Predecibilidad del clima regional - Instituto Nacional de Ecología y

DIRECCIÓN GENERAL DE INVESTIGACIÓN SOBRE CAMBIO
CLIMÁTICO
INFORME FINAL DE TRABAJO
Número de proyecto: INE/A1-006/2007
Nombre del proyecto: Pronóstico climático estacional regionalizado
para la República Mexicana como elemento para la reducción de riesgo,
para la identificación de opciones de adaptación al cambio climático y
para la alimentación del sistema: cambio climático por estado y por
sector
Duración: 6 meses
Preparado por: Dr. Víctor Magaña y Dr. Ernesto Caetano. Investigadores
del Centro de Ciencias de la Atmósfera. UNAM.
Fecha. Diciembre 2007
Resumen
El presente estudio ha regionalizado para México prácticamente todos los experimentos
de cambio climático utilizados en el Cuarto Informe de Evaluación del Panel
Intergubernamental sobre el Cambio Climático, por lo que ahora se dispone de
escenarios equivalentes pero con resolución espacial uniforme de 50 km X 50 km, para
cuatros distintos escenarios de emisiones de gases de efecto invernadero (SRES). Bajo
tal esquema se cuenta no sólo con experimentos de mayor resolución, sino que también
se dispone de escenarios que para la parte histórica han sido corregidos en sus errores
sistemáticos y dicha corrección se propaga hacia los modelos a futuro.
Para la regionalización se utilizó un método estadístico, el Climate Predictability Tool
(CPT). La gran suposición de dicha técnica es que las relaciones históricas entre
patrones de distintas escalas se mantendrán aun bajo cambio climático. Esta hipótesis es
una fuente de incertidumbre, tal y como lo es la ausencia de modelos que lleven a
“sorpresas climáticas”. Por ello, se considera que CPT es una posibilidad adecuada de
generar escenarios regionales de cambio climático
Los escenarios y la metodología generada contribuirán en el trabajo de diversos grupos
del país interesados en desarrollar Programas Estatales de Acción Climática, con el fin
de elaborar sus escenarios de cambio climático que los lleven a desarrollar estrategias
de adaptación.
Adicionalmente, se presenta un análisis de la practicidad del método para ser aplicado
en pronósticos estacionales del clima, se realizó un análisis de la gestión del riesgo en el
sector agrícola y una propuesta de esquema de aprovechamiento de la información, que
puede ser adecuado a otros sectores socioeconómicos, tomando en cuenta las
circunstancias propias de cada uno de ellos.
1
Antecedentes
En México, es necesario trabajar en materia de adaptación al cambio climático dada la
alta vulnerabilidad de diversos sectores socioeconómicos a extremos en el clima. Los
bosques, la agricultura, pero principalmente el sector agua, se verán afectados por los
aumentos en temperatura que podrán variar entre 2 y 4°C hacia finales de siglo, con
mayores aumentos en el norte de México. La respuesta de los humanos al cambio
climático puede ser reactiva o preventiva. La mejor forma de prevenir los desastres
asociados al cambio climático será mediante una estrategia de adaptación preventiva,
flexible y participativa.
Para poder actuar en materia de adaptación es preciso desarrollar estudios que permitan
determinar la vulnerabilidad de los sectores, grupos o regiones al cambio climático.
Dicha evaluación se consigue preguntándose: ¿quiénes son vulnerables?, ¿vulnerables a
qué? y ¿por qué? Bajo este esquema, se logra definir el riesgo, pues se determinan los
elementos que los conforman: la amenaza y la vulnerabilidad. La historia de impactos a
condiciones extremas al clima permite identificar aquellos elementos climáticos que al
rebasar un umbral crítico resultan en desastre. En este sentido, se vuelve importante
trabajar en la generación de escenarios de las condiciones que constituyen una amenaza
y que pudieran llevar al desastre.
Por otra parte, la vulnerabilidad frente a la variabilidad natural del clima y a los efectos
del cambio climático está relacionada con factores como el crecimiento poblacional, la
pobreza, las condiciones de salud pública, la proliferación de asentamientos en lugares
de alto riesgo, la intensificación industrial, el deterioro y las carencias de infraestructura
o equipamiento territorial; y con los efectos locales acumulados por los procesos de
deterioro ambiental. Los factores de exposición y de vulnerabilidad son los que
determinan que un mismo evento peligroso pueda ocurrir sin generar prácticamente
daños o bien desencadenar un desastre de grandes proporciones
Una de las tareas fundamentales en la generación de capacidad para la adaptación, como
medida de la reducción de vulnerabilidad, es la generación de conocimiento sobre el
riesgo climático para la toma de decisiones. En este sentido resulta fundamental conocer
los factores climáticos que se constituyen en amenaza y que aumentan el riesgo.
Construir capacidades de adaptación implica desarrollar habilidades de un sistema para
ajustarse al cambio climático, a la variabilidad y a los extremos climáticos, a fin de
moderar los daños potenciales, tomar ventaja de las oportunidades (como la ocurrencia
de lluvias extraordinarias), o enfrentar las consecuencias de éste, o sea requiere
gestionar el riesgo. Se adaptan las instituciones de gobierno y las privadas, así como los
sectores e incluso los socioecosistemas. En la medida que se desarrollen capacidades de
adaptación frente al problema global que nos ocupa, se puede reducir la vulnerabilidad
del país. Así, diseñar y construir capacidades nacionales de adaptación es un elemento
indispensable y urgente en la planeación del desarrollo que no debe dejar de lado las
necesidades locales de planeación, prevención y respuesta.
Es importante que toda iniciativa de desarrollo socioeconómico considere los riesgos
asociados con el cambio climático y reconozca que es la base última de la sustentación
de la vida humana. Capacidades de adaptación ante el cambio climático es la generación
de conocimiento estratégico para la toma de decisiones. También es indispensable
2
traducir los conocimientos científicos en información comprensible y aplicable al diseño
de políticas públicas. Resalta la urgencia del uso expedito de la información climática y
en particular de los pronósticos del clima para el diseño de políticas enfocadas a la
adaptación al cambio climático. Aún con las imprecisiones propias de un sistema de
pronóstico, la información puede valer millones de dólares cuando se aprovecha en la
toma de decisiones. En diversos países los sectores como el de la administración del
agua, la agricultura o la energía trabajan con pronósticos del clima desde hace más de
una década.
Los escenarios de cambio climático regional
Actualmente existe gran confianza en que el incremento de las concentraciones
atmosféricas de gases de efecto invernadero (GEIs) en la atmósfera producirá un
aumento de la temperatura global. Sin embargo, la estimación de cómo las altas
concentraciones de esos gases pueden afectar los climas regionales tiene una confianza
muy baja y está acompañada de numerosas incertidumbres. También es incierto cómo
los cambios climáticos podrían variar (IPCC 1990, 1992) y cómo serán las futuras
condiciones socioeconómicas y ambientales. Por todo esto, para realizar proyecciones
confiables de cambios climáticos a escala regional es necesario realizar estimaciones de
la incertidumbre asociada.
A pesar del reto de valorar la incertidumbre, resulta necesario ofrecer una idea de cómo
podrían verse afectados los ecosistemas actuales, la vida humana o la economía,
ofreciendo un poco de claridad a los tomadores de decisiones, para los cuales, la
componente científica de este problema resulta a veces tan compleja y oscura, que
puede tornarse irrelevante. Por ello, en lugar de predicciones, se utilizan
representaciones del clima futuro, las cuales se pueden utilizar para determinar cuándo
un sector específico es potencialmente vulnerable al cambio climático, o para identificar
los límites, en que los impactos se hacen negativos o severos. A tales representaciones
del clima futuro se les ha denominado escenarios de cambio climático y pueden
definirse como: “Una representación del clima futuro que es internamente consistente,
que ha sido construida empleando métodos basados en principios científicos y que
puede ser utilizada para comprender las respuestas de los sistemas medio ambientales
y sociales ante el futuro cambio climático”.
Existe una gran variedad de métodos para crear los escenarios de cambio climático que
se pueden agrupar en: escenarios sintéticos (también conocidos como incrementales),
análogos, y aquellos que pueden construirse a partir de las salidas de los modelos de
circulación general (GCM). Entre esos grupos, la variante más utilizada hasta el
momento ha sido la de los GCM, debido a que ellos constituyen las mejores
herramientas científicas para proyectar el clima futuro. Los GCM son representaciones
numéricas tridimensionales, que se emplean para simular el comportamiento del sistema
climático global (incluyendo la atmósfera, los océanos, la biosfera, la criosfera y la
superficie terrestre). Los resultados de los experimentos desarrollados con GCM pueden
ser combinados con las salidas de modelos climáticos más simples para poder evaluar
los resultados de los primeros, bajo una gran variedad de supuestos sobre las futuras
emisiones de gases de efecto invernadero.
Los escenarios presentados en el 4º. Informe de Evaluación del Panel
Intergubernamental para Cambio Climático (AR4-IPCC, 2007), se centran en
3
proyecciones regionales de temperatura y precipitación. Sin embargo, la estructura
regional se desarrollo para extensiones de nivel casi continental, como fue Norte
América, Europa o África. Con tal resolución espacial es difícil pasar a la definición de
acciones de adaptación para una cuenca o ecosistema particular. Es por ello, que se ha
vuelto relevante el preparar escenarios de mucha mayor definición ó resolución espacial
y temporal.
La generación de los escenarios de cambio climático es una de las etapas más
importantes dentro de los estudios de riesgo ante cambio climático, pues de ellos
depende la dirección de los resultados de la evaluación. La selección de los escenarios
debe ser una decisión balanceada y cuidadosamente planeada. Los escenarios de cambio
climático deben ser seleccionados para brindar información que sea: fácil de obtener o
derivar; suficientemente detallada para ser utilizada en los estudios de impacto;
representativa del rango de incertidumbres de las proyecciones y; físicamente
consistente en el sentido espacial. En la práctica, sin embargo, es difícil poder reunir
todas esas características en un escenario, pues la representación de ellas depende, en
buena medida, del método que se emplee en la creación del escenario.
Metodología de reducción de escala
Para el presente análisis se ha optado por utilizar el esquema conocido como Climate
Predictability Tool (CPT) que permite relacionar patrones de gran escala con
condiciones regionales del clima (http://iri.columbia.edu). El IRI desarrolló el CPT para
aprovechar las salidas de los modelos de circulación general y estimar con mayor
detalle condiciones regionales del clima, es decir, para predicciones de alta resolución
espacial. La llamada CPT aprovecha la física de los modelos de circulación general
reduciendo su escala espacial mediante esquemas estadísticos. El CPT provee un
paquete de Windows que, además de las predicciones estadísticas, realiza validación del
modelo. Este software trabaja a través de análisis de correlaciones canónicas y de
regresión por componente principales (funciones empíricas ortogonales) en cualquier
base de datos. El CPT se basa en un esquema de ajuste de las salidas de modelo,
siguiendo el prototipo conocido como Model Output Statistics (MOS), que corrige los
errores sistemáticos de los modelos de circulación general como ECHAM (Modelo
Alemán) o CCM3 (Modelo Canadiense) para producir predicciones estacionales. Las
predicciones también se pueden construir utilizando campos de temperatura de
superficie del mar pronosticadas e incluso diagnosticadas. La suposición más
importante para utilizar CPT es inherente a todas la técnicas estadísticas en las que se
supone que la relación entre el campo de gran escala de baja resolución (proporcionada
por el CGM) y el de alta resolución (a nivel local) permanece constante. Dicha
condición obviamente no considera los cambios repentinos o “sorpresas climáticas”.
En el caso de generación de escenarios de cambio climático regional se utilizó CPT para
campos totales, es decir, no se trabajó con la anomalía climática sino que se calculó la
diferencia con respecto de un periodo base (1980-1999) y se estimaron climatologías de
veinte años para el presente siglo con el fin de determinar las anomalías.
Adicionalmente, se analizaron las tendencias de temperatura y precipitación para zonas
particulares que permite comparar las velocidades y magnitudes de cambio para el
presente siglo.
4
El estudio de escenarios de cambio climático regionales utilizando CPT permite
generara gran cantidad de experimentos en relativamente poco tiempo, alrededor de 5
minutos para una regionalización de doscientos años (cien del clima del siglo pasado y
cien para el siglo presente), utilizando campos medios mensuales. Esta técnica de
generación de escenarios de cambio climático regionales tiene por ello ventajas y
desventajas:
Ventajas:
1) Es computacionalmente económica y por ello permite hacer gran número de
regionalizaciones
2) Permite la estimación de incertidumbre, medida a través de la dispersión entre
regionalizaciones
3) Dependiendo de la escala espacial del campo observado de referencia (eg. 0.5°
X 0.5°) se pueden realizar regionalizaciones a la medida de las necesidades del
usuario
4) Se puede implementar para prácticamente cualquier variable climática
5) Es relativamente fácil visualizar los campos y tendencias para el periodo del
experimento del GCM
6) Se pueden realizar evaluaciones del modelo comparando con la tendencia de los
últimos veinte o treinta años a escala regional considerando la incertidumbre
asociada a las diferencias entre modelos
7) Se puede analizar el plazo para el cual se desea el escenario de cambio climático
regional
Desventajas:
1) Parte de la hipótesis de que las relaciones de las variables en los campos de baja
resolución a alta resolución no cambian
2) Se debe considerar los errores de reducción de escala en el esquema CPT
3) No permite análisis de eventos extremos de manera directa porque no construye
campos diarios
4) Requiere de un generador de tiempo estocástico para estimar cambios en la
actividad de eventos hidrometeorológicos extremos.
5) Requiere preparar los campos de los experimentos de GCM (eg. AR4-IPCC)
para insertar a CPT
La herramienta CPT se puede comparar con los resultados de modelos numéricos
dinámicos de alta resolución, como el Simulador de la Tierra o el PRECIS del Hadley
Centre, en Reino Unido, para estimar las diferencias de resultado asociadas con el uso
de dos técnicas diferentes de regionalización.
Los datos utilizados para la generación de escenarios de cambio climático
regionalizados corresponden a la base creada por The Climatic Research Unit Global
Climate Dataset con resolución de 50km X 50 km y resolución temporal mensual, y que
se encuentra disponible en la página del Data Distribution Centre del IPCC
(http://www.ipcc-data.org/obs/cru_climatologies.html). Para los análisis por estación se
usaron los datos del Extractor Rápido de Información Climática ERIC III) de la
Comisión Nacional del Agua.
5
Resultados
El procesamiento de la información para regionalizar escenarios parte de las
simulaciones realizadas para el AR4 del IPCC y considera
i)
ii)
iii)
iv)
Para el escenario A1B se cuenta con 24 GCMs para el periodo 1900-2300 en
casi todos los modelos
Para el escenario A2 se cuenta con 19 GCMs para el periodo 2000-2100 en casi
todos los modelos
Para el escenario B1 se cuenta con 20 GCMs para el periodo 2000-2300 en casi
todos los modelos
Para el escenario de compromisos de reducción de emisiones (commited) se
cuenta con 17 GCMs para 2000-2100 en casi todos los modelos
Los modelos de circulación general utilizados son (Tabla 1):
6
TABLA 1
NOTA
El archivo de datos IPCC-DDC contiene conjuntos de datos que se han almacenado en el Modelo de
Archivo de Salida del IPCC en el PCMDI después del 1 de septiembre de 2006. Así pues, estos datos
pueden no haber contribuido a los resultados del Cuarto Informe de Evaluación del IPCC (AR4).
Conciernen a conjunto de datos individuales o incluso a experimentos completos.
Experimentos que contienen los conjuntos de datos que fueron disponibles en el archivo PCMDI después
del 1 de septiembre de 2006 y no cuentan con información interna acerca de un tratamiento de los
datos antes del 1 de septiembre de 2006 están marcados por un cuadro de color azul. Por favor, revise
información de Calidad (meta-datos) para obtener más detalles.
Centro
Acrónimo del centro
Modelo
COMMIT
PIcntrl
Beijing Climate
Center
China
BCC
CM1
Bjerknes Centre
for Climate
Research
Norway
BCCR
BCM2.0
run_1
run_1
CGCM3 (T47
resolution)
run_1
run_1
Canadian Center
for Climate
Modelling and
Analysis
Canada
run_1
20C3M
A2
A1B
run_1
run_1
run_1
run_1
run_1
run_2
B1
1%2X
run_1
run_1
1%4X
add.
data
run_1
run_1
run_2
run_1
run_2
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
CCCma
CGCM3 (T63
resolution)
run_1
run_1
run_1
Centre National de
Recherches
CNRM
Meteorologiques
France
CM3
run_1
run_1
Australia's
Commonwealth
Scientific and
Industrial
Research
Organisation
Australia
Mk3.0
run_1
run_1
CSIRO
run_1
7
Max-PlanckInstitut for
Meteorology
Germany
ECHAM5-OM
run_1
run_1
Meteorological
Institute,
University of
MIUB
Bonn, Germany
Meteorological
METRI
Research Institute
of KMA, Korea
M&D
Model and Data
Groupe at MPI-M,
Germany
ECHO-G
run_1
run_1
Institude of
Atmospheric
Physics
China
FGOALS-g1.0
run_1
run_1
CM2.0
run_1
run_1
CM2.1
run_1
run_1
MPI-M
LASG
Geophysical Fluid
Dynamics
GFDL
Laboratory
USA
Goddard Institute
for Space Studies GISS
USA
AOM
run_1
E-H
run_1
E-R
run_1
run_1
run_1
run_1
run_2
run_1
run_2
run_1
run_2
run_1
run_1
run_1
run_1
run_2
run_1
run_2
run_1
run_2
run_1
run_1
run_1
run_2
run_1
run_2
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_2
run_1
run_2
run_1
run_1
run_1
run_1
run_1
run_1
compl.
set of
md"
run_1
run_1
run_1
run_2
run_1
run_1
run_1
Institute for
Numerical
Mathematics
Russia
INM
CM3.0
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
Institut Pierre
Simon Laplace
IPSL
CM4
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
8
France
National Institute
for Environmental
NIES
Studies
Japan
Meteorological
Research Institute MRI
Japan
National Centre
for Atmospheric
Research
USA
NCAR
UK Met. Office
UK
UKMO
MIROC3.2 hires
run_1
MIROC3.2 medres
run_1
run_1
CGCM2.3.2
run_1
run_1
PCM
run_1
run_1
CCSM3
run_1
run_1
HadCM3
run_1
run_1
HadGEM1
National Institute
of Geophysics and
INGV
Volcanology
Italy
SXG 2005
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_2
run_1
run_2
run_1
run_2
run_1
run_1
run_1
run_1
run_2
run_1
run_2
run_1
run_2
run_1
run_1
run_1
run_1
run_2
run_1
run_2
run_1
run_2
run_1
run_1
run_1
run_1
run_2
run_1
run_2
run_1
run_2
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
run_1
HADE
X
run_1
run_1
run_1
run_1
9
Ante la disponibilidad amplia de GCMs es posible cuantificar la incertidumbre, tanto
por escenario de emisiones (commit, A1B, A2 o B1), como por diferencias entre
modelos. Los escenarios de compromiso (commit) corresponden a simulaciones en las
que el calentamiento continuaría aun cuando el forzante radiativo se mantenga
constante.
Las proyecciones de temperatura con un GCM y regionalizadas mediante CPT han sido
hechas para toda la gama de escenarios de emisiones de GEI y de experimentos de
diversos modelos usados en el AR4-IPCC. Para el modelo cccma_cgcm3_1 bajo el
escenario de emisiones A1B es posible mostrar los efectos de la regionalización espacial
a partir del esquema CPT. La primera realización con el CGM (experimento que parte
de una condición inicial X) muestra un patrón de máximo calentamiento hacia el
noroeste de México, con una magnitud alrededor de 3 y 3.5°C para finales del presente
siglo (Fig, 1), considerando las realizaciones (experimentos) 1 y 2, que parten de
distintas condiciones iniciales. En la parte noroeste del país, por otro lado, los
incrementos proyectados por el cccma_cgcm3_1 regionalizado con el CPT son del
mismo orden pero con mayor definición espacial (Fig. 2). El esquema CPT tiende a
corregir la distribución de las anomalías en zonas que vienen respondiendo al proceso
de calentamiento gradual del país de acuerdo a la historia reciente.
Figura 1. Proyecciones de cambio en la temperatura media anual bajo el escenario de
emisiones A1B para finales del s. XXI con el modelo cccma_cgcm3_1. a) Realización 1
y b) realización 2
La presentación de dos realizaciones permite ver que tanto en el experimento 1 como en
el 2 se mantiene una tendencia a calentar más el noroeste de México, aunque con
diferente magnitud y diferente patrón. Este ejemplo da una clara idea de la dispersión
entre experimentos, que son corridos por los GCM, cuando se trabaja con condiciones
iniciales distintas y que tiene que se considerada como parte de la incertidumbre. En
todo caso, el atractor del sistema (aumento de las concentraciones de GEI) lleva a un
patrón de gran escala y baja resolución espacial que coincide. Esto quiere decir que el
proceso de calentamiento, resultado del aumento de gases de efecto invernadero, es lo
suficientemente intenso como para determinar la región donde preferencialmente se va a
encontrar el mayor calentamiento.
8
Figura 2. Proyecciones 1 (a) y 2 (b) de temperatura media anual por el modelo
cccma_cgcm3_1 regionalizado con el método CPT para finales del siglo XXI bajo el
escenario A1B
El contraste longitudinal en la magnitud del calentamiento refleja no sólo lo que el
GCM entrega, sino que al ser regionalizado por CPT toma en cuenta el proceso que ha
venido ocurriendo en las últimas décadas, en el que el calentamiento en el noroeste de
México ha sido mucho más rápido que el del noreste del país.
Las diferencias reflejan la forma en que funciona el esquema de reducción de escala
CPT, es decir, utilizando las tendencias históricas observadas para corregir los errores
sistemáticos del modelo en los años de referencia 1901 a 1980. La tendencia de la
temperatura, observada en ese periodo, es incluso de enfriamiento en el noreste de
México, por lo que de continuar se espera que las anomalías de calentamiento en esa
región sean menores que en otras partes, como por ejemplo el noroeste de México. De
acuerdo a datos observados (estaciones meteorológicas), la región que ha
experimentado un mayor calentamiento en México en el último siglo es la noroeste,
mientras que la zona norte noreste experimento un leve enfriamiento en el último siglo
(Fig. 3).
9
Fig. 3 Tendencia de la temperatura media anual observada de acuerdo a los reportes
del último siglo de la Global Historical Climate Network (GHCN) (fuente: NASA)
Las proyecciones de temperatura construidas con una rebanada de tiempo de finales de
siglo, por ejemplo las correspondientes a un periodo de 10 o 20 años, utilizando el
Simulador de la Tierra del Meteorological Research Institute (MRI) de Japón, con
resolución de 22km x 22km, muestra que las regiones con un mayor calentamiento de
México están en el norte, alcanzando incrementos cercanos a los 3.5°C (Fig. 4), es
decir, de una magnitud menor a lo que el modelo de baja resolución (CGM) de MRI
proyecta, y comparables a los que se obtienen mediante el esquema CPT.
Fig. 4 Proyección de aumento en temperatura para 2080-2099 utilizando el Simulador
de la Tierra del MRI con resolución de 22km X 22km
Es claro que la diferencia entre un modelo dinámico y estadístico de regionalización
radica en las suposiciones hechas en este último. El modelo estadístico permite buenos
resultados para muchos modelos y realizaciones, calibrados con una muestra
10
independiente, mientras que el dinámico de mesoescala, aunque sobre bases físicas más
sólidas, sólo entrega una o dos realizaciones (cuando mucho) con requerimiento de
mayor tiempo y esfuerzo computacional para generar los escenarios, lo que no permite
construcción robusta de ensambles.
Los escenarios por ensamble para México
La proyección de escenarios de alta resolución espacial se puede hacer utilizando como
datos de entrada las salidas de los modelos de circulación general listados en la Tabla 1.
En cada caso se ha construido un modelo CPT mediante regresión de componentes
principales. Las variables a analizar son la temperatura media y la precipitación.
Si se usan diversos modelos como información inicial hay diferencias que generan
incertidumbre respecto a la magnitud y ubicación de las anomalías de temperatura. Casi
en todos los modelos las proyecciones de incremento en temperatura son mayores hacia
la zona noroeste del país, dentro de un rango de 2°C a 3.5°C, bajo el escenario A1B
(Fig. 5). Los incrementos más pequeños de temperatura proyectados generalmente
ocurren en la zona noreste y centro de México. Los escenarios reflejan en buen medida
las tendencias que se han venido observando en México durante los últimos cincuenta
años.
La lista de modelos disponibles incluye varios modelos que con frecuencia no
contemplan todos los escenarios de emisiones o todas las variables utilizadas. Entre
ellos esta el NCAR, el ECHAM o el Hadley. Sólo en algunos casos se utilizaron para
construir el ensamble. Los campos originales se compararon con los reducidos de escala
espacial para confirmar que el esquema CPT no introducía cambios radicales en los
patrones de aumento de temperatura del GCM en su escala espacial original.
Los escenarios deben en general presentarse como ensambles que describan tanto los
primeros como los segundos momentos estadísticos de la distribución. Así, para un
mismo escenario de emisiones se pueden tener diferentes magnitudes en las
proyecciones de calentamiento que lleven a incertidumbre asociada a los modelos. La
segunda fuente de incertidumbre está asociada a los escenarios de emisiones de gases de
efecto invernadero utilizados. En el presente análisis se contó con los escenarios SRES
A2, B1, A1B y commited.
11
MRI
MIROC
CCM
GISS
CSIRO
T (°C)
Fig.5 Escenarios de cambio climático para
temperatura media anual en superficie
para la climatología 2040-2060 de acuerdo
a los modelos MRI, MIROC, CCM, GISS y
CSIRO, bajo el escenario de emisiones
A1B.
Para el ensamble se promedian los escenarios generados y se estima la dispersión entre
ellos como una medida de la incertidumbre. De esta manera, se puede tener una idea del
rango de incremento en temperatura a escala regional (50km X 50km) para la República
Mexicana (Fig. 6). Los ensambles se construyeron para periodos 20 años a partir de diez
modelos.
12
A1B 2010-2030
A1B 2040-2060
A1B 2080-2100
Fig. 6 Ensambles de proyecciones de
temperatura media anual de superficie
(°C) de diez modelos usados para
escenarios entre el 2010-2030, 2040-2060
y 2080-2100. Los modelos son:
cccma_cgcm3_1, csiro_mk3_0,
giss_model_e_r, miroc3_2_hires
miub_echo_g, mpi_echam5,
mri_cgcm2_3_2ª, ncar_ccsm3_0
ukmo_hadcm3, csiro_mk3_5
La incertidumbre asociada al escenario de emisiones de gases de efecto invernadero se
refleja en la magnitud, más que en el patrón de los incrementos de temperatura hacia
finales del presente siglo. Así, el escenario A2 (Fig. 7) es el que mayores incrementos
presenta, en el periodo 2080-2100, seguido del A1B (Fig. 6), del B1 (Fig. 7), con el
commited siendo el de menores incrementos, del orden de 1°C en la región noroeste de
México. En casi todos los escenarios es la parte centro y norte del estado de Sinaloa la
que exhibe los mayores aumentos de temperatura y la región noreste la que menores
incrementos presenta.
La comparación de temperatura entre escenarios de emisiones de gases de efecto
invernadero muestra con claridad la importancia de la mitigación. Dependiendo de la
vulnerabilidad de las regiones, un aumento superior a 2°C podría incrementar el riesgo
de afectaciones a niveles muy peligrosos, principalmente para la agricultura y el sector
del manejo de agua.
13
A2 2080-2100
B1 2080-2100
Commited 2080-2100
Fig. 7 Ensambles de proyecciones de
temperatura media anual de superficie
(°C) de diez modelos usados para
escenarios de emisiones A2, B1 y commited
al 2080-2100. Los modelos son:
cccma_cgcm3_1, csiro_mk3_0,
giss_model_e_r, miroc3_2_hires
miub_echo_g, mpi_echam5,
mri_cgcm2_3_2ª, ncar_ccsm3_0
ukmo_hadcm3, csiro_mk3_5
Cada modelo proyecta un aumento en la temperatura promedio anual por región. Los
cambios para finales del presente siglo están entre 2.0 y 4.5°C, aunque en la mayoría de
los escenarios bajo A1B los aumentos hacia finales del presente siglo son superiores a
3.0°C, esto significa que son mayores la probabilidades de que los aumentos de la
temperatura sean mayores a 3.0°C, al menos en los puntos seleccionados para el
presente análisis (Fig. 8).
En la parte centro de México la dispersión entre los modelos es menor que en la parte
noreste. Por ello, hay menos incertidumbre en la magnitud de los aumentos en
temperatura en la primera región que en la segunda. Es claro que aun es necesario
evaluar la incertidumbre que surge de un escenario de emisiones a otros, lo cual
constituye la segunda fuente de incertidumbre, de igual o mayor importancia que la
incertidumbre entre modelos.
14
a
b
4.5
4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
1950
2000
2050
2100
c
2000
2000
2050
2100
2050
2100
2050
2100
d
4.5
4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
4.5
4.0
3.5
3.0
2.5
2.0
1.5
1.0
0.5
0.0
1950
1950
1950
2000
Fig. 8 Tendencias de la temperatura media anual de superficie (°C) para el periodo
1950-2100 para el escenario de emisiones A1B de acuerdo a los modelos CSIRO
(negro), MIROC (verde), MIUB-echo (azul), MPI-ECHAM5 (rojo), MRI (morado) para
el noroeste (a), noreste (b), centro (c) y sureste de México (d).
Los cambios en la precipitación esperados bajo cambio climático han sido presentados
por el IPCC AR4 y muestran con claridad que las lluvias en México disminuirán en casi
todo el país pero especialmente hacia la zona occidente (Fig. 9). Tal resultado ha sido
reproducido los GCM considerando alrededor de veinticinco modelos con al menos dos
realizaciones por modelo, por lo que el número de muestra por cada escenario de
emisiones es de más de 50. En el capitulo 11 del AR4 se señala que aunque la señal del
cambio climático en México y Centro América es claramente con una condición seca,
este resultado no es tan confiable debido a que gran parte del régimen pluviométrico de
esta región lo explican los huracanes, y estos sistemas no son bien modelados aún en
los GCM
15
Figura 9. Ensamble (sombreado) de anomalías de precipitación acumulada anual de
los GCM con respecto del periodo 1970-1999 y la dispersión (rango inter-tercil) entre
miembros (líneas) para finales el periodo 2080-2099 bajo los escenarios:
a) A2, b) A1B), c) B2 y d) COMMITED.
Es claro que las máximas anomalías negativas se tienen en la parte occidente de México
e incluso hacia el sur del país. El IPCC refuerza el hecho de que es la mayor parte de los
modelos (más del 75%) los que indican que el occidente de México mostrará signos de
disminución en precipitación. Sin embargo, es claro que la amplitud de la anomalía,
dada por las líneas en la figura 9, aumenta en donde es mayor la magnitud de cambio
de las proyecciones, en este caso hacia finales del presente siglo. Bajo los escenarios de
emisiones altas se presentan en el noroeste de México señales de importantes
disminuciones en la precipitación, de más de 150 mm por año. Considerando que hacia
el norte de Sinaloa y Sonora las lluvias pueden ser menores de 600 mm por año, la
disminución puede ser enorme.
Para obtener un poco más de detalle de las proyecciones de cambios en la precipitación
ante aumentos de concentraciones de gases de efecto invernadero se aplicó el esquema
de regionalización CPT (Fig. 10). Los resultados mantienen el patrón de las señales con
disminuciones hacia las zonas donde más llueve (Golfo de México y sur, en el Estado
de Chiapas), pero bajo escenarios de altas emisiones (A2) la señal de disminución de
alrededor de 150mm se extiende hacia el noroeste del País. La regionalización permite
identificar las estructuras que corresponden a zonas de más lluvias, marcadas en gran
medida por la estructura de la orografía.
16
Figura 10. Ensamble (sombreado) de anomalías de precipitación acumulada anual de
los GCM regionalizados con el CPT con respecto del periodo 1970-1999 y la
dispersión (rango inter-tercil, amplitud del tercil medio) entre miembros (líneas) para
el periodo 2080-2099 bajo los escenarios: a) A2, b) A1B), c) B2 y d) COMMITED.
La presentación de anomalías en términos absolutos puede ser un poco engañosa dado
que las señales más intensas se dan hacia la parte del país con precipitaciones más
intensas. Los cambios proyectados en precipitación mediante ensamble de veinticinco
modelos de circulación general regionalizados, con al menos dos realizaciones cada
uno, indican que en gran parte del país disminuirán las precipitaciones anuales. Los
cambios más importantes, en términos de porcentaje con respecto de la precipitación
total anual, se tendrán hacia el norte de México, aunque también ocurrirán cambios en la
Península de Yucatán y centro del país. Tal situación se extenderá hacia finales del
presente siglo por toda la costa del Pacífico Mexicano, principalmente hacia el noroeste
de México (Fig. 11).
17
% con respecto de la normal
Figura 11 Ensamble (sombreado) de porcentaje de anomalías de precipitación
acumulada anual de los GCM regionalizados con respecto del periodo 1970-1999 para
el periodo 2080-2099 bajo los escenarios: a) A2, b) A1B), c) B2 y d) COMMITED
El patrón de cambios en precipitaciones utilizando CPT, tiende a coincidir con los
escenarios de cambios en las lluvias construidos con modelos dinámicos como el
PRECIS, principalmente hacia la parte sur del país, donde en la península de Yucatán
disminuirán las precipitaciones anuales (Fig. 12).
El modelo PRECIS es únicamente forzado con condiciones dadas por el modelo del
Hadley Centre bajo los escenarios de emisiones A2 y B1 y los datos de medias
mensuales están disponibles en http://precis.insmet.cu/datos.html
18
Fig. 12 Proyección de cambio en precipitación (mm/día) de acuerdo al modelo PRECIS
forzado con condiciones del modelo Hadley Centre y bajo el escenario de emisiones A2
Los eventos extremos y su proyección
El análisis de cambio climático relacionado con los eventos extremos requiere de la
descripción completa de la función de distribución de probabilidades, ya que las colas
de la distribución proveerán la información sobre ondas de calor, de frío o sobre lluvias
intensas. Para el presente estudio de regionalización de escenarios de cambio climático,
es necesario pasar de los campos mensuales a datos diarios. Sin embargo, este ejercicio
no resulta práctico siguiendo la técnica CPT en cada día. El procedimiento debe
consistir en generar estimaciones diarias, que ajusten la condición media mensual. Así,
se usan los escenarios CPT y se obtienen conclusiones sobre condiciones de actividad
diaria extrema. La herramienta para este fin es un Generador Estocástico de Tiempo
Meteorológico (GETM). El modelo estadístico utilizado es conocido como LARS
(http://www.climatechangescenarios.ca/Downscaling_Tools/LARS-e.html).
La habilidad de un GETM de alterar los parámetros de acuerdo a los escenarios de
clima futuro permite evaluar los eventos extremos a partir de cambios en la variabilidad,
así como en los valores medios de los escenarios de cambio climático mensuales. En el
noroeste de México los cambios en la media anual son de poco más de 3ºC en
temperatura media anual y un decremento de cerca del 15% de precipitación acumulada
anual para la década del 2080 bajo el escenario A1B. La forma en que se consigan estos
cambios a través de los cambios en la variabilidad diaria en un contexto climático,
plantea un problema probabilístico. La Función de Distribución de Probabilidades
(FDP) de temperatura máxima diaria de la estación Siquirichic en Chihuahua,
construida con cerca de 44 años de datos diarios a partir de 1950, y su comparación con
las FDP de temperatura máxima diaria generadas por el GETM para las de las décadas
2030,2050, y 2080 muestra cambios en las colas de la distribución (Fig. 13). Los
cambios de clima alteran la forma de la FDP; amplían la variabilidad y desplazan la
media, tal y como lo ha sugerido el IPCC (IPCC-TAR, 2001) por lo que los eventos
diarios de máxima temperatura incrementan su magnitud al considerar los cambios de
19
temperatura media del escenario A1B regionalizado. Los cambios en la magnitud de
eventos extremos máximos de temperatura (eg. ondas de calor) respecto al periodo
reciente, podrían ser más intensos hasta en 5ºC hacia finales del presente siglo, con
respecto al pasado reciente. Una característica importante es que los eventos extremos
de la frontera inferior prácticamente se mantienen con la misma frecuencia y magnitud
durante todo el siglo XXI.
Figura 13. Función de distribución de Probabilidades (FDP) de temperatura máxima
diaria para la estación Siquirichic en Chihuahua bajo el escenario A1B regionalizado.
Línea negra corresponde a la observada actual, línea azul a la proyección al 2030,
morada al 2050 y roja al 2080.
Los cambios en los eventos diarios de precipitación para finales del siglo en curso bajo
el escenario A1B señalan cambios ligeros (Fig. 14), principalmente la categoría de 0-5
mm/día. Para eventos en la categoría de 5 a 20 mm hay una disminución de
aproximadamente 5%. En el caso de la estación Sirachic, Chihuahua, incluso los
eventos de tipo extremo, eventos que su probabilidad conjunta es aproximadamente 5%
no parecen tener un cambio significativo. En el caso de la precipitación, los resultados
no son tan robustos como en la temperatura ya que hay muchos factores que causan
incertidumbre fuera de la dispersión mostrada por los modelos, debido a que factores
clave que determinan el régimen pluviométrico de regiones tropicales como México no
están bien capturados en los modelos.
20
Figura 14. FDP de precipitación acumulada diaria para la estación Siquirichic en
Chihuahua bajo el escenario A1B regionalizado. Negro FDP observada, azul FDP en
2030, morado FDP en 2050 y rojo FDP en 2080.
Es sabido que los años de lluvias acumuladas intensas resultan de un mayor número de
eventos extremos. La construcción actual de la distribución de las lluvias diarias debe
tomar en cuenta el potencial aumento de humedad en la atmósfera bajo cambio
climático. Por ello, será necesario que en una etapa posterior del trabajo de
proyecciones de eventos extremos de precipitación se trabaje no sólo con información
de cambios de lluvia, sino también de aumentos en humedad relativa y temperatura al
momento de construir el generador estocástico del tiempo.
Cuando se genera el tiempo estocásticamente bajo condiciones de una mayor
temperatura únicamente, la FDP del ejemplo de Siquirichic muestra un ligero aumento
en eventos de precipitación entre 45 y 50 mm/día que bajo el clima actual no era
perceptible (Fig. 15). Dicha condición sugiere que en una atmósfera más caliente el
contenido de vapor de agua o agua precipitable aumentará por lo que quizá sea más
difícil que ocurra un evento de precipitación, pero la cantidad de lluvia que deje será
mayor. Lo anterior es simplemente consecuencia de la relación de Clausius Clapeyron
para los cambios de fase en un gas. Lo importante, desde el punto de vista dinámico,
será analizar si la estabilidad de la atmósfera disminuirá al calentarse la superficie y si
los mecanismos dinámicos que produzcan movimientos ascendentes cambiarán como
para favorecer la convección intensa en un lugar determinado.
21
Figura 15 Como en la figura 14, pero con el generador estocástico de tiempo (GETM)
forzado únicamente con el factor modulador de la temperatura.
El pronóstico estacional
La esencia de proyectar el clima a futuro radica en la comprensión de la importancia de
describir el clima en términos probabilísticos por lo que se vuelve necesario disponer de
un gran número de experimentos numéricos de escenarios. La metodología aplicada
para la generación de escenarios regionales de cambio climático es una herramienta de
gran potencial para aumentar la resolución espacial de los modelos de circulación
general en pronósticos estacionales del clima. Los acuerdos logrados con el Instituto
Internacional para el Clima y la Sociedad de Nueva York (IRI) han permitido tener
acceso a pronósticos estaciones del clima para poderlos regionalizar a través del uso de
la herramienta CPT.
Desde febrero de 2008 se iniciaron trabajos sistemáticos para regionalizar las
realizaciones a las que se tiene acceso, provenientes de modelos de baja resolución
espacial. Ejemplos de los resultados alcanzados hasta ahora se presentaron en el XIV
Foro de Predicción Climática celebrado en Acapulco, Gro en abril de 2008. A diferencia
de lo presentado por la mayoría de los participantes, los desarrollos del Grupo de
Meteorología Tropical del centro de Ciencias de la Atmósfera, presentaban la
información en forma probabilística pero con relevancia para la toma de decisiones.
A continuación se presentan algunos ejemplos de las predicciones estacionales
realizadas para el verano 2008 (Fig. 16 a 19). La condición inicial utilizada en las
predicciones corresponde a los primeros días de abril de 2008. La base de la
comparación consiste en contrastar los patrones espaciales, el signo y la magnitud de la
anomalía del ensamble con el campo medio observado, considerando incluso el nivel de
dispersión entre realizaciones.
22
a)
b)
c)
d)
Fig.16 Predicciones del ensamble de anomalía de la temperatura(°C) media para a) mayo, b) junio, c) julio y d) agosto de 2008. Las líneas
representan la dispersión entre predicciones.
8
Fig. 17 Anomalías de temperatura media mensual (°C) observada
para: a) mayo, b) junio y c) julio 2008 (fuente: NOAA NCEP CPC
CAMS)
9
a)
b)
c)
d)
Fig.18 Predicciones del ensamble de anomalía de la precipitación acumulada (mm/mes) para a) mayo, b) junio, c) julio y d) agosto de 2008.
Las líneas representan la dispersión entre predicciones.
10
a)
b)
Fig.19 Anomalías de precipitación observada (mm) de acuerdo al
análisis de NOAA – NCEP CPC, para a) mayo, b) junio y c) julio
2008.
c)
11
Los resultados de este experimento de pronóstico estacional son alentadores y muestran
un alto nivel de habilidad en el modelo CPT para proyectar el clima estacionalmente.
Aun es necesario mantener el esquema en forma operativa de forma que luego de al
menos diez años se haga una evaluación del pronóstico operacional operativo de alta
resolución espacial para México. Tal ejercicio fue recientemente realizado para los
Estados Unidos (ver BAMS, june 2008).
La gestión del riesgo en el sistema de pronóstico de clima estacional
Diversas actividades socioeconómicas basan sus diagnósticos en gran medida en las
condiciones ambientales en las que se desarrollan y para ello es herramienta
fundamental el contar con mapas de condiciones del clima y de las características
socioeconómicas o técnicas en el sector. En la agricultura mexicana, durante el invierno,
el clima es generalmente seco y la temporada de lluvias o temporal se inicia
normalmente a mediados de junio, finalizando hasta el mes de octubre; la cantidad de
lluvia por temporada varía para las diferentes regiones del país, con un gradiente que va
desde precipitaciones muy escasas, de 350 a 400 mm anuales en el norte, hasta 1000 o
1500 mm anuales hacia el sur. Sin embargo, existen años extraordinarios donde el
período de lluvia puede alargarse, reducirse o ser discontinuo, con etapas secas
intermedias.
Un ejemplo práctico de uso de la información del pronóstico estacional se ha
desarrollado para los estados de Guanajuato y Querétaro. El estado de Guanajuato
presenta condiciones de aridez en una gran parte de su territorio (Fig. 20). Cuando se
habla de los daños o desastres que ocasiona el clima en la agricultura, en realidad se está
hablando de una expresión de los altos niveles de riesgo de la agricultura mexicana.
Una amenaza climática se presenta cuando existe la posibilidad de que una condición
desfavorable en la lluvia o temperatura tenga la capacidad de afectar a un sector por
causa de una alta vulnerabilidad. Ésta última puede ser estudiada desde diferentes
perspectivas. La estimación cuantitativa de la vulnerabilidad no es tarea fácil y en una
perspectiva científica técnica se trabaja pensando en que mejor información y
tecnologías permiten reducir vulnerabilidad. Sin embargo, la evaluación de ésta puede
contener elementos puramente económicos, en donde los costos de los impactos den la
medida de qué tan vulnerable es un sector o región. Existe sin embargo, el elemento
social en que la percepción del afectado sobre vulnerabilidad es tomada en cuenta.
8
Fig. 20: Probabilidad de que se tengan lluvias por debajo de 450 mm, entre junio y
octubre, considerado como mínimo necesario para el cultivo de maíz de temporal.
Con base en los requerimientos hídricos en diversas fases del cultivo se puede conocer
si existen condiciones climáticas adecuadas para el éxito en la producción. A través del
análisis de la variabilidad de clima y de la vulnerabilidad de los cultivos se puede
estimar el riesgo de pérdidas. Si se considera dicho riesgo en la planificación de los
ciclos agrícolas, los agricultores podrán variar la estrategia de trabajo utilizando
aquellas variedades que requieren de mucha agua, o aquellas variedades resistentes a la
sequía. También se pueden alterar los tiempos de siembra usando variedades de ciclo
corto, aunque de menor rendimiento, con la finalidad de disminuir las pérdidas en la
producción.
El riesgo agroclimático para cada cultivo se puede estimar a través de probabilidad
condicional Pr (E1 | E2), que es la probabilidad de que un evento E1 ocurra cuando
sabemos que un evento E2 ocurrió u ocurrirá. Formalmente, la probabilidad condicional
es definida en términos de la intersección del evento de interés (E1) y el evento
condicionante (E2):
Pr E1 E2 
PrE1  E2 
PrE2 
(1)
Así, una vez establecida la probabilidad de que ocurra una condición climática anómala
como la sequía, se puede analizar cuál es la probabilidad de que se tengan rendimientos
9
bajos. Las probabilidades de ocurrencia de una condición climática de peligro se pueden
analizar a través de datos históricos para cada estación o pueden analizarse en su
conjunto a través de datos en malla, con los que es posible realizar mapas temáticos.
Como en cualquier otro problema de gestión de riesgo, la decisión de cuál es un valor
de riesgo “intolerable” queda determinada por el experto del sector, el administrador del
seguro agrícola o el agricultor.
Utilizando la información de mallas de precipitación y temperaturas diarias, es posible
construir mapas temáticos de las regiones bajo una mayor amenaza climática
dependiendo del cultivo bajo consideración. En primer lugar se puede establecer en
dónde se cuenta con buenas probabilidades de que se cumpla con los requerimientos
hídricos del maíz, frijol o sorgo. Es posible por ejemplo, analizar incluso cuál es la
probabilidad de que se presenten lluvias tan bajas en la primera fase, que lleven al
fracaso en las primeras etapas del cultivo del maíz. Empíricamente, a partir de análisis
de pérdidas de cultivos, se estableció que menos de 20 mm en la primera fase son
insuficientes para que tenga éxito cualquier variedad de maíz en la zona del Bajío.
Aunque las probabilidades de que se presente una condición de menos de 20 mm en las
lluvias de la primera fase del maíz son bajas, no son despreciables y deben considerarse
al momento de establecer la aptitud del cultivo de maíz de temporal (Fig. 21). Criterios
de probabilidad de lluvias bajas en el sentido climático (promedio de varios años) se
pueden determinar para otras etapas del cultivo, o para el total de precipitación
requerido por el cultivo.
Fig. 21: Probabilidad de que la precipitación entre junio 10 y junio 25 esté por debajo
de 30 mm acumulados.
Bajo un análisis de relaciones de rendimientos bajos, el valor umbral de precipitación
por debajo del cual se llega a pérdidas fuertes o totales (desastre) puede considerarse por
10
debajo de los niveles sugeridos anteriormente. En otras palabras, en el cultivo del maíz,
el umbral de precipitación por debajo del cual los rendimientos en Querétaro y
Guanajuato son definitivamente bajos es de 325 mm en el periodo de siembra a cosecha.
Las probabilidades de que se presente esta condición en las zonas de cultivo de temporal
son relativamente bajas, menores del 20% en las zonas sur y suroeste del Bajío (Fig.22).
Con base en los cálculos de probabilidades de ocurrencia de lluvias insuficientes, se
puede estimar cuál es la probabilidad de siniestro por causa de la amenaza, quedando
implícita la vulnerabilidad a dicha amenaza de déficit de lluvia. De forma similar se
puede establecer la probabilidad de que las temperaturas máximas o mínimas no
correspondan a las necesarias para el éxito de un cultivo.
Con base en lo anterior, se dispone de una primera estimación de riesgo conocido para
los que cultivan maíz de temporal en la región del Bajío. Sin embargo, los productores
conocen el riesgo que normalmente esperan sin que eso sea una causa para no
desarrollar su actividad. Ante tal condición, la alerta para el productor o para la
compañía de seguros agrícolas debe estar al momento de establecer las probabilidades
de que no se cumpla ni siquiera con la condición climática umbral en una estación o
periodo de terminados. Dichas probabilidades pueden ser obtenidas de los pronósticos
climáticos estacionales.
Fig. 22: Probabilidad de que se presenten lluvias menores a 325 mm entre junio y
octubre.
Por ejemplo, si las probabilidades de que lluevan menos de 325 mm en el ciclo del
cultivo, o si las probabilidades de que se exceda la temperatura umbral son mayores que
las climáticas, se tiene una condición de riesgo intolerable, la cual deberá llevar a los
11
tomadores de decisiones, sean productores o las compañías de seguros, a redefinir su
accionar para ese ciclo.
Es claro que las acciones por tomar dependerán de la confianza que se tenga en el
pronóstico climático, y dicho nivel de confianza depende del esquema de pronóstico que
se tenga, de la variable a pronosticar, del plazo de pronóstico y de la resolución espacial
deseada en el pronóstico. En la actualidad se sabe que los esquemas de pronóstico
funcionan mejor cuando se presentan condiciones La Niña o El Niño, de preferencia
intensos. Tal es el caso de 1982 y 1997. Sin embargo, los avances en materia de
pronóstico indican que incluso cuando tales condiciones no son tan intensas se puede
tener un adecuado pronóstico estacional, como sucedió durante las lluvias de verano de
2005, cuando se presentó un retraso en el inicio de la temporada.
Usando el pronóstico de lluvias y temperatura, se puede incluso estimar cuál será el
efecto en la humedad del suelo y por tanto en la salud de la vegetación, principalmente
en zonas donde se ubiquen cultivos de temporal. Por ejemplo, en años El Niño, como en
1982, se presentó un retraso en las lluvias que originó que en junio ocurriera un retraso
en las precipitaciones de verano con serios impactos para la agricultura (Fig. 23).
Fig. 23: Zonas de superávit (déficit) de humedad en el suelo (mm), obtenidas como
[precipitación – 0.5 * evapotranspiración potencial] durante junio, julio, agosto y
septiembre de1982.
12
En modo de pronóstico, se pueden usar los pronósticos probabilísticos y proyectar las
probabilidades de que la precipitación, la humedad del suelo o el Índice Normalizado de
Vegetación (NDVI) alcancen o no el valor umbral necesario para poder preveer por lo
menos un mínimo de éxito en la cosecha. Los datos de rendimientos o de siniestros
pueden ser utilizados para establecer cuál es un valor de riesgo y de rendimiento
mínimo aceptable. Una división de los rendimientos históricos en altos, medios y bajos
puede servir de referencia regional para los valores esperados.
Una metodología para manejar información probabilística en la gestión de riesgo
corresponde al análisis de matrices de riesgo. Un ejemplo, de cómo fijar los valores para
llenar las matrices de riesgo se pueden expresar de la siguiente manera (matrices de
riesgo):
R(A1,B1)= probabilidad de que se presenten valores de rendimiento bajos en años secos
R(A2,B2)=probabilidad de que se presenten valores de rendimiento medio en años normales.
R(A3,B3)=probabilidad de que se presenten valores de rendimiento altos en años lluvioso.
Tabla 1: Matriz de riesgo.
Impacto/Amenaza
B1
B2
B3
A1
R(A1,B1)
R(A1,B2)
R(A1,B3)
A2
R(A2,B1)
R(A2,B2)
R(A2,B3)
A3
R(A3,B1)
R(A2,B2)
R(A3,B3)
Los valores de riesgo bajo condiciones de terciles, tanto en precipitaciones como en
rendimientos, se pueden expresar a través de matrices de riesgo por estado (Tablas 2 y
3), e incluso por municipio, en caso de que se cuente con información de rendimientos
con tal nivel de desagregación. Utilizando los datos de precipitación se puede construir
una primera aproximación a la matriz de riesgo, considerando los niveles bajo, medio y
alto de rendimientos.
Tabla 2: Resultados de la Matriz para Querétaro (estado).
Precipitación/ Rendimiento Bajo
Medio
Alto
Sequía
33,3%
66,7%
0,0%
Normal
16,7%
72,2%
11,1%
Lluvioso
0,0%
20,0%
80,0%
13
Tabla 3: Resultados para Guanajuato (estado).
Precipitación/ Rendimiento
Bajo
Medio Alto
Sequía
25,0% 75,0% 0,0%
Normal
7,1% 78,6% 14,3%
Lluvioso
0,0% 50,0% 50,0%
En muchos casos, un valor umbral de rendimiento aceptable, y por tanto, de condiciones
climáticas necesarias para poder mantener las actividades agrícolas, depende de factores
puramente económicos. En tal caso, se debe de asignar un valor de la actividad, aun con
los cambios que año tras año exhiben los mercados de granos básicos, tanto en México
como en el mundo.
Una primera aproximación de los costos del riesgo y desastre climático en agricultura se
puede obtener pensando en los costos que tiene la producción de una tonelada de grano
y los beneficios que se obtienen con tal producción. Por ejemplo, en el año 2005 un
retraso de un mes en las lluvias provocó pérdidas en el cultivo de temporal de maíz
grano en el ciclo primavera verano de aproximadamente $211,000,000.00 pesos,
correspondientes a 153,000 toneladas que se dejaron de producir al siniestrarse
alrededor de 163,000 hectáreas de las 271,000 hectáreas cosechadas y sólo se tuvo una
producción con valor de $140,000,000. Si se compara con un año próximo inmediato
como 2006, en que la superficie siniestrada sólo fue de 62,000 hectáreas con respecto de
las 285,000 sembradas, y se considera el valor de producción fue de $712,000,000
pesos, la diferencia en valor de producción de maíz con respecto al 2005 fue de
$572,000,000 pesos. Si el mismo ejercicio se realiza con respecto del año 2004 la
diferencia en valor de producción es de la diferencia es de alrededor de $900,000,000
En el sector agropecuario actual, la información climática no se limita a datos de
estaciones meteorológicas y estadísticas básicas de la precipitación, temperatura y su
variabilidad. La disponibilidad de sensores remotos y de modelos avanzados de
diagnóstico y pronóstico climático hace necesario integrar un verdadero Sistema de
Información Climática que lleve a la toma de decisiones. Para lo anterior, se requiere
realizar un verdadero uso de los esquemas de gestión de riesgo, distinguiendo las
amenazas y la vulnerabilidad de las regiones o sectores relacionados con la variabilidad
y el cambio climático.
Aunque en México se ha incrementado el utilizar información climática para toma de
decisiones, los usos que se tienen hasta la fecha llegan tan sólo a una descripción de los
fenómenos que causan el desastre por falta de un verdadero esquema de gestión de
riesgo. Los avances alcanzados en el presente estudio nos llevan a proponer un esquema
de aprovechamiento de la información que consiste en desarrollar los siguientes pasos:
1)
Compilación de datos meteorológicos diarios en estaciones, procesados
mediante esquema de calidad de datos.
2)
Esquema de asimilación de datos para disponer de datos en malla
comparables con otras fuentes de datos (percepción remota, NDVI, etc.).
14
3)
Cálculo de estadísticas básicas (primeros y segundos momentos, eventos
extremos), así como eventos específicos (inicio de lluvias, intensidad de
canícula, periodos sin lluvia, etc.).
4)
Cálculo de probabilidades de satisfacer los requerimientos hídricos o
térmicos de los cultivos para cada fase fenológica del cultivo.
5)
Estimación de la predecibilidad del clima regional y determinación de la
calidad de pronósticos o esquemas de predicción del clima regional,
principalmente para condiciones climáticas extremas.
6)
Comparación de probabilidades de condiciones por debajo o encima de
umbrales climáticos usando datos históricos (climatología) y los del
pronóstico climático estacional. De rebasarse los umbrales, definir acciones
en el manejo del cultivo o en los precios de las primas.
7)
Proyectar acciones de apoyo a la agricultura de temporal de tipo tecnológico
o económico.
8)
Estimación de costos de la acción preventiva contra la no-acción preventiva.
Se deben aprovechar diagnósticos y pronósticos climáticos, para el seguimiento de la
evolución de la actividad o para definir acciones de prevención. Los análisis climáticos
después de cada ciclo agrícola permitirán iniciar la determinación de los beneficios de
un sistema de información climática.
La gestión de riesgos para el caso del sector agrícola y la propuesta del esquema de
aprovechamiento de la información se pueden adecuar a otros sectores
socioeconómicos, tomando en cuenta las circunstancias propias de cada uno de ellos.
Generación de Capacidades
Dada la necesidad de expandir el uso de la información climática en un esquema de
gestión de riesgo, se ha trabajado con diversos grupos alrededor del país para explicar
cómo pueden utilizarse pronósticos climáticos estacionales o escenarios de cambio
climático. Se han impartido conferencias sobre el significado de Regionalizar
Escenarios de Cambio Climático tanto en instituciones académicas como oficiales (eg.
INE). Se participó en el IV Foro de Predicción Climática organizado por la Comisión
Nacional del Agua en donde se explicó como generar y utilizar los pronósticos
estacionales del clima en términos probabilísticos. Y en fechas recientes se impartieron
cursos sobre aprovechamiento de escenarios de cambio climático con diversos grupos
del país.
Se ha trabajado con estudiantes de Posgrado en Ciencias de la Tierra de la UNAM,
quienes han desarrollado sus trabajos de Tesis de Maestría a partir de los objetivos del
presente estudio. El M. en C. David Zermeño, ha concluido su tesis desarrollando un
trabajo de regionalización de todos los escenarios de cambio climático utilizados por el
IPCC AR4 y los resultados fueron presentados en el Foro Mesoamericano de
Generación de Escenarios de Cambio Climático. La Geog.. Carolina Neri y el Geog..
15
Luis Gaván desarrolan tesis de Maestría en Ciencias con el tema de Sistema de Alerta
Temprana ante la Sequía Meteorológica.
En la actualidad se trabaja con diversos grupos del país interesados en desarrollar
Programas Estatales de Acción Climática con el fin de elaborar sus escenarios de
cambio climático que los lleven a desarrollar estrategias de adaptación.
Conclusiones
La generación de escenarios climáticos regionales requiere considerar la incertidumbre.
Ha sido práctica común en los últimos años el utilizar la dispersión entre proyecciones
como una medida de la incertidumbre en los escenarios de cambio climático. Para dar
robustez estadística a las proyecciones de cambio climático se requiere disponer de un
gran número de modelos de circulación general para comparar sus proyecciones. Sin
embargo, dichos modelos generalmente adolecen de una baja resolución espacial que
pocas veces resulta poco útil para inferir los cambios en el clima que se pueden
presentar de una cuenca a otra o de un estado del país a otro.
El uso de modelos de mesoescala constituye una herramienta de gran valor que permite
analizar las fluctuaciones asociadas al forzante radiativo, incluyendo los efectos de
factores topográficos de mayor resolución espacial como la topografía y el uso de suelo.
Sin embargo, regionalizar o reducir la escala espacial de los GCM utilizando modelos
dinámicos es muy demandante en términos de tiempo de cómputo y de análisis por lo
que sólo se dispone de unos cuantos experimentos de cambio climático de alta
resolución como son PRECIS o del Simulador de la Tierra.
Mediante una técnica estadística es posible generar muchos escenarios y estimar
estadísticamente la dispersión entre modelos como una medida de la incertidumbre. La
herramienta CPT compara patrones de baja y alta resolución espacial como mecanismo
para reducir la escala de escenarios de cambio climático. La gran suposición de dicha
técnica es que las relaciones históricas entre patrones de distintas escalas se mantendrá
aun bajo cambio climático. Esta hipótesis es una fuente de incertidumbre, tal y como lo
es la ausencia de modelos que lleven a “sorpresas climáticas”. Por ello, se considera que
CPT es una posibilidad adecuada de generar escenarios regionales de cambio climático.
El presente estudio ha regionalizado prácticamente todos los experimentos de cambio
climático utilizados en el AR4 del IPCC por lo que ahora se dispone de escenarios
equivalentes pero con resolución espacial uniforme de 50 km X 50 km, para cuatros
distintos escenarios de emisiones de gases de efecto invernadero (SRES). Bajo tal
esquema se cuenta no sólo con experimentos de mayor resolución, sino que también se
dispone de escenarios que para la parte histórica han sido corregidos en sus errores
sistemáticos y dicha corrección se propaga hacia los modelos a futuro.
Quizá una de las limitantes del presente procedimiento es que sólo se dispone de medias
mensuales y no de eventos extremos diarios, con lo cual se limitan las posibilidades de
16
saber cómo serán dichas condiciones hidrometeorológicas extremas a nivel regional
bajo cambio climático. Existe sin embargo la posibilidad de utilizar un generador
estocástico de tiempo severo que sea modulado por la condición media mensual. Esta es
una posibilidad real frecuentemente utilizado por grupos que requieren datos diarios a
partir de estadísticas mensuales. El grupo de Meteorología Tropical del Centro de
Ciencias de la Atmósfera de la UNAM continuará analizando la extensión del trabajo en
el campo de los eventos de tiempo severo a través de modelos de generación de tiempo
severo estocásticos para complementar el presente análisis.
17
Bibliografía
Foster, P, G. Hegerl, R. Knutti, V. Ramaswamy, S. Solomon, T. F. Stocker, P. Stott &
F. Zwiers, 2007: Assessing uncertainty in climate simulations. Nature Reports Climate
Change. 4 pp.
Forster P., V. Ramaswamy, P. Artaxo, T. Berntsen, R. A. Betts, D. W. Fahey, J.
Haywood, J. Lean, D. C. Lowe, G. Myhre, J. Nganga, R. Prinn, G. Raga, M. Schulz, R.
Van Dorland, 2007: Global Climate Projections. In: Climate Change 2007: The Physical
Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the
Intergovernmental Panel on Climate Change (Solomon, S., D. Qin, M. Manning, Z.
Chen, M. Marquis, K. B. Averyt, M. Tignor and H. L. Miller (eds.)). Cambridge, United
Kingdom and New York, NY, USA.
Glahn, H. R., and D. A. Lowry, 1972: The use of Model Output Statistics (MOS) in
objective weather forecasting. J. Appl. Meteor., 11, 1202-1211.
Kim, J. W, J. T. Chang, N. L. Baker, D. S. Wilks & W. L. Gates, 1984: The statistical
problem of climate inversion: determination of the relationship between local and largescale climate. Monthly Weather Review. 112: 2069-2077 pp.
Lorenz E., 1963: Deterministic Nonperiodic Flow. Journal of the Atmospheric Sciences.
20: 130-141 pp.
Meehl, G. A., T. F. Stocker, W. D. Collins, P. Friedlingstein, A. T. Gaye, J. M.
Gregory, A. Kitoh, R. knutti, J. M. Murphy, A. Noda, S.C.B. Raper, L. G. Watterson, A.
J. Weaver & Z.-C- Zhao, 2007: Global Climate Projections. In: Climate Change 2007:
The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment
Report of the Intergovernmental Panel on Climate Change (Solomon, S., D. Qin, M.
Manning, Z. Chen, M. Marquis, K. B. Averyt, M. Tignor and H. L. Miller (eds.)).
Cambridge, United Kingdom and New York, NY, USA.
Murphy, J., 1999: Evaluation of statistical and dynamical techniques for downscaling
local climate. Journal of Climate. 12: 2256-2284 pp.
Nebojsa N., J. Alcamo, G. Davis, B. de Vries, J. Fenhann, S. Gaffin, K. Gregory, A.
Grübler, T. Y. Jung, T. Kram, E. Lebre La Rovere, L. Michaelis, S. Mori, T. Morita, W.
Pepper, H. Pitcher, L. Price, K. Riahi, A. Roehrl, H. Rogner, A. Sankovski, M.
Schlesinger, P. Shukla, S. Smith, R. Swart, S. van Rooijen, N. Victor, Z. Dadi, 2000:
Special Report of Emissions Scenarios (SRES)..
Semenov, M. A., R. J. Brooks, E. M.Barrow & C. W. Richardson, 1998: Comparison of
the WGEN and LARS-WG stochastic weather generators for diverse climate. Climate
Research. 10: 95-107 pp.
18
Wilby, R. L. & T. M. L. Wigley, 1997: Downscaling general circulation model output: a
review of methods and limitations. Progress in Physical Geography. 21(4): 530-548 pp.
Wilby, R. L. & T. M. L. Wigley, 2000: Precipitation predictors for downscaling:
observed and general circulation model relationships. International Journal of
Climatology. 20: 641-661 pp.
Wilby R. L., S. P. Charles, E. Zorita, B. Timbal, P. Whetton., L. O. Mearns, 2004:
Guidelines for Use of Climate Scenarios Developed from Statistical Downscaling
Methods. 27 pp.
Wilks, D. S. & R. L. Wilby. 1999. The weather generation game: a review of stochastic
weather models. Progress in Physical Geography. 23(3): 329-357 pp.
Wigley, T.M.L., Jones, P.D., Briffa, K.R. & Smith, G. 1990: Obtaining sub-grid scale
information from coarse resolution general circulation model output. Journal of
Geophysical Research. 95: 1943-53 pp.
Wilby, R.L., Dawson, C.W. and Barrow, E.M. (2002): SDSM - a decision support tool
for the assessment of regional climate change impacts. Environmental Modelling
Software, 17, 145-157 pp.
19