Download El método de reducción de escala estadístico
Transcript
Meteorología Colombiana pp. 73–76 N4 Octubre, 2001 Bogotá D.C. ISSN-0124-6984 EL MÉTODO DE REDUCCIÓN DE ESCALA ESTADÍSTICO APLICADO A ESTUDIOS DE CAMBIO CLIMÁTICO NÉSTOR RICARDO BERNAL-SUÁREZ Estadístico, Coinvestigador Proyecto "Proyecciones Climáticas Regionales e Impactos Socioeconómicos del Cambio Climático en Colombia". COLCIENCIAS-U.N. JORGE MARTÍNEZ-COLLANTES Profesor Asociado, Departamento de Matemáticas y Estadística-Universidad Nacional de Colombia JOSÉ DANIEL PABÓN-CAICEDO Instituto de Hidrología, Meteorología y Estudios Ambientales - IDEAM Profesor, Departamento de Geografía, Facultad de Ciencias Humanas – Universidad Nacional de Colombia Investigador Proyecto “Proyecciones climáticas e impactos socioeconómicos del cambio climático en Colombia" Bernal, N., J. Martínez & J. Pabón. 2001: El método de reducción de escala estadístico aplicado a estudios de cambio climático. Meteorol. Colomb. 4:73-76. ISSN 0124-6984. Bogotá, D.C. – Colombia. RESUMEN En estudios de cambio climático los Modelos de Circulación General de la Atmósfera (MCGA), permiten simular el clima a nivel mundial. Mediante estos modelos se representan variables meteorológicas en puntos de grilla distanciados por 300 km. Un interés particular consiste en simular posibles cambios en variables como la precipitación y la temperatura del aire en superficie en los años futuros, debido a un aumento supuesto de gases de efecto invernadero ocasionado por un crecimiento poblacional y económico en un contexto global. Sin embargo, los modelos presentan las proyecciones climáticas en puntos de grilla que en la mayoría de las veces no corresponden a los sitios de interés particular como un lugar, población o región. Para lograr obtener las estimaciones de las variables climatológicas para un lugar determinado a partir de los MCGA, se utilizan entre otros métodos el proceso de Reducción de Escala (Statistical Downscaling). En este estudio se muestra un ejemplo del método señalado, aplicado a la zona de La Guajira colombiana utilizando el Análisis de Correlación Canónica para relacionar la variabilidad del modelo MCGA, con la variabilidad de la precipitación mensual en las estaciones meteorológicas. Palabras Clave: Cambio climático, gases efecto invernadero, temperatura del aire, precipitación, reducción de escala. ABSTRACT In climate change studies, the global circulation models of Atmosphere (GCMA) are enable one to simulate the global climate, with the field variables being represented on a grid ponits 300 km apart. One particular interest concerns the simulation of possible changes in rainfall and surface air temperature due to an assumed increase of greenhouse gases. However, the models yield the climatic proyections on grid points that in most cases do not correspond to the sities of major interest. To achieve local estimates of the climatological variables, methods like the one known as statistical downscaling are applied. In this article we show a case in point related to monthly precipitation by applying canonical correlation analysis (CCA) to some regions in the Northwestern of South America (Colombian Region). Key Words: Climate change, greenhouse gases effect, air temperature, precipitation, statistical downscaling. 1. INTRODUCCIÓN Los desarrollos socioeconómicos, cambio tecnológico y aumento de la población en un contexto mundial, son el factor que está ocasionando un aumento en la emisión de gases de efecto invernadero, que conducirá a un posible cambio climático. El cambio climático puede producir efectos en todas las escalas (local, regional y continen- 74 METEOROLOGÍA COLOMBIANA N°4, OCTUBRE 2001 tal), como aumento de la temperatura del aire en superficie, cambios en la precipitación, aumento en el nivel del mar, cambios en la estacionalidad, circulación atmosférica alterada y cambios en la frecuencia y magnitud de los eventos extremos. (Department of Environment Transport and the Regions, 1995). Establecidas las relaciones mediante métodos estadísticos de Reducción de Escala, se pueden aplicar a las proyecciones de los MCGA para determinar posibles alteraciones del clima en los años futuros, particularmente los cambios que podrían ocurrir en la precipitación y temperatura del aire en superficie, que se utilizan para la generación de escenarios de cambio climático para un lugar o región determinada. Los MCGA permiten simular variables atmosféricas y corresponden a una representación matemática (Storch & Zwiers, 1999) de la estructura dinámica y térmica de la atmósfera y constituyen la herramienta más potente disponible en la actualidad para modelar el clima. Los modelos presentan los resultados en puntos de grilla que no corresponden a los sitios de interés particular, por lo que se requieren utilizar herramientas que conecten el comportamiento del clima modelado con el comportamiento real de las variables climatológicas. Una de las herramientas es el proceso de Reducción de Escala mediante métodos estadísticos. Dada la posibilidad de que se presente un cambio climático en los próximos decenios que afecte, entre otras regiones, la América Tropical, es importante para Colombia establecer escenarios en una escala regional o local para prever posibles alternativas de adaptación o mitigación, por eso es relevante incursionar en la exploración de herramientas que permitan desarrollar dichos escenarios climáticos. 2. Tal como se dijo en Pabón et al. (2001), el método de Reducción de Escala (Fig.1) consiste en establecer relaciones entre las variables simuladas por el MCGA y los valores históricos de precipitación en estaciones meteorológicas en superficie. Estas relaciones pueden hallarse utilizando estos métodos estadísticos como la Regresión Lineal Múltiple, Regresión Lineal Múltiple con variables predictoras en cada punto de grilla próximos a las estaciones, Regresión Lineal Múltiple con variables predictoras en los cuatro puntos de grilla próximos a las estaciones, Regresión Lineal paso a paso. Otra posibilidad dentro del conjunto de métodos de Regresión es la Regresión Dinámica, que permite tener en cuenta la estructura temporal de las series de tiempo o también el método denominado Modelo de Transferencia. También hay otras alternativas en el conjunto de Métodos Multivariados como los siguientes: Análisis de Correlación Canónica, Análisis de Correlación Canónica con Componentes principales, Descomposición en Valores Singulares (Huth, 1999), otra posibilidad es la metodología que consiste en aplicar Redes Neuronales. METODOLOGÍA Una de las metodologías que se utilizan ampliamente (Huth, 1999) para la reducción de escala espacial es el Análisis de Correlación Canónica. Este método es el que se utiliza en este trabajo y se puede describir como sigue a continuación. 2.1. Análisis de Correlación Canónica Se considera un grupo de variables predictoras obtenidas de las simulaciones de un MCGA que se denominará campo predictor representadas por la siguiente matriz: X txp Esta matriz contiene la información de las variables simuladas por el CCM3, donde t representa el número de tiempos considerados para el período de referencia o período de calibración y p indica el número de variables predictoras. La siguiente matriz representa el conjunto de estaciones meteorológicas en una región local en las cuales se dispone de la información histórica de las mediciones de la variable meteorológica: Y txq corresponde a una matriz de la variable precipitación en estaciones, donde t representa el número de tiempos considerados para el período de calibración y q representa el número de estaciones en la región local. El Análisis de Correlación Canónica tiene como objetivo buscar pares de variables denominadas variables canónicas definidas así: p V k a 1k x i Figura 1. Visualización del método de reducción de escala (Department of Environment Transport and the Regions, 1995) i 1 q y W k b jk y j donde k = 1,.....,mín (p,q). j 1 BERNAL, MARTÍNEZ & PABÓN: REDUCCIÓN ESCALA ESTADÍSTICO APLICADO A CAMBIO CLIMÁTICO 75 Las primeras combinaciones lineales (señaladas en la parte izquierda) constituyen representantes del campo predictor y las segundas constituyen representantes del grupo de las estaciones respecto a la variable precipitación. La variabilidad histórica local de la variable a la cual se le aplica la reducción de escala está relacionada con la variabilidad de gran escala reproducida por el modelo (Solman & Núñez, 1999) y esta relación no cambia con alteraciones del clima (Zorita et al., 1995). La búsqueda del primer par de variables canónicas satisface la siguiente condición: Los métodos estadísticos no sólo pueden reproducir los datos históricos, estos también tendrán en cuenta la física de la(s) relación(es), es decir, los métodos se pueden denominar métodos físico - estadísticos (Montealegre & Pabón, 2000). Cor (V 1 ,W1) = r1 es máximo Cor indica la medida de asociación en el sentido de correlación lineal de Pearson y r1 representa dicho coeficiente de correlación, Las siguientes pares de variables canónicas cumplen: r k r k 1 .... r1 donde k es el número de variables canónicas. También es posible determinar la correlación entre cada variable canónica (V1 y W 1) y las variables de cada campo; en particular, este resultado contribuye principalmente a determinar relaciones lineales entre la precipitación en las estaciones de estudio y la primera variable canónica. Por lo tanto para posibles alteraciones de las variables predictoras simuladas por el MCGA se pueden establecer los posibles cambios en la variable precipitación en las estaciones. Este proceso se puede sintetizar en las siguientes etapas interrelacionadas: 1. Simulación MCGA - Cambios en valores de Xi (campo predictor) 2. Ocasionan cambios en la variable canónica Vi 3. Ocasionan cambios en la variable canónica W j 4. Escenario Climático - Ocasionan posibles cambios en la variable precipitación Yj (campo de precipitación) 2.2. Supuestos Estadísticos Los supuestos estadísticos para la aplicación del Análisis de Correlación Canónica son los siguientes: se consideran las p series de tiempo como p - vectores definidos desde la perspectiva de Álgebra Lineal, es decir p vectores t-dimensionales. No se tiene en cuenta la estructura temporal, por ejemplo la autocorrelación estudiada en series de tiempo y para aquellos tiempos en los cuales no existe información de alguna de las variables tanto predictoras como de estaciones el análisis no tiene en cuenta este componente vectorial. 2.3. Supuestos Meteorológicos La confiabilidad de los valores estimados a nivel local (nivel de la estación) depende de la capacidad del modelo climático global en reproducir las variables de gran escala (variables predictoras). 2.4. El Método de Reducción de Escala para Escenarios de Cambio en la Precipitación Se considera un período de calibración de longitud t, un período de prueba de longitud h y un período perturbado. El primero se utiliza para la estimación de las ponderaciones en la definición de las variables canónicas, el segundo para validar los resultados de las variables canónicas y el tercero se considera como un período que ha sido intervenido en el modelo en el MCGA, por ejemplo bajo el supuesto de un aumento del gas de efecto invernadero CO2. En la Fig.2 se describe la participación de las variables de los dos campos (predictor y el de precipitación). X1 Y1 X2 . . . Y2 . . . V1 Xp W1 Yq Figura 2. Variables predictoras - precipitación en estaciones a nivel regional V1 es la primera variable canónica del campo predictor y W1 es la primera variable canónica del campo de predictando de precipitación obtenido con el grupo de estaciones analizadas para el período de calibración. 2.5. Datos e Información Utilizada Con el fin de aplicar el Método de Reducción de Escala se aplica el Análisis de Correlación Canónica para las estaciones de Manuare y Carraipía en la Guajira Colombiana y se utilizan 10 variables predictoras (Tabla 1) simuladas por el Modelo CCM3 en cuatro puntos de grilla próximos a las estaciones, el período de calibración corresponde al período 1969-1990 y el período de prueba corresponde al período 1991-1998.Los resultados que se presentan únicamente hacen referencia al período de Calibración. 3. RESULTADOS DEL ANÁLISIS El campo predictor está definido por 40 variables predictoras definidas en cuatro puntos de grilla y el campo 76 METEOROLOGÍA COLOMBIANA N°4, OCTUBRE 2001 predictando por los datos de precipitación por dos estaciones en la Guajira colombiana. Tabla 1. Variables predictoras simuladas por el MCGA CCM3 Variable Nivel 1. Fracción de Nubes Efectiva 2. Presión Atmosférica 1000 hPa. 3.Humedad Relativa 4.Insolación 5.Temperatura 695 hPa. 6.Temperatura 866 hPa. 7 Viento zonal 695 hPa. 8.Viento Meridional 695 hPa. 9. Viento zonal 866 hPa 10. Viento Meridional 866 hPa. Al aplicar el Análisis de Correlación Canónica se vieron correlaciones canónicas de 0.75 y 0.43, en la Fig.3 se presenta la dispersión que representan las dos primeras variables canónicas (V1 y W 1), la variable predictora de mayor ponderación en la variable canónica V1 corresponde a la variable Insolación en los dos puntos de grilla más próximos a las estaciones y la segunda variable con contribución es la Fracción de Nubes Efectiva, aunque menor en valor absoluto, comparada con la primera variable, esta contribución sólo aparece en uno de los puntos de grilla más próximo a las estaciones de estudio. 4. CONCLUSIONES A partir del Análisis de Correlación Canónica se pudieron establecer las relaciones entre las variables simuladas por el CCM3 y la variable precipitación mensual en dos estaciones, esta relación permite determinar posibles alteraciones en esta variable cuando se supongan algunas condiciones forzantes al modelo MCGA como un aumento en la emisión de gases de efecto invernadero. Las relaciones halladas se basan en la interpretación de las primeras variables canónicas del campo predictor y del campo predictando que presentan un coeficiente de correlación canónica de 0.75, la variable que resultó con mayor contribución en la primera variable canónica del campo predictor correspondió a la insolación. Agradecimientos Trabajo realizado dentro del marco del Grupo de Investigaciones en Meteorología - U.N., que cuenta con el apoyo financiero de COLCIENCIAS y el BID, contrato COLCIENCIAS-U.N. No.391/99 y 364/2000. Forma parte de los resultados del Proyecto de Investigación apoyado por COLCIENCIAS y el BID “Proyecciones climáticas regionales e impactos socioeconómicos del cambio climático en Colombia", contrato COLCIENCIAS-U.N. No.321-98. GRAFICO DE DISPERSION DOS PRIM ERAS VARIABLES CANONICAS 5.00 4.00 3.00 W1 2.00 1.00 -2.00 -1.00 0.00 -1.000.00 1.00 2.00 3.00 4.00 -2.00 v1 Figura 3. Relación entre las dos primeras variables canónicas para el período de calibración REFERENCIAS BIBLIOGRÁFICAS Department of Environment Transport and the Regions. 1995: The Climate Impacts LINK project. 20pp. University of Oxford. Oxford. Huth, R. 1999: Statistical Downscaling in Central Europe: evaluation of methods and potential predictors, Climate Research, 13:91-101. Montealegre, J. & J. Pabón. 2000: Modelamiento de las relaciones existentes entre los procesos de interacción Océano-Atmósfera del Océano Pacífico y el Océano Atlántico tropical norte y sur y la variabilidad interanual de la precipitación en Colombia. Meteorol. Colomb. 1:11-24. ISSN 0124-6984. Bogotá, D.C. – Colombia. Pabón, J., J. Martínez, N. Bernal, A. Molina & E. Vega. 2001: Aspectos Metodológicos del Método de Reducción de Escala. Meteorol. Colomb. 4:65-72. ISSN 0124-6984. Bogotá, D.C. – Colombia. Solman, S. & M Nuñez. 1999: Local Estimates of Global Climate Change: A Statistical Downscaling Approach, International Journal of Climatology, 19:831-861. Storch, H. & F. Zwiers. 1999: Statistical Analysis in Climate Research, Cambridge University Press, United Kingdom, 488pp. Zorita, E., J. Hughes, D. Lettenmaier & H. Von Storch. 1995: Stochastic Characterization of Regional Circulation Model Diagnosis and Estimation of Local Precipitation. J. of Climate, 8(4):1023-1042. Fecha de recepción: 13 de marzo de 2001 Fecha de aceptación: 19 de abril de 2001