Modelización regional de clima presente y futuro en el entorno de la Península Ibérica mediante conjuntos de modelos regionales

Texto completo

(1)UNIVERSIDAD DE CASTILLA-LA MANCHA FACULTAD DE CIENCIAS AMBIENTALES Y BIOQUÍMICA ÁREA DE FÍSICA DE LA TIERRA. Modelización regional de clima presente y futuro en el entorno de la Península Ibérica mediante conjuntos de modelos regionales. TESIS DOCTORAL RAQUEL ROMERA RUIZ 2015.

(2)

(3) UNIVERSIDAD DE CASTILLA-LA MANCHA FACULTAD DE CIENCIAS AMBIENTALES Y BIOQUÍMICA ÁREA DE FÍSICA DE LA TIERRA. Modelización regional de clima presente y futuro en el entorno de la Península Ibérica mediante conjuntos de modelos regionales Memoria presentada para optar al grado de Doctor por la Universidad de Castilla-La Mancha Raquel Romera Ruiz Toledo, Noviembre de 2015 Vº Bº de los Directores:. Drs. Enrique Sánchez Sánchez y Marta Domínguez Alonso. La Doctoranda:. Raquel Romera Ruiz.

(4)

(5) RESUMEN, MOTIVACIÓN Y OBJETIVOS DE LA TESIS DOCTORAL El objetivo general de la presente tesis doctoral es la utilización de conjuntos de Modelos Regionales de Clima (RCMs) para estudiar el clima en la Península Ibérica (PI) y en las zonas cercanas que más influyen, como el Norte de África y el Mar Mediterráneo. Para la aplicación de los RCMs en el estudio del cambio climático regional futuro, el primer e imprescindible paso es la evaluación de las simulaciones para clima presente, comparando los resultados con observaciones. De estos resultados de la evaluación de clima presente se deducirá la utilidad de las simulaciones de clima futuro para estudiar el cambio climático, de enorme relevancia en la actualidad. En este trabajo se muestran sobre todo los resultados de estos trabajos de evaluación de clima presente, aunque también se han hecho análisis sobre las proyecciones regionales de clima futuro. Las principales variables que caracterizan el clima de una región son la precipitación y la temperatura y por eso son los primeros parámetros que se analizan en una simulación climática. Aunque un primer paso será el análisis de los campos medios, son los eventos extremos tales como olas de calor o de frío, heladas, noches tropicales, sequías, precipitaciones intensas, etc, los que tendrán un impacto igual o superior en la población, influyendo, por ejemplo, en la economía y en la salud. En el trabajo para obtener el Diploma de Estudios Avanzados (Romera, 2010) que antecede a esta tesis doctoral se analizó la capacidad del RCM PROMES para simular la precipitación y la temperatura de la PI, tanto de los campos medios como de los eventos extremos. En este caso se ha realizado un análisis de clima presente sobre la PI de los resultados de un conjunto de RCMs, incluyendo el RCM PROMES, comparando con observaciones los resultados de precipitación y temperatura, tanto de campos medios como de eventos extremos, sobre la misma región (PI). Numerosos estudios avalan la idoneidad de los RCMs para estudiar el clima de una región, pero se ha demostrado que el uso de un conjunto de RCMs da una visión más amplia y acertada del mismo (Gao et al., 2006; Jacob et al., 2007; GomezNavarro et al., 2010). El mismo método se ha usado para evaluar la precipitación de clima presente de un conjunto de RCMs sobre el Norte de África, región con un gran estrés hídrico y muy vulnerable al cambio climático (Niang et al., 2014), analizando tanto los cambios medios como los eventos extremos (sequías y lluvias intensas). También se ha realizado un análisis de los ciclones de carácter tropical que se desarrollan en el Mar. I.

(6) Mediterráneo, llamados habitualmente medicanes (unión de Mediterráneo y la palabra inglesa “hurricane”), ya que estos fenómenos afectan a toda la costa Este de la PI. Doswell et al (1998) afirma que los eventos de precipitación intensa que se dan en el oeste del Mar Mediterráneo están asociados frecuentemente con ciclones, ya que esta zona tiene una alta densidad de ciclogénesis a escala mundial (Petterssen (1956). En este caso, además de una evaluación de clima presente se analizan los cambios que sufrirán estos fenómenos en el clima futuro según los resultados de un conjuntos de RCMs, tanto en intensidad como en frecuencia como en distribución espacial o temporal. Otro aspecto a tener en cuenta a la hora de trabajar con conjuntos de RCMs es cómo obtener un resultado común promediando de alguna manera los resultados de cada RCM. En esta línea se ha hecho un esfuerzo por proponer un método para ponderar los resultados obtenidos por cada RCM y poder obtener un resultado de conjunto.. II.

(7) Estructura de la Tesis Doctoral Esta tesis se estructura en los siguientes capítulos. En el capítulo 1 se encuentra la introducción general. En el capítulo 2 se detalla la metodología utilizada durante todo el trabajo de investigación. En los capítulos del 3 al 6 se muestran los resultados de la tesis doctoral, que se corresponden con cuatro artículos. El capítulo 3 (Sánchez et al., 2009) explica un método para ponderar los resultados obtenidos con un conjunto de RCMs para todo el continente europeo, dividiendo el dominio total en subregiones, donde la PI se considera una única región. La mayor parte de los estudios previos sobre la PI consideraban toda la PI como una sola región, sin tener en cuenta la heterogeneidad climática y la complejidad de la orografía de la zona (Boberg et al., 2009, 2010; Fischer y Schär, 2010; Kjellström et al., 2010, Kotlarski et al., 2014). En el capítulo 4 (Domínguez et al, 2013) se divide la PI en subregiones buscando una homogeneidad climática para hacer un estudio de los extremos de precipitación y temperatura usando los datos del proyecto ESCENA. Anteriormente ya se había hecho un análisis de los campos medios (JiménezGuerrero et al., 2013) sobre la PI usando los resultados del mismo proyecto. En el capítulo 5 (Romera et al., 2015a) se describe la evaluación de las simulaciones de un conjunto de RCMs sobre el Norte de África, mientras que en el capítulo 6 (Romera et al., 2015b) se recoge el estudio de los ciclones de características tropicales que tienen lugar en el Mar Mediterráneo. En el capítulo 7 se detallan las principales conclusiones derivadas de los estudios incluidos en la presente tesis doctoral. Finalmente se muestran las referencias utilizadas y un anexo con los trabajos realizados durante todo el período de investigación.. III.

(8) Índice RESUMEN, MOTIVACIÓN Y OBJETIVOS DE LA TESIS DOCTORAL.............................I 1 INTRODUCCIÓN...................................................................................................................1 1.1 La Península Ibérica y su entorno....................................................................................3 1.2 Cambio climático antropogénico......................................................................................7 1.2.1 Cambio climático observado en la PI.......................................................................8 1.3 Herramientas para el estudio del clima..........................................................................10 1.3.1 Modelos de clima (GCM, RCM)............................................................................10 2 METODOLOGÍA..................................................................................................................13 2.1 Conjuntos de RCMs.......................................................................................................15 2.1.1 El Modelo Regional de Clima PROMES...............................................................16 2.2 Datos observacionales en malla.....................................................................................17 2.3 Cálculos y métricas utilizados........................................................................................20 2.3.1 Selección de subregiones y bases observacionales.................................................20 2.3.2 Evaluación de campos medios................................................................................21 2.3.3 Evaluación de eventos extremos.............................................................................22 2.3.4 Análisis de ciclones y medicanes: evaluación y clima futuro.................................24 3 PROPUESTA DE CONJUNTO PONDERADO DE MODELOS REGIONALES DE CLIMA......................................................................................................................................27 3.1 Resumen.........................................................................................................................29 3.2 A weighting proposal for an ensemble of regional climate models over Europe driven by 1961-2000 ERA40 based on monthly precipitation probability density functions.........31 4 EXTREMOS DE PRECIPITACIÓN Y TEMPERATURA DE CLIMA PRESENTE SOBRE ESPAÑA....................................................................................................................................49 4.1 Resumen.........................................................................................................................51 4.2 Present-climate precipitation and temperature extremes over Spain from a set of high resolution RCMs...................................................................................................................53 5 PRECIPITACIÓN DE CLIMA PRESENTE SOBRE EL NORTE DE ÁFRICA..................85 5.1 Resumen.........................................................................................................................87 5.2 Evaluation of present-climate precipitation in 25 km resolution RCM simulations over North-West Africa................................................................................................................89 6 MEDICANES: DESCRIPCIÓN Y PROYECCIONES DE CAMBIO CLIMÁTICO.........117 6.1 Resumen.......................................................................................................................119 6.2 Medicanes description and climate change projections with a multimodel ensemble of RCMs..................................................................................................................................121 7 CONCLUSIONES...............................................................................................................145 7.1 Conclusiones generales................................................................................................147 7.2 Conclusiones específicas por capítulos........................................................................148 7.2.1 Propuesta de conjunto ponderado de modelos regionales de clima.....................148 7.2.2 Extremos de precipitación y temperatura de clima presente sobre España..........148 7.2.3 Precipitación de clima presente sobre el Noroeste de África...............................148 7.2.4 Medicanes: descripción y proyecciones de cambio climático..............................149 REFERENCIAS.....................................................................................................................151 IV.

(9) ANEXO..................................................................................................................................167. V.

(10)

(11) 1 INTRODUCCIÓN.

(12)

(13) 1INTRODUCCIÓN. 1.1 La Península Ibérica y su entorno La Península Ibérica (PI de aquí en adelante), situada en el extremo suroeste del continente europeo, en latitudes medias, es la región escogida para realizar el estudio del clima llevado a cabo en esta tesis. La situación y las características de la PI la convierten en todo un reto para el estudio del clima, tanto del clima presente como del clima futuro. En el informe de Impacto del Cambio Climático en España (Castro et al., 2005) así como en el Informe de Evaluación del Cambio Climático Regional de la Red Temática CLIVAR-España (Sánchez y Miguez-Macho, 2010) se recogen las principales características del clima de la PI. Pese al relativamente reducido tamaño de la PI ibérica (por debajo de los 600.000 km2) la complejidad de su orografía y la variabilidad del clima son sus principales características. La situación de la PI latitudinalmente hablando, entre la zona tropical y la zona templada, rodeada por grandes masas de agua (fuentes constantes de humedad), con muchos kilómetros de costa (unos 6600 km) y su abrupto relieve hacen de ella una región muy interesante de cara al estudio del clima (Font, 1983). El relieve de la PI se caracteriza por amplias mesetas con una altitud media de unos 600 m sobre el nivel del mar y alineaciones montañosas repartidas por todo el territorio, con picos por encima de los 3000 m tanto en el norte (Pirineos) como en el sur (Cordilleras Béticas), mientras que en la zona interior de la PI los picos más destacados llegan a los 2300 m en el Sistema Ibérico y a los 2500 m en el Sistema Central. Otras características de la PI son las depresiones, llanuras y valles que cruzan todo el territorio y que junto a las cordilleras actúan a modo de pasillos naturales (ver Figura 1.1). La variabilidad tanto espacial como temporal (estacional e interanual) de la temperatura y la precipitación (Castro et al., 2005; González-Hidalgo et al., 2011) en la PI son muy importantes. Las diferencias medias de temperatura entre distintos puntos de la PI pueden alcanzar los 18ºC, mientras que la precipitación puede variar entre los 150 mm·año-1 y los 2500 mm·año -1. La estacionalidad en la PI es muy marcada aunque las características de cada estación varía mucho de una región a otra, mientras que la variabilidad interanual, principalmente en la precipitación da lugar a importantes períodos secos.. 3.

(14) 1INTRODUCCIÓN. Figura 1.1. Mapa físico de España. (Fuente: http://www.ign.es). En la zona norte de la PI se da el clima oceánico, atlántico o templado húmedo, con lluvias frecuentes a lo largo de todo el año. El resto de la PI recibe la influencia directa de las altas presiones subtropicales, con grandes diferencias entre el verano y el invierno, encontrando clima mediterráneo en sentido estricto en la franja costera del Mediterráneo, clima mediterráneo continental en el centro y sur de la PI y clima mediterráneo oceánico en Portugal y la costa sur. Además, las características de la PI provocan que también se encuentren otros climas a nivel más local, como pueden ser el clima semidesértico (Almería, Murcia y Alicante) o el clima de alta montaña (Pirineos y Sistemas Béticos). En la Figura 1.2 se muestra la clasificación climática de la PI y las Islas Baleares siguiendo la clasificación propuesta por Köppen en 1936, llamada clasificación de Köppen-Geiger (AEMET, 2011).. 4.

(15) 1INTRODUCCIÓN. Figura 1.2. Clasificación climática de Köppen-Geiger en la Península Ibérica e Islas Baleares. (Atlas Climático Ibérico). ET: Tundra, Dfc: frío sin estación seca y verano fresco, Dfb: frío sin estación seca y verano templado, Dsc: frío con verano seco y fresco, Dsb: frío con verano seco y templado, Cfb: templado sin estación seca con verano templado, Cfa: templado sin estación seca con verano caluroso, Csb: templado con verano seco y templado, Csa: templado con verano seco y caluroso, BSk: estepa fría, BSh: estepa cálida, BWk: desierto frío, BWh: desierto cálido. (AEMET, 2011). 5.

(16) 1INTRODUCCIÓN Según González-Hidalgo et al. (2011) las cadenas montañosas determinan en gran parte la distribución espacial de la precipitación, que es el elemento climático más variable tanto en el espacio como en el tiempo (New et al., 2001; Mitchell and Jones, 2005; Karagianidis et al., 2008). Las cadenas montañosas más importantes se encuentran dispuestas en sentido oeste-este provocando que en esa dirección las masas de aire circulen longitudinalmente a lo ancho de la PI sin ningún impedimento, pero haciendo que las masas de aire que circulan en sentido norte-sur tengan que atravesar todas las cordilleras (Serrano et al., 1999). A las características siempre variables de la precipitación hay que añadirle que los climas del oeste del Mediterráneo se caracterizan por una variabilidad espacial y temporal de la precipitación especialmente relevante (Romero et al., 1998). El máximo de la precipitación se da en el Norte y Oeste de la PI, mientras que el mínimo se encuentra en el E y el S (Nieto et al., 2004). El promedio de la precipitación anual en toda la PI es de unos 600 mm·año-1, pero mientras que en Galicia o el País Vasco la precipitación anual puede superar los 2500 mm·año -1, en zonas como el Cabo de Gata apenas llega a los 150 mm·año -1 (Martín-Vide, 2004). Además, la variabilidad temporal de la precipitación juega un papel muy importante en el clima de la PI ya que en grandes áreas de la PI se da una alta intensidad de precipitación, pero con una distribución temporal muy pobre, según Martín-Vide (1994) se dan altos porcentajes de la precipitación total en pocos días seguidos de períodos de sequía, lo que ocasiona un gran estrés hídrico. Un ejemplo lo tenemos en la región de Valencia, en el este peninsular, donde se da la mayor precipitación diaria de todo el Mediterráneo (llegando a valores de 800 mm, Peñarrocha et al., 2002), con importantes episodios de sequías seguidos de lluvias torrenciales que pueden superar la precipitación media anual. La variabilidad espacial de la temperatura es un aspecto muy importante en el clima de la PI, los valores mínimos de la temperatura media anual varía entre valores inferiores a los 2.5º C en las zonas de alta montaña (Pirineos) y valores superiores a los 18º C que se alcanzan en el sur de la PI. El aspecto más reseñable de la temperatura en la PI es el valor de las temperaturas máximas durante el verano, según el Atlas Climático Ibérico elaborado por la AEMET el número de días al año cuya temperatura mínima supera los 20º C es de 60 en muchas regiones de España mientras que el número de días con temperatura máxima superior a los 25º C es superior a los 150. Una gran influencia que recibe el clima de la PI es la del norte de África. La PI se encuentra separada del Norte de África por 14,4 km que forman el Estrecho de Gibraltar, que a su vez sirve de comunicación entre el Mar Mediterráneo y el Océano. 6.

(17) 1INTRODUCCIÓN Atlántico. La cercanía a la PI y la influencia que ejerce en su clima hacen del Norte de África una región de especial interés en este estudio. Se denomina Magreb al Norte de África y comprende los países de Marruecos, Túnez y Argelia, esta zona se encuentra delimitada por el Océano Atlántico, el Mar Mediterráneo y el desierto del Sáhara. La orografía, como ocurre en la PI, es muy variada ya que comprende muchos kilométros de costa y cadenas montañosas muy importantes como el Atlas y el Rif, además de una vasta extensión de desierto. La zona del Magreb también está muy influenciada por las extensiones de agua que la rodean y por la orografía. El clima en esta región tiene una gran variabilidad espacial pasando del clima mediterráneo al clima desértico en pocos kilómetros, sin olvidar el clima de alta montaña.. 1.2 Cambio climático antropogénico Según el último informe del Panel Intergubernamental de Expertos sobre el Cambio Climático (IPCC, 2013) el calentamiento global es innegable y los cambios observados desde 1950 no tienen precedente en la Tierra, a pesar de los cambios climáticos que se han dado a lo largo de sus 4500 millones de años de vida. Para poder entender y adaptarse al cambio climático es esencial, por un lado, entender el clima actual y por otro lado, crear las herramientas adecuadas para estudiar el clima futuro y así poder adelantarse e intentar en la medida de lo posible disminuir sus efectos. Las causas de los cambios climáticos antes de la existencia del hombre no está muy clara y se apunta a diversos motivos como variaciones en las concentraciones de los gases de efecto invernadero, mayor o menor actividad volcánica (“volcanic forcing”, Gao et al., 2008), impactos de meteoritos, diferencias en la órbita terrestre (“orbital forcing”, Laskar et al., 2004), actividad solar (“solar forcing”, Wenzler et al. ,2005) o movimientos tectónicos con su correspondientes cambios en la orografía (creación de cordilleras, cierres de mares, modificación de corrientes marinas, etc.). Los cambios de clima durante el último milenio se relacionan principalmente con la actividad solar (Magny et al., 2008; Martín-Puertas et al., 2008), aunque también se han observado enfriamientos debidos a las erupciones volcánicas (de Silva y Zielinski, 1998; D'Arrigo et al., 2004; Stone, 2004), pero estos se relacionan con cambios de menor importancia a escala global y de muy corta duración. Sin embargo los estudios sobre el calentamiento sufrido en las últimas décadas indican que la variabilidad interna no puede explicar el calentamiento sufrido desde 1951 y que los cambios en la actividad solar no han contribuido a dicho calentamiento (Bindoff et al., 2013) y apuntan a un origen concreto, por eso se le ha denominado cambio climático antropogénico. Según el IPCC (Bindoff et al., 2013) las actividades 7.

(18) 1INTRODUCCIÓN humanas son las causantes de más de la mitad del incremento observado en la temperatura en superficie media global desde 1951 a 2010 con una fiabilidad entre el 95 y el 100 %. Recientes estudios recogidos en dicho informe también han encontrado evidencias de la influencia de la acción humana en la variación de los eventos extremos. La principal característica del calentamiento antropogénico es su carácter global, la temperatura media de la superficie terrestre se ha incrementado desde el siglo XIX en todo el globo, independientemente que se trate de una zona de tierra como de mar, registrándose en las últimas tres décadas un aumento progresivo década a década, a pesar de la variabilidad interanual o decadal (Stocker et al., 2013). Los valores extremos también han sufrido variaciones a escala global en los últimos 60 años encontrándose un decrecimiento en el número de días y noches fríos y un incremento en el número de días y noches cálidos (90-100 % de probabilidad). También se ha detectado que la longitud y la frecuencia de las olas de calor ha aumentado desde mediados del siglo XX. El IPCC (Stocker et al., 2013) recoge cambios en los eventos de precipitación extrema, cuyo número se ha incrementado en más lugares de los que ha disminuido. En Europa el número de eventos de precipitación intensa ha aumentado en intensidad y frecuencia con algunas variaciones regionales y estacionales. En cuanto a los períodos de sequía no se ha encontrado ninguna tendencia global aunque esto puede ser debido a la falta de estudios y observaciones directas. Sin embargo en el Mediterráneo y el Oeste de África sí se ha encontrado que la frecuencia y la intensidad de las sequías ha aumentado desde 1950 (Hartmann et al., 2013).. 1.2.1 Cambio climático observado en la PI Según Kovats et al. (2014) la PI es una región amenazada por el cambio climático, un cambio climático que afecta de una manera u otra a todos los climas presentes en dicha región. Esta vulnerabilidad de la PI al cambio climático se ve reflejada en los estudios paleoclimáticos realizados en las últimas décadas y que muestran la gran sensibilidad de la región a la variabilidad climática global a diferentes escalas de tiempo (Cacho et al., 2010). Dada la sensibilidad de la PI se han producido numerosos estudios referentes al cambio climático observado en dicha región, algunos centrados en la PI en su conjunto mientras que otros centran su atención en una determinada subregión. Moberg et al. (2000) indican que se ha producido un calentamiento de hasta un 5% en la PI en el período 1880-1998, pero la mayoría de los estudios se centran en los 8.

(19) 1INTRODUCCIÓN cambios experimentados en el clima en la segunda mitad del siglo XX (Klein Tank et al., 2002). Los diversos estudios coinciden en que el calentamiento global que se ha producido en la PI en el s XX varía según se trate de la temperatura máxima o la mínima y también según la estación del año. Además el calentamiento no ha sido uniforme ni temporal ni espacialmente; durante el siglo XX han habido períodos en los que el calentamiento ha sido mayor y, dependiendo de las regiones, ha sido más o menos notable (Staudt et al., 2005). Estudios sobre toda la PI también han detectado un aumento general de la temperatura durante el siglo XX (Karl et al., 1993; Brunet et al., 2005)) de entre 0.1 y 0.2ºC·década-1 (del Río et al., 2011), mientras que del Río et al. (2012) destacan un aumento de 0.3ºC·década-1 de la temperatura anual en el 90% de España. Brunet et al. (2006) distinguen entre el aumento experimentado por la temperatura máxima (0.12ºC·década-1) y el experimentado por la temperatura mínima (0.10ºC·década -1), coincidiendo con del Rio et al. (2012) en que la temperatura máxima ha aumentado más que la mínima. Oñate y Pou (1996) distinguen que el norte y el noroeste de la PI, donde las temperaturas serían ahora menos extremas que a principios del siglo XX y el sudeste y el centro este de la PI donde las temperaturas habrían experimentado un aumento de ambos extremos. Según Sanz-Elorza et al. (2003) la temperatura en las altas montañas de la PI ha aumentado desde 1940, apreciándose el incremento tanto en las temperaturas máximas como en las mínimas mientras que la precipitación mensual se ha redistribuido. Según Castro et al. (2007) a finales del s XXI los modelos climáticos proyectan un aumento de las regiones de la PI y en el norte de África (Gallardo et al., 2013) con un clima seco semiárido. Dada la gran variabilidad climática de la PI y los distintos resultados encontrados según la zona a estudiar se han realizado muchos trabajos centrados en una única subregión de la PI. Algunos ejemplos de estudios centrados en una única región son Serra et al. (2001) en Barcelona, El Kenawy et al. (2012) en el noreste de la PI o del Río et al. (2005) en Castilla y León, por ejemplo. Los estudios de los eventos extremos sobre la PI también indican un aumento de la temperatura durante el s. XX (Klein Tank y Können, 2003). Della-Marta et al. (2007) señalan que la longitud de las olas de calor se ha duplicado durante el último siglo mientras que la frecuencia de los días cálidos (días cuya temperatura máxima es superior al percentil 95) se ha triplicado.. 9.

(20) 1INTRODUCCIÓN. 1.3 Herramientas para el estudio del clima En las últimas décadas se está realizando un gran esfuerzo en estudiar las causas y las consecuencias del calentamiento global. En esta línea se encuentran los informes del IPCC (Stocker et al., 2013) y a nivel más local el informe del comité CLIVAR-España (Climate VARiability and Predictability, Bladé et al., 2010). Diversos estudios muestran a los modelos numéricos como la mejor herramienta con la que se cuenta actualmente para realizar proyecciones climáticas (Gutiérrez y Pons, 2006; Räisänen, 2007, Flato et al., 2013).. 1.3.1 Modelos de clima (GCM, RCM) Los modelos de clima son la principal herramienta para simular el clima histórico o paleoclima, para estudiar la variabilidad y el cambio del clima a escala estacional o decadal, para hacer proyecciones de clima futuro y para conseguir esas proyecciones con detalle a escalas regional y local (Flato et al., 2013). Por otro lado, los Modelos Regionales de Clima (RCMs) (Laprise, 2008; Rummukainen, 2010) se han convertido en los últimos años en una herramienta muy importante para mejorar el detalle espacial de las proyecciones de cambio climático obtenidas por los Modelos de Circulación General (GCMs) (Giorgi y Mearns, 1999; Christensen et al., 2007b) y potencialmente también para una mejor descripción de eventos extremos (Durman et al., 2001). Un modelo climático es un programa de ordenador que intenta simular los procesos, tanto físicos como químicos, que ocurren en la atmósfera. Los modelos pueden ser desde muy simples a muy complejos, en una, dos o tres dimensiones y pueden encargarse de un único proceso físico que sea relevante para el clima o intentar simular toda la atmósfera, incluyendo sus interacciones con el suelo y el océano (http://www.wmo.int/pages/themes/climate/climate_models.php). Los modelos climáticos son modelos matemáticos que resuelven de manera numérica las ecuaciones matemáticas que rigen los procesos atmosféricos (evolución de un fluido en movimiento, cambio de fase del agua, termodinámica para la conservación de la energía o gases ideales). Para poder plantear estas ecuaciones el espacio se divide en celdillas tridimensionales (x·y·z), desde la superficie terrestre hasta el tope de la atmósfera y cubriendo todo el dominio que se quiera estudiar; en cada una de estas celdillas se calcularán las variables tales como presión, temperatura, humedad, viento, precipitación.... Los GCMs son los modelos elegidos para simulaciones muy largas sobre todo el globo mientras que los RCMs se usan para simular con mayor detalle, tanto espacial como temporal, el clima regional partiendo de los resultados obtenidos con los 10.

(21) 1INTRODUCCIÓN GCMs. Los resultados de los GCMs, debido a su escasa resolución horizontal (entre 1 y 5 grados de latitud), no pueden ser utilizados para analizar el clima regional, pero se usan como datos de partida para las simulaciones de los RCMs (proceso llamado anidamiento), obteniendo así una resolución espacial mucho mayor (entre 50 y 10 km2). Usar una resolución mayor hace posible simular de una mejor manera la línea de costa, la orografía o los tipos de suelo y esto permitirá estudiar los fenómenos locales, este detalle es necesario para hacer estudios de evaluación de impactos (Gao et al., 2006). Al anidar un RCM en un GCM el modelo regional “heredará” los posibles fallos o limitaciones del GCM por lo que al estudiar los resultados de las simulaciones de un RCM habrá que tener en cuenta este aspecto. Por este motivo en los trabajos de conjuntos de RCMs es conveniente trabajar no sólo con un conjunto de RCMs sino también con un conjunto de GCMs para analizar correctamente la dispersión entre las distintas simulaciones. Una limitación muy importante, y en muchas ocasiones limitante, al realizar las simulaciones de clima por medio de los modelos climáticos es el coste computacional. En los últimos años tanto la velocidad como la capacidad de cálculo de los procesadores ha aumentado considerablemente permitiendo una mayor rapidez en la realización de las simulaciones. Las mejoras informáticas han supuesto un gran avance en el uso de los modelos climáticos ya que permiten hacer simulaciones más largas y con una mayor resolución tanto espacial como temporal al reducir tanto el coste como el tiempo de realizar dichas simulaciones. Los modelos climáticos se encuentran en continua evolución, mejorando la descripción de los procesos físicos, introduciendo nuevos componentes o ampliando la resolución (horizontal, vertical y temporal). Flato et al. (2013) recoge las mejoras experimentadas por los RCMs desde el Cuarto Informe del IPCC como las parametrizaciones que usan dichos modelos para representar los procesos que no pueden ser resueltos explícitamente, por ejemplo los procesos relacionados con la convección atmosférica, con la microfísica de nubes o con los aerosoles (Flato et al., 2013). Estas mejoras han supuesto una mejor descripción por parte de los RCMs de los principales aspectos del clima regional tanto en precipitación como en temperatura, aunque los resultados reflejan una mayor dificultad a la hora de simular la precipitación, dada la complejidad de esta variable. En cuanto a las tendencias registradas en los eventos extremos durante la segunda mitad del s. XX, los RCMs las reproducen bien, pero tienen a sobrestimar el calentamiento de las máximas y a subestimar el de las mínimas. Por otro lado los RCMs han mejorado la simulación de los ciclones extratropicales. Estos resultados avalan la necesidad de evaluar 11.

(22) 1INTRODUCCIÓN exhaustivamente los resultados de los RCMs de la manera más completa y variada posible. Flato et al. (2013) también recoge el valor añadido que suponen los RCMs frente a los GCMs, especialmente en regiones con una orografía variada, como es la zona que nos ocupa, así como para estudiar fenómenos de pequeña escala, como puede ser la precipitación convectiva. Por este motivo todos los trabajos que se recogen en esta tesis se han realizado utilizando conjuntos de RCMs. Para la evaluación de los modelos climáticos es necesaria la disponibilidad de bases de datos observacionales de buena calidad mientras que la obtención de unos resultados fiables de proyecciones de clima futuro está relacionada con el desarrollo de los modelos (Hewitson et al., 2014). Un dato que aporta información muy importante para la evaluación de los modelos será la dispersión entre los diferentes modelos utilizados (Flato et al., 2013) por lo que la utilización de diferentes RCMs en los trabajos de evaluación es fundamental.. 12.

(23) 2 METODOLOGÍA.

(24)

(25) 2METODOLOGÍA. 2.1 Conjuntos de RCMs Los métodos de conjuntos de RCMs se usan para estudiar las incertidumbres en las simulaciones de los modelos derivadas de la variabilidad interna, de las condiciones de contorno utilizadas, de los parámetros de los modelos o incluso heredadas de los GCMs en los que se anidan los RCMs (Flato et al., 2013). La dispersión encontrada entre los diferentes resultados aporta una información muy valiosa en la evaluación de los RCMs, especialmente en regiones, variables o períodos en los que las observaciones sean escasas. La discrepancia entre los diferentes resultados y entre estos y las observaciones son un indicador muy importante para conocer las parametrizaciones y características de los modelos más sensibles en la descripción del clima regional. Importantes proyectos europeos han hecho posible la realización de simulaciones conjuntas de RCMs para analizar tanto el clima presente como el clima futuro. Los proyectos más reseñables son PRUDENCE ( Prediction of Regional scenarios and Uncertainties for Defining EuropeaN Climate shcange risks and Effects, Christensen y Christensen, 2007), ENSEMBLES (ENSEMBLES-based Prediction of Climate Changes and their Impacts, Van der Linden y Mitchell, 2009), ESCENA (Generación de escenarios regionalizados de cambio climático en España con modelos de alta resolución, Jiménez et al., 2013) o CORDEX (World Climate Research Program Coordinated Regional Downscaling Experiment, www.cordex.org, Giorgi et al., 2009), por ejemplo. En todos ellos se han realizado simulaciones tanto de clima presente como de clima futuro intentando abarcar PRUDENCE fue el primer gran proyecto europeo (2001-2004) en el que se consideró un conjunto de RCMs con una resolución de 50 km sobre el continente europeo. Los períodos simulados en este proyecto fueron 1961-1990 para las simulaciones de control (Jacob et al., 2007) y 2071-2100 para las simulaciones de escenarios futuros de clima (Beniston et al., 2007; Christensen et al., 2007a; Déqué et al., 2007; Boberg et al., 2009; Sánchez et al., 2011). A continuación, en el proyecto europeo ENSEMBLES (2004-2009) participaron más GCMs y más RCMs con el objetivo de obtener una matriz de simulaciones más completa para poder determinar si las incertidumbres son debidas a los modelos globales o a los regionales. Las simulaciones comenzaban en el año 1950, llegando en algunos casos hasta el año 2100 de manera continua y se realizaron con una resolución de 25 km (Christensen et al., 2008; Giorgi y Lionello, 2008; Boberg et al., 2010; Herrera et al., 2010; Kjellstrom et al., 2010; Boberg y Christensen, 2012; López-Franca et al., 2013a, b; Romera et al., 2015b). 15.

(26) 2METODOLOGÍA Otro importante proyecto europeo en esta misma línea es CORDEX. En este proyecto se pretenden realizar simulaciones de cambio climático sobre prácticamente todo el globo, para cubrir zonas poco estudiadas por los modelos. La primera región estudiada en este proyecto fue África (Nikulin et al., 2012). En el caso del continente europeo, que sí ha sido objeto de numerosos estudios previos, se han realizado simulaciones de muy alta resolución (12,5 km) en el marco de este proyecto (Vautard et al., 2013; Jacob et al., 2014; Kotlarski et al., 2014). El proyecto español ESCENA ha centrado su dominio sobre la PI, incluyendo gran parte del Atlántico, así como las Islas Canarias. El dominio europeo usado en los proyectos anteriores (PRUDENCE y ENSEMBLES) dejaba a la PI demasiado cerca de la zona de contorno y en ningún caso cubría el archipiélago Canario. Se han realizado simulaciones a 25 km de resolución usando 5 RCMs, anidados en 4 GCMs y usando distintos escenarios de emisiones SRES. Los períodos simulados son 1989-2008 para clima presente y 1951-2100 para clima futuro. Para analizar los resultados climáticos procedentes de un conjunto de RCMs se han propuesto diferentes metodologías y aproximaciones. La opción más extendida consiste en hacer un promedio de los resultados de los distintos modelos participantes en el estudio para obtener un único resultado, sin tener en cuenta qué modelos son más cercanos a las observaciones en cada caso. En el proyecto ENSEMBLES se propuso hacer un promedio ponderado de las distintas simulaciones adjudicando un peso a cada unos de los RCMs. Estos pesos o factores dependerían de la región a estudiar y de la variable, ya que un mismo RCM puede dar distintos resultados según la variable o la región. La publicación científica Climate Research dedicó en 2010 un número especial (volumen 44, 2-3) a las propuestas realizadas en este sentido, en ese número especial se encuentra, por ejemplo, el estudio de Christensen et al. (2010) que recoge el primer intento de ponderar los resultados de los modelos y calcula el peso de cada RCM combinando seis métricas distintas para poder tener en cuenta distintos aspectos del RCM. En el capítulo 3 de esta tesis se incluye una propuesta en este línea (Sánchez et al., 2009).. 2.1.1 El Modelo Regional de Clima PROMES El modelo regional de clima PROMES (Sánchez et al., 2004; Domínguez et al., 2010) ha participado con sus simulaciones en todos los proyectos anteriormente mencionados, así como en los proyectos AMMA (African Monsoon Multidisciplinary Analysis, Redelsperger et al. 2006), CLARIS y CLARIS-LPB (A Europe-South America network for climate change assessment and impact studies La Plata Basin, Boulanger et al., 2010), aportando simulaciones tanto de evaluación, como de clima 16.

(27) 2METODOLOGÍA presente y las proyecciones de clima futuro. En cada proyecto ha sido necesario adaptar PROMES a un dominio nuevo (Europa, España, África y Sudamérica), usando distintos datos de reanálisis para hacer las simulaciones de evaluación (ERA40 o ERA Interim) y se anidando en distintos GCMs según el proyecto, concretamente en el marco del proyecto ESCENA se anidó PROMES en cuatro GCMs distintos. La participación en todos estos proyectos ha hecho que el modelo esté sometido a una continua evolución y mejora, introduciendo nuevas parametrizaciones y adaptando el modelo a los distintos dominios y datos iniciales. Los resultados mostrados en los capítulos del 3 al 6 han sido posibles gracias a la gesión de las simulaciones en los supercomputadores en los que se han llevado a cabo los cálculos, así como el complejo, laborioso y esencial trabajo informático de postproceso necesario para ajustar las salidas del modelo a los estándares netcdf y CF (Climate and Forecast, http://cfconventions.org) exigidos y consensuados por la comunidad climática internacional para cada uno de los trabajos de intercomparación en los que se ha participado. Estas tareas son esenciales para que la comunidad científica disponga de bases de datos de simulaciones de modelos robustas y coherentes para su uso, tanto en estudio de clima, como su aplicación como información de entrada para estudios de impacto de clima. Como se muestra en la sección de resultados, en la intercomparación entre los modelos, PROMES ha obtenido resultados comparables al resto de participantes (Jacob et al., 2007 y Jiménez-Guerrero et al., 2013, por ejemplo).. 2.2 Datos observacionales en malla La evaluación de los RCMs es un punto crucial en los estudios de clima y la comparación de las simulaciones con observaciones es un requisito previo para poder usar los resultados de una manera fiable (Flato et al., 2013). Aunque se pueden hacer comparaciones con los datos recogidos en estaciones puntuales, la manera más completa de comprobar la habilidad de los RCMs es comparar con datos observacionales dispuestos en una rejilla o malla análoga a la que utilizan los modelos. La calidad de las bases de datos la determinan tanto la densidad de estaciones de medida utilizadas como los algoritmos de interpolación usados para obtener los datos dispuestos en malla. Al trabajar con datos observacionales dispuestos en rejilla hay que tener presente los datos de los que se ha partido para formar dicha base de datos, ya que habrá zonas en las que se disponga de muy pocas estaciones pero al transformar los datos a una rejilla con resolución espacial regular puede resultar engañoso.. 17.

(28) 2METODOLOGÍA La disponibilidad de las bases de datos observacionales, su calidad y su resolución tanto espacial como temporal dependerán de la región, el período y la variable que se quiera comparar. La escasez de bases de datos observacionales de calidad es una de las principales dificultades a la hora de evaluar los resultados de los RCMs. Dependiendo de la región, la variable y el período que se quiera evaluar se dispondrá de unas bases de datos u otras. La mayor parte de las bases de datos cuenta con datos mensuales por lo que será especialmente complicado validar ciertos análisis, como la evaluación de los eventos extremos al no disponer de datos diarios. También hay escasez de datos observacionales en los mares y océanos por lo que la comparación de las salidas de los RCMs con observaciones en estas zonas o en ciertas islas será muy difícil de llevar a cabo. Según el IPCC (2014) es importante usar varias bases de datos observacionales, especialmente en zonas con una orografía compleja, debido a la dispersión encontrada entre ellas (Waliser et al., 1999; Kim y Lee, 2003; Nikulin et al., 2012) y de esta manera reducir la incertidumbre en el conocimiento del clima observado. A continuación se detallan los principales aspectos de las bases de datos utilizadas para obtener los resultados que se exponen en esta tesis (ver Tabla 1.1):. 18. •. CRU (Climate Research Unit, http://www.cru.uea.ac.uk, Mitchel and Jones, 2005). Esta base de datos tiene una resolución espacial de 0.5º y cuenta con datos mensuales de precipitación y temperaturas media, máxima y mínima, para todo el globo. Ha sido usado en multitud de estudios (Giorgi et al., 2004, Jacot et al., 2007), pero su baja resolución tanto temporal como espacial limita su utilización para estudios más locales o de eventos extremos.. •. ECA (European Climate Assesment & Dataset, Haylock et al., 2008). Esta base de datos tiene una resolución espacial es de 0.25º y cuenta con datos diarios. Por contra no abarca todo el globo ya que se trata de un proyecto europeo y por lo tanto no se ha podido usar en el estudio realizado sobre el norte de África que se incluye en esta tesis (capítulo 5).. •. UDEL (University of Delaware, Willmott y Matsuura, 2000). Las variables incluidas en este caso son precipitación y temperatura media mensuales con una resolución espacial de 0.5º.. •. GPCC (Global Precipitation Climatology Center, Schneider et al., 2011). Esta base de datos sólo tiene datos de precipitación, son datos mensuales con una resolución de 0.5º.. •. CPC (Climate Prediction Center, National Oceanic and Atmospheric.

(29) 2METODOLOGÍA Administration, Chen et al., 2008). En este caso la precipitación es la única variable disponible con una resolución espacial de 0.5º. Al tratarse de datos diarios sobre todo el globo permitirá su utilización en el caso de estudios de precipitación extrema. •. Spain02 (Herrera et al., 2012). Está base de datos tiene una gran resolución, tanto espacial (0.2º) como temporal (datos diarios) por lo que es de gran utilidad para comparar con las salidas de los RCMs con una resolución similar. Cuenta con datos de precipitación y temperaturas media, máxima y mínima. El dominio de esta base de datos cubre España Peninsular y las Islas Baleares. Resolución Temporal CRU. Mensual. Resolución Espacial. Variables. 0.5º. Precipitación Temperatura media Temperatura máxima Temperatura mínima. ECA. Diaria. 0.25º. Precipitación Temperatura media Temperatura máxima Temperatura mínima. UDEL. Mensual. 0.5º. Precipitación Temperatura media. GPCC. Mensual. 0.5º. Precipitación. CPC. Diaria. 0.5º. Precipitación. 0.2. Precipitación Temperatura media Temperatura máxima Temperatura mínima. Spain02. Diaria. Tabla 1.1: Resumen de las bases de datos observacionales usadas en los estudios recogidos en esta tesis.. 19.

(30) 2METODOLOGÍA. 2.3 Cálculos y métricas utilizados En esta subsección se recogen los principales aspectos y cálculos que se han realizado para evaluar las simulaciones de clima de los RCMs. Dada la importancia de la trayectoria científica llevada a cabo durante la realización de esta tesis, no sólo se mencionan los cálculos que aparecen en las publicaciones de los capítulos de resultados (capítulos del 3 al 6) sino que se da un punto de vista más amplio haciendo referencia a los cálculos realizados en otras publicaciones científicas en las que la doctoranda ha colaborado y que se pueden consultar en el Anexo, estas publicaciones aparecen en negrita en esta subsección.. 2.3.1 Selección de subregiones y bases observacionales En dominios complejos y para poder hacer un análisis más detallado es conveniente dividir la región a estudiar en subregiones como se ha hecho en Tapiador et al. (2009), Sánchez et al. (2009), Domínguez et al. (2013), Gómez et al. (2015) y en Romera et al. (2015a). Los criterios para elegir las regiones son distintos en cada uno de los estudios. En Tapiador et al. (2009) y en Sánchez et al. (2009) el dominio total comprende todo el continente europeo y las subregiones que se eligieron son las que ya se habían usado en estudios previos (Giorgi et al., 2004; Christensen and Christensen, 2007; Sánchez et al, 2007, por ejemplo), considerando la PI como una única región. En Domínguez et al. (2013) la PI es dividida en seis regiones, partiendo de las once cuencas descritas en Herrera et al. (2010), como ya habían hecho Argüeso et al. (2012) siguiendo la técnica propuesta por Argüeso et al. (2011), mientras que en Gómez et al. (2015) la PI se ha dividido en nueve clusters después de hacer un estudio detallado sobre qué método usar para hacer la división (Jain et al., 1999) y cuál era el número de clusters más apropiado para el dominio y la variable a estudiar (Rokach et al., 2013). Por último, en Romera et al. (2015a) se ha dividido la región del Magreb en ocho subregiones siguiendo el patrón de la precipitación. Otro aspecto muy importante a tener en cuenta a la hora de evaluar las simulaciones de los RCMs es la elección de la base o bases de datos observacionales que se van a utilizar. Es conveniente que las bases de datos ya hayan sido utilizadas en la región de estudio y se haya mostrado su validez en esa zona. También es importante que la resolución espacial de las bases de datos sea lo más parecida posible a la resolución espacial de los datos de salida del RCM, ya que de esa manera la comparación será más efectiva y fiable. Si las resoluciones espaciales de observaciones y RCMs son comparables se podrán interpolar todos los datos a una malla común, como se ha hecho por ejemplo en Jiménez-Guerrero et al. (2013) y 20.

(31) 2METODOLOGÍA en Domínguez et al. (2013), de manera que la comparación entre simulaciones y observaciones es más inmediata, ya que se pueden representar las diferencias en cada punto. Por el contrario, en Romera et al. (2015a) no se ha considerado adecuado hacer una interpolación de los resultados dada la diferencia entre las resoluciones por lo que las diferencias entre simulaciones y observaciones se ha valorado siguiendo otros métodos. En cuanto a la resolución temporal, para el estudio de campos medios es suficiente con tener observaciones mensuales, mientras que para el estudio de campos extremos ha sido necesario contar con datos diarios de observaciones.. 2.3.2 Evaluación de campos medios Para evaluar los resultados de las simulaciones de los RCMs en los distintos estudios realizados se han usado los siguientes métodos: •. Comparación visual de los resultados representados en mapas: ◦ precipitación media durante la estación lluviosa (Romera et al., 2015a) ◦ precipitación, temperatura mínima y temperatura máxima estacionales (Jiménez-Guerrero et al., 2013) ◦ desviación típica de las temperaturas máxima y mínima y coeficiente de variación de la precipitación (Jiménez-Guerrero et al., 2013). •. Diferencias entre simulaciones y observaciones del promedio espacial de la precipitación en cada subregión (Romera et al., 2015a). •. Cálculo del coeficiente de correlación entre simulaciones y observaciones: ◦ En Jiménez-Guerrero et al. (2013) se ha calculado el coeficiente de correlación temporal en cada punto así como el promedio espacial tanto para la precipitación como para las temperaturas máxima y mínima tanto anual como estacional. ◦ En Tapiador et al. (2009) se ha calculado el coeficiente de correlación espacial para la precipitación y la temperatura media en cada subregión analizada.. •. 21. La función de distribución de probabilidad (PDF) se ha usado en Tapiador et al. (2009) para la precipitación y la temperatura mensuales, en Domínguez et al. (2013) para la precipitación diaria y en Gómez et al. (2015) para los valores diarios de viento a 10 m con objeto de analizar todo el espectro de valores. En el caso de la precipitación se ha representado en escala.

(32) 2METODOLOGÍA logarítmica para poder apreciar con más detalle las colas de la función. ◦ En los tres casos se ha realizado una comparación visual de las formas de las PDFs. ◦ En Tapiador et al. (2009) se ha comparado la forma completa de las PDFs usando distintos parámetros estadísticos: percentiles 25 y 90 y los cuatro primeros momentos (media, desviación estándar, asimetría y curtosis) ◦ En Domínguez et al. (2013) y en Gómez et al. (2015) se ha usado el coeficiente de Perkins (Perkins et al., 2007) para comparar las PDFs. •. En Jiménez-Guerrero et al. (2013) se han usado diagramas de Taylor (Taylor, 2001) para comparar la desviación estándar al mismo tiempo que la correlación espacial tanto para la precipitación como para las temperaturas máxima y mínima.. •. El ciclo anual de la precipitación en cada subregión se ha calculado en Romera et al. (2015a).. •. Para estudiar la variabilidad interanual en Romera et al. (2015a) se han calculado las anomalías de la precipitación anual media en cada subregión.. En Sánchez et al. (2009) se ha buscado un método para tratar los resultados de un conjunto de RCMs, calculando los pesos que habría que aplicar a cada RCM, utilizando las CDFs (función de distribución de probabilidad acumulada) de la precipitación mensual. Al contar con un período simulado de cuarenta años (19612000) se han utilizado los primeros treinta años para calcular dichos pesos y los últimos diez años (1991-2000) para validar el método.. 2.3.3 Evaluación de eventos extremos Un aspecto muy importante a la hora de estudiar el clima de una región son los extremos y es necesario saber si los modelos son capaces de reproducir esos eventos extremos tales como períodos secos, eventos de precipitación extrema, olas de calor, olas de frío, etc. Según la climatología de la región a estudiar predominarán unos eventos sobre otros por lo que la elección de los eventos extremos a analizar dependerá de la región elegida. Existen distintos índices y parámetros estadísticos para estudiar este tipo de eventos (Zhang et al, 2011). A continuación se detallan los que se han usado en los estudios de Sánchez et al. (2011), López-Franca et al. (2013b, 2015), Domínguez et al. (2013) y Romera et al. (2015a): • 22. Días secos (del inglés, dry days): se considera día seco al día cuya.

(33) 2METODOLOGÍA precipitación no supera 1 mm·día -1. A partir de esta definición se puede estudiar la longitud media anual de los períodos de días secos, la longitud máxima de los períodos de días secos o, por ejemplo, el número de períodos de días secos cuya longitud supere cierto número de días. •. Eventos de precipitación extrema: número de días cuya precipitación supere un cierto valor, por ejemplo 10 mm·día -1 (precipitación intensa) o 20 mm·día -1 (precipitación muy intensa).. •. Fracción de precipitación debida a los eventos por encima del percentil 95.. •. Percentiles 10 y 90 de las temperaturas máxima y mínima.. •. Ola de calor: en Domínguez et al. (2013) se ha considerado ola de calor al período no inferior a cinco días cuya temperatura máxima supere los 35ºC. Este umbral se ha obtenido a partir del percentil 95 de los datos observados en todo el dominio analizado. A partir de esta definición se han analizado la duración máxima y el número medio por año de las olas de calor.. •. Número de noches tropicales, entendiendo como noche tropical aquella en la que la temperatura mínima es superior a los 20ºC.. •. Combinando las olas de calor con las noches tropicales se obtiene un índice distinto: número de días cuya temperatura máxima es superior a los 35ºC y la temperatura mínima es superior a los 20ºC.. La comparación de estos índices entre observaciones y modelos se puede hacer de manera similar a la de los campos medios. Se puede comparar visualmente la distribución espacial mediante la representación en mapas (Sánchez et al., 2011; Domínguez et al., 2013; López-Franca et al., 2013b; Romera et al., 2015a) o por medio de historgramas (Romera et al., 2015a). Una comparación más objetiva se consigue mediante el cálculo, por ejemplo, del coeficiente de correlación de Pearson, como se ha hecho en Domínguez et al. (2013) para todos los estadísticos e índices de extremos analizados en el estudio. En Sánchez et al. (2011), por otro lado, se ha ajustado la distribución de la longitud media de los períodos secos a una distribución Weibull (Lana et al., 2008) y a continuación se ha realizado un test Kolmogorov-Smirnov (Von Storch and Zwiers, 1999) para comprobar si el ajuste era estadísticamente significativo o no. En los siguientes casos se han llevado a cabo otros cálculos para para realizar un análisis de los enventos extremos. En Domínguez et al. (2013) se han analizado la cola de las PDFs por encima del percentil 95 mediante el coeficiente de Perkins. 23.

(34) 2METODOLOGÍA (Perkins et al., 2007) para estudiar la precipitación intensa. Por otro lado, LópezFranca et al. (2015) se ha centrado en el estudio de las sequías en la PI analizando la persistencia de los días secos. En este análisis se ha aproximado la persistencia de los días secos a una cadena de Markov de segundo orden. En Drobinski et al. (2015) se ha buscado una relación entre los extremos de temperatura y precipitación en el Mar Mediterráneo usando también un conjunto de RCMs, pero en este caso los datos observacionales proceden de estaciones puntuales.. 2.3.4 Análisis de ciclones y medicanes: evaluación y clima futuro Los resultados que se muestran en el capítulo 6 de la presente tesis doctoral requieren una explicación específica sobre el tipo de cálculos y análisis empleados en el mismo que se detallan en esta subsección. En la zona oeste del Mar Mediterráneo se han relacionado eventos de precipitación intensa y viento fuerte con la alta densidad de ciclones que se da en esa zona (Doswell et al., 1998). Estos procesos, junto con el trabajo anterior desarrollado en Gaertner et al. (2007), dio pie al trabajo de Romera et al. (2015b) donde se realiza un análisis de los ciclones con carácter tropical que se desarrollan en el Mar Mediterráneo (Medicanes) usando los datos de un conjunto de RCMs. La metodología empleada en este estudio se divide en tres pasos: la identificación de los ciclones, el cálculo de las trayectorias seguidas por dichos ciclones y la selección de los ciclones que tengan características tropicales. El primer paso es identificar todos los ciclones, independientemente de sus características, y para ello se ha usado el método descrito en Picornell et al. (2001) basado en la presión a nivel del mar (SLP). Una vez que se han detectado los centros de bajas presiones y se han aplicado los filtros correspondientes para eliminar las bajas demasiado pequeñas o demasiado cercanas, se procede al cálculo de la trayectoria seguida por la baja, utilizando el viento a 700 hPa y el viento máximo diario. En Flaounas et al. (2015) se ha aplicado este mismo método a un conjunto de modelos y se han comparado los resultados con los de otros cinco métodos más. Para clasificar los ciclones detectados y poder hacer un estudio de los medicanes se ha analizado la estructura vertical de cada uno de los ciclones y se han calculado los tres parámetros descritos en Hart (2003), que aportan información sobre la simetría de la baja y la temperatura de su núcleo. Los tres parámetros de Hart son B, que indica la simetría o asimetría del ciclón, -V TL, que aporta información sobre la temperatura del núcleo del ciclón en superficie (entre 900 y 600 hPa) y -V TU, que aporta información sobre la temperatura del núcleo en altura (entre 600 y 300 hPa). 24.

(35) 2METODOLOGÍA Por medio de estos tres parámetros y aplicando los filtros basados en los resultados de Miglietta et al. (2013) se puede determinar si se trata de un ciclón con carácter tropical (medicane) o extratropical. En la Figura 2.1 se muestra un ejemplo de diagrama de Hart, donde se representan los valores de los tres parámetros, para un ciclón real registrado en el Océano Pacífico entre el 21 de agosto y el 9 de septiembre de 2015 (fuente: http://moe.met.fsu.edu/cyclonephase/index.html). En un diagrama de Hart se representa toda la trayectoria del ciclón en función de los valores de los parámetros obtenidos y se observa si el ciclón muestra simetría y núcleo cálido (tanto en superficie como en altura) para poder clasificarlo como ciclón con características tropicales. En la Figura 2.1 se indica en color azul la zona de núcleo frío y en rojo la zona de núcleo cálido. Además el tamaño y los colores de los puntos de la trayectoria del ciclón también aportan información sobre la velocidad del viento y la intensidad del ciclón en cada punto. En el estudio de Romera et al. (2015b) se han utilizado este tipo de diagramas para ayudar a la caracterización de los ciclones pero no se muestran explícitamente. En Romera et al. (2015b), una vez seleccionados los medicanes entre todos los ciclones detectados se ha realizado la validación de los resultados obtenidos con los RCMs comparando los datos de los medicanes con los obtenidos por Miglietta et al. (2013). A continuación, para estudiar las variaciones que se pueden esperar en clima futuro se han analizado los siguientes aspectos: •. Velocidad máxima diaria en el centro de los medicanes (tanto el percentil 95 como la velocidad máxima). •. Evolución de la frecuencia anual de los medicanes. •. Distribución mensual de los medicanes. •. Distribución espacial de los medicanes dividiendo el Mar Mediterráneo en zonas: ◦ según la latitud, en zonas Norte y Sur ◦ según la longitud en zonas Oeste, Centro y Este. •. 25. Distribución de los medicanes según su velocidad máxima diaria..

(36) 2METODOLOGÍA. Figura 2.1. Ejemplo de gráfico de Hart para un ciclón real registrado entre el 21 de agosto y el 9 de septiembre de 2015. (Fuente: http://moe.met.fsu.edu/cyclonephase/index.html). 26.

(37) 3 PROPUESTA DE CONJUNTO PONDERADO DE MODELOS REGIONALES DE CLIMA. Este capítulo reproduce el texto del siguiente manuscrito: Sánchez E, Romera R, Gaertner MA, Gallardo C, Castro M (2009) A weighting proposal for an ensemble of regional climate models over Europe driven by 1961-2000 ERA40 based on monthly precipitacion probability density functions. Atmos Sci Let 10: 241-248, doi: 10.1002/asl.230.

(38)

(39) 3PROPUESTA DE CONJUNTO PONDERADO DE MODELOS REGIONALES DE CLIMA. 3.1 Resumen Se simula el clima presente sobre Europa usando 12 Modelos Regionales de Clima (RCMs), anidados en el reanálisis de ERA40. Se propone un método para puntuar los modelos según las funciones de densidad acumuladas (CDFs) de la precipitación mensual para el período 1961-1990 para cada estación y ocho subregiones, comparando las simulaciones con la base de datos observacional CRU. El conjunto de las curvas CDFs es similar a las observaciones para todas las subregiones y estaciones. Los percentiles más altos (mucha cantidad de precipitación) muestran una dispersión mayor. Se han encontrado diferencias importantes entre las puntuaciones obtenidas por los modelos en cada región y estación. Aplicando esas puntuaciones para obtener un campo de precipitación ponderado para el período 1991-2000 se obtienen resultados más cercanos a las observaciones que al considerar el conjunto de los modelos sin ponderar y en algunos casos se observa una amplia mejora.. 29.

(40) 3PROPUESTA DE CONJUNTO PONDERADO DE MODELOS REGIONALES DE CLIMA. 30.

(41) 3PROPUESTA DE CONJUNTO PONDERADO DE MODELOS REGIONALES DE CLIMA. 3.2 A weighting proposal for an ensemble of regional climate models over Europe driven by 1961-2000 ERA40 based on monthly precipitation probability density functions Abstract Present climate over Europe is simulated by 12 regional climate models (RCMs), forced by ERA40 reanalysis. A method is proposed to score models from the 1961– 1990 monthly precipitation cumulative density functions (CDFs) for each season and eight chosen subregions, compared with the CRU observational database. Ensemble CDF curves compare well against observations for all the subregions and seasons. Higher percentiles (heavy precipitation amounts) show a larger spread among results. Important differences in scores are obtained among models, regions and seasons. Applying the scores to compute 1991–2000 weighted ensemble precipitation, results are slightly closer to observations than the direct (unweighted) ensemble, and some cases show a larger improvement. 1. Introduction Regional climate modelling (RCM) has become in the past years an important tool to improve our understanding of key processes involved in the description of climate mechanisms on regional scales (Giorgi and Mearns, 1999; Christensen et al., 2007). Many analyses from single RCMs focused on present and future regional climate have been made, such as Giorgi et al. (2004); Räisänen et al. (2004); Déqué et al. (2005); Sánchez et al. (2007). Also several efforts with a group of models simultaneously have been made to simulate common period, region and emission scenarios. An ensemble of models allows a more accurate description of the limitations, uncertainties and a probabilistic approach of future climatic projections. The DEMETER project (Palmer et al., 2004) is a well-known example of these studies, with global climate models. When dealing with future climate projections from an ensemble of RCMs, results of several studies are available (Vidale et al., 2003; Tebaldi et al., 2004; Christensen and Christensen, 2007; Jacob et al., 2007; Christensen et al., 2008). The PRUDENCE project (Christensen et al., 2007), focused on European climate, is a recent and successful example of these types of analyses. The result of an ensemble of models (Jacob et al., 2007) is in many cases closer to observations than any individual model (Palmer et al., 2004), perhaps due to compensating errors from different models. One possible approach to compare results further would be giving weights to model results when computing an 31.

(42) 3PROPUESTA DE CONJUNTO PONDERADO DE MODELOS REGIONALES DE CLIMA ensemble average (a single climate projection obtained from the average of all the models simulating the same period and conditions), which is then expected to obtain a closer result to the observed climate. The error obtained from multiple underdispersive models is sometimes the result of compensating errors, giving rise to a right answer, but for wrong reasons. A weighting or score, based on observations, also tries to improve this potential problem. Depending on the key process or mechanism that is considered, several scores or weightings will be obtained. Another challenging issue of this methodology would be their use to compute also ensemble results for future climatic conditions, supposing that these present-climate weightings will be right for future periods. The procedure proposed here could help in reducing uncertainties, although a more robust method for this purpose under future climate conditions from model simulations would need some convergence criterion, such as in Giorgi and Mearns (2002). Here we show the results obtained from a group of RCMs used in the European ENSEMBLES project (Hewitt, 2005; Christensen et al., 2008), where this type of analysis is one of their main goals. These models have simulated present climate (1961–2000), forced with ERA40 reanalysis (Uppala et al., 2005). The analysis presented here will be focused on precipitation results. Precipitation is a complex and challenging quantity to be studied. It has an intrinsic complex and irregular structure in time and space, and many physical climatic processes are involved in its description. Several numerical parameterizations have been proposed for its representation in climate models (Jacob et al., 2007), and the uncertainties associated with the climatic change projections for future conditions due to increased greenhouse conditions are higher than, for example, temperature (Christensen et al., 2007; Déqué et al., 2007). The use of RCMs to describe precipitation has an additional point of interest when compared with global climate model (GCM) results, owing to the importance of regional scale features (Frei et al., 2003; Fowler et al., 2007). We propose a method to score models from the comparison of precipitation cumulative density functions (CDFs) against the observed values. Due to the complexity of precipitation mechanisms, and the use of the whole probability distribution, we can have confidence that high scores will correspond to a good model in terms of simulating their main climatic features. Several methods have been suggested to score an ensemble of models (generally GCMs), based on monthly or seasonal probability distribution values (Giorgi and Mearns, 2002; Shukla et al., 2006), or from daily ones (Perkins et al., 2007). In particular, the approach shown here is similar to Giorgi and Mearns (2002) reliability ensemble averaging (REA) analysis, but with two modifications here: RCM are used instead of GCM models; and cumulative density 32.

(43) 3PROPUESTA DE CONJUNTO PONDERADO DE MODELOS REGIONALES DE CLIMA functions are used instead of the statistical tool as the means. The objective of this study is to propose and validate a method to create scores from an ensemble of RCMs in terms of their ability to follow observed CDFs of monthly precipitation. In the ENSEMBLES project both 25 and 50 km horizontal resolution results are available, but we have chosen the 50 km (or 0.5 degrees) ones as the first test of the proposed analysis, considering that this resolution has been the more commonly used one for many of the RCM studies over Europe (Christensen et al., 1998; Gaertner et al., 2001; Vidale et al., 2003; Giorgi et al., 2004; Räisänen et al., 2004; Déqué et al., 2005; Christensen et al., 2007; Jacob et al., 2007). 2. Methodology of the analysis 2.I. Description of RCM models and simulations The results of 12 models (ALADIN (CHMI), ALADIN (CNRM), HIRHAM (DMI), CLM (ETHZ), HadRM3 (HC), RegCM (ICTP), RACMO (KNMI), HIRHAM (METNO), REMO (MPI), CRCM (OURANOS), RCA (SMHI) and PROMES (UCLM)) that take part in the ENSEMBLES project have been used. A detailed description of these models, except OURANOS (Laprise et al., 2003) can be found in Jacob et al. (2007). Precipitation analyses will be made on monthly time scales. Monthly or seasonal scales are of interest for many impact studies (Doblas-Reyes et al., 2006), and can easily be compared against the wellestablished CRU (climate research unit) climatology database (New et al., 1999). Although not shown here, monthly results have also been compared against the European Climate Assessment (ECA) (Haylock et al., 2008) observational database, showing very similar results. CRU results have been then chosen to score the models against the observations, as they have been used as the reference to compare RCM results in many studies over Europe, for basic statistics (Noguer et al., 1998; Gaertner et al., 2001; Rummukainen et al., 2001; Vidale et al., 2003; Hagemann et al., 2004; Giorgi et al., 2004; Räisänen et al., 2004; Jacob et al., 2007; Kjellström and Ruosteenoja, 2007), or the whole probability density functions (Tapiador et al., 2007, 2009). The domain used here covers the whole of Europe and the Mediterranean basin (see Figure 3.1), and uses a horizontal resolution around 50 km for the models with a Lambert conformal projection, or a 0.5 degree cell size for the models with longitude/latitude projection (only two use Lambert). In Jacob et al. (2007) more details of domain characteristics can be obtained.. 33.