Download Resumen Modelación climática

......................................................................................................................................................
Plataforma de Información de cambio climático y
biodiversidad para el fomento de políticas públicas de
conservación y adaptación en la región de los Andes
Tropicales
.........................................................................................................................................
Combinación de Proyecciones de
Modelos de Cambio Climático Y
ANDES QC: Control de calidad de datos
para grupos de estaciones meteorológicas
1
Plataforma de Información de cambio
climático y biodiversidad para el fomento de
políticas públicas de conservación y
adaptación en la región de los Andes
Tropicales
Combinación de Proyecciones de Modelos
de Cambio Climático
Y
ANDES QC: Control de calidad de datos para grupos de
estaciones meteorológicas
Por William Cabos y Enric Aguilar
1
Centro Internacional para la Investigación del
Fenómeno de El Niño (2014)
Se permite reproducir y comunicar esta obra siempre y cuando se cite la fuente de
manera correcta y no se utilice para fines comerciales.
Algunos derechos reservados
http://creativecommons.org/licenses/by-nc/3.0/
Diagramación
Belén Mendoza - Arturo Torres
Impresión
Digital Center
CENTRO INTERNACIONAL PARA LA INVESTIGACIÓN
DEL FENÓMENO DE EL NIÑO
Escobedo #1204 y 9 de Octubre
Edificio Fundación El Universo, 1er piso
Teléfono: + (593 4) 2514770
Fax: + (593 4) 2514771
Casilla #09014237
Guayaquil-Ecuador
Para citar el documento:
CIIFEN 2014. Metodología para la Estimación de Vulnerabilidad en Ecuador, Perú y
Bolivia, Proyecto Información de cambio climático y biodiversidad para el fomento de
políticas públicas de conservación y adaptación en la región de los Andes Tropicales,
p 1-67.
Esta publicación ha sido realizada por el Centro Internacional para la Investigación
del Fenómeno de El Niño en el marco del proyecto ATN/OC-12439-RG “Información
de cambio climático y biodiversidad para el fomento de políticas públicas de conservación y adaptación en la región de los Andes Tropicales”, financiado por el Banco
Interamericano de Desarrollo, BID, bajo la iniciativa de Bienes Públicos Regionales
(2012).
3
Información de cambio climático y
biodiversidad para el fomento de políticas
públicas de conservación y adaptación en la
región de los Andes Tropicales
PROYECTO ATN/OC-12439-RG
Financiado por:
Banco Interamericano de Desarrollo
Bienes Públicos Regionales
Los Servicios Meteorológicos Nacionales de Bolivia,
Ecuador y Perú
Agencia Ejecutora:
Y
Los Ministerios del Ambiente de Bolivia, Ecuador y Perú
CENTRO INTERNACIONAL PARA LA INVESTIGACIÓN
DEL FENÓMENO DE EL NIÑO
2014
5
DIRECCIÓN GENERAL
Director Internacional
Dr. José Daniel Pabón Caicedo
DIGITADORES DE DATOS CLIMÁTICOS:
Coordinador Científico
Oc. Rodney Martínez Güingla
EQUIPO DE PROYECTO
Coordinador
Juan José
Nieto López
Consultor en
Climatología
Enric Aguilar Anfrons
Asistente en
Sistemas de
Información
Geográfica
César Quishpe
Vásquez
Consultora
Administrativa
Financiera y
Adquisiciones
William Cabos
Jessica Díaz Cabezas Narváez
Consultor en Sistemas Asistente en Sistemas
de Información
de Información
Geográfica
Geográfica
Alejandro Chamizo de Antonio Julián
Castro
Hernández Cotrina
Consultor para el
Desarrollo
de la Plataforma
Informática
Coordinador
Juan José Nieto
López
Juan Ignacio Varela
Asistente para el
Consultora para el
Desarrollo de la
Desarrollo
Plataforma Informática de Material Educativo
Guillermo Armenta
Porras
Consultor en
Modelación
Climática
Abigail Alvarado
Almeida
Consultor en
Climatología
Enric Aguilar Anfrons
INAMHI ECUADOR
Álvaro Moreno
Moreno
Dayanira Castro
Zambrano
SENAHMI PERÚ
Gerardo Jácome
Vergaray
Lenin Suca Huallata
SENAHMI BOLIVIA
Ana Mendoza
Calderón
José Paz Cortez
DIGITADORES DE DATOS BIODIVERSIDAD:
MINISTERIO DEL
MINISTERIO DEL
AMBIENTE DE EECUADOR AMBIENTE DE PERÚ
María Cristina Argudo Cynthia Sánchez
Figueroa
Pazmiño
Diego Guevara Torres
Karina Molina
Tarapués
MINISTERIO DE MEDIO
AMBIENTE Y AGUA DE
BOLIVIA
Shiara Pereira
Gutiérrez
Naira Durán Nogales
PERSONAL DE CIIFEN - CONTRAPARTE
DEL PROYECTO
SISTEMAS DE INFORMACIÓN
GEOGRÁFICA
Pilar Icaza Olvera
ADMINISTRACIÓN
Cinthya García Arias
Evelyn Ortiz Sánchez
ANTECEDENTES DEL PROYECTO
Esta iniciativa regional tiene como propósito la implementación de un
Sistema Público Regional de Información de Cambio Climático y su
potencial impacto en la conservación de la biodiversidad para la región
de los Andes Tropicales. Su finalidad es contribuir en la generación de
políticas públicas y la inserción de la conservación de la biodiversidad
en los Planes Nacionales de cambio climático en Bolivia, Ecuador y
Perú.
a aplicarse en el proyecto en los distintos componentes, su implementación a nivel nacional y el rol de cada una de las instituciones en el
mismo; (ii) 3 Talleres itinerantes para la definición, discusión y consenso
de: escenarios e índices climáticos, vulnerabilidad de ecosistemas andinos y bases de datos de biodiversidad-cambio climático; (iii) compilación de escenarios y estimación de índices climáticos; (iv) estimación
de la vulnerabilidad de los ecosistemas andinos; (v) fortalecimiento de
las bases regionales de biodiversidad y cambio climático de los Andes
El proyecto incluye tres componentes, cada uno de los cuales tiene sus Tropicales (vi) implementación de la plataforma tecnológica que integre
propios resultados:
los productos iii, iv y v.
Fruto de estas actividades se cuenta con los siguientes productos:
(i) proyecciones regionales integradas de cambio climático en la zona
• COMPONENTE I: IMPLEMENTACIÓN DEL SISTEMA REandina de los países beneficiarios; (ii) sistema de información geográfiGIONAL DE INFORMACIÓN DE CAMBIO CLIMÁTICO Y BIODIca para la estimación de la vulnerabilidad de los ecosistemas andinos;
VERSIDAD EN LOS ANDES.
(iii) integración de bases de datos de biodiversidad disponibles para
los Andes Tropicales; y (iv) sistema digital de información en línea con
El objetivo del componente era el desarrollo de la plataforma institucio- acceso público.
nal, humana y tecnológica que permita la sistematización, análisis y
despliegue de los escenarios de cambio climático en los Andes tropi• COMPONENTE II: MÓDULO DE EDUCACIÓN Y ENTREcales, la vulnerabilidad estimada de los ecosistemas andinos y los daNAMIENTO EN CAMBIO CLIMÁTICO Y BIODIVERSIDAD PARA
tos e información de la biodiversidad existente en dichos ecosistemas
para su uso por parte de los gestores y tomadores decisiones de los LOS ANDES TROPICALES.
países participantes. Este Sistema Regional de Información complementará los esfuerzos realizados a nivel de la Comunidad Andina de El objetivo de este componente era desarrollar un módulo de educación
Naciones y constituirá el componente (cambio climático-biodiversidad) y entrenamiento de fácil acceso y sostenibilidad que contase con un
del Sistema Regional de Biodiversidad. Considera, además, aspectos sistema de aprendizaje virtual sobre todos los resultados del proyecto
relevantes sobre principios de manejo de la información, como sober- y la provisión de todo el material educacional de soporte. Además, se
anía nacional, derechos sobre la propiedad intelectual y conocimientos desarrolló un kit educativo para impartir Talleres de Entrenamiento a
tradicionales.
nivel nacional con instructores nacionales que puedan ser replicados
Para lograr ese objetivo se llevaron a cabo las siguientes actividades: conforme a las necesidades de cada país.
(i) Taller Regional para la definición y el consenso de la metodología
7
Para lograr ese objetivo se realizaron las siguientes actividades: (i) desarrollo del sistema virtual de educación; (ii) diseño y elaboración de
los kits educativos; y (iii) un Taller itinerante para la discusión sobre
el uso y la aplicación de los nodos nacionales del sistema regional de
información. Estas actividades permitieron desarrollar los siguientes
productos: (i) sistema de educación virtual en cambio climático y biodiversidad andina; (ii) kit educacional para capacitadores en cambio
climático y biodiversidad andina; y (iii) esquemas de uso y aplicación de
los nodos del sistema en cada país.
• COMPONENTE III. FOMENTO A LA INSERCIÓN DEL TEMA
CAMBIO CLIMÁTICO-BIODIVERSIDAD EN LAS POLÍTICAS
PÚBLICAS NACIONALES.
El objetivo de este componente era fomentar el uso de los productos y
servicios de información generados por el proyecto como insumos para
los planes y estrategias y la generación de políticas regionales y a nivel
nacional en cuanto al manejo y conservación de la biodiversidad, en
el contexto del cambio climático, en la región de los Andes Tropicales.
Para lograr ese objetivo se llevaron a cabo las siguientes actividades:
(i) organización de foros públicos y paneles dirigidos a autoridades políticas y ambientales; (ii) 12 Talleres Nacionales de Trabajo para la revisión
de estrategias de inserción del tema biodiversidad en los planes de
adaptación; y (iii) articulación del sistema regional con otras iniciativas,
proyectos y agencias de cooperación que los países decidieren. Fruto
de estas actividades se cuenta con estos productos; (i) aplicaciones
de los productos del proyecto en estrategias, planes o políticas de los
países en cuanto a cambio climático y biodiversidad; (ii) documentos
resumen para políticos en materia de cambio climático y biodiversidad
andina; y (iii) alianzas formalizadas con otros organismos internacionales y agencias de cooperación.
Resultados esperados
El principal resultado esperado es la implementación de un Sistema
Público Regional de Información de Cambio Climático y su potencial
impacto en la biodiversidad para la región de los Andes. Se espera que
la operación genere los siguientes resultados intermedios:
Plataforma tecnológica regional con nodos
nacionales que provee información de escenarios de cambio climático integrados, ecosistemas andinos vulnerables definidos e
información de biodiversidad y clima complementaria sistematizada para cada país.
Plataforma institucional, humana y tecnológica
para educación, capacitación y entrenamiento a nivel nacional en biodiversidad-cambio
climático en funcionamiento.
El sistema contribuirá en la elaboración de estrategia regional y estrategias nacionales que
incluyan la conservación de la biodiversidad
en los Planes, Programas o Estrategias de
adaptación al cambio climático.
PRESENTACIÓN
La región andina presenta un reto para los modelos climáticos actuales,
ya sean globales o regionales, tanto por sus características climáticas
como orográficas. Su clima es afectado, tanto por forzamientos locales, como por otros remotos y regionales. La región presenta una
considerable extensión meridional y diversos patrones de tiempo y clima, incluyendo climas de tipo tropical y subtropical. La más importante
característica geográfica de la región es la Cordillera de los Andes,
que se extiende paralela a la costa del océano Pacífico. La cordillera
constituye una barrera estrecha que canaliza el flujo del aire, pero no
solo cumple el papel de barrera climática, dando lugar a condiciones
secas en la vertiente del Pacífico y condiciones húmedas en el este sino
que también influye en la interacción entre trópicos y extra-trópicos.
La migración estacional de la zona de convergencia intertropical (ITCZ,
por sus siglas en inglés) es el factor más importante que controla la
estacionalidad de la precipitación en la región andina. Durante el verano austral, la circulación de larga escala en altura, se caracteriza por
un centro de alta presión sobre el altiplano, una zona de baja presión
que se extiende desde el noroeste de Brasil hacia el Atlántico Tropical y
vientos del este sobre las latitudes subtropicales. En los niveles bajos,
las células anticiclónicas subtropicales sobre los océanos Pacífico y
Atlántico dominan la circulación de larga escala. Los vientos del este
procedentes del Atlántico son desviados hacia el sur por la cordillera
andina hacia la baja del Chaco, que representa la principal fuente de
humedad en el sur de Brasil y las planicies del sur del continente. Uno
de los mayores componentes de la circulación en esta estación, en la
región al este de los andes tropicales, es el sistema de Monzones de
América del sur (Vera et al., 2006). En invierno, la célula anticiclónica
subtropical sobre el océano Pacífico es el factor más importante al oeste de los andes.
Los Andes Tropicales presentan áreas críticas en cuanto a la conservación de la biodiversidad. El Cambio climático se suma a las intensas
y variadas presiones que las especies como elementos de los ecosistemas alto andinos ya están percibiendo. Existen ingentes esfuerzos en
cuanto al tema de biodiversidad y de cambio climático en la región, los
cuales han avanzado en forma individual, sin la necesaria interacción,
para generar información integrada que pueda convertirse en un insumo para el diseño de políticas públicas y planes de acción conducentes
a la conservación de la biodiversidad dentro de estrategias factibles y
eficientes para la adaptación al cambio climático.
A inicios de 2011, se dio paso a la implementación del proyecto regional No. ATN/OC-12439-RG. “Información de Cambio Climático y Biodiversidad para el Fomento de Políticas Públicas de Conservación y
Adaptación en la Región de los Andes Tropicales.” bajo el programa de
Bienes Públicos Regionales del Banco Interamericano de Desarrollo. El
proyecto fue ejecutado por CIIFEN, junto a los Ministerios de Ambiente
y Servicios Meteorológicos e Hidrológicos Nacionales de Bolivia, Ecuador y Perú.
El Objetivo del proyecto fue implementar un Sistema Público Regional de Información de Cambio Climático y su potencial impacto en la
biodiversidad para la región de los Andes Tropicales, con la finalidad
de contribuir en la generación de políticas públicas y la inserción de la
conservación de la biodiversidad dentro de los Planes Nacionales de
cambio climático en Bolivia, Ecuador y Perú. La zona de estudio de
esta iniciativa regional se extiendes desde el ecuador, 2° Norte hasta
los 24° de latitud sur, en la zona de Puna de Bolivia (departamento de
Potosí), la zona de Puna de Perú y la zona de Páramos de Ecuador.
Esta guía técnica presenta la Metodología usada para la Combinación
de Proyecciones de Modelos de Cambio Climático en Ecuador, Perú y
Bolivia y la herramienta ANDES QC (programado sobre R) para control
de calidad de datos climáticos.
9
Indice
1
Cambio Climático y Combinación de
Proyecciones de Modelos de Cambio Climático
..........................................................................................
12
1.1 Combinación de Proyecciones de
Modelos de CC...............................................16
Región de Estudio...........................................12
Datos utilizados...............................................12
Modelos Globales...........................................12
Escenarios de consensos de
cambio climático..............................................14
Modelos Regionales........................................15
Validación...............................................16
Corrección de Desviaciones..................16
Escenarios.......................................................18
RCP 2.6.................................................20
RCP 4.5.................................................20
RCP 6.0.................................................21
RCP 8.5.................................................21
Índices Climáticos...........................................21
Resultados......................................................24
1.2 Cambio de las Variables Climáticas para
el Período 2020-2039....................................26
Precipitación...................................................28
Temperaturas diarias máximas y mínimas......28
1.3 Conclusiones...................................................30
Validación........................................................30
Temperatura.....................................................30
Precipitación....................................................31
Proyecciones..................................................31
Recomendaciones metodológicas.................31
2.2 Funciones Adicionales....................................40
ANDES QC: Control de calidad de datos
para grupos de estaciones meteorológicas
..........................................................................................
33
Introducción..........................................................33
2.1 Tests incluídos en ANDES QC........................34
OUTLIERS POR MESES│fourboxes()...........34
OUTLIERS PENTADALES│pentauts()...........35
OUTLIERS GAMMA│precipouts ()................35
OUTLIERS ESPACIALES │
Función auxiliar percentcor()..........................35
Recomendaciones metodológicas..................36
TMAX < = TMIN│tmaxmim().........................36
VALORES FUERA RANGO│humongous()....37
VALORES DUPLICADOS│duplicals()............37
DIFERENCIAS INTERDIARIAS│jumps()........37
VALORES CONSECUTIVOS│flatline ()..........38
PRECIP. ACUMULADA│
suspectacumprec().........................................38
CADENAS DE MARKOV│markovchain().......38
CADENAS DE PRECIPITACIÓN│
chainprecip()...................................................39
REDONDEO│tableround().............................39
2.7 Formas de trabajo para Ejecutar
ANDESQC.......................................................62
2.8 Aplicación y Futuro de ANDESQC..................65
2.3 Introducción del Control de
Calidad Espacial..............................................41
2.4 Output Gráfico y Numérico de Ayuda a la
Decisión Integrado en Ficheros HTML............42
2.5 Contenido Output por Períodos de
cinco años.......................................................57
2.6 Ficheros MASTERQC......................................61
2
3
66
4
67
Anexos
..........................................................................................
Bibliografía
..........................................................................................
11
Cambio Climático y Combinación de
Proyecciones de Modelos de
Cambio Climático
Por William Cabos
Combinación de Proyecciones de Modelos de
Cambio Climático (CC)
• Región de Estudio
El área de estudio cubre tres países andinos: Bolivia, Ecuador y Perú
y se extiende desde el ecuador, 2º Norte hasta unos 24º de latitud sur.
La orografía de la zona es accidentada, siendo la Cordillera de los Andes, que recorre longitudinalmente la región, el accidente geográfico
más importante. Los Andes, que dividen las masas de aire del Pacífico
y del Atlántico, son uno de los factores que determinan la gran variedad climática característica de la región. El otro factor importante es
el océano Pacífico que baña las costas de Ecuador y Perú e influye de
manera relevante en el clima de Bolivia. Las masas de aire Atlánticas,
también importantes para el clima de la región, influyen principalmente
en las regiones al este de los Andes.
La conjunción de estos factores: el océano Pacífico (a través de sus
corrientes y masas de aire), los Andes (a través de sus gradientes altitudinales y su influencia en la dinámica y termodinámica de las masas
de aire del Pacífico y Atlánticas) y el océano Atlántico dan lugar a una
gran variedad climática.
• Datos utilizados
El estudio de diagnóstico y proyección de cambio climático en la región
indicada se basa en el análisis de tres tipos de datos claramente diferenciados:
a
b
c
Datos de modelos globales proporcionados en el marco
del proyecto CMIP5
Datos del modelo regional REMO generados en el marco
del proyecto CORDEX
Datos del modelo MRI-AGCM
• Modelos Globales
Las proyecciones climáticas son un elemento crucial en el proceso de
toma de decisiones, que debe ser consistente con el marco general
proporcionado por el informe especial sobre escenarios de emisiones
elaborado por el IPCC y con los informes de evaluación del IPCC
(http://www.ipcc.ch/pub/reports.htm). La herramienta básica para realizar estimaciones de proyecciones climáticas son los modelos de circulación general acoplados océano-atmósfera (AOGCM, por sus siglas
en inglés).
El principal forzamiento de los AOGCM utilizados en el Quinto Informe
es la radiación solar, para la que se ha incluido su variación interanual.
Todos los modelos son también forzados por concentraciones de gases atmosféricos, de origen antropogénico y natural (gases de efecto
invernadero, aerosoles provenientes de erupciones volcánicas, quema
de biomasa o contaminación). Para este Quinto Informe, también, se
incluye el forzamiento por cambios de uso de suelo.
Nombre Modelo
Nuestro desconocimiento de la evolución socioeconómica se traduce
en el uso de las vías de concentración representativa que proporcionan
escenarios de emisiones de gases de efecto invernadero (principalmente desarrollo industrial) y cambios en el uso de suelo (desarrollo de
agricultura) de acuerdo a distintos escenarios plausibles de desarrollo
socioeconómico. Las concentraciones de gases de efecto invernadero
se calculan con ayuda de modelos de ciclo de carbono, que se incluyen
como submodelos en algunos AOGCM; en tanto que para la mayoría
de los AGCM estas concentraciones son calculadas por modelos biogeoquímicos externos.
En el proyecto “Información de cambio climático y biodiversidad para
el fomento de políticas públicas de conservación y adaptación en la
región de los Andes Tropicales” se utilizaron modelos de la base de
datos CMIP5 (http://pcmdi9.llnl.gov/esgfweb-fe/). Después de un análisis previo de los modelos disponibles, usando como criterio la capacidad de los modelos de simular la climatología del período 1961-1990
y los principales fenómenos climáticos globales, se decidió reducir el
número de modelos a utilizar en el proyecto a los modelos incluidos en
la Tabla 1. La resolución de los modelos varía entre 1 - 4 grados; la
mayoría tiene una resolución 2,5 - 2,7 grados.
Tabla 1.1 (Parte 1/2)
Modelos globales acoplados de CMIP5 utilizados.
Acrónimo
Modelo
Resolución
Resolución
atmósfera
Lat.
Lon.
Beijing Climate Center
China Meteorological
Administration Pekín,
China
BCC
Canadian Centre for
Climate Modelling and
Analysis, Victoria,
Canadá
CCCMA
anesm2
Centre National de
Recherches
Meteorologiques,
CNRM & CERFACS,
Toulouse, Francia
CNRM
cnrm-cm5 256 _ 128, L31 ~1.4 1.40625
Commonwealth
Scientific and Industrial
Research Organization
– Queensland Climate
Change Centre of
Excellence
(CSIRO-QCCCE),
Australia
CSIRO
csiromk3-6-0
192 _ 96, L18
~1.85
Geophysical Fluid
Dynamics Laboratory,
(NOAA-GFDL),Princeton,Estados Unidos
GFDL
gfdl-esm2m
144 _ 90, L24
1.52.0
2.5
NASA Goddard
Institute
for Space Studies
(NASA-GISS),New York,
Estados Unidos
GISS
giss-e2-r
144 _ 90, L40
1.52.0
2.5
Institute of Atmospheric
Physics Chinese Academy of Science, Pekín,
China
IAP
fgoals-g2
128 _ 60, L26
2.8 –
6.13
bcc-csm1-1 128 _ 64, L40
128 _ 64, L35
~2.8
2.8125
~2.7
2.8125
1.875
2.8125
13
Nombre Modelo
Centro Euro-Mediterraneo sui Cambiamenti
Climatici (CMCC), Italia
Acrónimo
INGV
Modelo
cmcc-cm
Resolución
Resolución
atmósfera
Lat.
Lon.
480 _ 240, L31 ~0.8
0.8
Institut Pierre-Simon
Laplace, Francia (IPSL),
París, Francia
IPSL
ipslcm5a-lr
Institut Pierre-Simon
Laplace, France
(IPSL),París, Francia
IPSLm
ipsl-cm5a- 144 _ 143, L39 1.894 3.75
mr
Atm. and Ocean Research Inst. (Univ. of
Tokyo), Nat. Inst. for
Environmental Studies,
and Japan Agency for
Marine-Earth Science
and Technology, Japón
AORI&NIES&JAMSTEC,
Japón
MIROC
miroc5
Met Office Hadley
Centre
MOHC, Exeter, Reino
Unido
MOHC
hadgem2-es
Max Planck Institute for
Meteorology (MPI-M),
Hamburgo, Alemania
MPIM
mpi-esm-lr 192 _ 96, L47
~1.85
1.87
Max Planck Institute for
Meteorology (MPI-M),
Hamburgo, Alemania
Meteorological Research Institute (MRI),
Tsukuba, Japón
NCAR Community
Climate System Model,
Estados Unidos
Norwegian Climate Centre NCC, Oslo Noruega
MPIMm
mpi-esm- 192 _ 96, L95
mr
~1.85
1.87
MRI
mri-cgcm3 320 _ 160, L48 1.125
1.125
NCAR
ccsm4
288 _ 192, L26 0.943
NCC
noresm1
-m
144 _ 96, L26
96 _ 96, L39
1.894 3.75
256 _ 128, L40 ~1.4
192 _ 145, L38 1.25
~1.85
1.4
1.875
1.25
2.5
Tabla 1.1 (Parte 2/2)
Modelos globales acoplados de CMIP5 utilizados.
• Escenarios de consensos de cambio climático
Los escenarios describen líneas evolutivas plausibles de las condiciones
climáticas y otros aspectos del futuro, principalmente relacionadas con
aspectos socio-económicos y las emisiones de gases de efecto invernadero y aerosoles asociadas. Para construirlos se utiliza un número
de técnicas, incluyendo análogos espaciales y temporales de climas
futuros y escenarios basados en modelos de escenarios. Los primeros
escenarios eran bastante sencillos y se basaban en modelos que eran
representaciones estilizadas de incrementos en la concentración de
CO2 en la atmósfera. Estos primeros escenarios permitían responder a
preguntas del tipo “¿qué pasaría si la concentración CO2 aumentara en
dos (cuatro) veces? ¿Cómo respondería el sistema climático?”
Los escenarios actuales representan los forzamientos más importantes, los procesos asociados, los posibles impactos (físicos, ecológicos y económicos) y las posibles respuestas que ayuden a la toma
de decisiones políticas. Estos escenarios son distintos de los usados en el Cuarto Informe del IPCC y fueron desarrollados por la “Integrated Assessment Modelling Community (IAMC)”. Éste es un panel
científico que incluye representantes de las comunidades de desarrolladores de escenarios socioeconómicos, modeladores climáticos, mitigación y adaptación que desarrollan, conjuntamente, estos
nuevos escenarios.
La elaboración de estos escenarios está basada, principalmente, en las
recomendaciones de los tomadores de decisiones y científicos que trabajan en el ámbito de la mitigación. Estos nuevos escenarios evalúan,
explícitamente, distintas estrategias y políticas climáticas de mitigación
y de adaptación. De esta manera, permiten asociar directamente una
cierta respuesta climática a una cierta estrategia de mitigación y así
evaluar los costos y beneficios de distintas estrategias.
En la elaboración de los nuevos escenarios se tuvo en cuenta la evolución de los modelos climáticos, muchos de los cuales incluyen actualmente submodelos de vegetación interactiva, ciclo de carbono e
incorporan una mejor representación de la química atmosférica. Estas
mejoras en los modelos requieren información sobre la distribución,
espacial y temporal, de los GEI más detallada de la que ofrecían los
escenarios anteriores. También es necesaria la inclusión de un mayor
número de gases (aerosoles sobre todo) y la elaboración de escenarios
de cambio de uso de suelos (Richard et al., 2010).
• Modelos Regionales
Para las estimaciones de proyecciones regionalizadas de cambio
climático se utiliza el downscaling dinámico. Esta metodología de estimaciones de proyecciones regionalizadas de cambio climático consiste en conseguir proyecciones de cambio climático en una región determinada con resolución espacial más alta que los modelos globales
(descenso de las escalas grandes a las escalas pequeñas) con
modelos climáticos de área limitada. Las escalas grandes vienen dadas por los modelos globales acoplados océano-atmósfera y el aumento de la resolución, que proporciona el detalle local, se realiza con
ayuda de modelos climáticos regionales. En esta técnica se parte de
la hipótesis de que los fenómenos a escala pequeña se fundamentan
en las grandes escalas que son las que realmente se predicen con los
modelos globales; y los modelos climáticos regionales añaden, a esta
señal, los fenómenos relacionados con una orografía más detallada y
una mejor representación de las escalas sinópticas.
En el marco de esta metodología, la aproximación estándar a las
proyecciones regionalizadas consta normalmente de dos pasos.
Primero, la integración del modelo global y después, la adaptación
regional. La información solamente fluye desde las escalas grandes
(modelos globales) a las escalas regionales (modelos regionales). Los
modelos regionales cubren un dominio de área limitada con una malla
más fina que la del modelo global y son forzados en sus fronteras laterales y en la superficie oceánica por los datos del modelo global.
El modelo climático de alta resolución, REMO, es uno de esos modelos
regionales. Desarrollado por el Instituto Max Planck de Meteorología
de Hamburgo, REMO es un modelo de circulación atmosférica [10] tridimensional que resuelve las ecuaciones primitivas discreteadas (con
aproximación hidrostática). El modelo REMO ha demostrado ser capaz
de reproducir, de forma bastante fiable, los patrones climáticos regionales en el continente europeo (proyecto ENSEMBLE), en África y
Suramérica (proyecto CORDEX).
Un procedimiento alternativo de regionalización dinámica consiste en
llevar a cabo simulaciones con modelos atmosféricos que utilizan una
rejilla no uniforme con mayor densidad de puntos sobre la zona de
interés, forzándolos con los datos oceánicos proporcionados por la
componente oceánica del modelo acoplado global. También, aunque
resulta más costoso desde el punto de vista computacional, se puede
llevar a cabo la bajada de escala utilizando un modelo con alta resolución de malla uniforme. Este es el camino seguido en Mizuta et al.
(2012) que llevaron a cabo simulaciones globales de alta resolución
(60 km y 20 km) con el modelo atmosférico MRI-AGCM de la agencia
Meteorológica Japonesa (JMA). La resolución horizontal de este modelo es comparable a las resoluciones de modelos climáticos regionales
utilizados en estudios de cambio climático recientes. Los resultados
obtenidos con MRI-AGCM han sido utilizados para investigar el cambio
climático en diferentes regiones de América Latina y el Caribe (Vergara et al., 2010), Bangladesh (Rahman et al., 2011) y el Mediterráneo.
También se utilizarán datos proporcionados por este modelo, a resolución de 20 km y 60 km.
15
• Validación
Las incertidumbres procedentes de los modelos globales varían mucho
dependiendo de la variable, de la región y de la estación considerados.
Es muy importante evaluar los distintos AOGCM, tanto en períodos
instrumentales como preinstrumentales, para estimar la capacidad de
los distintos modelos de simular un amplio abanico de forzamientos.
Las incertidumbres provenientes de las distintas técnicas de regionalización, bien sea basadas en métodos empíricos o en modelos
regionales, se han explorado ampliamente en el contexto europeo en el
marco de proyectos del FP5 EU: STARDEX (http://www.cru.uea.ac.uk/
projects/stardex/) y PRUDENCE (http://prudence.dmi.dk/).
Se ha realizado un número de análisis con fin de evaluar la capacidad del conjunto de modelos globales en CMIP5 y los modelos
regionales REMO y MRI-AGCM de simular el clima actual en los países
andinos. Para validar los campos de precipitación y temperatura del
aire, a dos metros, utilizamos la base de datos de la Universidad de
Delawere.
Las temperaturas de esta base de datos se proporcionan en una malla
regular de 0,5 grados tanto en longitud como latitud. Los datos observados, desde los que han sido interpoladas estas temperaturas,
provienen de diversas fuentes, incluyendo la Red Climatológica Histórica Global (GHCN2), la Red Global de Climatología Sinóptica (Dataset
En el contexto de PRUDENCE, se ha estudiado la dispersión de los 9290c de NCDC de EEUU y el Resumen Global Diario de Superficie
distintos GCM (modelos climáticos globales) y RCM (modelos climáti- (GSOD).
cos regionales) alrededor de su centroide medida por la desviación estándar intermodelos que permite explorar el grado de acuerdo de los Los promedios mensuales de temperatura y precipitación de las estadiferentes modelos y, por lo tanto, explorar la incertidumbre asociada ciones se interpolan a la malla con ayuda de una combinación de métoa los GCM y RCM (DEQUÉ et al., 2005). Se ha visto que la dispersión dos de interpolación espacial: Modelo Digital de Elevación (DEM), interde los GCM es mayor que la de los RCM (forzados por el mismo GCM) polación asistida (Willmott y Matsuura, 1995); interpolación tradicional
para el caso de la temperatura, tanto en verano como en invierno. Esto (Willmott et al., 1985) e interpolación ayudada climatológicamente (CAI)
es consistente con la ligadura adicional de los RCM por las condiciones (Willmott y Robeson, 1995). de contorno.
En el caso de la precipitación, el comportamiento es distinto, los RCM Para la validación se utiliza el periodo 1980-1999. Éste es el período de
muestran mayor dispersión que los GCM en el verano. Esto puede referencia usado en el Quinto Informe como período base para estudiar
explicarse por el hecho de que los GCM poseen una resolución más la señal de cambio climático. Además, del modelo MRI-AM solo se dispone del periodo 1979-2003 en las simulaciones de clima actual, lo que
baja que los RCM y pierden algunos forzamientos orográficos.
En este proyecto no se analizó la dispersión, sin embargo hay que no permite el uso del otro período de referencia habitual 1961-1990.
tenerla en cuenta al interpretar los resultados que se obtendrán en los
análisis. Para cuantificar las incertidumbres se utiliza algunas herramientas sencillas que permiten comparar integraciones, en períodos
de control, con bases de datos observacionales y estimar la divergencia entre las estimaciones de las proyecciones futuras de distintos
modelos globales.
• Corrección de Desviaciones
Figura 1.1
Esquema de la corrección de desviaciones por el método de cuantiles.
las desviaciones de la precipitación. Al aplicar la corrección de desviaciones, suponemos que la dependencia espacial y temporal de las
variables climáticas puede ser descrita por procesos aleatorios estacionarios en el tiempo y, por tanto, la densidad marginal de probabilidad de las variables no cambia a lo largo del tiempo o la posición. En
este método, la corrección de las desviaciones durante el post-proceso
se aplica a la distribución marginal de los datos del modelo, de modo
que se corrigen los errores sin que la dependencia espacio temporal
sea alterada explícitamente.
Para llevar a cabo el mapeo de cuantiles se trata de hallar una transformación de la distribución de probabilidad de la variable modelada Pm
tal que la nueva distribución se ajuste lo más posible a la distribución
de la variable observada Pm.
Esta transformación suele ser paramétrica, habiéndose explorado en la
literatura distintas expresiones:
Po = f(Pm)
Las variables climáticas simuladas por los modelos climáticos con
frecuencia muestran una desviación sistemática con respecto a las
observaciones, limitando su utilidad para estudios de impacto (Christensen et al., 2008). Por ello, es habitual hacer un post-proceso de la
salida de los modelos con el objetivo de corregirlos para mejorar su
correspondencia con los datos observados. Los métodos más sencillos de corrección de estas desviaciones (bias correction) consisten
en sustraer la diferencia entre las climatologías de los modelos y las
observaciones. Métodos más elaborados también corrigen la variancia, que suele ser menor en los modelos que en las observaciones. El
método de mapeo de cuantiles (Panofsky et al., 1968) es un desarrollo
más sofisticado, en el que se corrigen las desviaciones en cada cuantil. Themeßl et al. (2011) compararon varios métodos de corrección,
llegando a la conclusión de que este método es el que mejor corrige
a
b
c
d
e
Po = bPm
Po = a + bPm
Po = Pmc
c
Po = b(Pm -X)
Po = (a + bPm)(1 - e-(Pm - X)/τ )
Donde Po es la mejor estimación de Po. El escalado simple (a) es normalmente usado para el mapeo de la precipitación (Maraun et al., 2010).
Las expresiones (b)-(e) han sido utilizadas por otros autores (Piani et al.,
2009; Dosio and Parulo, 2011).
Todas estos algoritmos de mapeo están realizados en el programa
qmap (Gudmundsson et al., 2012), que se utilizaron para la corrección
de las desviaciones.
17
• Escenarios
Como se indicó en la sección anterior, los escenarios describen líneas
evolutivas plausibles de las condiciones climáticas y otros aspectos del
futuro, principalmente relacionadas con aspectos socio-económicos y
las emisiones de gases de efecto invernadero y aerosoles asociadas.
Los primeros modelos eran muy sencillos y, básicamente, consideraban
los incrementos en los contenidos de CO2. En cambio los escenarios
acturales tratan de incorporar los forzamientos más importantes, los
procesos asociados, los posibles impactos y las posibles respuestas
que ayuden a tomar decisiones políticas.
En la siguiente figura se esquematiza el proceso de desarrollo de escenarios y luego se presentan los tipos de escenarios más importantes.
Figura 1.2
Proceso de desarrollo de escenarios a partir del segundo informe IPCC
Los tipos más importantes de escenarios son:
a) Escenarios de emisión: Describen posibles emisiones futuras de
GEI, aerosoles y usos de suelo. Incluyen también otros factores de cambio: patrones y ritmo de crecimiento económico, cambio demográfico,
tecnología, política y otros factores importantes para la evaluación de
impactos. Los escenarios de emisión no son predicciones o pronósticos: reflejan la opinión de expertos con respecto a posibles emisiones
en el futuro basados en las tendencias socioeconómicas, ambientales
y tecnológicas. Estos escenarios no reflejan fluctuaciones a ‘corto plazo’, tales como ciclos económicos o ciclos de mercado; el énfasis, en
el largo plazo, es importante para evaluar la respuesta lenta del sistema
climático.
b) Escenarios climáticos: Son representaciones de posibles esta-
dos futuros del clima (temperatura, precipitación y otros fenómenos
climatológicos). Los escenarios climáticos se pueden generar con distintas técnicas:
- Incrementales, cuando elementos climáticos son aumentados en magnitudes plausibles;
- Análogos espaciales y temporales, en los que regímenes
climáticos conocidos que pueden ser parecidos al clima futuro
son utilizados para estudiar el clima futuro;
- Extrapolación y evaluaciones de expertos;
- Técnicas que usan modelos físicos y climáticos, incluyendo
modelos climáticos regionales.
Los modelos climáticos proporcionan la mayor parte de la información
utilizada en estudios de impacto. Debido a la importancia de los impactos regionales y locales, se presta especial interés a los escenarios
regionales.
c) Escenarios medioambientales: El estudio del impacto poten-
a) Proveen información
b) Representan
c) Son compatibles
cial de un escenario climático dado requiere escenarios ambientales detallada a las comuni- forzamientos radiativos con todo el rango de
lo suficientemente
con información. Los escenarios ambientales hacen hincapié en facto- dades de adaptación y
escenarios de emisdesarrollo
sociodiferentes
como
para
res ambientales distintos del clima que pueden ser independientes del
iones, estabilización y
económico para
poder diferenciar
cambio climático. Esos factores son la disponibilidad de agua y su calmitigación existente en
su impacto
idad a nivel de cuencas, variaciones en el nivel del mar debido a facto- desarrollar escenarios
la
literatura publicada y
basados en políticas
climático en el largo
res geológicos, características del suelo y su uso y condiciones locales
revisada por pares.
futuras.
plazo.
de la atmósfera que influyen en la calidad del aire. Estos factores son
importantes, ya que si no se tienen en cuenta, no se puede entender los Estos nuevos escenarios son cuatro y son nombrados de acuerdo al
forzamiento radiativo que producen al año 2100: RCP 2.6 W/m2, RCP
posibles impactos ni la efectividad de las medidas de mitigación.
4.5 W/m2, RCP 6.0 W/m2 y RCP 8.5 W/m2. Las características más
d) Escenarios de vulnerabilidad: El Quinto Informe del IPCC se basa importantes de estos escenarios se ilustran en la Figura 1.3; la evoen escenarios que, por primera vez, exploran estrategias de mitigación lución temporal de las radiaciones y emisiones correspondientes se
en adición a los escenarios tradicionales “sin políticas climáticas.” La representan en la figura 1.4. El nuevo escenario RCP2.6 (o “required
información primaria sobre posibles cambios climáticos debido al au- by science”) tiene concentraciones mucho más bajas que cualquiera
mento de la concentración de GEI, de origen antropogénico, procede de los escenario SRES utilizados en el Cuarto Informe, y el escenario
de los diferentes AOCGM integrados con escenarios alternativos de RCP8.5 llega a fines de siglo con concentraciones de CO2 más altas
que cualquiera de los escenarios utilizados en el Cuarto Informe.
emisión RCP (en español, vías de concentración representativas).
Figura 1.3
Vías de concentración representativas definidas para el Quinto Informe
Los nuevos escenarios de emisiones presentan las
características (Moss et al., 2010, van Vuuren et al., 2011).
siguientes
Figura 1.4
Evolución temporal del forzamiento radiativo (izquierda) y emisiones (derecha) en los RCP
usados en el Quinto Informe del IPCC. En gris se representa el percentil 98 de los escenarios SRES utilizados en el Cuarto Informe. Las líneas grises representan los escenarios
SRES.
19
• RCP 2.6
• RCP 4.5
Esta vía de concentraciones es representativa de escenarios de mitigación cuyo objetivo es limitar el calentamiento global a menos de 2
°C a fin de siglo. Aunque existen importantes incertidumbres, se ha
determinado que este objetivo se puede alcanzar si el forzamiento radiativo hacia el año 2100 alcanza valores menores a 3W/m2. Por esto,
en este RCP se ha supuesto que, inicialmente, el forzamiento radiativo
crece hasta alcanzar un valor de 3,1W/m2 a mediados de siglo, cuando
comienza a reducirse hasta que hacia el final de siglo alcanza un valor
de 2.6W/m2.
Esto hace necesaria una reducción bastante drástica de las emisiones,
que algunos sugieren no son posibles (van Vuuren et al., 2011b). Sin
embargo, resultados del modelo integrado de evaluación IMAGE muestra que alcanzar este objetivo es posible para valores de crecimiento de
población mundial, Producto Interno Bruto (PIB) e intensidad de emisiones (emisiones/PIB) (ver Figura 1.4). La realización de este escenario requiere de tecnologías de almacenamiento y captura de carbono
(“Carbon Capture and Storage”, CCS) y disminución de emisiones de
bío-energías, gas natural, petróleo y carbono a partir del año 2020. La
figura 1.5 muestra la trayectoria de la línea base y las trayectorias requeridas para alcanzar los 2.6 W/m2 de forzamiento de este escenario.
Este es un escenario de estabilización, en el que para el año 2100,
el forzamiento radiativo es de 4.5 W/m2, sin haber excedido este valor antes (Thomson et al., 2011). Para lograr este objetivo, se suponen
políticas climáticas, que en este caso incluyen la penalización del uso
de carbono. En este escenario, la población mundial llega a nueve mil
millones en 2065 y se reduce a 8,7 mil millones en 2100. El PIB mundial
crece un orden de magnitud, y la necesidad energética en 3 órdenes
de magnitud. Además de imponer precios al carbón, la tecnología de
captura y almacenamiento de carbón (CCS) se desarrolla de manera
que la industria eléctrica llega a ser un sumidero neto de carbón. En
este escenario, las emisiones de GEI llegan a su máximo alrededor del
año 2040, luego comienzan a bajar hasta el año 2080, cuando se estabilizan.
Figura 1.6
Evolución temporal del consumo de energía (derecha), consumo de combustibes fósiles
(centro) y el uso primario de energía (izquierda) en los RCP usados en el Quinto Informe
del IPCC. En gris se representa el percentil 98 y 90 (gris claro/oscuro) de los escenarios
SRES del Cuarto Informe. Las líneas grises representan los escenarios SRES.
Figura 1.5
Evolución temporal de la población (izquierda) y producto interior bruto (derecha) en los
RCP usados en el Quinto Informe del IPCC. En gris se representa el percentil 98 de los
escenarios SRES del cuarto informe. Las líneas grises representan los escenarios SRES
• RCP 6.0
• Índices Climáticos
En esta vía representiva de concentraciones, las emisiones de gases
de efecto invernadero y cambios en el uso de suelo se traducen en un Las tendencias climáticas en una región del globo se pueden monitorizar mediante el seguimiento de un conjunto de indicadores climátiforzamiento radiativo de 6 W/m2 al año 2100 (Masui et al, 2011).
cos definidos a escala internacional. Los indicadores nos permiten,
Esto requiere disminuciones significativas de emisiones a partir del año generalmente de manera cuantitativa, ilustrar y comunicar de mane2060 (ver figura 1.4), que se logran a través la imposición de políticas ra sencilla procesos complejos que incluyen tendencias y progresión
climáticas, es decir, que limiten las emisiones vía precios y tecnología a lo largo del tiempo. Para que un indicador sea válido debe cumplir
de CCS. La población mundial crece hasta 9,8 billones al año 2100. El dos condiciones: tener una buena base conceptual (debe hacerse una
PIB per cápita global crece un 1,6% anualmente durante 2000–2060 descripción de la metodología y de las fórmulas utilizadas) y ser comy entre 1,3 y 1,4% durante 2060–2100. La intensidad energética dis- prensible y simple.
minuye a un ritmo de 1,2%/año antes de 2060 a un ritmo de 1.5%/año Los índices climáticos son indicadores de seguimiento del cambio
climático, que se basan, fundamentalmente, en las variables de tementre 2060-2100.
peratura y precipitación. Tal como establece la Organización Meteorológica Mundial (OMM), el cálculo de índices climáticos es una herra• RCP 8.5
mienta útil para caracterizar el clima, presentar los patrones climáticos
El escenario RCP8.5 representa una vía en la que las emisiones y las históricos y detectar los cambios. Con tal objetivo, la OMM ha impulconcertaciones son altas. Sus principales supuestos socio económicos sado la concepción de herramientas de detección del cambio climático
incluyen alto crecimiento poblacional, relativamente bajo crecimiento y la programación de un software específico para calcular índices que
de PIB, con tasas modestas de cambios tecnológicos y de eficiencia reflejen las estimaciones más precisas de las tendencias climáticas en
energética. Esto lleva a una importante demanda energética y conse- todo el mundo. De hecho, expertos de distintos países han compartido
cuente emisiones de gases de efecto invernadero. En este escenario conocimientos y esfuerzos para establecer índices comunes aplicables
no se implementan políticas de cambio climático. Las figuras 1.5 y 1.6 a todo el mundo y facilitar su cálculo. En concreto, el Grupo de Expermuestran los forzamientos socio económicos (población y producto tos en Detección de Cambio Climático e Índices (Expert Team on Cliinterno bruto), usos energéticos y emisiones para esta vía. En cada mate Change Detection and Indices, ETCCDI) ha formulado y definido
aspecto, salvo en PIB, este escenario tiene valores mayores a los otros un conjunto de índices para analizar situaciones climáticas extremas
aplicando una metodología idéntica para garantizar que los resultados
tres.
En este capítulo solamente se han considerado tres escenarios de puedan analizarse globalmente. El ETCCDI depende de la Comisión
de Climatología (CCl) de la OMM, parte del Programa Mundial de Inemisión: RCP2.6, RCP4.5 y RCP8.5.
vestigaciones Climáticas (PMIC), y de la Comisión Mixta sobre Oceanografía y Meteorología Marina (Joint Comission for Oceanography and
Marine Meteorology o JCOMM).Información adicional sobre el ETCCDI
se puede encontrar en: http://cccma.seos.uvic.ca/ETCCDI/indices.shtml. Los 27 índices definidos por este grupo de expertos y que se utilizan en este proyecto se muestran en la tabla 1.2.
21
Definición
Unidad
Duración de Growing
la estación de season
crecimiento length
Número de días en 1 año
entre la primera racha de,
como mínimo, 6 días con
TG > 5°C y la primera
racha después de 1 de julio
con, como mínimo, 6 días
con TG < 5°C
días
TXx
Máxima
de TX
Maximum
TX
Valor máximo anual de
la temperatura máxima
diaria
°C
TNx
TNx
Máxima de
TN
Maximum
TN
Valor máximo anual de
la temperatura mínima
diaria
°C
TXn
TXn
Mínima de
TX
Minimum
TX
Valor mínimo anual de
la temperatura máxima
diaria
°C
TNn
TNn
Mínima de
TN
Minimum
TN
Valor mínimo anual de
la temperatura mínima
diaria
°C
Aunque la evolución del clima puede ser entendida a través de los valores medios y la variabilidad de las variables climáticas, el estudio de
los extremos climáticos es importante, ya que los extremos son una de
las causas más importantes de los desastres naturales. Pero los riesgos de desastre también dependen de algo más que peligros físicos.
Los riesgos de desastres son el resultado de la interacción de eventos
climáticos o meteorológicos, que son los factores físicos de los riesgos
de desastre con la exposición y la vulnerabilidad, que son los factores
con los que contribuye la sociedad. Las consecuencias de los eventos extremos son el resultado de la combinación de estos factores,
haciendo difícil su estudio. Sin embargo, un adecuado entendimiento
de los riesgos naturales es un importante requisito para la valoración
de los riesgos de exposición y la vulnerabilidad de ecosistemas y comunidades a esos extremos climáticos y meteorológicos.
Índice
Castellano Inglés
Nombre
Castellano
DEC
GSL
TXx
Tabla 1.2
Índices climáticos definidos por el ETCCDI, donde TN es la temperatura mínima, TX la
temperatura máxima, TG la temperatura media y PPT la precipitación; el cálculo de percentiles.
Índice
Castellano Inglés
Nombre
Castellano
DHe0
FD0
Días de
helada
DV25
SU25
Días de
verano
Inglés
Definición
Unidad
Frost days
Número de días en 1
año en que TN < 0°C
días
TN10p
TN10p
Noches
frias
Cold nights Porcentaje de días en
que TN < percentil 10
%
Summer
days
Número de días en 1
año en que TX > 25°C
días
TX10p
TX10p
Días frios
Cold days
Porcentaje de días en
que TX < percentil 10
%
TN90p
TN90p
Noches
cálidas
Warm
nights
Porcentaje de días en
que TN > percentil 90
%
TX90p
TX90p
Días
cálidos
Warm days Porcentaje de días en
que TX > percentil 90
%
IDRC
WSDI
Indicador de Warm spell
duración de duration
racha cálida
Inglés
DGa0
ID0
Día glacial
Ice days
Número de días en 1
año en que TX < 0°C
días
NT20
TR20
Noches
tropicales
Tropical
nights
Número de días en 1
año en que TN > 20°C
días
Número de días en 1 año
que, como indicador mínimo, hay 6 días consecutivos con TX > percentil 90
días
Definición
Unidad
Índice
Castellano Inglés
Nombre
Castellano
Indicador
Cold spell
de duración duration
de racha fría
Número de días en 1
año que, como indicador mínimo, hay 6 días
consecutivos con TN <
percentil 10
días
LMRS
CDD
Longitud
máxima
de la racha
seca
Maximum
length of
dry spell
Máximo número en 1 año días
de días consecutivos con
PPT < 1 mm
Amplitud
térmica
Diurnal
temperatura anual
range
Media anual de la diferencia entre TX y TN
°C
CWD
Longitud
máxima de
la racha
lluviosa
Maximum
length of
wet spell
Máximo número en 1
año de días consecutivos con PPT ≥ 1 mm
días
PX1dia
RX1day Máximo
de PPT
en un día
Maximum
1-day precipitation
amount
Valor máximo anual de
precipitación en 1 día
mm
P95pTOT R95pTOT PPT total
anual en los
días muy
lluviosos
PPT total anual (en días
en que ≥ 1 mm) cuando
la PPT diaria cumulada
es superior al percentil
95
mm
PX5dia
RX5day Máximo
de PPT
en 5 días
consecutivos
Maximum
5-day
precipitation
amount
Máxima anual de la PPT
registrada en 5 días
consecutivos
mm
Annual total
precipitation
on a wet
day when
> 95th
percentile
SDII
Índice
simple de
intensidad
diaria
Simple
daily
intensity
index
PPT total anual dividida
entre el número de días
con PPT ≥ 1 mm
mm/día
Annual total
precipitation
on a wet
day when
> 99th
percentile
PPT total anual (en días
en que ≥ 1 mm) cuando
la PPT diaria cumulada
es superior al percentil
99
mm
ISID
P99pTOT R99pTOT PPT total
anual en
los días
extremadamente
lluviosos
PTOT
Annual
total
wet-day
PPT total anual precipitación en días en que
PPT ≥ 1 mm
mm
Índice
Castellano Inglés
Nombre
Castellano
IDRF
CSDI
ATA
DTR
Días de
PPT ≥
10 mm
Inglés
DP10
R10
Annual
Número anual de días en días
count of
que PPT ≥ 10 mm
days when
precipitation
≥ 10 mm
DP20
R20
Días de
PPT
abundante
Annual
Número anual de días en días
count of
que PPT ≥ 20 mm
days when
precipitation
≥ 20 mm
DP50
R50
Días de
PPT muy
abundante
Annual
Número anual de días en días
count of
que PPT ≥ 50 mm
days when
precipitation
≥ 50 mm
LMRH
PRCPTOT PPT total
anual en
los días
lluviosos
Inglés
Definición
Unidad
23
• Resultados
VALIDACIÓN DE REMO Y MRI-AGCM
verano austral. También cabe destacar que en invierno, en el norte de
Perú y el este de Ecuador, REMO simula una precipitación menor que la
observada, en tanto que en MRI_AGCM, el “bias” es positivo.
Para validar los campos de precipitación y temperatura del aire, a dos
metros, se utiliza la base de datos de la Universidad de Delawere. Las
temperaturas de esta base de datos se proporcionan en una malla regular de 0.5 grados tanto en longitud como latitud. Los datos observados
desde los que han sido interpoladas estas temperaturas provienen
de diversas fuentes, incluyendo la Red Climatológica Histórica Global
(GHCN2), la Red Global de Climatología Sinóptica (Dataset 9290c de
NCDC de EEUU) y el Resumen Global Diario de Superficie (GSOD).
Los promedios mensuales de temperatura y precipitación de las estaciones se interpolan a la malla con ayuda de una combinación de métodos de interpolación espacial: Modelo Digital de Elevación (DEM), interpolación asistida (Willmott y Matsuura, 1995); interpolación tradicional
(Willmott et al., 1985) e interpolación ayudada climatológicamente (CAI)
(Willmott y Robeson, 1995).
A continuación se presentan los cambios de temperatura media y precipitación para el escenario A1B para el modelo MRI-AGCM y de
temperatura media, temperatura mínima, temperatura máxima y
precipitación para REMO en las tres vías de concentración representativas RCP2.6, RCP4.5 y RCP8.5. Para el cálculo de las climatologías
y los índices se ha utilizado el programa Climate Data Operators (CDO,
https://code.zmaw.de/projects/cdo) y para la representación gráfica, se
ha utilizado NCL (http://www.ncl.ucar.edu/).
En la figura 1.7 se representa la climatología de precipitaciones en la
base de datos de la Universidad de Delawere en la región andina para
las cuatro estaciones, así como los “bias” de REMO y MRI-AGCM. Se
puede observar que los tres modelos muestran una buena representación
de la precipitación, siendo MRI-AGCM con resolución de 20 km el más
cercano a las observaciones. Los tres modelos, y especialmente REMO,
tienen un exceso de precipitación sobre los Andes, sobre todo en el
Figura 1.7
Precipitación estacional (mm/mes) en la base de datos de Delawere (fila superior: invierno
(primera columna), primavera (segunda columna), verano (tercera columna), otoño (cuarta
columna)) y los errores de los modelos. REMO con 50 km de resolución (segunda fila),
MRI-AGCM, 50 km de resolución (tercera fila) y MRI-AGCM, 20 km. (cuarta fila)
Las temperaturas simuladas por REMO y MRI-AGCM muestran patrones de error muy semejantes, tanto en distribución espacial como
en magnitud. Se pueden ver como todos los modelos muestran errores
positivos en la costa y negativos en las zonas montañosas. La discrepancias entre modelos y observaciones en la región costera se puede
explicar en parte por el hecho de que, en general, la estrecha franja
costera no está bien resuelta ni por las observaciones ni los modelos,
excepto MRI-AGCM a 20 km, para el cual los errores positivos en la
costa están restringidos a una banda más delgada.
Figura 1.8
Temperatura a 2m (grados centígrados) estacional en la base de datos Delawere (fila
superior: invierno (primera columna), primavera (segunda columna), verano (tercera columna), otoño (cuarta columna)) y los errores de los modelos. REMO con 50 km de resolución (segunda fila), MRI-AGCM, 50 km de resolución (tercera fila) y MRI-AGCM, 20 km
(cuarta fila)
25
Cambio de las Variables Climáticas para el
Período 2020-2039.
Temperatura media diaria
Se incorporaron a la base de datos las temperaturas medias y precipitación diarias de todos los modelos utilizados para el período de
interés 2020-2039, para el cual se disponían datos de todos los modelos; extendiéndose la base de datos para estas variables hasta 2100
sin el modelo MRI-AGCM. Adicionalmente, se añadieron las variables
de temperatura mínima y temperatura máxima diarias para los modelos
globales y el modelo regional REMO, cubriéndose todo el siglo XXI.
Las proyecciones para REMO y los modelos globales corresponden a
los escenarios RCP2.6, RCP4.5 y RCP8.5 del Quinto Informe del IPCC.
En tanto que las simulaciones con el modelo MRI-AGCM, se llevaron
a cabo utilizando como forzamiento el escenario SRES A1B. De esta
manera, en la proyección de consenso se utilizaron dos escenarios extremos, RCP2.6 y RCP8.5 y dos intermedios, RCP4.5 y SRES A1B.
Figura 1.9
Cambios estacionales en la temperatura a 2m (grados centígrados) con respecto al
período 1980-1999 (fila superior: verano austral (izquierda), otoño (derecha). Fila inferior:
invierno (izquierda), primavera (derecha). Se representa el promedio de todos los modelos
utilizados en el proyecto.
En la Figura 1.9, se representan los cambios de temperatura media diaria del período 2020–2039 con respecto al período 1980–1999 para la
región que cubre el proyecto. Todos los cambios son positivos y varían
entre 0,5 – 2,0 grados centígrados, dependiendo este cambio de la
estación. También se observa una marcada dependencia geográfica.
En el verano austral se observa un contraste este-oeste, con la cordillera andina, especialmente en los valles interandinos, experimentando los
cambios más fuertes y las regiones amazónicas los más débiles para
Perú y Bolivia. En Ecuador el patrón es inverso, en la región amazónica, los cambios son más fuertes que en la región costera, alcanzando
valores de hasta 1,5 grados. Los cambios en temperatura media más
fuertes se observan durante el otoño, aunque se mantiene el patrón
espacial de cambios del verano. Los valores más altos de cambio de
temperatura se observan en la región del altiplano peruano y el este de
Bolivia, alcanzando valores de hasta 2 grados centígrados. El patrón
de cambios de temperatura media para el invierno, estación para la
cual los cambios son menores, es muy semejante al del verano, aunque
ahora no se observa el contraste este-oeste en Ecuador. En primavera
se observa un patrón de cambio semejante a verano, aunque ahora en
el oeste de Bolivia, los cambios alcanzan su valor máximo de 1,5-2,0
grados centígrados.
Figura 1.10
Cambios estacionales en la precipitación (mm/año) con respecto al período 1980-1999
(fila superior: verano austral (izquierda), otoño (derecha). Fila inferior: invierno (izquierda),
primavera (derecha). Se representa el promedio de todos los modelos utilizados en el
proyecto.
27
• Precipitación
En la Figura 1.10 se representan los cambios de precipitación acumulada del período 2020–2039 con respecto al período 1980–1999 para
la región que cubre el proyecto. La tendencia es positiva en la mayor
parte de la región y, en todas las estaciones de estudio, varían entre -30
y +50 mm/año, observándose una fuerte dependencia estacional de
este cambio. La distribución geográfica del cambio, como en el caso
de la temperatura media, es también marcada. El verano austral es la
estación con mayores cambios. En el norte de la región de estudio, los
mayores cambios positivos se dan en la vertiente oriental de los Andes
con cambios negativos en la región de valles interandinos. En Perú y
Bolivia, los cambios más fuertes se dan en la vertiente occidental de los
andes, con la costa y región amazónica presentando los cambios positivos más débiles. Aparte de los valles interandinos en Ecuador, también
se proyectan disminuciones de precipitación en la región suroriental de
Bolivia y en partes de la Amazonía peruana. Durante el otoño, se refuerzan las tendencias negativas de la precipitación en la región de los
valles interandinos ecuatorianos y, aunque prácticamente se mantiene
el patrón espacial de cambios del verano, los valores ahora son más
débiles, apareciendo una tendencia a la disminución de la precipitación
en el noreste de Bolivia. El patrón de cambios de presión para el invierno, estación para la cual los cambios son menores, es muy distinto
al de las dos estaciones anteriores, especialmente en Ecuador, donde
ahora se observa un claro contraste este-oeste, con cambios negativos
al este y positivos al oeste. En Perú y Bolivia también se observa un
contraste este-oeste en los cambios, de signo similar a los cambios en
Ecuador, aunque de valores mucho más pequeños. En primavera, el
patrón de cambio es inverso al de verano, los cambios son más fuertes
y se proyecta un aumento de precipitación en la región andina.
• Temperaturas diarias máximas y mínimas
En la Figuras 1.11 y 1.12 se representan los cambios de temperatura
diaria mínima y máxima del período 2020–2039 con respecto al período
1980–1999 para la región que cubre el proyecto. Tanto los cambios de
temperatura mínima como máxima son positivos en todo el territorio estudiado y sus valores varían entre 0,5 – 2,0 grados centígrados,
dependiendo este cambio de la estación. Como en el caso de la temperatura media, los valores del cambio varían con la geografía, aunque
para la temperatura mínima, esta dependencia es menor. En el verano austral, también observamos para ambas variables un contraste
este-oeste, aunque los cambios para la temperatura mínima son más
uniformes, especialmente en Ecuador y el sur del Perú. En ambas variables, la Cordillera de los Andes experimenta los cambios más fuertes
y las regiones amazónicas los más débiles. Esto es, especialmente,
cierto para la temperatura máxima en los Andes en la región sur del
Perú y es sureste de Bolivia, donde los cambios alcanzan su valor
máximo para esta estación. Tanto para la temperatura máxima como la
mínima, los cambios mayores se producen durante el otoño y la primavera, aunque los patrones espaciales de cambios son distintos para las
distintas estaciones. Los valores más altos de cambio de temperatura
máxima en otoño se observan al este de la región de estudio, en tanto que durante la primavera, los cambios más altos se producen en el
oeste; en tanto que para las temperaturas mínimas, el patrón espacial
es más uniforme. El patrón de cambios de temperatura media para el
invierno, estación para la cual los cambios son menores, es muy semejante al del verano, aunque ahora no se observa el contraste este-oeste
en Ecuador para las temperaturas máximas.
Figura 1.11
Cambios estacionales en la temperatura mínima diaria (grados centígrados) con respecto al período 1980-1999 (fila superior: verano austral (izquierda), otoño (derecha). Fila
inferior: invierno (izquierda), primavera (derecha). Se representa el promedio de todos los
modelos globales y REMO.
Figura 1.12
Cambios estacionales en la temperatura máxima diaria (grados centígrados) con respecto al período 1980-1999 (fila superior: verano austral (izquierda), otoño (derecha). Fila
inferior: invierno (izquierda) y primavera (derecha). Se representa el promedio de todos los
modelos globales y REMO.
29
• Conclusiones
En el presente documento se han discutido dos aspectos. Por una parte, se ha realizado un desarrollo de metodologías nuevas y adaptación
de metodologías existentes y, por otro lado, se ha expuesto el aspecto
climático de las proyecciones regionales estudiadas.
En cuanto a la metodología, se utilizó un sistema de cálculo basado
en software libre que permite la validación de modelos regionales y
globales, el cálculo de proyecciones de consenso de las variables
climáticas más importantes así como el de índices de extremo climáticos para un ensemble que puede consistir tanto de modelos climáticos
globales como regionales.
En el aspecto puramente climático, se presenta los primeros resultados
de las proyecciones regionalizadas para el siglo XXI que se estudiaron
en el marco de este proyecto. La discusión se ha centrado sobre todo
en la comparación de los valores medios obtenidos con los modelos
globales y regionales. También se han considerado los comportamientos de extremos a través de los índices climáticos.
Como resultado del proyecto se ha generado una base de datos de
proyecciones regionalizadas de impactos, que se pone a disposición de
la comunidad. Esta colección de proyecciones satisface la demanda de
prontitud en cuanto a disponibilidad de proyecciones. Los resultados
presentados han confirmado la relativa robustez de las proyecciones de
temperatura que, con las limitaciones ya mencionadas, establece para
la trayectoria de concentración representativa alta RCP8.5 unas horquillas de variación aproximada de 1-2 oC para el período 2020-2039 y para
las zonas del interior de la Región Andina, que muestran mayores cambios. La trayectoria de concentración representativa muestra valores
aproximadamente de 0,5-1 oC más bajos para este mismo período. Las
proyecciones de temperatura muestran un desigual reparto del cambio
de temperatura por estaciones, correspondiendo los valores de mayor
cambio a los meses estivales y los de menor cambio, a los invernales.
El modelado del sistema climático está inherentemente asociado a
diversas incertidumbres. Esta incertidumbre debe ser tomada en
cuenta y cuantificada de la manera más rigurosa posible en cualquier
estudio de impacto de cambio climático que se quiera llevar a
cabo. Por ello, en este proyecto se utilizaron tanto modelos climáticos
globales como regionales para formar un ENSEMBLE que permita obtener proyecciones más robustas. Gracias a la actividad del IPCC, se
disponen de un gran número de simulaciones con modelos globales
para varios escenarios. Estos modelos tienen una resolución relativamente baja por lo que la información climática que proporcionan no
está suficientemente diferenciada, espacialmente, en la región andina
que se caracteriza por accidentes geográficos con una variación espacial muy marcada y se hace necesario contar simulaciones de más
alta resolución. La limitación de recursos informáticos no permite la realización del número suficiente de simulaciones con modelos globales
de alta resolución, por lo que la utilización de modelos climáticos regionales se hace imprescindible.
Validación
En general, tanto los modelos globales, con una resolución espacial promedio de 1-3 grados, como los modelos regionales, con una
resolución espacial de 18-50 km, simulan correctamente los ciclos
anuales de temperatura y precipitación en la región.
Temperatura
Los modelos globales tienen importantes sesgos sistemáticos positivos en las temperaturas. Esto se debe, probablemente, a que no simulan bien la disminución de temperaturas sobre la Cordillera. Nótese
que este sesgo sistemático desaparece al evaluar la diferencia de la
variable entre dos periodos.
•
Los modelos regionales representan mejor la distribución espacial de temperatura que los modelos globales
Precipitación
• Los modelos globales tienden a subestimar la precipitación en
altura. La falta de resolución espacial no permite diferenciar la costa
y las regiones de la cordillera en los modelos globales.
• Los modelos regionales tienden a sobreestimar la precipitación.
Este es un resultado que, en general, ocurre en todos los modelos regionales y zonas con topografía compleja. No se puede cuantificar
esta sobreestimación por no existir información climática en altura.
la región de valles interandinos. En Perú y Bolivia, los cambios más
fuertes se dan en la vertiente occidental de los Andes. También se
proyectan disminuciones de precipitación en la región suroriental de
Bolivia y en partes de la Amazonía peruana. El patrón de cambios de
precipitación para el invierno, estación para la cual los cambios son
menores muestra un claro contraste este-oeste, con cambios negativos al este y positivos al oeste. En Perú y Bolivia también se observa
un contraste este-oeste en los cambios, de signo similar a los cambios
en Ecuador, aunque de valores mucho más pequeños.
Recomendaciones metodológicas
Proyecciones
• Debido a la presencia de fuertes gradientes espaciales, las variables simuladas, en especial la de los modelos globales se deben someter a algunos ajustes. Por ejemplo, las correcciones de las tempera• El promedio de las simulaciones globales como regionales
turas debidas a las diferencias de altura entre la orografía del modelo y
proyectan aumento de temperaturas que varía entre 0,5 – 2,0 grados
la altura observada pueden llegar a ser muy importantes.
centígrados para el periodo 2020-2039, dependiendo de la estación.
También se observa una marcada dependencia geográfica, con un
• Al usar un ENSEMBLE de modelos, tanto regionales como
contraste este-oeste. La Cordillera de los Andes, especialmente en los
globales, es importante usar criterios estadísticos que permitan obvalles interandinos, experimentaría los cambios más fuertes y las retener proyecciones robustas. Un procedimiento adecuado sería el de
giones amazónicas los más débiles para Perú y Bolivia. En Ecuador, el
eliminar de la proyección de consenso, los resultados fuera de serie,
patrón es inverso: en la región amazónica, los cambios son más fuertes
o “outliers”.
que en la región costera, alcanzando valores de hasta 1,5 grados. Los
cambios en temperatura media más fuertes se observan durante el
• Otro criterio de selección de modelos, a utilizar en las proyecotoño, aunque se mantiene el patrón espacial de cambios del verano.
ciones, sería la bondad de la representación de la variabilidad estacioEl patrón de cambios de temperatura media para el invierno, estación
nal, interanual e interdecadal para la región, en especial la representpara la cual los cambios son menores, es muy semejante al del verano,
ación de la Zona de Convergencia Intertropical, el Fenómeno ENSO y
aunque ahora no se observa el contraste este-oeste en Ecuador.
la Oscilación Decadal del Pacífico.
Los cambios en precipitación son positivos en la mayor parte de la
región y en todas las estaciones de estudio varían entre -30 y +50 mm/
año, observándose una fuerte dependencia estacional y espacial de
este cambio. El verano austral es la estación con mayores cambios.
En el norte de la región de estudio, los mayores cambios positivos se
dan en la vertiente oriental de los Andes y con cambios negativos en
• La necesidad de resolver las escalas espaciales típicas de la
región en las proyecciones hace necesario el uso de modelos regionales. Para que esas proyecciones sean robustas, se necesita un conjunto, suficientemente, amplio de dichos modelos. Las simulaciones
necesarias se deben hacer en un marco de colaboración internacion-
31
al debido al alto costo computacional y las necesidades de personal
científico experto en el tema. Proyectos como Cordex – Sudamérica
pueden proporcionar el marco adecuado, aunque simulaciones a mayor resolución (alrededor de 10 km) también son necesarias.
Las temperaturas simuladas por REMO y MRI-AGCM muestran patrones de error muy semejantes, tanto en distribución espacial como
en magnitud. Se pueden ver como todos los modelos muestran errores
positivos en la costa y negativos en las zonas montañosas. La discrepancias entre modelos y observaciones en la región costera se puede
• La generación de una buena base de datos de temperatura y explicar, en parte, por el hecho de que, en general, la estrecha franja
precipitación especialmente en altura para la región es imprescindible, costera no está bien resuelta ni por las observaciones ni los modelos,
tanto para diagnosticar cambios como para validar modelos.
excepto MRI-AGCM a 20 km, para el cual los errores positivos en la
costa están restringidos a una banda más delgada.
En Resumen:
Las proyecciones climáticas son un elemento crucial en el proceso de
toma de decisiones, que debe ser consistente con el marco general
proporcionado por el informe especial sobre escenarios de emisiones
elaborado por el IPCC y sus informes de evaluación.La herramienta
básica para realizar estimaciones de proyecciones climáticas son los
modelos de circulación general acoplados océano-atmósfera.
Estos modelos proporcionan las características de gran escala de las
proyecciones climáticas, pero la escasa resolución espacial de las
proyecciones limita su utilidad para los distintos tipos de modelos de
impacto, que habitualmente necesitan información climática que resuelva los detalles regionales. Es por ello que los estudios de impacto,
a escala regional, hacen ineludible el estudio de escenarios regionalizados de cambio climático, con la mayor resolución espacial posible. La
región andina presenta un reto para los modelos climáticos actuales,
tanto globales como regionales, tanto por sus características climáticas
como orográficas.
Los tres modelos utilizados muestran una buena representación de la
precipitación, siendo MRI-AGCM con resolución de 20 km el más cercano a las observaciones. Los tres modelos, y especialmente REMO,
tienen un exceso de precipitación sobre los Andes, sobre todo en el
verano austral. También cabe destacar que en invierno, en el norte de
Perú y el este de Ecuador, REMO simula una precipitación menor que la
observada, en tanto que en MRI_AGCM el “bias” es positivo.
ANDES QC: Control de calidad de
datos para grupos de estaciones
meteorológicas
Por Enric Aguilar
• Introducción
ANDESQC se ha programado sobre R, a partir de RClimdex-extraqc y
ha sido realizado bajo el
contrato CCI-009-ATN/OC-12439-RG-2012 para CIIFEN. Se distribuye
bajo licencia GNU Lesser GPL 3.0
La importancia del desarrollo de esta herramienta para control de calidad en los datos climáticos, radica que, durante el proceso de observación y recolección de series de datos, se producen inevitablemente
errores de distinta naturaleza. Además, el control de calidad pretende
detectar principalmente errores de carácter no sistemático, distintos a
los usados con los procesos de homogeneización.
Los problemas que se intenta detectar con Andes QC son (entre otros)
errores relacionados a la digitalización: 53 fue digitalizado en lugar de
35 en la columna de temperatura máxima. Aquellos errores que se intentan detectar y ajustar mediante los procesos de homogeneización
son siempre de carácter sistemático y responden a fenómenos como el
cambio de emplazamiento, entorno o instrumentación de los observatorios meteorológicos.
El enfoque de ANDESQC está previsto para el control de calidad simultáneo de una red de estaciones, en la cual la agilidad del proceso
es de vital importancia, como también lo es la reducción del código
(esto facilita su documentación y su posterior mantenimiento). Por ello,
se ha realizado una mejora, simplificación y documentación de algunas
rutinas. Abajo se muestra la rutina jumps.
Ejemplo de rutina simplificada y documentada.
(sustituye jumps_tx y jumps_tn)
####################################################
jumps = function(station,mister,maxjump,element=6) {
# OBJETIVO: etiquetar diferencias interdiarias excesivas
# INPUT:
# station: nombre de la estacion. No usado.
# mister: fichero que contiene datos + columnas de qc 0/1 ya
utilizadas
# maxjump: diferencia máxima entre valores diarios
# element: columna del elemento sobre el que se trabaja (5 =
temperatura máxima; 6 = temperatura mínima)
# RETORNA:
# mister: datos + columnas de qc, con el qc correspondiente
actualizado.
hay<-length(which(!is.na(mister[,element])))
if(hay > 0) {
diffy<-diff(mister[,element])
chungo<-which(abs(diffy)>maxjump)
chungo<-unique(sort(c(chungo,chungo+1)))
donde<-ncol(mister)+1
mister[,donde]<-0
if(length(chungo)!=0){mister[chungo,donde]<-1}
rm(list=ls(pattern=’[^mister]’))
nyunyu<-gc()
return(mister)
}
}
####################################################
33
Tesis Incluidas en ANDES QC
TEST
FECHA
PRECIP
TX
TN
DTR
X
X
X
X
Outliers Espaciales
X
X
X
X
Valores fuera de rango
X
Outliers por meses
Outliers Pentadales
Outliers Gamma
Tmax < Tmin
Valores Duplicados
X
Diferencias Interdiarios
Valores Consecutivos
Redondeo
X
OUTLIERS POR MESES - fourboxes()
Estratifica cada una de las variables TX, TN y precipitación distinta de 0
por meses y produce diagramas de caja (boxplot) de las mismas. Identifica como outliers aquellos valores que
Se encuentren por encima del percentil 75 + n rangos
intercuartílicos (RIC).
Se encuentren por debajo del percentil 25 - n RIC
X
!
X
X
X
Cadenas de Markov
Cadena Precip.
X
!
X
X
X
Precip. Acumulada
X
X
X
X
!
!
X
X
X
X
X
X
Parámetros
Configurables
Características
Ejemplo de
parametrización
Outrange
Numérico,
número de RIC
para outiliers de
temperatura
4
Outrangeprec
Numérico,
número de RIC
para outiliers de
precipitación
7
OUTLIERS PENTADALES - pentauts()
Test de nueva implementación el cual estratifica cada una de las variables TX, TN por ventanas móviles de 5 días. Identifica como outliers
para el día central de cada ventana, aquellos valores que
Se encuentren por encima del percentil 75 + n RIC
Se encuentren por debajo del percentil 25 - n RIC
Entendemos que para la finalidad de este test (etiquetar posibles outliers cuyos valores superan el cuantil especificado en la parametrización)
el enfoque utilizado es suficiente.
Parámetros
Configurables
gaquant
Los valores de referencia para cada uno de los 365 días julianos, se
encentran suavizados mediante una media móvil de 11 puntos. Existe
la posibilidad de modificar la parametrización de la función para realizar
dicho filtro mediante LOESS.
Parámetros
Configurables
rangepent
Características
Numérico,
número de RIC
para outiliers de
temperatura
OUTLIERS GAMMA - precipouts ()
Ejemplo de
parametrización
4
Características
Numérico,
cuantil de la
distribución gamma
que actúa como
límite a valores
cutliers.
Ejemplo de
parametrización
0.99
OUTLIERS ESPACIALES - Función auxiliar percentcor()
Posiblemente, sea el test más complejo incluido en este paquete. Utiliza una función previa configurable, percentcor(). Dicha función:
Función precipouts para detección de outliers de precipitación: esta función ajusta, separadamente a cada mes, una distribución de probabilidad gamma, considerada la más generalizada para describir
paramétricamente las distribuciones de precipitación acumulada diaria. No se ha incluido – en la presente versión – la posibilidad de ajustar otras distribuciones y valorar la bondad del ajuste mediante criterios
objetivos como el habitual AIC.
Calcula la matriz de correlación para todas las series dis
ponibles de temperatura y precipitación. Se utiliza un periodo de referencia (a ser posible, 30 años) y la primera diferencia para evitar el impacto de posibles inhomogeneidades y del cic
lo anual.
Utilizando los datos del periodo de referencia Estratifica los
datos en péntadas móviles. Para cada una de ellas
(5 x 30 valores), se extrae la distribución empírica de
probabilidad.
El valor de cada día de toda la serie es transformado en el
percentil que representa en la ECDF correspondiente.
35
Se seleccionan series bien correlacionadas (referencias) y se compara
el percentil de la estación candidata con la mediana de los percentiles
de las referencias. De no existir suficientes datos en el periodo de referencia o menos de dos estaciones con r > 0.4, los outliers espaciales
no son computados.
Si la diferencia supera el valor configurado, la observación queda marcada como un outlier. Dada la complejidad en la configuración de estos outliers, solamente se retienen aquellos outliers espaciales que han
fallado otro test.
spatialouts ()
Parámetros
Configurables
perdiff
Características
Numérico,
diferencia máxima
entre los cuantiles
entre la estación
candidata y sus
referencias
Ejemplo de
parametrización
0.50
percentcor ()
Parámetros
Configurables
ref1
ref2
Características
Numérico, primer
año periodo
referencia para
cómputo de
correlaciones
Numérico, año
final del periodo de
referencia para el
cómputo de
correlaciones
Ejemplo de
parametrización
1961
1990
TMAX < = TMIN - tmaxmim()
Dada la definición OMM de temperatura máxima diaria y temperatura
mínima diaria, la primera debe ser mayor a la segunda Se identifican
como erróneos aquellos valores para los que la anterior afirmación no
se cumple.
Parámetros
Configurables
Carece de
parámetros
configurables
Características
-
Ejemplo de
parametrización
-
VALORES FUERA RANGO - humongous()
Identifica valores que se consideran imposibles, como la precipitación
negativa o temperaturas de 100ºC. Los valores etiquetados por este
test no son considerados outliers o valores sospechosos sino ERRORES.
Parámetros
Configurables
Características
Ejemplo de
parametrización
smalltx
Valor demasiado bajo de
TX
-60
smalltn
Valor demasiado bajo de
TN
-80
bigtx
Valor demasiado alto de
TX
60
bigtn
Valor demasiado alto de
TN
bigprecip
Valor demasiado alto de
PREC
Parámetros
Configurables
Características
Ejemplo de
parametrización
carece de
parámetros
configurables
-
-
DIFERENCIAS INTERDIARIAS - jumps()
Test que identifica valores de TX y TN cuya diferencia con la siguiente
observación es considerada excesiva, según valor parametrizado por
el usuario.
40
Parámetros
Configurables
Características
800
maxjump
Máxima
diferencia
permitida entre
observaciones
consecutivas
VALORES DUPLICADOS - duplicals()
Ejemplo de
parametrización
20
Identifica fechas repetidas. Los valores etiquetados por este test no
son considerados outliers o valores sospechosos sino ERRORES.
37
VALORES CONSECUTIVOS - flatline ()
Identifica rachas consideradas demasiado largas de valores consecutivos iguales para TX, TN y precipitación distinta de 0.
Parámetros
Configurables
Características
maxflat
Máxima
racha permitida
de valores
idénticos
consecutivos
PRECIP. ACUMULADA - suspectacumprec()
Ejemplo de
parametrización
10
Parámetros
Configurables
Características
limit
Valor de
precipitación a
partir del cual
se empieza a
inspeccionar
tolerance
Núm. días
previos a
ocurrencia del
valor definido
por limit iguales
a 0 o no
disponibles
Ejemplo de
parametrización
100
10
CADENAS DE MARKOV - markovchain()
Se trata de un test de notable complejidad estadística. Se basa en caIdentifica valores de precipitación elevados precedidos de una racha de denas de Markov de dos estados
valores 0 o en ausencia de valores previos.
(Seco = 0; húmedo = distinto de cero) y rango 1
Las series de precipitación se estratifican por ventanas móviles de 11
días. Se evalúan las probabilidades transicionales de una observación
a la siguiente:
P0 = probabilidad de día lluvioso; P1 = probabilidad de día seco
P00 = probabilidad día seco tras día seco; P01 probabilidad día lluvioso tras día seco
Con las probabilidades obtenidas, se utiliza la distribución geométrica
para extraer de la misma la racha que representa un determinado cuantil (configurable por el usuario). De encontrarse una racha que exceda
la determinada anteriormente, se etiquetarán como sospechosos todos
los días que la componen más el anterior y el posterior.
Parámetros
Configurables
Características
targetquant
Valor para el
cuantil de la
distribución
geométrica a utilizar. Se expresa
como 1-q
Parámetros
Configurables
Características
chapa
Número
máximo de
observaciones
idénticas (presumiblemente 0)
permitidas
Ejemplo de
parametrización
0,025
CADENAS DE PRECIPITACIÓN - chainprecip()
Ejemplo de
parametrización
275
REDONDEO - tableround()
Adicionalmente a la salida gráfica para evaluación cualitativa ya presente en extraqc, se ofrece un test que etiqueta valores sospechosos.
Se basa en determinar el número máximo de observaciones que se
permiten con el mismo valor tras el punto decimal (.0 a .9).
Se aplica a TX, TN y precipitación distinta de 0.0 Todos los valores implicados en dicha racha son etiquetados.
Se trata de una versión simplificada del anterior test, que simplemente
analiza la existencia de rachas superiores a n valores idénticos (presumiblemente, 0), siendo n configurable.
Parámetros
Configurables
Características
La parametrización de esta función debe tener en cuenta la existencia
de una estación seca.
maxround
Número
máximo de
observaciones
Ejemplo de
parametrización
7
39
Funciones Adicionales
Dadas las características inherentes a la variable precipitación (distribución no gaussiana, limitada por la izquierda y con claro sesgo positivo;
gran variabilidad interdiaria e interanual; rápida de correlación espacial)
su control de calidad es más complejo y en ocasiones se reduce a representaciones de la información. La versión 3.0 de ANDESQC incluye
tres novedades importantes, las cuales amplían sus capacidades y facilitan su conexión con otras herramientas como HOMER o RClimdex .
Parámetros
Configurables
fudd
bunny
Características
Ejemplo de
parametrización
elemento sobre el que actuar
(4=pc; 5=tx; 6=tn),vectorial
c(4,4,5,5)
valores a ser sustituídos
c(-1,-4,-999.9,-999.9)
valores que les
reemplazarán
c(0,0,-99.9,-99.9)
duck
· Función preclean para sustitución de códigos específicos:
· Función smartcorrection
es frecuente que muchos bancos de datos incorporen códigos especiales para indicar determinadas circunstancias asociadas con la medida de precipitación. Los más comunes son, sin duda, la marca de para generar un nuevo fichero de datos para cada serie etiquetando a
traza de precipitación o valor inferior a 0.1 mm y la indicación de valor -88.8 aquellas valores que no hayan pasado determinados test (configacumulado. De forma similar a los valores perdidos, esta consigna uti- urable)
liza valores imposibles de la variable en cuestión (por ejemplo, -1 para
indicar traza), los cuales no deben ser leídos como un valor regular ya
Parámetros
Características
Ejemplo de
que inducirían a error o – en el caso de ser alfabéticos – a errores en
Configurables
parametrización
aquellas rutinas que requieran cómputos matemáticos. Contrariamente
a lo que sucede con los valores perdidos, la solución óptima no es
nivel de corrección
siempre determinar la inexistencia del valor y la respuesta adecuada
levcorr
1. Corrige a -88.8 sólo
errores
varía caso a caso y en función del banco de datos que se está contro2. Corrige a -88.8 lo anlando. Por ejemplo, los valores traza de un banco de datos destinado
terior más aquellos que
a ser analizado con RClimdex deben ser igualados a cero, puesto que
fallan algún test y tienen
dicho software no utiliza valores de precipitación inferioes a 1 mm. La
confirmación espacial
rutina preclean permite al usuario indicar aquellos códigos que conoce
3. Corrige a -88.8 todo lo
y el valor por los que desea sustituirlo. Dado que también consigna – de
anterior más los outliers
forma vectorial – la columna del elemento al que se refiere, puede ser
y saltos interdiarios
también utilizado para las variables de temperatura.
4. Corrige a -88.8 cualquier valor etiquetado
· Función makemonthly
realiza al final del proceso de control de calidad, ya que se apoyará
en los valores de los tests anteriores y aborda el problema a través de
distintos pasos, realizados por funciones subsidiarias:
que genera, a partir de los datos controlados de calidad, series de valores mensuales y ficheros de estación en el formato requerido por HOMER.
Generación de una matriz de correlación entre las primeras
diferencias de los datos diarios. La primera diferencia se utiliza al
objeto de desestacionalizar los valores y evitar las correlaciones ficticiParámetros
Características
Ejemplo de
amente elevadas introducidas por el ciclo anual.
Configurables
dailystats
parametrización
nombre del fichero de
estaciones diarias
stations.txt
percent
máximo porcentaje de valores
faltantes en un mes permitido
para calcular el valor mensual
5
minyear
primer año sobre el que se
computarán los valores
mensuales
1901
maxyear
último año sobre el que se
computarán los valores
mensuales
2014
Introducción del Control de Calidad Espacial
Dada la naturaleza de las series temporales diarias de temperatura y
precipitación, la comparación con valores de estaciones adyacentes se
demuestra vital para insistir en discernir entre outliers que se corresponden con valores extremos pero legítimos de una estación y aquellos
que se producen por distintos errores. Si bien estos contrastes pueden
realizarse a través de la inspección visual de valores o mediante contrastes climatográficos, la función que se introduce, spatialouts, se
Cálculo de la distribución empírica de densidad acumulada
(ECDF) estratificada por péntadas móviles (es decir, se computa independientemente para cada día juliano incluyendo el mismo día y los
dos días adyacentes anteriores y posteriores).
Generación de series temporales en las que el valor de cada
día es sustituido por el cuantil que representa en la ECDF que le corresponde.
Determinación para cada serie de estaciones suficientemente correlacionadas. Si existen al menos tres series que cumplan
con la correlación mínima exigida (configurable) se procede a los siguientes pasos. De lo contrario, el control de calidad espacial no puede (ni
debe) realizarse.
Cómputo de cuantiles de referencia para cada día a partir de
las series correlacionadas. Se han explorado tres opciones para este
cálculo: ponderación por coeficiente de correlación, diferencia mínima,
diferencia mediana. Finalmente se ha optado por la última.
Generación de series de diferencia entre los cuantiles de la
serie sometida al control de calidad y sus cuantiles de referencia.
De superar el límite configurado por el usuario, se determina provisionalmente que se trata de un outlier espacial .
41
Se estudia el resto de tests aplicados a las observaciones
que han sido marcadas como outliers espaciales provisionales. De
haber fallado otro tests, se registra como outlier espacial definitivo.
El enfoque utilizado es muy conservador e intenta evitar el etiquetado
de un excesivo número de valores. Ofrece una confirmación adicional
de que el valor que se había identificado previamente con otro test
es, efectivamente erróneo. Este razonamiento es el mismo que se ha
utilizado en los procesos de control de calidad de Rclimdex y extraqc,
aunque las comparaciones se hacían de forma enteramente manual.
Sin descartar la necesidad de una decisión experta al final de proceso, la automatización ofrecida por esta función acelera notablemente el
proceso de control de calidad.
Output Gráfico y Numérico de Ayuda a la Decisión
Integrado en Ficheros HTML
ANDESQC incluye una rutina que genera automáticamente series en
formato RClimdex con aquellos valores que no han pasado el control
de calidad convenientemente sustituidos por el código de valor perdido. No obstante, dado que difícilmente ningún proceso de control de
calidad será perfecto, se ofrece una output gráfico integrado en un solo
fichero por estación que nos permite, de forma visual, inspeccionar los
valores etiquetados. La Figura muestra un ejemplo de la información
gráfica que se ofrece en los ficheros de salida en formato html.
Salida gráfica y texto en formato html:
Un fichero por estación que se ubica en el mismo directorio de datos y
cuyo nombre es el mismo del fichero de datos, cambiando su extensión
a html:
ra00000001.txt ==> ra00000001.html
Visión de Conjunto del Output General
VISIÓN GENERAL DE LA SERIE: TX
43
VISIÓN GENERAL DE LA SERIE: TN
VISIÓN GENERAL DE LA SERIE: DTR
45
VISIÓN GENERAL DE LA SERIE: PRECIP
GRÁFICO OUTLIERS MENSUALES: PRECIP
47
GRÁFICO OUTLIERS MENSUALES: TX
GRÁFICO OUTLIERS MENSUALES: TN
49
GRÁFICO OUTLIERS MENSUALES: DTR
GRÁFICO VALORES AUSENTES PRECIPITACIÓN
51
GRÁFICO VALORES AUSENTES TX
GRÁFICO VALORES AUSENTES TN
53
GRÁFICO CONTROL DE REDONDEO: TX
GRÁFICO CONTROL DE REDONDEO: TN
55
GRAFICO CONTROL DE REDONDEO: PRECIP
Contenido Output por Períodos de cinco años
Para cada período de 5 años, se grafican los datos de la estación en
cuestión. Los outliers están identificados en forma de puntos de colores. Los colores están escogidos de forma que aquellas observaciones
que han sido tan solo identificadas por un único test aparecen en verde,
mientras que las que han fallado más de un control de calidad, y por
tanto, presentan una mayor probabilidad cualitativa de ser erróneas, se
representan progresivamente en amarillo, naranja, rojo y púrpura.
Finalmente, aquellos valores detectados en cualquier test y que no han
pasado el control de calidad espacial descrito en el apartado anterior,
se inscriben en un circulo negro. El output ofrece igualmente los valores
involucrados para su inspección. Técnicamente, el fichero se genera en
html a través del lenguaje Markdown y su implementación en R R-markdown. Se ha seleccionado este formato por su facilidad y su universalidad, en comparación con otros que también han sido explorados y
que quizás permiten un mejor formato del output, como laTeX, pero de
mayor complejidad y que requieren la instalación de lectores expresos.
En cambio, html puede ser visionado por cualquier navegador a modo
de página web en modo local.
El output por períodos de cinco años presenta en detalle la información
extraída por el control de calidad y ayuda tomar decisiones respecto a
los valores etiquetados.
Para cada uno de los parámetros TX, TN y precipitación, se incluyen:
Gráficos de redondeo
Gráficos de secuencia de datos con valores etiquetados
mediante códigos de colores
Listado de valores etiquetados
57
GRÁFICO REDONDEO POR PERIODOS
GRÁFICO-RESUMEN QC POR PERIODOS DE 5 AÑOS
59
Listado de Valores Etiquetados por el
Control de Calidad
• Control de Calidad por Periodos
QC OUTPUT FOR 1895 - 1899 ra00047407.txt
TX
Pentadal-based Outliers. Upper Threshold Outpassed
year month day pc tx tn
1898 12 16 2.1 18.6 -10.0
1899 1 29 1.9 24.0 -9.6
Monthly-based Outliers. Upper Threshold Outpassed
year month day pc tx tn
1898 12 16 2.1 18.6 -10.0
1899 1 29 1.9 24.0 -9.6
TX smaller or equal than TN
year month day pc tx tn
1896 1 8 0.4 -4.3 0
1896 2 7 0.0 -3.4 0
1896 3 6 1.0 -3.1 0
1896 12 5 0.0 -1.4 0
1897 2 8 0.0 -1.9 0
Difference between consecutive days is too large
year month day pc tx tn
1899 1 28 0.0 -3.0 -14.6
1899 1 29 1.9 24.0 -9.6
1899 1 30 2.7 2.2 -9.6
Spatial Outlier
year month day pc tx tn
1898 12 16 2.1 18.6 -10
DTR Monthly-based Outliers. Upper Threshold Outpassed
year month day pc tx tn
1895 12 26 0.3 -2.0 -27.9
1895 12 28 27.4 5.5 -23.3
1895 12 30 0.5 -1.0 -29.3
1896 7 17 0.0 27.9 0.0
1896 8 7 1.3 28.3 0.0
1898 12 16 2.1 18.6 -10.0
1899 1 29 1.9 24.0 -9.6
• Número de Test Fallados
Ficheros MASTERQC
• Formato
El fichero masterqc contiene un las siguientes columnas: nombre fichero, año, mes, día, precip, tx, tn + una columna para cada uno de los
controles de calidad realizados, que se abrevian con un código de cuatro letras, que se detalla en la figura siguiente.
Las celdas correspondientes a los distintos tests pueden albergar sólo
dos valores:
0 : el valor ha pasado dicho test
1: el valor no ha pasado dicho test
Mediante el uso de funciones de filtrado de cualquier hoja de cálculo,
se pueden inspeccionar y comparar los valores etiquetados. Dado que
cada registro (fila) es único no solo en el fichero, sino en el conjunto de
las estaciones analizadas, por estar etiquetado por estación, año, mes
y día, los ficheros pueden combinarse y/o integrarse en una base de
datos.
61
Formas de trabajo para Ejecutar ANDESQC
Cargando R y ANDESQC
1 Preparar los datos y el fichero de estaciones en el formato
indicado
2 Cargar R
3 Establecer como directorio de trabajo aquél en el que tenemos los datos
4 Cargar el código fuente de andesqc_vx.x.R
5 El código se ofrece bajo licencia GNU Lesser General Public License 3.0
Características
QC()
Interactiva
X
Configurable en
Pantalla
Configurable desde
Código
Configurable en
Llamada
X
X
qclist()
X
X
Interacción con la Función QC()
PREGUNTA
Opción de Lenguaje / Language
option: 1-English; 2-Spanish
Introduciendo 2, las siguientes
preguntas y opciones parecerán
en español
Introduce el número del fichero
de estaciones. Este fichero y
los de datos deben estar en el
directorio del trabajo
Se nos requieres el nombre del
fichero que contiene el listado
de estaciones como
“estaciones.txt“
Indica si queremos usar la
función preclean(1) o no(2).
De elegir 1, entraremos en un
submenú de introducción de
valores
Indicar si se desea computar
las correlaciones. Debe elegirse 1 si estas no existen o si
quieren renovarse. Se entra al
submenú si se elige 1
Quieres reemplazar códigos
especiales conocidos y
distintos a -99.9?
1 = SI; 2 = NO
Computar correlaciones?
Tomará 5 minutos adicionales
por elemento. Solo puedes
saltarte el paso si ya las has
calculado
Selecciona nivel QC:
1.-Duro(reduce falsos positivos);
2.-Medio; 3.- Suave(reduce
falsos negativos)
Esta opción correrá uno de los
tres conjuntos de parámetros
pre-configurados.
Entra nivel corrección: 1.- Solo
errores; 2.-Más espacialmente
confirmados; 3.- Más saltos y
outliers; 4.- Todo lo etiquetado
Seleecionará que valores serán
convertidos en -88.8 en los
ficheros de salida. La opción
1 sólo eliminará errores y es la
más recomendable para QC
automático; la 4 etiquetará una
gran cantidad de valores y es la
más recomendable si queremos
revisar manualmente el QC
Quieres calcular valores mensuales y preparar ficheros de
estación en formato HOMER?
1 =SI ; 2 = NO
Si indicamos 1, se producirán
ficheros medias mensuales de
TX, TN, TM, DTR y acumulaciones mensuales de PC, así
como ficheros de estación
utilizables por HOMER
• FUNCIÓN QC()
Para cargar la función QC(), simplemente, teclear QC() desde
el prompt de R, siempre después de establecer el directorio de datos
como directorio de trabajo y cargar el código fuente.
Inmediatamente, aparecerán una serie de mensajes en pantalla,
a los que deberemos responder según las opciones que se nos ofrezcan.
RESPUESTA
Modificando los Valores Predefinidos
1
2
Localizar en el código la función QC()
3
Cada valor de la variable nivelqc(), se corresponde con uno de los niveles predeterminados (1,2,3)
4
Modificar en el nivel deseado los parámetros que figuran en la misma y que han sido descritos en
5
La primera parte de esta presentación
6
Cargar de nuevo el código fuente y ejecutar QC()
Localizar la siguiente sección
if(nivelqc==1){
allqc(master=phil[i,1],outrange=5,outrangeprec=9,bigtx=60,bigtn=40,smalltx=-40,smalltn=-70,bigprecip=1000,maxjump=30,maxflat=15,limit=300,tolerance=7,
maxround=20,rangpent=4,kapar=11,mode=1,gaquant=0.999,perdiff=0.75,targetquant=0.01,codelist=NA,levcorr=levcorr,sumvalpc=4,sumvaltx=4,sumvaltn=4,chapa=365)
}
! if(nivelqc==2){
allqc(master=phil[i,1],outrange=4,outrangeprec=7,bigtx=55,bigtn=35,smalltx=-30,smalltn=-50,bigprecip=800,maxjump=20,maxflat=7,limit=150,tolerance=5,
maxround=10,rangpent=3.5,kapar=11,mode=1,gaquant=0.995,perdiff=0.50,targetquant=0.02,codelist=NA,levcorr=levcorr,sumvalpc=3,sumvaltx=3,sumvaltn=3,chapa=275)
}
! if(nivelqc==3){
allqc(master=phil[i,1],outrange=3,outrangeprec=5,bigtx=45,bigtn=30,smalltx=-20,smalltn=-30,bigprecip=500,maxjump=15,maxflat=3,limit=75,tolerance=3,
maxround=5,rangpent=3,kapar=11,mode=1,gaquant=0.990,perdiff=0.25,targetquant=0.03,codelist=NA,levcorr=levcorr,sumvalpc=2,sumvaltx=2,sumvaltn=2,chapa=180)}
Este símbolo implica modificar el código, y
en este caso se recomienda guardar la copia
original.
63
Uso de qclist()
La función qclist() ejecuta el control de calidad de forma automática
sin interacción, bien mediante el uso de valores predeterminados, bien
mediante la parametrización en tiempo de ejecución
Opción 1: simple ejecución de qclist() desde el prompt de R
• Utilizará los valores por defecto que contiene la función en su código y que figuran en la siguiente diapositiva
• Los mismos pueden ser modificados y usados tras cargar de nuevo el código fuente
Opción 2: uno o varios parámetros pueden modificarse al llamar la
función
qclist(station=‘nombredelarchivo.txt’,bigtx=50,percent=3)
qclist=function(filename=’stations.txt’,path=getwd(),outputpath=’/extraqc/’,
! # THIS IS THE PARAMETRIZATION SECTION FOR QCLIST. Values can be changed
here or when calling qclist(). If changed here, don’t
# forget to re-source the code.
outrange=3, outrangeprec=7, # IQR for monthly based outliers. Outrange is temp;
outrangeprec is precip (fourboxes function)
bigtx=60,smalltx=-40,bigtn=40,smalltn=-60,bigprecip=800,codelist=NA, # values for
aberrant dat. (humongous functions)
maxjump=20, # cut value for interdiurnal differences (jumps function)
maxflat = 7, # Value for the number of maximum consecutive days with the same
value in temp and non zeor precip.(flatline function)
limit= 100, tolerance = 10, # Suspected acumm. prec: limit is the value to start looking; tolerance the max number of leading 0 or NA (function suspectacumprec)
maxround = 10, # Limit for values with the same 1/10th of degree or mm. (execpt 0.0
precip) (rounded function)
rangpent = 3, kapar = 5, mode=0, # rangpent is the IQR for pentadal based outliers
of temperature; kapar is the window for smoothing (pentaouts function)
gaquant=0.999, # quantile for of the gamma distributtion to flag outliers of precip
(function precipouts)
perdiff=0.30, # difference in percentiles for between candidate and refernce stations
for the spatial outliers (spatialouts)
targetquant=0.01, # 1-target quantile in of the geometric distribution for markovian
chains (function markovprecip)
levcorr=3, # level of correction for smartcorrection
precy=1, # precleans the series (0 no, yes 1)
fudd=c(4), # fudd is list of elements for preclean, 4 for precip, 5 for tx and 6 for tn
bunny=c(-1), # bunny is codes for preclean, must have the same length than fudd
and applies to the element defined by fudd which is in the same position
duck=c(0), # duck is the values which replace the codes. Same conditions apply
sicorr=1, # computes correlations
ref1=1961, # first year of the reference period for the correlations
ref2=1990, # last year of the reference period for the correlations
dailystats=’stations.txt’, # for makemonthly
percent=5, # for makemonthly
maxyear=2014, # for makemonthly
minyear=1880, # for makemonthly
sumvaltx=3,sumvaltn=3,sumvalpc=3, # values for smartocorrection = 5, based on
correcting errors + multiple fails.
hazmes=1,
chapa=275,
colnum=1,pattern=’^[0-9]{6}.txt’,modo=0){
! #### END########################################
! # ASSIGNATION OF GLOBAL VARIABLES
####################################################################
##########################
assign(“lang”,1,envir=globalenv())
############################################
• Aplicación y Futuro de ANDESQC
Esta herramienta no debe sólo constituir una solución de control de
calidad para las series involucradas en este proyecto, sino que también una aportación del mismo a la comunidad científica en general.
ANDESQC puede ser utilizado en muchos otros procesos de control de
calidad, especialmente los ligados a los Talleres para índices ETCCDI,
a los cuales debe las ideas iniciales. Como se menciona en el párrafo
anterior, la experimentación es clave en los procesos de QC y, por ello,
el ajuste fino de ANDESQC y su evolución debe basarse en utilizar sus
primeras aplicaciones para el ajuste fino de los parámetros de entrada y
la reducción de falsos positivos. Se espera que este producto continúe
evolucionando.
En resumen:
ANDESQC está pensado para automatizar las tareas de QC incluídas en RClimdex y RClimdex-extraqc. Reconoce la importancia en
su elaboración de la família “Climdex” para QC y reconoce la necesidad de inspección humana de los procesos de QC, a pesar de las
opciones automáticas ofrecidas.
ANDESQC es un código complejo que ha requerido muchas horas
de programación. Contiene, en su última versión, más de 2000 líneas
de código. Durante el proceso de elaboración se ha testado intensivamente con distintos bancos de datos y eliminado errores.
La diversidad climática hace difícil la parametrización universal de
ANDESQC. Se ha parametrizado pensando en la región en la que se
va aplicar inicialmente. No obstante, se sugiere una ejecución inicial
beta para ajustar los mismos.
El código es plenamente funcional y ha sido probado con redes con
distinto número de series (15 a 60) y con longitudes muy distintas
(de 40 a 120 años). A mayor número de series y datos, más fiables
son algunos procesos, especialmente el control de calidad espacial.
Lamentablemente, debido a los múltiples procesos que se realizan
para cada estación, el código requiere un elevado tiempo de computación. Se espera una evolución que lo reduzca.
65
Anexos
Abreviaciones y Acrónimos
AOGCM
Atmosphere-Ocean General Circulation Model
BID
Banco Interamericano de Desarrollo
CC
Cambio Climático
CIIFEN
Centro Internacional para la Investigación del Fenómeno de El Niño
FAO
Food and Agriculture Organization of the United Nations
GEI
Gases de Efecto Invernadero
IPCC
Panel Intergubernamental de Cambio Climático (por sus siglas en inglés)
Bibliografía
J. P. Boulanger, S. Schlindwein, and E. Gentile, “CLARIS LPB WP1:
metamorphosis of the CLARIS LPB European project: from a mechanistic to a systemic approach,” CLIVAR Exchanges, vol. 16, no. 57,
pp. 7–10, 2011.
A. A. Sörensson, C. G. Menéndez, R. Ruscica, P. Alexander, P. Samuelsson, and U. Willén, “Projected precipitation changes in South
America: a dynamical downscaling within CLARIS,” Meteorologische
Zeitschrift, vol. 19, no. 4, pp. 347–355, 2010
Christensen, J. H., F. Boberg, O. B.Christensen, and P. Lucas-Picher, 2008: On the need for bias
correction of regional climate
change projections of temperature and precipitation. Geophys. Res.
Lett.,35,L20709, doi:10.1029/2008GL035694.
Dosio, A. and Paruolo, P.: Bias correction of the ENSEMBLES
high-resolution climate change projections for use by impact models: Evaluation on the present climate, J. Geophys. Res., 25 116,
D16106, doi:10.1029/2011JD015934, 2011. 6186, 6187, 6189, 6190
F. Giorgi and L. O. Mearns, “Approaches to the simulation of regional
climate change: a review,”Reviews of Geophysics, vol. 29, no. 2, pp.
191–216, 1991.
F. Giorgi, C. Jones, and G. Asrar, “Addressing climate information
needs at the regional level: the CORDEX framework,” World Meteorological Organization Buletin, vol. 58, no. 3, pp. 175–183, 2009.
Gudmundsson, L.; Bremnes, J. B.; Haugen, J. E. & Engen-Skaugen, T. Technical Note: Downscaling RCM precipitation to the station scale using statistical transformations - a comparison of methods. Hydrology and Earth System Sciences, 2012, 16, 3383-3390,
doi:10.5194/hess-16-3383-2012.
J. A. Marengo, R. Jones, L. M. Alves, and M. C. Valverde, “Future
change of temperature and precipitation extremes in south america as derived from the precis regional climate modeling system,”International Journal of Climatology, vol. 29, no. 15, pp. 2241–2255,
2009.
J. A. Marengo, S. C. Chou, G. Kay et al., “Development of regional future climate change scenarios in South America using the Eta
CPTEC/HadCM3 climate change projections: climatology and regional analyses for the Amazon, São Francisco and the Paraná River
basins,” Climate Dynamics, vol. 38, no. 9-10, pp. 1829–1848, 2012.
M. Nuñez, S. A. Solman, and M. F. Cabré, “Regional climate change
experiments over southern South America. II: climate change scenarios in the late twenty-first century,” Climate Dynamics, vol. 32,
no. 7-8, pp. 1081–1095, 2009.
M., Jones, R. G., Onof, C., Vrac, M., and Thiele-Eich, I.: Precipitation
downscaling under climate change: Recent developments to bridge
the gap between dynamical models and the end user, Rev. Geophys., 48, RG3003, doi:10.1029/2009RG000314, 2010. 6186, 6189
Maraun, D., Wetterhall, F., Ireson, A. M., Chandler, R. E., Kendon, E.
J., Widmann, M., Brienen,S., Rust, H. W., Sauter, T., Themeßl, M.,
Venema, V. K. C., Chun, K. P., Goodess, C.
Panofsky, H. W. and Brier, G. W.: Some Applications of Statistics to
Meteorology, The Pennsylvania State University Press, Philadelphia,
1968. 6186
Piani, C., J. O. Haerter, and E. Coppola (2009), Statistical bias correction for daily precipitation in regional climate models over Europe,
Theor. Appl. Climatol., 99, 187–192.
R. D. Garreaud, M. Vuille, R. Compagnucci, and J. Marengo, “Pesent-day South American climate,”Palaeogeography Palaeoclimatology, Palaeoecology, vol. 281, no. 3-4, pp. 180–195, 2009
67
http://geoportal.ciifen.org/
[email protected]
(593) 4 2514770 - Fax: (593) 4 2514771
Guayaquil - Ecuador