La generación de escenarios climáticos para ambas cuencas estuvo a cargo del Centro Nacional para la Investigación Atmosférica (NCAR por sus siglas en inglés; Proyecto PARA-Agua, 2014 c). Ellos utilizaron como fuente los modelos del CMIP5, que es un proyecto del IPCC que pretende proveer una herramienta basada en múltiples modelos de circulación global (MCGs por sus siglas en inglés) y escenarios para ilustrar el rango de los cambios posibles en el clima durante el siglo XXI. Los modelos utilizados en el CMIP5 varían desde aquellos que representan solamente la interacción entre el océano y la atmósfera, hasta modelos del sistema climático terrestre que representan las interacciones de los ciclos biogeoquímicos, la vegetación, capas de hielo, etc. Los modelos del CMIP5 son la principal fuente de información disponible actualmente para predecir el clima en horizontes de largo plazo, y pueden informar sobre el rango de “escenarios posibles” del clima terrestre frente a diferentes cambios naturales o antrópicos. A su vez, esta información contiene los modelos hidrológicos utilizados para representar las condiciones locales en las cuencas y los efectos esperados por los cambios en el clima.
Sin embargo, la aplicación de los resultados del CMIP5 en la estimación del efecto del cambio climático global sobre los sistemas hidrológicos presenta algunas limitaciones con respecto al nivel de detalle espacial alcanzado por los modelos globales. Debido a su resolución espacial, estos resultados no son suficientes para representar los atributos del clima local. Por esta razón, la evaluación de los impactos locales en los recursos hídricos requiere el desarrollo de proyecciones climáticas a escala reducida. Las técnicas de reducción de escala – o “Downscaling” – consisten en asociar las propiedades de la atmósfera, obtenidas a partir de las salidas de los MCG (Modelos climáticos Globales) a las condiciones meteorológicas locales ya sea mediante modelos matemáticos de base física (downscaling dinámico) o modelos estadísticos (downscaling estadístico). Tales métodos recurren a los registros meteorológicos locales para establecer los modelos óptimos que representan mejor los datos observados permitiendo mayor confianza en la representatividad del clima futuro.
Existen diferentes enfoques para el proceso de reducción de escala, desde los más sencillos, como los análisis de sensibilidad basados en incrementos constantes (Δ-Delta), hasta los métodos dinámicos (ver Figura 25). Por su parte, los métodos estadísticos ocupan una posición intermedia y comprenden métodos paramétricos y no paramétricos.
Figura 25: Métodos utilizados en la reducción de escala (Downscaling) de los MCG
Tomado de Maraun et al 2010
Ejemplos
Caso de la cuenca Chira Piura
El primer paso para la reducción de escala (regionalización o downscaling), fue identificar las estaciones meteorológicas con información de precipitación y temperatura a escala diaria para representar el clima histórico (1971 – 1991) de la cuenca. Con este registro se generaron datos de temperatura y precipitación mediante interpolación para cada uno de los 99 catchments definidos. Una vez lista la información local se trabajó con la información global de estas mismas variables para realizar la reducción de escala. El método seleccionado fue el método no paramétrico denominado bootstrapping K-nn o de reordenamiento (Gangopadhyay et al. 2005; Yates et al. 2003).
Mediante este método, se construyeron series sintéticas de precipitación y temperatura para las 32 estaciones a partir de las observaciones históricas condicionadas por las proyecciones de los modelos mediante el uso de reglas probabilísticas que buscan preservar algunos atributos presentes en dichas series como la estacionalidad, la variabilidad, la correlación espacial y otros. Este método además permite proyectar series de clima futuro para las cuencas con base en los cambios predichos por la señal de los MCG. Luego se hicieron las comparaciones entre los datos históricos medidos en la cuenca y los generados a partir de los MCG. Los resultados de las comparaciones se presentan en el Cuadro 19.
Cuadro 19: Comparación entre datos observados o medidos y un set de MCG
Modelo
|
Sesgo
|
Precipitación media diaria
|
Percentil 95 (mm)
|
Fracción de días con lluvias
|
Duración media de rachas secas (días)
|
Duración media de rachas húmedas (días)
|
CanESM2
|
|
|
|
|
|
|
GCM
|
159%
|
5.47
|
19.28
|
72%
|
3.37
|
8.52
|
obs
|
|
2.11
|
10.04
|
39%
|
8.50
|
5.40
|
CCSM4
|
|
|
|
|
|
|
GCM
|
147%
|
4.45
|
17.41
|
62%
|
3.54
|
5.75
|
obs
|
|
1.80
|
8.66
|
37%
|
8.03
|
4.66
|
CESM1-CAM5
|
|
|
|
|
|
GCM
|
205%
|
5.49
|
17.05
|
78%
|
3.06
|
10.84
|
obs
|
|
1.80
|
8.66
|
37%
|
8.03
|
4.66
|
CNRM-CM5
|
|
|
|
|
|
|
GCM
|
135%
|
6.06
|
12.00
|
68%
|
3.76
|
8.03
|
obs
|
|
|
8.89
|
34%
|
9.35
|
4.85
|
CSIRO-Mk3-6-0
|
|
|
|
|
|
GCM
|
304%
|
9.26
|
28.53
|
59%
|
10.63
|
15.54
|
obs
|
|
2.29
|
11.12
|
40%
|
6.13
|
4.08
|
HadGEM2-CC
|
|
|
|
|
|
GCM
|
310%
|
9.40
|
27.46
|
89%
|
2.95
|
23.68
|
obs
|
|
2.29
|
11.12
|
40%
|
6.13
|
4.08
|
MPI-ESM-MR
|
|
|
|
|
|
GCM
|
44%
|
3.31
|
15.21
|
41%
|
5.50
|
3.83
|
obs
|
|
2.29
|
11.12
|
40%
|
6.13
|
4.08
|
MRI-CGCM3
|
|
|
|
|
|
GCM
|
281%
|
7.70
|
28.33
|
64%
|
5.33
|
9.62
|
obs
|
|
2.02
|
9.96
|
37%
|
8.60
|
5.10
|
MRI-ESM1
|
|
|
|
|
|
|
GCM
|
304%
|
8.17
|
29.30
|
64%
|
5.51
|
9.98
|
obs
|
|
2.02
|
9.96
|
37%
|
8.60
|
5.10
|
NorESM1-M
|
|
|
|
|
|
|
GCM
|
312%
|
7.21
|
21.94
|
72%
|
5.18
|
13.31
|
obs
|
|
1.75
|
8.58
|
34%
|
9.38
|
4.80
|
Fuente: Proyecto PARA-Agua, 2014 c
De acuerdo a los resultados, los modelos de mejor representatividad de las observaciones históricas son: CCSM4, MPI-ESM-MR, CESM1 (CAM5), HadGEM2_CC y CSIRO-Mk3-6-0, que según las comparaciones estadísticas y visuales representa mejor la climatología de la región. A partir de estos modelos escogidos se obtuvieron 39 escenarios de clima futuro que corresponden a RCP 8.5 (entre 7 y 8 corridas por cada modelo) al que se le atribuye una alta emisión de carbono. Se generaron las series futuras de clima y se escogieron 5 que reflejan un rango de condiciones climáticas:
- Seco: MPI-MR (Proyección 8, carpeta 8 dentro de los datos climáticos en el modelo WEAP Chira Piura)
- Muy seco: MPI_MR2 (Proyección 33, carpeta 33 dentro de los datos climáticos en el modelo WEAP Chira Piura)
- Normal: CESM1-CAM5 (Proyección 20, carpeta 20 dentro de los datos climáticos en el modelo WEAP Chira Piura)
- Muy húmedo: HadGEM2_CC (Proyección 30: carpeta 30 dentro de los datos climáticos en el modelo WEAP Chira Piura)
- Húmedo: CSIRO-Mk3-6-0 (Proyección 27: carpeta 27 dentro de los datos climáticos en el modelo WEAP Chira Piura)
Las corridas posteriores determinaron la anulación de uno de los escenarios climáticos por no ajustarse a la realidad de la cuenca.
Caso de la cuenca Quilca Chili
Una vez calibrado y validado el modelo hidrológico con la información de 13 estaciones hidrométricas, se incluye los datos de cambio climático hasta el año 2050 como un escenario. Para este caso, las estimaciones realizadas presentan algunas limitaciones con respecto el nivel de detalle espacial alcanzado por los modelos globales debido a su resolución espacial, por lo que estos resultados no son suficientes para representar los atributos del clima local. Es por esta razón que la evaluación de los impactos locales sobre los recursos hídricos requiere el desarrollo de proyecciones climáticas a escala local.
Cuadro 20: Características métodos para la reducción de escala (downscaling)
|
Escenario de enfoque
|
|
Criterio
|
Método Delta
|
Paramétrico
|
No paramétrico
|
Dinámico
|
|
Fácil de usar
|
Fácil/Moderado
|
Moderado
|
Moderado/Difícil
|
Moderado/Difícil
|
|
Típico series de tiempo
|
Mensual
|
Diario
|
Diario
|
Diario
|
|
(Horario)
|
(Horario)
|
|
Metodología rigorosa
|
Baja/Medio
|
Medio
|
Medio
|
Alto
|
|
Longitud de registro
|
Histórico
|
Largo
|
Variación
|
Limitada
|
|
|
Número de escenarios
|
Moderado
|
Moderado
|
Largo
|
Limitada
|
|
Disponibilidad de variables
|
Típico T&P
|
T&P, otros posibles
|
Base histórica observada
|
Muchas variables (P,T,RH, Rnet, Velocidad de viento )
|
|
GUI’s /Herramientas
|
USEPA’s CAT
|
Si (SDSM, CAT)
|
No (rutinas)
|
Dato descargable (NetCDF)
|
|
Conjuntos de datos existentes en línea
|
Si
|
Si
|
No
|
Si
|
|
Fuente: Proyecto PARA-Agua, 2015
Con el método desarrollado, se construyen series sintéticas como secuencias de observaciones históricas. Se utilizó reglas probabilísticas que buscan preservar algunos atributos presentes en las series históricas, como la estacionalidad, la variabilidad, la correlación espacial y otros. Este método además permite informar las series de clima futuro para las cuencas con base en los cambios predichos por la señal de los GCMs.
Cuadro 21: Escenarios climáticos
Nombre de Modelo (Escenario WEAP)
|
Variación de Temperatura
|
Grado de variación Precipitación
|
CESM1_BGC_RCP85(1971- 2050)
|
+ 1.43 C
|
* 0.92
|
CESM1_CAM5_RCP85(1971- 2050)
|
+ 1.54 C
|
* 1.07
|
GISS_E2_R_RCP85 (1975-2050)
|
+ 1.44 C
|
* 0.85
|
MPI_ESM_MR_RCP85(1971-2050)
|
+ 1.78 C
|
* 0.81
|
Fuente: Proyecto PARA-Agua, 2015
[1] El proceso de “downscaling” consiste en la transferencia de información desde una resolución gruesa de los MCG (50 km) a una escala local o regional, lo cual se denomina cambio de escala o regionalización (IPCC, S.f.). Para esto se recurre a los registros meteorológicos locales a fin de obtener modelos que representen mejor los datos observados, con una mayor confianza en la representatividad del clima futuro. Existen diferentes enfoques para el proceso de reducción de escala, desde los más sencillos, como los análisis de sensibilidad basados en incrementos constantes (∆-Delta), hasta los métodos dinámicos. Por su parte, los métodos estadísticos ocupan una posición intermedia y comprenden métodos paramétricos y no paramétricos.