquisición y Revisión de la Data ... 18

b)Determinación de Resolución Óptima ... 19

c)Interpolación ... 20

d)Preparación del Dominio y Transformación a ASCII ... 23

e)Ejecución de FClimdex ... 25

f)Cálculo de Estadísticas y Graficación ... 26

g)Mapas Espacio-Temporales y Mapas de Tendencias ... 30

V.RESULTADOS ... 33

VI.LIMITACIONES, CAVEATS E INCERTIDUMBRES ... 52

VII.CONCLUSIONES Y RECOMENDACIONES ... 55

VIII.BIBLIOGRAFÍA ... 58

IX.ANEXOS ... 60

1.Archivo de texto ASCII ... 63

2.Columnas en las siguientes secuencias: Año, Mes, Día, PRCP, TMAX, TMIN. (NOTA: unidades de PRCP= milímetros y unidades de Temperatura= grados Celsius) 63 3.El formato descrito arriba debe ser delimitado por espacios (e.g. cada elemento separado por uno o más espacios). ... 63

4.Para los registros de datos, los datos faltantes deben se codificados como -99.9; los registros de datos deben estar en orden cronológico. Se permite fechas faltantes. ... 63

(5)

ÍNDICE DE FIGURAS

Figura 1. Fotografía Satelital representando la distribución de fenómenos geográficos en el Ecuador. A grosso modo el territorio puede dividirse en tres regiones: Litoral (Oeste), Cordillera (Centro) y Selva Tropical

(Oriente). Fuente National Geographic/NASA. ... 13 Figura 2. Intercomparación de la precipitación media EFM de reanálisis NNRP y ERA15 contra análisis de observaciones (CMAP), para el período Enero 1979-Febrero 1994. Se aprecia para Sudamérica mayor

concordancia entre observaciones y NNRP. (Figura 18 de Kistler et al. [2001]) ... 17 Figura 5. División del dominio de estudio en celdas de 1ox1o, casi

Ecuador continental y marino-costero. ... 24 Figura 6. Designación de las celdas de estudio para Islas Galápagos. ... 25 Figura 7. Índices FClimdex asociados a la celda 4-3 (Guayas),

correspondiendo a la Figura 4 reportada en la Tabla No. 1 (ver texto principal, más adelante). Se aprecia que sólo SDII posee nivel de significancia estadística (ver parámetros en verde) en este grupo de

índices. ... 28 Figura 8. Representación gráfica del proceso de construcción de los

mapas espaciales para distintos folios temporales a partir de los

productos calculados por FClimdex. El ejemplo se refiere a la celda 4-3 (resaltada en negro en el mapa superior) para el SDII. ... 31 Figura 9. Representación gráfica del proceso de construcción de los

mapas de tendencia (leer texto principal). Si el nivel de significancia estadística supera al límite de confianza establecido, la información de la pendiente se emplea en el mapa de tendencia. ... 32

(6)

Figura 10a. Series de tiempo diarias de precipitación para celda en el

vecindario de Quito. ... 34

Figura 10b. Series de tiempo diarias de precipitación para celda en el vecindario de Guayaquil. ... 35

Figura 11. Mapa de tendencia de CDD. ... 37

Figura 12. Mapa de tendencia de CWD. ... 38

Figura 13. Mapa de tendencia de CSDI. ... 39

Figura 12. Mapa de tendencia de PRCPT. ... 40

Figura 15. Mapa de tendencia de R10. ... 42

Figura 16. Mapa de tendencia de R20. ... 42

Figura 17. Mapa de tendencia de R50 (Rnn). ... 43

Figura 18. Mapa de tendencia de R95p. ... 43

Figura 19. Mapa de tendencia de R99p. ... 44

Figura 20. Mapa de tendencia de SDII. ... 45

Figura 21. Mapa de tendencia de TN10p. ... 46

Figura 22. Mapa de tendencia de TN90p. ... 46

Figura 23. Mapa de tendencia de TX90p. ... 47

Figura 24. Galápagos: Mapa de tendencia para R95p….……….47

Figura 25. Galápagos: Mapa de tendencia para R50..……….47

Figura 26. Galápagos: Mapa de tendencia para TX90p….……….49

(7)

Figura 25. Galápagos: Mapa de tendencia para TR……….50

(8)

ÍNDICE DE TABLAS

Tabla No. 1. Identificación de los índices por figura de los anexos. ... 29 Tabla No. 2. Índices de los mapas de tendencias discutidos en este

(9)

ANTECEDENTES

Existe consenso general en la Comunidad Científica de que cualquier cambio en la frecuencia o intensidad de los eventos climáticos extremos tendría profundos impactos en la naturaleza y la sociedad. Por lo tanto, es muy importante analizar los eventos extremos. La vigilancia, detección y atribución de los cambios en los extremos climáticos generalmente requiere datos con resolución diaria. Sin embargo, la compilación, provisión y actualización de una base de datos diaria completa y disponible a escala global es una tarea muy complicada. Esto se debe, en parte, a que no todos los Servicios Meteorológicos e Hidrológicos Nacionales (SMHN) cuentan con la capacidad o autoridad de distribuir gratuitamente la información diaria que obtienen. En consecuencia, el ETCCDI (Expert Team on Climate Change Detection and Indices) y su predecesor, el Grupo de Trabajo CCl/CLIVAR en Detección de Cambio Climático ha venido coordinando un esfuerzo internacional para desarrollar, calcular y analizar un conjunto de índices de tal modo que los individuos, países y regiones puedan calcularlos exactamente

de la misma manera, y que sus análisis puedan compaginarse en un panorama

global [Karl et al., 1999, Peterson et al., 2001].

Reconociendo objetivos comunes en el área de estudios de Variabilidad y Cambio Climático para el Ecuador, en 2009 el Ministerio del Ambiente del Ecuador (MAE) y el Instituto Nacional de Meteorología e Hidrología (INAMHI) suscriben un acuerdo de colaboración específicamente orientado a la realización de una serie de proyectos con el objetivo de generar información e índices climáticos que promuevan y apoyen los esfuerzos nacionales para reducir los impactos de la Variabilidad y Cambio Climático en áreas y sectores específicos del país.

El presente estudio es ejecutado dentro de dicho marco de referencia por el INAMHI y el Ministerio del Ambiente, Proyecto de Adaptación al Impacto del Retroceso Acelerado de Glaciares en los Andes Tropicales (PRAA), Proyecto de Asistencia Técnica para la Generación de Escenarios de Cambio Climático 9

(10)

Adaptación al Cambio Climático a través de una Efectiva Gobernabilidad del Agua en el Ecuador (PACC), y Proyecto GEF/PNUD/MAE Segunda Comunicación Nacional sobre Cambio Climático.

(11)

I. INTRODUCCIÓN

El Grupo de Expertos en Detección de Cambio Climático e Índices (ETCCDI por sus siglas en inglés) de CCl/CLIVAR/JCOMM tiene el mandato de solventar las necesidades en la medición y caracterización objetivas de la variabilidad y el cambio climáticos, mediante la provisión de coordinaciones internacionales que ayuden a organizar colaboraciones sobre detección, vigilancia y particularmente estandarización de metodologías e índices relevantes, fomentando la comparación entre datos modelados y observaciones. Lo anterior incluye los aspectos prácticos del desarrollo de materiales y guías para los Servicios Meteorológicos, herramientas que incluyen software, documentación y otros materiales para guiar el cálculo y uso de los índices de detección de Cambio Climático y la homogeneización de datos climáticos, el mejoramiento de la cobertura global y la evaluación de los índices [Zhang, 2008].

El Grupo de Trabajo CCl/CLIVAR en Detección de Cambio Climático aprobó una lista de 40 índices. Algunos de ellos son utilizados más frecuentemente que otros. Diferentes grupos de investigación pueden definir diferentes índices para sus propósitos particulares. Por ejemplo, los índices de temperatura basados en percentiles (e.g. el número de días en que la temperatura diaria es mayor al percentil 90) definidos por el proyecto STARDEX ( http://www.ist-world.org/ProjectDetails.aspx?ProjectId=732460bb44d34626a495d23203c7e9d4) son muy distintos de los definidos por el ETCCDI. Albert Klein Tank compiló una lista de los índices utilizados por diversos investigadores. [Zhang, 2008]

El ETCCDI revisó recientemente sus definiciones de índices. Un total de 27 índices fueron considerados los índices básicos. Éstos están basados en los valores de temperatura diaria o en la cantidad diaria de precipitación. Algunos índices están basados en umbrales fijos que son de relevancia para aplicaciones particulares. En tales casos, los umbrales son los mismos para todas las estaciones. Otros índices están basados en umbrales que varían de una localidad a otra. En este caso, los umbrales son típicamente definidos como un percentil de

(12)

las series de tiempo relevantes [Zhang, 2008]. Detalles sobre los 27 índices mencionados se encuentran en el Anexo A.

Entre las herramientas disponibles por el Grupo, un paquete de software basado originalmente en Excel (Climdex), que luego fue migrado a lenguaje R (RClimdex) y a FORTRAN (FClimdex) han sido desarrollados para el cálculo de estos índices [Zhang, 2008]. El FClimdex es el más adecuado cuando ha de trabajarse con un gran número de estaciones, si bien no posee acoplado ningún graficador o subrutinas que se encarguen del análisis estadístico, detección de tendencias, etc.

Por otra parte, debido a su ubicación geográfica y variada topografía (ver Figura 1), el Ecuador es un país altamente vulnerable a los impactos del Cambio Climático [Primera Comunicación Nacional, Quito, 2000]. Los eventos periódicos de El Niño, especialmente aquellos ocurridos en 1982-1983 y 1997-1998, han demostrado la vulnerabilidad ante fenómenos extremos en el país. Se espera que el aumento de temperatura, sequías e inundaciones recurrentes, derretimiento de glaciares y una intensificación y variación de los patrones de precipitación, tengan un amplio espectro de impactos en el país.

Es natural, pues, pensar en la necesidad de realizar estudios que conlleven a una detección, caracterización y vigilancia de Variabilidad y Cambio Climático en Ecuador, y salta a la vista la utilidad de las metodologías y herramientas sugeridas por el ETCCDI. El inconveniente al respecto consiste en la escasez de datos de estaciones con las especificaciones requeridas (i.e.: resolución, calidad, homogeneidad, relleno).

Estudios semejantes se han llevado a cabo en otras partes del planeta. Entre los más citados se encuentran los trabajos de Frich et al. [2002] y Kiktev et al. [2003], sin embargo en los mismos no se considera Latinoamérica. Esto pone en perspectiva de modo adicional la importancia de este tipo de estudios para la Región, como se indica también en las conclusiones de Kiktev et al.

(13)

Figura 1. Fotografía Satelital representando la distribución de fenómenos geográficos en el Ecuador. A grosso modo el territorio puede dividirse en tres regiones: Litoral (Oeste),

Cordillera (Centro) y Selva Tropical (Oriente). Fuente National Geographic/NASA.

Un primer esfuerzo al respecto se llevó a cabo para el litoral ecuatoriano en 2007 [CIIFEN-INAMHI-INOCAR, 2007], para el período 1963-2004. El reporte final indica que se consideró una población original de 305 estaciones y que tras efectuar los controles de calidad correspondientes se logró trabajar, en el mejor de los casos (algunos índices se trabajan con menos de la mitad de este número), con apenas unas 16 estaciones que presentaban menos del 15% de datos faltantes. El número de estaciones final representa el 5,24% de las estaciones originales, y sólo pudieron determinarse 11 índices (ver Tabla No. 1 en [CIIFEN-INAMHI-INOCAR, 2007]), todos relacionados únicamente con precipitación.

No resulta fácil, pues, disponer de los datos a la resolución y calidad necesarios. En el INAMHI, para el caso de datos mensuales, el escenario es ligeramente distinto [Muñoz, 2009], sin embargo para la gran mayoría de los

(14)

índices en cuestión (pero no para todos) es menester poseer datos de calidad y resolución temporal diaria.

Debido a estos motivos, se ha considerado para el presente estudio emplear datos provenientes del proyecto NNRP [Kalnay et al., 1996]. Si bien la Comunidad Científica considera los reanálisis atmosféricos como una representación muy atinada del estado medio de la atmósfera (que considera, por cierto, los propios datos de los Servicios Meteorológicos Nacionales de todo el planeta), naturalmente existen limitaciones, incertidumbres y caveats [Kistler et al., 2001] que son importantes tener muy presentes a la hora del análisis climatológico y uso para la toma de decisión. Los resultados de este estudio han de considerarse como una primera aproximación en la detección de señales y tendencias climáticas, información útil toda vez que el Ecuador carece de un estudio de esta especie para todo el territorio nacional de modo simultáneo.

Una ventaja de la presente metodología es que se están proveyendo a las instituciones los códigos automatizados ya para la ejecución de todo el proceso, sea éste aplicado a datos de estaciones o, como en el presente caso, datos en malla.

El objetivo general del presente trabajo es el de realizar un análisis estadístico del comportamiento de la precipitación y temperaturas máxima y mínima en el Ecuador en términos de los mencionados índices climáticos, y proveer mapas espacio-temporales de la evolución de los mismos y sus tendencias estadísticamente significativas a un límite de confianza del 95% (p=0.05).

En la siguiente sección se discuten los datos empleados, con especial atención a los cuidados (caveats) que hay que tener para su análisis y considerándolos como una primera aproximación debido a la carencia de suficientes datos locales a resolución diaria. En la Sección III se presenta la metodología general llevada a cabo para la obtención de los resultados, los cuales se tratan en la Sección IV. La Sección V discute las limitaciones, atenciones e incertidumbres del trabajo, y finalmente la Sección VI presenta las principales conclusiones.

(15)

II. OBJETIVOS

Los objetivos establecidos para el presente estudio son: Objetivo general:

Generar información e índices climáticos que promuevan y apoyen los esfuerzos nacionales para reducir los impactos de la variabilidad y Cambio Climático en áreas y sectores específicos del país.

Objetivos específicos:

1. Realizar un análisis estadístico del comportamiento de la precipitación y temperaturas máxima y mínima en el Ecuador en términos de determinados índices climáticos.

2. Presentar un Reporte Técnico con los resultados del análisis estadístico Climdex, que reúna las características estándar de un artículo científico para publicación.

III. DATOS

Las variables necesarias para la ejecución del código son temperatura máxima (TX), temperatura mínima (TN) y precipitación (R), todas a escala diaria. Sin embargo, con fines que serán esclarecidos en la sección IV, se han empleado bases de datos a otras resoluciones temporales.

Para el presente estudio se han empleado datos mensuales de estaciones (datos discretos) pertenecientes al Instituto Nacional de Meteorología e Hidrología (INAMHI) del Ecuador [INAMHI, 2009] con fines de comparación con los campos de reanálisis para determinar el umbral adecuado de interpolación (ver Sección III). El período disponible para esta data es 1971-2008. El formato es ASCII. El número de estaciones, tras depuración y controles de calidad, es de 169, distribuidas en todo el territorio nacional.

(16)

Se ha hecho también uso en el estudio, por las razones expuestas en la Introducción, de información disponible en bases de datos internacionales (en malla). Específicamente y por la calidad y resolución de las mismas, se escogió la East Anglia University CRU TSv2.1 [Mitchell & Jones, 2005] para la descripción de la temperatura (mínima y máxima) y precipitación.

La data CRU se empleó para estudios de consistencia para la data de INAMHI y como referencial también para la determinación del umbral para la interpolación realizada a la data de NNRP. El período escogido para este estudio es 1971-2000. La resolución espacial es de 0.5o _{y la resolución temporal es mensual. El formato} en que se trabajó la data es netCDF.

Finalmente, se utilizó información del Proyecto de Reanálisis NCEP-NCAR [Kalnay et al., 1996], mencionado anteriormente. Hay más de 80 variables diferentes disponibles en el NNRP, que posee una resolución espacial de 2.5x2.5 grados cuadrados disponible en intervalos de 6 horas y en varios sistemas de coordenadas diferentes: 17 niveles de presión sobre la celda de 2.5o_x2.5o_{, 28} niveles sigma para una malla de 192x94 rejillas (en coordenadas gaussianas), y 11 niveles isoentrópicos para una malla de 2.5o_x2.5o_{. Los resultados del proyecto} se almacenan en formato GRIB. [Kalnay et al.,1996]. El período escogido fue desde Enero 1971 hasta Diciembre 2009. Entre las ventajas del uso de este tipo de datos resaltan: la extensión temporal empleando los mismos esquemas de física y asimilación, cobertura homogénea del territorio, resolución temporal subdiaria y carencia de datos faltantes. En la Figura 2 se presenta una comparación de los datos NNRP con respecto un reanálisis europeo (ERA15) y observaciones. Se aprecia concordancia para el caso de Sudamérica entre NNRP y las observaciones, no siendo tan bueno el caso para el ERA15.

En el caso de la librería de datos CRU, los mismos se descargaron de la IRIDL

(http://iridl.columbia.edu). Por otra parte, los datos del NNRP se descargaron

directamente de UCAR (http://dss.ucar.edu/datasets/ds090.0/) por medio de autómatas hechos para tal fin. Cada año, comprimido, ocupa unos 600 Mb de espacio.

(17)

(18)

bien conscientes de las distintas limitaciones e incertidumbres, se empleará data del NNRP para obtener una primera aproximación del comportamiento de los mencionados índices.

Un aspecto importante consiste en que se considera el dominio conformado por “celdas” en lugar de estaciones. Puede pensarse que cada celda corresponde a una “estación virtual” ubicada en cada una, pero debe siempre tenerse sumo cuidado con esta interpretación toda vez que no es posible, como se ha mencionado más arriba, comparar directamente celdas y estaciones reales. Asimismo, debido a la resolución final de las celdas, no será en modo alguno perfecta la descripción del relieve presente, o de los propios procesos físicos involucrados. Sin embargo, a falta de datos con las cualidades necesarias, se ha escogido proceder usando el reanálisis para obtener un primer producto, que luego con la venida de mejores grupos de datos pueda irse afinando, toda vez que los procedimientos implementados son independientes de los datos en sí mismos.

La metodología general, pues, consiste en los siguientes pasos: (a) adquisición y revisión de la data, (b) determinación de la resolución óptima para interpolación, (c) interpolación, (d) preparación del dominio y transformación a ASCII de las variables para cada celda, (e) ejecución de FClimdex para cada celda, (f) cálculo de estadísticas y elaboración de gráficas con NCL para cada celda, y (g) elaboración de mapas espaciales para distintos “folios” temporales y de tendencia.

Los pasos se explican en detalle a continuación:

a) Adquisición y Revisión de la Data

Como se ha expuesto, se elaboraron los autómatas en BASH para la descarga de la data del portal de UCAR para el caso del NNRP. Los datos netCDF de CRU se descargaron manualmente de la IRIDL. Y los datos en ASCII del INAMHI se recibieron oportunamente vía correo electrónico.

(19)

Se llevó a cabo una revisión minuciosa de todos los grupos de datos por igual. No se encontraron problemas para la data CRU, y problemas menores con la NNRP fueron solventados descargando de nuevo los meses necesarios (había errores asociados a interrupciones del servicio de internet).

El control de calidad preliminar permitió verificar para el caso de la data INAMHI, que determinadas estaciones (siendo la más notoria Muisne) debían ser eliminadas por presentar comportamientos anómalos. El número final de estaciones con las que se trabajó fue de 169, distribuidas entre el Litoral y la Sierra ecuatoriana, y algunas pocas en el Oriente. Vale mencionar que el déficit de estaciones en esta última región es muy marcado, e imposibilita el poder trabajar adecuadamente en cualquier tipo de análisis climático riguroso.

La data (mensual) del INAMHI, revisada, se sometió a un análisis objetivo siguiendo la metodología de Cressman [Cressman, 1959] y se resolvió la ecuación de Poisson (vía relajación) para el relleno final de datos faltantes en zonas en donde el Cressman, por la densidad de estaciones, no pudo proveer valores. La resolución del análisis final es de 30 km de resolución. La metodología detallada llevada a cabo está fuera del alcance del presente documento y será explicada en otra parte [Muñoz et al., 2010].

Como resultado del análisis objetivo, se tienen campos en malla para temperatura máxima, mínima y precipitación a partir de la data del INAMHI. Estos datos en malla pueden compararse y operarse aritméticamente con los datos CRU y NNRP, a las resoluciones correspondientes. Para dicha comparación, el presente estudio asume como referencia los campos en malla del INAMHI y CRU.

b) Determinación de Resolución Óptima

Los datos NNRP poseen ventajas importantes, pero la resolución de los mismos es de unos 2.5º x 2.5o_{, la cual es demasiado baja como para llevar a cabo} un estudio como el deseado para el territorio ecuatoriano.

(20)

Como es bien sabido, no es posible interpolar a una resolución arbitraria sin que se genere ruido tal que la señal presente en los datos quede opacada por el mismo. De modo que la pregunta que surge es, ¿hasta qué resolución se podrán interpolar los datos NNRP sin que la relación señal/ruido se vea afectada? La respuesta no es, en definitiva, simple, e involucra en buena medida experiencia y conocimientos de la climatología de la región, así como de los procesos numéricos asociados con la interpolación misma.

En la Figura 3 se aprecia un ejemplo del peligro que se corre al interpolar. En general, los campos tienden a suavizarse, cambiando así las magnitudes de las variables en cuestión. En el caso de la Figura 3 se muestra el comportamiento de la precipitación para 4 resoluciones diferentes de data NNRP: 2.0o_{, 1.5}o_{, 1.0}o_y 0.5o_{. Como se aprecia, al incrementar la resolución espacial tiende a perderse el} campo original. Luego de varias experiencias llevadas a cabo para las variables en cuestión para distintos períodos, se escogió 1o_{x 1}o_{como resolución espacial para} trabajar homogéneamente todo el dominio computacional.

Para esta resolución, el cómputo de correlación espacial para todo el período 1971-2000 entre NNRP y la data CRU, y entre NNRP y la data INAMHI en la Figura 4a y Figura 4b, respectivamente. Estas figuras permiten cuantificar el nivel de similaridad entre el reanálisis y los datos de observación seleccionados. Se aprecia una mayor correlación hacia la Costa y Sierra que hacia el Oriente, pudiendo deberse a la escasez de datos general en esa zona.

c) Interpolación

Una vez preparados los datos y escogida la resolución de trabajo, el siguiente paso consiste en efectuar la interpolación sobre NNRP. Dado que el sistema de coordenadas de las variables escogidas es gaussiano, se llevó a cabo una interpolación con el mismo tipo de sistema de coordenadas a una resolución de 1o (técnicamente corresponde a una resolución T159) empleando armónicos

(21)

(22)

(23)

Figura 4a (arriba) y 4b (abajo), mostrando la correlación espacial entre NNRP y CRU (4a) y NNRP y data INAMHI (4b) para el período 1971-2000, a la resolución escogida de 1o_.

Para ello, se realizó un autómata que de toda la data descargada (cada 6 horas, desde 1971 hasta 2009 completo) sólo extrajo las 3 variables necesarias y a las mismas le realizó, paso de tiempo por paso de tiempo, la interpolación gaussiana. El resultado final consiste en una serie de archivos en formato netCDF con sólo las tres variables a una resolución de 1o_{. Básicamente se creó un archivo por} semestre, salvo algunas excepciones en las que hay 3 archivos por año, relacionadas con los errores de descarga por interrupción de internet que se mencionaron anteriormente.

La data interpolada y los autómatas correspondientes están disponibles en las instalaciones del INAMHI en uno de los discos duros externos de 1 Tb provistos para el estudio.

d) Preparación del Dominio y Transformación a ASCII

En esta etapa se escribieron scripts y autómatas para definir los bordes del dominio final a trabajar, número de celdas (estaciones “virtuales”), y la transformación del formato al requerido por el FClimdex. El autómata principal sólo necesita información sobre la ubicación (fronteras geográficas) del dominio.

La Figura 5 muestra el dominio escogido tras el proceso de interpolación. Es posible generar dominios menores o ligeramente mayores.

Como puede apreciarse, el número total de celdas a trabajar es de 49 para el Ecuador continental y marítimo-costero. Si bien las celdas designadas como 6-5, 6-6, 6-7, 7-5, 7-6, 7-7, 7-1 y 6-1 pueden no ser de interés directo desde el punto de vista político-territorial, sí que podrían serlo desde el punto de vista de influencia climática o como marco de referencia, por lo que no se omiten.

(24)

Figura 5. División del dominio de estudio en celdas de 1o_x1o_{, casi Ecuador continental y} marino-costero.

La Figura 6 presenta el caso análogo para las Islas Galápagos. El número total de celdas asciende a 57.

La designación de las Figuras 5 y 6 es importante a la hora de hacer referencia a las correspondientes celdas y figuras en los resultados del presente estudio.

Una vez preparado el dominio, se escribió un autómata que hace uso de una serie de scripts escritos en NCL y GrADS para determinar los valores diarios de cada una de las 3 variables necesarias a partir de la información de 6 horas. Adicionalmente, transforma la información del formato binario original al ASCII que necesita el FClimdex. El autómata se encarga de hacer estos procesos para cada

(25)

una de las celdas. Crea una carpeta con el nombre correspondiente e incluye los archivos en el formato requerido.

Figura 6. Designación de las celdas de estudio para Islas Galápagos.

e) Ejecución de FClimdex

Por su versatilidad a la hora de automatizar el proceso, en este trabajo se ha escogido el uso del FClimdex en lugar de sus homólogos.

El paquete se encarga, para cada “estación virtual”, de llevar a cabo el control de calidad, los análisis estadísticos correspondientes, obtención de índices climáticos y calcular las tendencias.

(26)

La ejecución provee un archivo por cada índice, así como archivos de control de calidad (prcpQC y tempQC) y un log. Para el control de calidad y el reconocimiento de datos extremos, se empleó como valor crítico 3 desviaciones estándard. Asimismo vale mencionar que para el índice Rnn se escogió para todas las celdas, en aras de poder compararlas con el mismo cánon, un nn=50 mm, de modo que aparecerá en los resultados como R50.

FClimdex, sin embargo, no realiza el cálculo de tendencias o de las estadísticas asociadas a cada índice, ni los niveles de significancia correspondientes. Para ello se desarrollaron scripts y autómatas especiales, que se describen en la siguiente subsección.

f) Cálculo de Estadísticas y Graficación

Una vez producidos los archivos cuyo contenido corresponde a cada uno de los índices climáticos requeridos, es útil intentar reconocer tendencias a partir de los mismos. Son estas tendencias las que pueden ayudar a definir una señal de ocurrencia de Cambio Climático si el número de años es representativo.

Para la detección de tendencias es usual el empleo de regresiones lineales, las que –si bien deben usarse con la debida atención- por su simplicidad permiten rápidamente reportar si un índice en particular evidencia incrementos, decrementos o por el contrario no presenta cambios significativos en el tiempo. El parámetro clave es, pues, la pendiente de la regresión lineal ajustada, que nosotros denotamos por m.

Sin embargo, está claro que, dado un conjunto de puntos, es posible llevar a cabo una regresión lineal sin que necesariamente ésta posea una significancia estadística que garantice que efectivamente la tendencia reconocida no sea causada por el azar. Es por ello que el cálculo del nivel de significancia es tan

(27)

importante, toda vez que provee una garantía al analista de qué tan confiable es la tendencia “detectada”.

Estos niveles de significancia, usualmente dados por medio del parámetro p –el p-valor (p-value, en inglés)-, están asociados a la estadística particular de la distribución, siendo una de las más frecuentes la estadística t-Studentis (o t de Student), normalmente de “dos colas” [Brownlee, 1965]. Es común, en este caso, referirse más al “t-valor” (tval, en nuestro análisis), el cual, en conjunto con el número de grados de libertad, define el nivel de significancia estadística, NS. Por prueba de hipótesis es entonces posible rechazar o no una tendencia significativa para el analista. Para mayores detalles, ver por ejemplo [Zwiers & von Storch, 1995].

Naturalmente, lo que se busca es que NS en cada uno de los análisis de tendencias sea mayor que un cierto umbral de confianza, que es escogido, como se ha dicho, por el analista. En el presente documento se sugiere un valor crítico de p=0.05, o NS=0.95 (o 95%) como mínimo para confiar en que la tendencia no pueda asociarse al azar, sino a una señal “real”. De alcanzarse el nivel requerido, en la figura se evidencia el hecho resaltando los parámetros en color verde para el índice correspondiente (ver Figura 7).

Vale destacar que el hecho de que una determinada señal no alcance el mínimo estipulado del nivel de significancia NS, no implica en modo alguno que los valores reportados por un índice determinado no coincidan con lo observado. Lo que implica es que el analista no puede confiar, por sus propios cánones establecidos, en que la señal detectada sea significativa desde un punto de vista estadístico, y que por ende una hipótesis nula deba ser o no rechazada. De manera que el cálculo de los 27 índices, de por sí, es ya un producto, un resultado de este estudio, y otro es la tendencia o señal detectada.

En resumen, al analizar un índice en particular, lo básico que hay que estudiar es, aparte de si el perfil que presenta tiene o no sentido físico, su nivel de significancia, NS. Si el mismo está por encima del umbral que se ha escogido, Asistencia Técnica para la Generación de Escenarios de Cambio Climático 27

(28)

entonces se tiene suficiente confianza como para asumir que hay una tendencia lineal, cuya pendiente, m, indicará si el perfil es creciente, decreciente (o sin crecimiento) y en qué magnitud.

Figura 7. Índices FClimdex asociados a la celda 4-3 (Guayas), correspondiendo a la Figura 4 reportada en la Tabla No. 1 (ver texto principal, más adelante). Se aprecia que sólo SDII posee nivel de significancia estadística (ver parámetros en verde) en este grupo

de índices.

Existen, por supuesto, otras maneras de detectar señal, que no tienen por qué involucrar regresiones lineales, sino no-lineales por ejemplo. Sin embargo, seguiremos la práctica normal de hacer uso de regresiones lineales, sin descartar generalizar el estudio más adelante de ser necesario.

(29)

Se han elaborado los scripts en NCAR Command Language (NCL) y los autómatas en BASH para que de modo eficiente se pudieran hacer todos los cálculos de las estadísticas, grados de libertad, nivel de significancia, regresiones lineales y gráficos correspondientes, para cada una de los 27 índices de cada una de las 57 celdas.

Los gráficos de variables e índices se agruparon finalmente en un total de 13 figuras por celda, que se almacenan automáticamente dentro de la correspondiente carpeta. Para detalles, ver Tabla No. 1.

1 Precipitación (R) Diaria

2 Temperatura Máxima (TX) Diaria

3 Temperatura Mínima (TN) Diaria

4 CSDI, WSDI, CWD, CDD, GSL, SDII Anual

5 TN90p, TX90p, TN10p, TX10p Anual

6 R95p, R99p, R10, R20, R50, PRCPTOT Anual

7 DTR, TR20, SU25, FD0, ID0 Anual

8 TXx Mensual 9 TNx Mensual 10 TXn Mensual 11 TNn Mensual 12 RX1d Mensual 13 RX5d Mensual

Tabla No. 1. Identificación de los índices por figura de los anexos.

En la Tabla 1 se presenta el contenido de los distintos índices calculados. La nomenclatura de cada figura corresponde a: CELDA A-B. FIGURA N. A y B son los identificadores de celda, mientras que N corresponde al número de figura.

Por otra parte, un ejemplo del tipo de figuras generadas se presenta en la Figura 7. En la misma se pone en evidencia un incremento con significancia estadística del índice simple de intensidad diaria de precipitación (SDII) para la Asistencia Técnica para la Generación de Escenarios de Cambio Climático 29

(30)

celda en cuestión, ubicada en la provincia del Guayas. El resto de los índices no posee significancia estadística como para reportar las tendencias correspondientes.

g) Mapas Espacio-Temporales y Mapas de Tendencias

Si bien es cierto las series de tiempo corresponden al producto típico de FClimdex (o de RClimdex, si viene al caso), pero(Agregu’e este pero) para la toma de decisiones y el análisis general de los productos puede resultar más útil la visualización en términos de mapas espaciales para distintos tiempos. A estos mapas se les denomina en este estudio “mapas espacio-temporales”.

Para la confección de estos mapas se hace uso directamente de la información provista por FClimdex para cada índice y cada celda. La Figura 8 ilustra el procedimiento:

Dada la serie de tiempo del índice en cuestión, se ubica el valor correspondiente en un mapa espacial. El valor se reporta directamente para la celda, sin llevar a cabo ningún tipo de interpolación para evitar las incertidumbres asociadas. Dado que la serie de tiempo posee información de múltiples años, es posible generar los mapas para el período en consideración. Al repetir este procedimiento para todas las celdas, se construyen los mapas visibles en la Figura 8.

(31)

(32)

(33)

V. RESULTADOS

Los resultados en términos de figuras pueden apreciarse en los anexos de este documento. Corresponden a un total de 741 (= 57 celdas x 13 figuras) figuras, cada una presentando, en general, múltiples índices climáticos (ver Tabla 1). Las mismas pueden ser analizadas una a una o, más prácticamente, puestas en mapas, índice a índice, como se ha explicado más arriba.

Vale mencionar, sin embargo, que el comportamiento general de las variables e índices va acorde a lo esperado y concuerda en gran medida con las observaciones disponibles de incrementos/decrementos de las variables en años extremos y neutrales, a pesar de las limitaciones (ver sección siguiente) de la data del NNRP. Esto indica que pareciera estar fundada la presunción original, según la que a pesar de las deficiencias presentes en el reanálisis, éste pudiera ser de utilidad para describir el estado medio atmosférico y a partir del mismo reconocer –siempre con la debida atención- patrones y tendencias climáticas, sobre todo cuando no se poseen datos de estaciones con los requisitos correspondientes para hacer un estudio a nivel nacional.

En primera instancia, si bien las magnitudes asociadas a las precipitaciones (y temperaturas) puedan no representar exactamente los valores de las estaciones ubicadas en una celda en particular (no tienen por qué hacerlo, porque la aproximación de “celdas” no está diseñada para representar exactamente el valor de las estaciones locales), se aprecia concordancia general entre el comportamiento de las variables del NNRP y las observaciones. Incluso se aprecia consistencia entre la representación de las variables en distintas celdas. Por ejemplo, en las Figuras 10a y 10b se consideran celdas ubicadas en la Sierra y la Costa ecuatorianas.

(34)

(35)

Figura 10b. Series de tiempo diarias de precipitación para celda en el vecindario de Guayaquil.

ID Nombre del Indicador Definición UNIDAD

TN10p Cool nights (Noches frías)

Porcentaje de días cuando TN<10mo

percentil %

TN90p Warm nights (Noches calientes)

Porcentaje de días cuando TN>90mo

percentil %

TX90p Warm days (Días calientes)

Porcentaje de días cuando TX>90mo

percentil %

CSDI

Cold spell duration indicator (indicador de la duración de periodos fríos)

Contaje anual de días con por lo menos 6 días consecutivos en que TN<10mo percentil

Días

SDII

Simple daily intensity index (Índice simple de intensidad diaria)

Precipitación anual total dividida para el número de días húmedos (definidos por PRCP>=1.0mm) en un año

mm/día

R10

Number of heavy

precipitation days (Número de días con precipitación intensa)

Número de días en un año en que

PRCP>=10mm Días

R20

Number of very heavy precipitation days (Número de días con precipitación muy intensa)

PRCP>=20mm Días

R50

Number of days above nnmm

(Número de días sobre nn mm)

PRCP>=50 mm Días

CDD Consecutive dry days (Días secos consecutivos)

Número máximo de días consecutivos con

RR<1mm Días

CWD

Consecutive wet days (Días húmedos consecutivos)

Número máximo de días consecutivos con

RR>=1mm Días

R95p Very wet days (Días muy húmedos)

Precipitación anual total en que RR>95

percentil mm

R99p

Extremely wet days (Días extremadamente húmedos)

Precipitación anual total en que RR>99

percentil mm

PRCPTO Annual total wet-day Precipitación anual total en los días mm

(36)

T

precipitation

(Precipitación total anual en los días húmedos)

húmedos (RR>=1mm)

Tabla No. 2. Índices de los mapas de tendencias discutidos en este informe (ver texto principal).

La representación de eventos ENOS, aunque pueda no ser perfecta, está presente, notándose las diferencias entre los valores esperados para las distintas regiones. Asimismo, la variabilidad estacional no deja de estar representada, de acuerdo esto también con los reportes similares para otras partes del mundo [Kistler et al, 2001]. Lo mismo ocurre para las figuras asociadas a temperaturas máxima y mínima de cada celda.

Como se ha mencionado, los mapas espacio-temporales presentados en este estudio (ver Anexos) forman un producto muy importante per se. Sin embargo probablemente de mayor interés son los mapas de tendencias obtenidos. Se incluyen aquí aquellos con una señal clara para el territorio ecuatoriano (ver Tabla No. 2). En todo caso, absolutamente todos por igual se incluyen en los anexos.

Ecuador Continental y Costero

En general, se obtiene señal de un incremento en el número de días secos consecutivos para una la región central ecuatoriana (ver Figura 11), con una magnitud de entre 0.03 y 0.06 días/año. Un muy ligero decremento para el número de días secos consecutivos se aprecia para el nororiente ecuatoriano. Para una región en la que hay mucho interés con respecto a este índice, la Costa Ecuatoriana, no se obtuvo significancia estadística y por ende no puede decirse nada concluyente al respecto. Sin embargo (Figura 12) el índice de días húmedos consecutivos indica un decremento de los mismos del orden de medio día por año en celdas asociadas a las costas ecuatorianas, mientras que muestra un

(37)

incremento en la zona sur del orden de 2 días/año. En la celda 4-5 se evidencia también un claro incremento del número de días húmedos consecutivos.

Figura 11. Mapa de tendencia de CDD.

(38)

Figura 12. Mapa de tendencia de CWD.

Para el índice de duración de períodos cálidos, no se encontró significancia para el territorio ecuatoriano. Pero en cuanto a la duración de períodos fríos (Figura 13), se aprecia claramente un incremento del orden de 1 día/año para las celdas marítimas del noroeste del territorio continental ecuatoriano, lo que pareciera estar en acuerdo con las observaciones generales de la ocurrencia de un enfriamiento a lo largo de la costa pacífica de Sudamérica. Esta figura no muestra, sin embargo, algo similar para la región marítima litoral por debajo de los 2.5S.

(39)

Figura 13. Mapa de tendencia de CSDI.

El índice de precipitación total de la celda (Figura 14) debe manejarse con cuidado –igual que todos los otros que posean mm como unidades- dado que su interpretación en términos de cantidad de precipitación no puede asociarse trivialmente con la lluvia ocurrida en una estación, sino que se asocia a la precipitación de la celda como una superficie homogénea, que posee la misma altura sobre el nivel del mar y características. Por ello en este caso, más que la magnitud de las tendencias (medidas en unidades de mm/día), la atención se concentrará en el hecho de que para prácticamente todo el territorio ecuatoriano se indica un incremento de la precipitación total anual. Llama la atención, de nuevo, la falta de significancia estadística para el litoral ecuatoriano, esta vez por encima de los 2.5S.

(40)

Figura 12. Mapa de tendencia de PRCPT.

Las siguientes 3 figuras (Figura 15, 16 y 17) son muy útiles si se analizan en conjunto, dado que hay que entender que los índices R20 y R50 representan, en última instancia, subconjuntos del índice R10 (ver definiciones en Tabla No.2). En la Figura 15 se aprecia que el número total de días con precipitaciones mayores o iguales a 10 mm está incrementando en los extremos nororiental y sudoccidental del país. Sin embargo, para el litoral noroccidental se aprecia un decremento notorio de alrededor de 1 día/año. El índice R20 (Figura 16) evidencia que tales incrementos mostrados en la Figura 15 tienen asociados también incrementos de precipitaciones “muy intensas” (siguiendo la definición del índice del ETCCDMI). En el litoral ecuatoriano, por encima de los 2.5S, no se tiene una señal significativa con respecto a este índice. Sin embargo, el escenario es bastante claro en la Figura 17 (R50). Queda claro prácticamente para todo el territorio que existe un aumento de “precipitaciones extraordinarias”, en términos del número de días de

(41)

un año con precipitaciones iguales o superiores a 50 mm, incluso para el litoral. Esto significa que aunque (ver Figura 15) un sector de la costa esté evidenciando decrementos de precipitaciones intensas, éstas están tendiendo a ocurrir de modo más extremo (medidas por R50 y no por R20).

Continuando con índices extremos de precipitación, las Figuras 18 y 19 presentan las tendencias de R95p y R99p. En general se aprecia que los máximos (al percentil 95 y 99) de precipitación se están claramente incrementando para prácticamente todo el territorio (no se evidencia ningún decremento en las celdas con significancia estadística para ninguno de los índices). Queda claro entonces que las precipitaciones extremas están aumentando.

Un aspecto interesante que revelan las Figuras 11, 18 y 19, es que muestran que para la región central ecuatoriana (regiones vecinas o directamente en la Sierra) simultáneamente el número de días secos consecutivos se incrementa, y a la vez esto ocurre con las lluvias extremas. Esto puede apuntar a conclusiones como las que se aprecian en general en otras partes del planeta, en la que se tiende a una disminución del número de días con precipitación, pero que cuando éstas ocurren, lo hacen en mayor cantidad.

(42)

Figura 15. Mapa de tendencia de R10.

(43)

Figura 17. Mapa de tendencia de R50 (Rnn).

Figura 18. Mapa de tendencia de R95p.

(44)

Figura 19. Mapa de tendencia de R99p.

Este incremento en la intensidad de precipitación es cónsono con lo expuesto en la Figura 20, con el índice SDII. Se muestra que en general el territorio ecuatoriano está evidenciando un incremento en la intensidad (al menos la simple anual) de precipitaciones, siendo más notorio el incremento hacia el sur y el noreste. Algunas regiones de la costa ecuatoriana no poseen significancia estadística para la tendencia en cuestión.

(45)

Figura 20. Mapa de tendencia de SDII.

Las tres figuras finales (Figuras 21, 22 y 23) exponen un panorama interesante para distintas regiones de Ecuador. Primeramente el índice TN10p (Figura 21) indica que hay tendencia a noches menos frías hacia la costa sur ecuatoriana y al sureste amazónico ecuatoriano, mientras que un incremento de noches frías en el sur. Esto es consistente con lo presentado en la Figura 22 para la costa y sureste amazónico ecuatorianos: incremento de noches cálidas. Hay un decremento de noches cálidas notorio en la costa norte del Ecuador, según la Figura 22, que en conjunto con lo expuesto anteriormente en el análisis de la Figura 13, podría indicar consistencia en el enfriamiento de ese sector del dominio. Definitivamente se consolida con la evidencia para ese sector de la Figura 23, que indica un decremento de días cálidos

(46)

Figura 21. Mapa de tendencia de TN10p.

Figura 22. Mapa de tendencia de TN90p.

Días y noches más cálidos están en incremento también para una región meridional del Amazonas Ecuatoriano, en función de lo expuesto en las Figuras 22 y 23.

(47)

Figura 23. Mapa de tendencia de TX90p.

Islas Galápagos

En cuanto al dominio escogido para Islas Galápagos, de nuevo los productos están incluidos en los anexos, sin embargo pocos mapas de tendencias evidencian señales claras. Adicionalmente, es menester en este dominio prestar atención extra a los productos debido a la resolución de las celdas en comparación con la superficie insular de interés. En efecto, a la resolución de 1o_, las celdas “mezclan” la información de las islas con la del océano circundante.

(48)

Figura 24. Galápagos: Mapa de tendencia para R95p.

(49)

Entre los mapas de tendencia que evidencian significancia estadística destacan los de “Días Muy Húmedos” (Figura 24) y “Precipitación Extraordinaria” (Figura 25). Ambos índices, métricas de extremos de precipitación, muestran un incremento para los próximos pocos años en el sureste (y sur) del dominio en consideración, esto es, las celdas que albergan a San Cristóbal, Española, Santa Cruz, Santa Fé, Floreana y en el caso del índice R50, Pinzón y el sur de Isabela también. Si bien el incremento no es muy marcado, está claramente definido en ambos índices para las mismas celdas.

Los otros índices anuales con significancia corresponden a “Días Cálidos” (Figura 26), “Noches Cálidas” (Figura 27) y “Noches Tropicales” (Figura 28). De nuevo hay una clara consistencia entre los índices: mientras la celda más suroccidental evidencia un incremento en los percentiles superiores de las temperaturas tanto de los días como de las noches, se evidencia un decremento en los mismos percentiles para las celdas que involucran el norte de Isabela y Santiago, Rabida, Pinta, Marchena y Tower (Genovesa).

El índice de “Noches Tropicales” (Figura 28), que indica el número de días al año en que la temperatura mínima supera o iguala los 20 o_{C, evidencia un} incremento para Floreana, Española, Santa Cruz, Santa Fé y el noreste del dominio. Lo contrario ocurre para Santiago, Rabida y el norte de Isabela, en acuerdo esto último a lo presentado por TX90p y TN90p.

(50)

Figura 26. Galápagos: Mapa de tendencia para TX90p.

(51)

Figura 28. Galápagos: Mapa de tendencia para TR.

(52)

VI. LIMITACIONES, CAVEATS E INCERTIDUMBRES

Especial cuidado ha de tenerse al manejar las magnitudes de las variables del NNRP (y por ende de los índices calculados), pues primeramente no pueden ser contrastadas de modo directo con valores puntuales (estaciones) por tratarse de datos en malla.

El quid fundamental al respecto es, por un lado, que al trabajar con celdas el significado de la variable que se representa es distinto al de la propia estación. Existen muchas aproximaciones para poder “comparar” celdas con datos puntuales, pero invariablemente hacen referencia a colocarlos ambos al mismo nivel (o los datos llevarlos a malla, o las mallas desagregarlas para poder “discretizarlas”). Por otra parte, como se ha mencionado arriba, es necesario primero detectar el error sistemático y corregirlo para que las magnitudes posean una cercanía a la realidad (hay que hacer, por ejemplo, corrección del sesgo o bias). Para esto último, es necesario poseer datos de calidad y lo suficientemente extensos.

Entre las limitaciones más importantes del presente estudio se cuentan también:

• Incremento de incertidumbres debido al proceso de interpolación. Se está claro que al incrementar la resolución con métodos interpolantes, se incrementa el ruido asociado al campo (variable). Sin embargo, como se ha explicado, se estableció una metodología para llevar a cabo este cometido tratando de no perder la señal en los datos finales.

• Como señala Kistler et al. [2001], es importante prestar atención y manejar con cuidado la data de NNRP para este tipo de estudio. Por citar un ejemplo, en la referencia se hace advertencia especial al uso de variables tipo C (precipitación, en nuestro caso); se indica, sin embargo, que hay indicaciones de que a pesar de que puedan existir sesgos

(53)

(bias), la variabilidad interanual tiende a estar correlacionada con observaciones independientes Se han estudiado las recomendaciones expuestas en Kistler et al. [2001] y se considera que el estudio llevado a cabo está dentro de los márgenes de aceptabilidad.

• Otro aspecto importante consiste en la extensión del período del estudio. Aunque el reanálisis garantiza que se ha empleado el mismo modelo y tipo de asimilación, está claro que desde el inicio de la llamada “Era Satelital” (1979 al presente) existe una mayor cantidad de información, y de tipo distinto de la que originalmente se poseía para asimilación en el modelo del NNRP. La recomendación indica que las anomalías para períodos anteriores a la Era Satelital se calculen en base a una climatología anterior al mismo. En este estudio en particular, se hace énfasis, más que en climatología (como valores medios), en tendencias y detección de señales de climáticas. Es por ello que se han considerado 30 años en el presente estudio que corresponden a datos dentro de la “Era Satelital” y unos 9 años anteriores.

En resumen, el empleo de reanálisis para este tipo de estudios debe realizarse con el cuidado correspondiente debido a los distintos aspectos mencionados, especialmente los referentes al uso de datos de “eras” pre-satelital y satelital. Los resultados de este estudio deben, como se ha señalado ya múltiples veces considerarse como una primera aproximación, útil en la medida en que se carece por el momento de los datos con la calidad y resolución necesarios.

Vale resaltar que en las variables de superficie (ver al respecto Kistler et al. [2001]) no se aprecia ninguna discontinuidad importante para ninguna de las celdas en los años 1979-1981, lo que corresponde al paso a la “Era Satelital”. Este hecho, para las variables en cuestión, es importante.

La incertidumbre asociada a las proyecciones a los próximos pocos años depende del perfil de la curva correspondiente a la serie de tiempo de cada índice, para cada celda en cuestión. En promedio podría decirse que son válidas para los Asistencia Técnica para la Generación de Escenarios de Cambio Climático 53

(54)

próximos 5 años, aunque en series con una tendencia mucho más clara podrían éstas ser válidas a escalas temporales mayores, o en algunos casos podrían tener una validez temporal menor.

(55)

VII. CONCLUSIONES Y RECOMENDACIONES

En el presente documento se han provisto los resultados del análisis estadístico efectuado por medio de FClimdex y un conjunto de autómatas y scripts diseñados para facilitar el procesamiento de todas las celdas. Asimismo se ha llevado a cabo un análisis en términos de los mapas espacio temporales producidos a partir de los productos FClimdex y sobre todo se ha provisto un análisis de las tendencias puestas en evidencia en los productos anteriores.

En breve, se ha llevado a cabo un estudio para determinar la resolución adecuada de trabajo, a partir de datos NNRP y mediante el uso de datos CRU y del INAMHI. Siguiendo la metodología expuesta, se ha ejecutado el FClimdex para un total de 57 celdas, 49 celdas para Ecuador Continental y Marino-Costero, y 8 celdas para Islas Galápagos. Para cada celda se calcularon los 27 índices disponibles, luego de efectuar un control de calidad de la data. Se produjeron, para cada celda, 13 figuras, con el contenido que se evidencia en la Tabla 1 más arriba. Esto proporciona un total de 741 figuras, que constituyen un primer producto fundamental de este trabajo, en conjunto con la metodología y los scripts/autómatas generados para el Proyecto y Entrenamientos. El segundo producto corresponde a los mapas espaciales del comportamiento de los índices, que quedan disponibles para consulta de los usuarios por primera vez en el Ecuador para todo el territorio. Asimismo, se proveen los mapas de tendencias y un análisis de los mismos.

En general, para el Ecuador continental y costero, se aprecia un incremento de la precipitación total para la mayor parte del territorio, así como el mismo comportamiento para la intensidad simple anual de precipitación. El litoral noroccidental evidencia, de modo interesante, un decremento de precipitaciones mayores o iguales a 10 mm por día, sin embargo cuanto éstas ocurren lo hacen con mayor carácter de extremas (mayores o iguales a 50 mm por día).

(56)

Las tendencias apuntan a un incremento de períodos fríos en el noroccidente del país, pero de, por lo menos, noches más cálidas en la costa sur. Esta interesante diferencia debe estudiarse más a profundidad próximamente para esclarecer sus posibles mecanismos físicos. Para una región meridional bien definida del Oriente, se aprecian incrementos de los extremos superiores de temperatura, tanto para el día como para la noche.

Para el dominio de Islas Galápagos, especial cuidado debe prestarse al uso de los productos, dado que aquí especialmente la resolución escogida y la aproximación usada plantea una “mezcla” de información correspondiente a océano y a territorio insular en la misma celda. Sin embargo, el análisis de tendencias evidencia un incremento de las precipitaciones extremas para las celdas que albergan a San Cristóbal, Española, Santa Cruz, Santa Fé, Floreana y en el caso del índice R50, Pinzón y el sur de Isabela. En cuanto a los índices de temperatura, éstos presentan un incremento en los percentiles superiores de las temperaturas tanto de los días como de las noches para la celda más suroccidental, mientras que se muestra un decremento en los mismos percentiles para las celdas que involucran el norte de Isabela y Santiago, Rabida, Pinta, Marchena y Tower (Genovesa).

En cuanto a las recomendaciones, un aspecto importante a considerar consiste en que algunos índices, como el GSL (duración de la estación de cultivo), FD0 (“frost days”) e ID0 (“ice days”) no aportan información de gran relevancia para la mayoría de las celdas del Ecuador, siendo éste un país tropical. Esto se debe a la manera como se han definido los índices. Una recomendación a futuro es cambiar estos índices (o sus definiciones) para que puedan tener mayor utilidad. Se han calculado, sin embargo, dado que son parte de los 27 índices estándar (núcleos) del ETCCDMI.

La recomendación más importante consiste en emplear mejores datos (resolución, sobre todo) para llevar a cabo un estudio similar al presente, pero que pueda dar mejor cuenta de lo que ocurre a un nivel más local. Si bien el objetivo último es el empleo de datos propios del INAMHI con la calidad, densidad,

(57)

homogeneidad y demás características de modo adecuado, un siguiente paso interesante podría ser hacer uso del nuevo reanálisis CFSR de NOAA, que recién acaba de ponerse en Mayo 2010 a disposición del público.

Finalmente, se ha prestado especial atención a los caveats y limitaciones que la presente aproximación posee, toda vez que se conoce que no se trata de un producto libre de incertidumbres y que por el contrario merece, debido a la data NNRP y a la aproximación en términos de celdas en lugar de las propias estaciones, múltiples atenciones y un oportuno post-procesamiento. En todo caso, se reconoce que se trata de un producto muy útil como una primera aproximación para detectar y reconocer tendencias climáticas en el territorio ecuatoriano.

(58)

VIII. BIBLIOGRAFÍA

Brownlee, K.A., 1965: Statistical Theory and Methodoly, Jon Wiley and Sons, pp. 342-346.

CIIFEN-INAMHI-INOCAR, 2007: Información climática de amenazas hidrometeorológicas en las provincias costeras del Ecuador. Guayaquil. Proyecto SARE-CAM. Reporte Final.

Cressman, G. P., 1959: “An operational objective analysis system”, Mon. Weather

Rev. 87, 367-374

Frich, P., Alexander, L., Della-Marta, P., et al., 2002: Observed coherent changes in climatic extremes during the second half of the twentieth century, Clim Res, 19, 192-212.

Hyndman, R.J., y Y. Fan, 1996: Sample quantiles in statistical packages. The

American Statistician, 50, 361-367.

INAMHI, 2009: Anuarios Meteorológicos. Instituto Nacional de Meteorología e Hidrología del Ecuador. Quito.

Kalnay, E., et al., 1996: The NCEP/NCAR 40-year reanalysis project. Bull. Amer. Meteor. Soc., 77, 437-471.

Karl, T.R., N. Nicholls, and A. Ghazi, 1999: CLIVAR/GCOS/WMO workshop on indices and indicators for climate extremes: Workshop summary. Climatic Change, 42, 3-7.

Kiktev, D., Sexton, D., Alexander, L. and Folland, C., 2003: Comparison of Modeled and Observed Trends in Indices of Daily Climate Extremes, J. Climate, 16, 3560-3571.

Kistler, R., et al., 2001: The NCEP-NCAR 50-Year Reanalysis: Monthly Means CD-ROM and Documentation, Bull. Amer. Meteor. Soc., 82, 247-267.