INFORME FINAL · Informe Final, 15 de enero de 2013 4 i. Resumen Ejecutivo Las instituciones de la...
Transcript of INFORME FINAL · Informe Final, 15 de enero de 2013 4 i. Resumen Ejecutivo Las instituciones de la...
Informe Final, 15 de enero de 2013 1
INFORME FINAL
15 de enero de 2013
ACTUALIZACIÓN DE ESCENARIOS DE CAMBIO CLIMÁTICO PARA MÉXICO COMO PARTE DE LOS PRODUCTOS DE LA QUINTA COMUNICACIÓN
NACIONAL
Tereza Cavazos1**, José Antonio Salinas2*, Benjamín Martínez3*, Gabriela Colorado2, Pamela de Grau1, Ricardo Prieto González2, Ana
Cecilia Conde Álvarez3, Arturo Quintanar Isaías3, Julio Sergio Santana Sepúlveda2, Rosario Romero Centeno3, María Eugenia Maya
Magaña2, José Guadalupe Rosario de La Cruz2, Ma. del Rosario Ayala Enríquez2, Heriberto Carrillo Tlazazanatza2,
Oscar Santiesteban3 y María Elena Bravo1
1 Centro de Investigación Científica y de Educación Superior de Ensenada, B. C. 2 Instituto Mexicano de Tecnología del Agua 3 Centro de Ciencias de la Atmosfera, UNAM
** Coordinadora del Proyecto * Responsables Institucionales
Informe Final, 15 de enero de 2013 2
Contenido i. Resumen Ejecutivo ......................................................................................................... 4
ii. Executive Summary ........................................................................................................ 6
1. Introducción .................................................................................................................... 8
2. Objetivos ......................................................................................................................... 9
3. Actividades Desarrolladas ............................................................................................ 10
4. Alcances y Consideraciones ......................................................................................... 12
5. Metodología .................................................................................................................. 14
5.1 Descarga de datos y métricas .................................................................................. 14
5.2 Métricas de validación ............................................................................................ 16
5.3 Ensamble ponderado de los MCG: REA ................................................................ 18
5.4 Espaguetis, series de tiempo e índices climáticos extremos ................................... 19
6. Resultados ..................................................................................................................... 21
6.1 Sur y Noreste de México......................................................................................... 21
6.1.1 Validación del REA y modelos en el Sur de México ...................................... 21
6.1.2 Proyecciones futuras para el Sur de México .................................................... 24
6.1.3 Validación del REA y modelos en el Noreste de México ............................... 27
6.1.4 Proyecciones futuras para el Noreste de México ............................................. 30
6.2 Noroeste de México ................................................................................................ 33
6.2.1 Validación en el Noroeste de México .............................................................. 33
6.2.2 Proyecciones futuras para el Noroeste de México ........................................... 36
6.3 Sureste de México (SE) ......................................................................................... 39
6.3.1 Validación en el Sureste de México................................................................. 39
6.3.1 Ciclo anual histórico y proyecciones futuras para el SE .................................. 41
6.4 Comparación del CMIP3 y el CMIP5 a escala regional ......................................... 47
6.4.1 CMIP3 vs CMIP5 en el Noroeste de México .................................................. 47
6.4.2 CMIP3 vs CMIP5 en el Sureste de México ..................................................... 52
6.5 Comparación del REA del CMIP3 con el del CMIP5 a nivel nacional ................. 56
6.6 Índices climáticos extremos (P90 y P10) ................................................................ 60
6.6.1 P90 y P10 de las temperaturas extremas (presentes y futuros) ..................... 60
6.6.2 P10 y P90 de la precipitación (presentes y futuros) ....................................... 66
6.7 Índices climáticos extremos de temperatura ........................................................... 73
6.7.1 Índices de Tmax para el escenario base 1961-2000 ........................................ 73
6.7.2 Índices de Tmin para el escenario base 1961-2000 ........................................ 75
Informe Final, 15 de enero de 2013 3
6.7.3 Escenarios de cambio climático de los índices de Tmax ................................. 76
6.7.4 Escenarios de cambio climático del índice de Tmin para “noches tropicales” 82
6.7.5 Escenarios de cambio climático del índice de Tmin para heladas agrícolas ... 86
6.7.6 Cambio en los índices de temperaturas extremas por región ........................... 91
7. Desarrollo de la página web del proyecto ..................................................................... 93
8. Conclusiones ............................................................................................................... 117
9. Lecciones aprendidas y pasos a seguir........................................................................ 118
10. Bibliografía ............................................................................................................... 120
11. Anexo 1: NARCCAP ................................................................................................ 122
11.1 ¿Qué es el NARCCAP? ...................................................................................... 122
11.1.1 Desempeño de NARCCAP .......................................................................... 124
11.1.2 Discusión y Recomendaciones .................................................................... 126
11.2 Regionalización dinámica en NARCCAP ......................................................... 129
11.2.1 Acceso a bases de datos NARCCAP ........................................................... 132
11.3 Evaluación de algunas salidas de NARCCAP para el norte de México ............ 134
12. Anexo 2. Colaboraciones internacionales ................................................................. 144
12.1 Taller: Conocimientos básicos sobre el modelo climático regional de alta
resolución (REMO) ..................................................................................................... 144
12.2 Taller: Regionalización dinámica de escenarios de cambio climático usando
WRF ............................................................................................................................ 146
Informe Final, 15 de enero de 2013 4
i. Resumen Ejecutivo Las instituciones de la Red Mexicana de Modelación del Clima (CICESE, IMTA y CCA-UNAM) que
coordina el Instituto Nacional de Ecología (INE) llevaron a cabo el análisis regional del periodo histórico y
de las proyecciones de 15 modelos de circulación global (MCG) del Proyecto de Inter-comparación de
Modelos Acoplados, fase 5 (CMIP5, por sus siglas en inglés) para el caso de México, que serán utilizados
en el 5º Reporte de Evaluación del Panel Intergubernamental de cambio Climático (IPCC). Algunas de las
actividades se hicieron individualmente y otras se compartieron para fomentar la colaboración grupal.
Se utilizaron métricas climáticas a escala mensual (ciclo anual, errores y diagramas de Taylor) para evaluar
el desempeño de cada MCG con respecto a algunas variables superficiales observadas (temperatura
máxima del aire, temperatura mínima del aire, temperatura promedio del aire y precipitación) durante el
periodo histórico (1961-2000) de la base de datos mensuales del Climate Research Unit (CRU) de la
Universidad de East Anglia. También se evaluaron índices climáticos extremos para todo el país mediante
el análisis de umbrales presentes y futuros de la temperatura máxima y mínima y de la precipitación a
escala anual y estacional.
Los resultados de los 15 MCG se combinaron en un ensamble ponderado mediante el método REA
(Reliability Ensemble Averaging), calculando la incertidumbre de cada modelo. Esto se hizo para el periodo
histórico (1961-2000) y para las proyecciones usando los escenarios de forzamiento radiativo bajo
(RCP4.5), medio (RCP6.0) y alto (RCP8.5). Se re-evaluaron las métricas climáticas para validar el
comportamiento de todos los modelos individuales con respecto al ensamble ponderado del REA y de los
datos observados del CRU.
El desempeño de los modelos difiere grandemente en el Sur y Noreste de México, por lo que no es posible
identificar uno solo como el más adecuado para simular las variables superficiales analizadas. Sin embargo,
el ensamble ponderado con REA, al integrar la información de todos los modelos, mejora el desempeño
individual, ya que considera tanto la correlación con las observaciones como con todos los modelos.
Los resultados del CMIP5 desarrollados en este proyecto se compararon con las regionalizaciones
disponibles de los modelos del CMIP3 utilizados en el 4º Reporte de Evaluación del IPPC. Mediante la
evaluación de métricas y comparación con los resultados del CMIP3, se identificaron algunas limitaciones
y mejoras de los modelos en la reproducción de procesos físicos que aporten variabilidad al clima regional
de México. Se hicieron algunas comparaciones regionales entre el ensamble histórico y los escenarios
futuros del CMIP5 con los resultados del CMIP3 que estaban disponibles en la literatura para México, por
ejemplo el Noroeste de México (región del monzón) y el Sureste Mexicano. En particular la versión del
REA del CMIP3 se comparó con la nueva versión obtenida en este proyecto. Los resultados son similares a
nivel nacional con algunas diferencias regionales. Por ejemplo, para la región del monzón, durante el
periodo histórico (1961-2000), tanto el CMIP3 como el CMIP5 subestiman la temperatura de otoño e
invierno, lo que podría ser la causa del retraso del pico principal de las lluvias monzónicas en la región, el
cual ocurre hasta septiembre en los modelos de ambos ensambles. Los modelos no producen la retracción
del monzón en otoño, para dar paso a la temporada seca, sino que los modelos se quedan en modo húmedo
sobrestimando la precipitación de otoño-invierno. Por lo tanto, es muy probable que los modelos tengan un
problema de retroalimentación atmosfera-continente que consiste en que el exceso de lluvia invernal podría
ser la causa del enfriamiento continental, el cual a su vez genera un retraso en la llegada del pico de lluvia
monzónica hasta finales del verano. Este sesgo frio observado en el CMIP3 no fue mejorado en el CMIP5.
El sesgo frio en otoño-invierno se observó en casi todo México en los datos de la temperatura máxima del
CMIP5. Esta incertidumbre debe de considerarse al evaluar los escenarios futuros. En el Sureste el REA es
capaz de simular adecuadamente el ciclo anual que muestra la canícula, pero subestima fuertemente la
precipitación de verano. Todos los modelos analizados subestiman la variabilidad de la precipitación en el
sureste de México así como los valores de temperatura máxima y mínima.
Los resultados del CMIP3 y el REA del CMIP5 generado en este proyecto muestran aumentos similares de
temperatura, entre 1.5 y 5oC de mediados a finales de siglo bajo los escenarios de bajas (B1 y RCP4.5) y
altas (A2 y RCP8.5) emisiones, respectivamente. Las reducciones de precipitación para finales de siglo son
Informe Final, 15 de enero de 2013 5
del orden de 21% en el Noroeste de México; en el resto del país también se esperan reducciones de
precipitación, aunque la incertidumbre es muy alta. Sin embargo, el CMIP5 muestra cambios estacionales y
regionales diferentes a los que mostraba el CMIP3.
Los umbrales de los índices climáticos extremos muestran que las temperaturas máximas extremas van a
aumentar especialmente en la frontera México-Estados Unidos en Jul-Ago-Sep; además, en esta región
semiárida se espera que las lluvias de invierno-primavera y principios de verano disminuyan. Los umbrales
de las temperatura máximas de otoño también podrían incrementarse de 4-5oC a finales del siglo,
extendiendo con esto la temporada cálida en el país.
Se presenta un resumen del Programa de Evaluación de Cambio Climático Regional de Norteamérica
(NARCCAP, por sus siglas en inglés), el cual produce simulaciones de cambio climático con una
resolución espacial alta y con la finalidad de 1) investigar las incertidumbres asociadas a proyecciones
climáticas en escala regional del clima futuro, y 2) generar escenarios de cambio climático para usarse en
la estimación de los impactos del cambio climático. Se documentó la metodología del NARCCAP y se
presentan algunas recomendaciones. También se hizo un diagnóstico del desempeño de las
regionalizaciones dinámicas derivadas de NARCCAP con el modelo WRF usando varias métricas para dos
regiones del Norte de México. Se encontró que los modelos regionales siguen mostrando los errores y
sesgos que presenta los modelos globales (similares a los del ensamble del REA).
Uno de los objetivos del proyecto fue la capacitación en modelación numérica regional; por lo tanto, se
organizaron dos talleres. El primer taller titulado Conocimientos básicos sobre el modelo climático regional
de alta resolución (REMO) se realizó en agosto de 2012 en el Centro de Ciencias de la Atmósfera; fue
impartido por el Dr. William David Cabos Narvaez, del departamento de Física de la Universidad de Alcalá
de Henares y el Dr. Dmitry Sein, del Instituto Max Planck de Meteorología. Participaron 8 investigadores y
estudiantes. El segundo taller se llevó a cabo en las instalaciones del IMTA en septiembre de 2012 con la
participación de 20 estudiantes e investigadores Mexicanos. El taller se tituló Regionalización Dinámica de
Escenarios de Cambio Climático utilizando el modelo atmosférico WRF, el cual fue impartido por los Dres.
Robert Oglesby y Clint Rowe, investigadores de la Universidad de Nebraska-Lincoln.
Por último se diseñó y generó un portal WEB de resultados masivos.
Informe Final, 15 de enero de 2013 6
ii. Executive Summary The institutions of the Mexican Climate Modeling Network coordinated by INE (CICESE, IMTA, and
CCA-UNAM) evaluated historical and climate change projections of 15 general circulation models
(GCMs) of the Climate Model Intercomparison Project phase 5 (CMIP5) for Mexico; these model
projections will be used in the 5th
Assessment Report of the IPCC. Some activities were done individually
and others were shared among the institutions to reinforce the group collaboration.
Several climate metrics were used to evaluate the skill of the models (annual cycle, errors, and Taylor
diagrams) based on surface variables (air temperature, maximum and minimum temperature, and
precipitation) from the East Anglia Climate Research Unit (CRU) data set during the historic period (1961-
2000). Several extreme climate indices were also evaluated using historic and future thresholds of the same
variables.
The output of the 15 GCMs was combined in a weighted ensemble using the Reliable Ensemble Averaging
(REA) technique, obtaining the errors of each model. This was done for the historic period and for the
future emissions based on low (RCP4.5), middle (RCP6.0), and high (RCP8.5) radiating forcing. The
climatic metrics were re-evaluated to validate the behavior of all models and the REA ensemble in
comparison with the CRU observed data.
The skill of the models greatly differs from one another in Southern and Northeastern Mexico; therefore, it
was not possible to identify a single model as the best to simulate the surface variables analyzed in these
regions. However, the REA ensemble integrates the information from all the models, improving the
individual performance, since it considers the correlation with the observations and with all the models.
The results of the CMIP5 developed in this project were compared with regional results from the CMIP3
models used in the 4th
Assessment Report of the IPCC, available in the peer-reviewed literature. This
analysis allowed identifying some regional limitations and improvements of the models when reproducing
physical processes affecting Mexico. Some regional comparisons were done between the historic ensemble
(1961-2000) and future scenarios from CMIP5 with the results of CMIP3 available in published literature
for Mexico, for example for Northwestern Mexico (the monsoon region) and Southeastern Mexico. In
particular, the REA version for CMIP3 was compared with the new version obtained with this project. The
results are similar at national level, but with some regional differences. For example, for the monsoon
region during the historic period (1961-2000), both CMIP3 and CMIP5 underestimate autumn and winter
temperature; this is possibly the cause of the observed delay in the maximum peak of monsoon rainfall until
September. The models do not produce the retraction of the monsoon in autumn to give rise to the dry
season, but stay in a wet mode during autumn and winter. Therefore, it is possible that the models have an
atmosphere-continent feedback problem, in which the excess of autumn-winter rainfall causes a cooling
effect over the continent, which in turn generates a delay of the maximum monsoon rainfall peak until the
end of the summer. This cold bias was observed in CMIP3 and was not reduced significatively in CMIP5.
The cold bias in autumn-winter was observed in almost all Mexico in the maximum temperature of CMIP5.
This uncertainty should be considered when assessing future scenarios. In Southeastern Mexico, the REA
ensemble is able to reproduce adequately the annual cycle with the canicula (mid-summer drought), but
summer precipitation was greatly underestimated. All analyzed models underestimate the variability of
rainfall in southeastern Mexico and the values of maximum and minimum temperature.
Despite these errors, the new REA ensemble from CMIP5 captures the annual cycle of precipitation much
better than the CMIP3 ensemble considered; however, maximum temperature still continues to
underestimate temperature (~2oC) not only in Northwestern Mexico, but almost in all the 4 regions in
Mexico analyzed. This may produce some uncertainties in the climate change scenarios of extreme
temperature
The comparison between the ensemble form CMIP3 and the REA ensemble from CMIP5 shows similar
increases of temperature, between 1.5 and 5oC, in Northwestern Mexico during the XXI century for the low
(B1 and RCP4.5) and high (A2 and RCP8.5) emissions scenarios, respectively. The annual changes of
Informe Final, 15 de enero de 2013 7
precipitation under the high emission scenarios are also similar in CMIP3 and CMIP5, and are of the order
of -21% reduction of rainfall. Similar results are found for other parts of Mexico, but with large
uncertainty. However, major seasonal changes in precipitation are observed in CMIP5, which are link to
important dynamical differences between CMIP3 and CMIP5.
Thresholds for extreme climatic indices were produced for all Mexico. The results show that maximum
temperatures may increase especially in Northern Mexico along the US-Mexico border in Jul-Aug-Sep;
moreover, the projections for this semiarid region is that rainfall will decrease in winter, spring and early
summer. The extreme temperature thresholds could increase by 4-5oC in autumn, extending the warm
season in most of Mexico.
A summary of the North American regional Climate Change Program (NARCCAP) is presented here; the
program produces simulations of climate change with low and high resolutions with the objective to 1)
investigate uncertainties in the regional projections, and 2) generate climate change scenarios for impact
assessment studies. The NARCCAP methodology was documented and some recommendations are
presented. A diagnostic study of the skill of some of the NARCCAP’s regionalizations for two regions in
Northern Mexico was also assessed. It was found that the regional models show similar biases to those
found in the GCMs and in the REA ensemble developed in our project.
One of the objectives of the project was the capacity building on regional modeling; therefore, we
organized two workshops. The first one entitled Basic knowledge on the regional climatic model of high
resolution (REMO) was done in August 2012 in the Centro de Ciencias de la Atmosfera; the workshop was
lectured by Dr. William David Cabos Narvaez from the Departamento de Física de la Universidad de
Alcalá de Henares and Dr. Dmitry Sein from the Institut Max Planck of Meteorology. Eight scientists
participated in the workshop. The second workshop was carried out in IMTA in September 2012 with the
participation of 20 students and researchers from Mexico. The workshop was on Dynamic regionalization
of climate change scenarios using WRF, which was given by Dr. Robert Oglesby and Clint Rowe from the
University of Nebraska-Lincoln.
We also designed and created a web portal with all massive results of the project.
Informe Final, 15 de enero de 2013 8
1. Introducción
Diversos estudios han mostrado que México es vulnerable ante el cambio climático, por
lo cual el Instituto Nacional de Ecología (INE) coordinó a tres instituciones: el Centro de
Investigación Científica y de Educación Superior de Ensenada (CICESE), el Instituto
Mexicano de Tecnología del Agua (IMTA) y el Centro de Ciencias de la Atmósfera
(CCA) de la Universidad Nacional Autónoma de México, para colaborar en el presente
proyecto y conocer cuales serán las respuestas del clima futuro en México ante estas
modificaciones.
En las dos primeras etapas del proyecto, se evaluó el desempeño de 15 modelos de
circulación general (MCG) participantes en el CMIP5 mediante métricas para el período
histórico de 1961 a 2000 en las variables: precipitación y temperatura (media, máxima y
mínima), comparando los resultados con los datos históricos de la base de datos CRU. En
esta etapa se generó un ensamble ponderado de todos los modelos mediante la técnica
REA (Reliability Ensemble Averaging). El ensamble del REA se comparó con todos los
modelos y con el CRU mediante espaguetis del ciclo anual y diagramas de Taylor en
cuatro grandes regiones del país (Noroeste, Noreste, Sur y Sureste). También se
realizaron las proyecciones bajo diferentes escenarios y se obtuvieron series de tiempo
presentes y futuras y mapas de los umbrales de índices climáticos extremos.
La generación de escenarios de cambio climático se realizó utilizando las salidas de los
modelos de circulación global (MCG) disponibles del Proyecto de Intercomparación de
Modelos fase 5 (CMIP5, por sus siglas en inglés). En el CMIP5 los MCG generaron
escenarios con diferentes forzamientos de radiación futura de 4.5 a 8.5 Watts/m2
(RCP4.5, RCP6.0 y RCP8.5), con lo cuales se generan proyecciones de cambio climático
(Murphy, et al., 2004). En este proyecto se evaluaron 15 modelos que estaban
disponibles al inicio del proyecto.
Los escenarios del CMIP3 se usaron en el Cuarto Reporte de evaluación del IPCC (AR4)
y los del CMIP5 se usarán en el Quinto Reporte del IPCC (AR5). Para ver las mejoras del
CMIP5 se muestra una comparación parcial del desempeño de los modelos del ensamble
REA del CMIP5 con base en los resultados de Cavazos y Arriaga-Ramirez (2012);
también se compara el REA del CMIP3 con el nuevo REA del CMIP5 en todo el país.
La ejecución de todas las etapas del proyecto brindó oportunidades de estudiar temas
como actualización de escenarios de cambio climático, dinámica atmosférica local y
regional, así como los avances en el desarrollo de modelos globales, y los alcances y
limitaciones de la regionalización estadística y dinámica.
Los resultados de las métricas climáticas, índices extremos y escenarios de cambio
climático desarrollados en este proyecto serán utilizados por grupos de trabajo cuyas
investigaciones contribuirán al desarrollo del conocimiento del estado actual y futuro de
la vulnerabilidad de diversos sectores y ecosistemas, así como a la creación de líneas
estratégicas para la adaptación al cambio climático en México. Los conocimientos y
Informe Final, 15 de enero de 2013 9
lecciones aprendidas se transmiten mediante talleres organizados por el INE y la página
WEB de consulta de resultados, la cual quedará instalada en el INE.
2. Objetivos
Evaluar métricas climáticas e índices climáticos extremos para 4 regiones del país
Evaluar el ensamble ponderado del REA de los 15 MCG del CMIP5 con todos los
modelos y validar con el CRU en las 4 regiones del país.
Comparar las salidas del CMIP3 y el CMIP5 con la literatura disponible para
México
Obtener índices climáticos extremos para el presente y el futuro para cada punto
de malla de la ventana analizada
Documentar las tendencias de las variables en el siglo XXI bajo 3 escenarios
radiativos
Diseñar página web del proyecto y elaboración de productos derivados de las
métricas, extremos y escenarios
Participar en reuniones de trabajo, organizadas por el INE para presentar avances
y obtener retroalimentación para el desarrollo del proyecto.
Organizar dos talleres de modelación numérica para regionalización
(downscaling) dinámico.
Informe Final, 15 de enero de 2013 10
3. Actividades Desarrolladas
A continuación se detallan las actividades realizadas para generar los escenarios de
cambio climático para México del Proyecto SEMARNAT-INE-PNUD en el que
participaron el CICESE, IMTA, CCA-UNAM y el Servicio Meteorológico Nacional
(SMN) de noviembre de 2011 diciembre de 2012.
1. Descarga de información por internet
Descarga de datos del proyecto denominado CMIP5 (Proyecto de Intercomparación
de Modelos Acoplados, fase 5, por sus siglas en inglés).
1.1 Estimación de tamaños de archivos, el número de los mismos y tiempo para su
descarga en una red de alta velocidad. Para los escenarios: RCP4.5, RCP6.0 y
RCP8.5 con resolución mensual, de las variables:
Temp. Máx. Temp. Mín. Temp. Prom.
Precipitación Presión sup. Humedad Rel.
Humedad Esp. Viento
1.2. Descarga de los archivos correspondientes a los períodos:
Histórico: 1961-2000 (40 años)
Futuro cercano: 2015-2039 (25 años)
Futuro lejano: 2075-2099 (25 años)
2. Interpolación de los datos de los MCG
2.1 Cortar las bases de datos en tiempo (para los tres periodos que se mencionan en el
punto anterior) y en espacio (0 a 40 N y -140 a -60 W). Después, aplicar el método
de interpolación bilineal de la plataforma “cdo” de acuerdo a la malla de los datos
observados del CRU (50 km x 50 km) a la totalidad de las variables, ensambles y
periodos descargados, según los MCG correspondientes a cada institución.
3. Análisis de métricas
3.1 Cambiar las unidades de las variables de Temperatura, Precipitación y Presión a oC,
mm/d y mb, respectivamente. Para cada variable y periodo, promediar los
experimentos para analizar un solo ensamble promedio por MCG.
3.2 Calcular las métricas consensuadas por punto de malla para los datos del CRU y
para los ensambles promedio de cada MCG, para cada periodo y variable (Tmax,
Tmin, Tprom y Precip).
3.3 Desarrollar el código para calcula métricas en 4 grandes regiones del país
3.4 Promediar las métricas calculadas por punto de malla para cada región del país a
partir de los datos observados del CRU.
3.5 Lo mismo que el 3.4, pero para los modelos, sus periodos y escenarios.
Informe Final, 15 de enero de 2013 11
4. Usar metodología del REA calculando incertidumbre
4.1 Revisión y adaptación del método REA a los datos de CMIP5.
4.2 Aplicación de REA a los escenarios de reciente lanzamiento: RCP4.5, RCP6.0,
RCP8.5 utilizando el CRU en las variables:
4.2.1 Precipitación
4.2.2 Temperatura máxima
4.2.3 Temperatura mínima
4.3.4 Temperatura media
5. Colaboraciones internacionales
5.1 Durante la realización del proyecto se identificarán oportunidades de colaboración
guiadas tanto hacia la generación de capacidades institucionales en México como en
formación de recursos humanos, generación de herramientas de procesamiento y
análisis como la Regionalización Dinámica.
5.2 Acercamiento a instituciones extranjeras para acordar colaboraciones
internacionales.
5.3 Desarrollo de colaboraciones internacionales.
6. Obtención de índices climáticos
6.1 Seleccionar y calcular los índices climáticos.
6.2 Elaborar mecanismos para capacitar a instituciones usuarias.
6.3 Elaborar material para capacitar a instituciones usuarias.
6.4 Planeación y logística de talleres.
6.5 Difundir mediante talleres, los fundamentos, alcances y limitaciones de los índices
climáticos.
7. Comparación entre resultados de AR4 y AR5.
7.1 Identificación de limitaciones de modelos en la reproducción de procesos físicos
que aporten variabilidad al clima regional.
8. Lecciones aprendidas
8.1 Documentar aprendizajes durante todo el proceso de ejecución del proyecto.
9. Revisión de NARCAPP
9.1 Estudio y documentación de la metodología aplicada en la regionalización de
NARCAPP.
9.2 Identificar métodos de regionalización, fundamentos y aplicación en Norteamérica
para obtener capacidad de reproducción de escenarios regionales en México.
9.3 Revisión de resultados científicos y documentación de las lecciones aprendidas.
10. Elaboración de portal Web
10.1 Elaboración de un catálogo de productos distribuibles mediante un portal Web.
Informe Final, 15 de enero de 2013 12
10.2 Diseño y elaboración de una base de datos de acceso simplificado a resultados
masivos generados por el proyecto.
10.3 Diseño y elaboración de un portal WEB de consulta dinámica de resultados.
11. Actividades complementarias
11.1 Participar durante el segundo, cuarto, octavo y decimosegundo meses de proyecto
en reuniones trimestrales de trabajo, realizadas por el INE para presentar avances y
obtener retroalimentación para el desarrollo del proyecto.
11.2 Participar durante el segundo, octavo, y decimosegundo meses en tres talleres
realizados por el INE, para presentar avances a tomadores de decisiones
(representantes de sector gubernamental, académico y sociedad civil) en el
desarrollo del proyecto.
11.3 Generación y entrega del primer informe parcial.
11.4 Generación y entrega del segundo informe parcial
11.5 Generación de síntesis ejecutiva de 15 cuartillas para que sea considerada como
insumo para la Estrategia Nacional de Adaptación al cambio climático que
desarrolla el INE, enfocada a Modelación del clima, incluyendo análisis de
escenarios actualizados a partir de resultados de modelos de circulación global que
serían considerados para el Quinto Informe de Evaluación del IPCC.
11.6 Generación y entrega del tercer informe parcial
11.7 Preparar y entregar al INE el informe final del proyecto, incluyendo un resumen
ejecutivo para tomadores de decisiones y una presentación en power point, tanto en
español como en inglés.
4. Alcances y Consideraciones
La actualización de escenarios de cambio climático que se realizó en el marco del
presente proyecto se basó en información de algunas variables atmosféricas de superficie
de los 15 MCG utilizados en el experimento CMIP5. El análisis del desempeño de las
variables de estos modelos numéricos mediante métricas climáticas es una actividad
fundamental para establecer el alcance y limitaciones de los MCG y determinar qué tan
bien simulan el clima de México.
Debido a que el proyecto solo duró un año, no fue posible contestar algunas preguntas
fundamentales que soportarían los resultados de este trabajo. Por ejemplo, ¿Qué tan bien
simulan los modelos el Fenómeno del Niño/Oscilación del Sur (ENSO), la alberca de
agua caliente, la zona intertropical de convergencia, el jet de bajos niveles del Caribe, y
teleconexiones climáticas de gran escala? Estas preguntas y muchas más deben de
considerarse en estudios futuros de este tipo. Mención aparte merece la coherencia
espacial de los resultados usando REA. Es necesario profundizar en este tema, pues los
resultados de esta etapa serán utilizados por otros grupos de trabajo que pretenden
Informe Final, 15 de enero de 2013 13
estimar la vulnerabilidad de diversos sectores y ecosistemas, así como realizar estudios
orientados a la adaptación en México.
También se debe de fomentar la autosuficiencia en la generación de resultados, como
llevar a cabo las regionalizaciones dinámicas de los escenarios de cambio climático,
continuar con la construcción de capacidades tanto individuales como institucionales, y
colaborar en equipos de trabajo con objetivos de mayor alcance y en forma coordinada.
Por último, la información actualizada de los escenarios de cambio climático que se
generó en el presente proyecto será un producto para la Quinta Comunicación Nacional
ante la Convención Marco de las Naciones Unidas ante el Cambio Climático
(CMNUCC). Por otra parte, en este proyecto se pretende también fortalecer las
capacidades técnicas nacionales en cuanto al manejo de información para la generación
de escenarios, su correcta interpretación y aplicación. Es de suma importancia que los
resultados y las proyecciones de cambio climático sean utilizados por otros grupos de
trabajo que contribuirán en el conocimiento del estado actual y futuro de la
vulnerabilidad en diversos sistemas y también en la creación de líneas estratégicas para la
adaptación que serán retomadas en la Quinta Comunicación Nacional ante la CMNUCC.
Informe Final, 15 de enero de 2013 14
5. Metodología
5.1 Descarga de datos y métricas
Se descargaron los datos mensuales de 15 MCG (Tabla 5.1) que estaban disponibles en
los diferentes centro de bases de datos que coordina el IPCC, como por ejemplo el British
Atmospheric Data Center (BADC) en Gran Bretaña:
http://badc.nerc.ac.uk/browse/badc/cmip5/data.
Tabla 5.1. Modelos de circulación global utilizados para evaluar métricas climáticas y
generar el ensamble ponderado de modelos según la metodología REA.
Modelos de Circulación General (MCG)
1. Max-Plank Institute (MPI-ESM-LR)
6. Beijing Climate Center (BCC-CSM1-1)
12. Met Office Hadley (MOHC)
2. Institute for Numerical Mathematics (INM)
7. Institut Pierre-Simon Laplace (IPSL-cm5a-lr)
13. Meteorological Research Institute (MRI-CGCM3)
3. Norwegian Climate Center (NorESM1)
8. NASA Goddard Institute for Space Studies (GISS-E2-R)
14. Geophysical Fluid Dynamics Laboratory (GFDL-CM3)
4. Canadian Centre for Climate Modeling and Analysis (CanESM2)
9 y 10. Japan Agency for Marine-Earth Science and Technology (MIROC-esm-chem y MIROC-esm)
15. Australian Commonwealth Scientific and Industrial Research Organization (CSIRO-MK3-6)
5. Centre National de Recherches Meteorologiques (CNRM-CM5)
11. Atmosphere and Ocean Research Institute (MIROC5)
Las 3 instituciones descargaron los modelos de acuerdo a los términos de referencia del
proyecto y a la Tabla 5.2: el CICESE descargó 4 modelos, el CCA 5 modelos y el IMTA
6 modelos.
La lista de las variables que se descargaron se muestra en la Tabla 5.3, así como sus
nombres y unidades de acuerdo al CMIP5. También se indican los periodos y la ventana
espacial que se analizaron en el proyecto. Todas las variables se cortaron de acuerdo a los
periodos y ventana espacial propuestos en la Tabla 5.3. Se interpolaron bilinealmente a
medio grado (aproximadamente 50 km x 50 km) utilizando el paquete de herramientas
para manipular datos climáticos “cdo” disponible en
https://code.zmaw.de/projects/cdo/wiki/Cdo#Documentation.
Informe Final, 15 de enero de 2013 15
Tabla 5.2. Descripción de los MCG que cada institución descargó y analizó
independientemente en las primeras 2 etapas del proyecto. En la tercera etapa se
evaluaron los 15 modelos juntos.
La malla de los datos interpolados de los modelos es la misma que la de los datos
observados del CRU, los cuales serán utilizados en el proceso de verificación/validación
de los MCG. Además, se cambió el calendario de “365 días” que tenían varios modelos
por el “calendario estándar” para que los archivos también sean transparentes en
diferentes plataformas, como GrADS. Por último, se transformaron las unidades de
(a) CICESE
Modelo (MCG) Experimento Frecuencia Corridas Variables
Histórico Mensual r1i1p1 Todas
RCP45, RCP60 Mensual r1 Todas
Histórico Mensual r1, r2, r3, r4, r5 Todas
RCP45, RCP85 Mensual r1 Todas
Histórico Mensual r1, r2, r3, r4, r5 Todas
RCP45, RCP85 Mensual r1, r2, r3, r4, r5 Todas
Histórico Mensual r10, r1, r2, r3 Todas
RCP45 Mensual r10, r1, r2, r3 Todas
(b) IMTA
Modelo (MCG) Experimento Frecuencia Corridas Variables
Histórico Mensual r1, r2, r3, r4, r5 Todas
RCP45, RCP85 Mensual r1, r2, r3, r4 Todas
RCP60 Mensual r1 Todas
Histórico Mensual r1, r2, r3, r4, r5, r6, r7, r8, r9 ,r10 Todas
RCP45 Mensual r1 Todas
RCP85 Mensual r1, r2, r4, r6, r10 Todas
Histórico Mensual r1, r2, r3, r4, r5, r6 Todas
RCP45 Mensual r1, r2, r3, r4, r5 Todas
RCP60, RCP85 Mensual r1 Todas
Histórico Mensual r1 Todas
RCP45, RCP85 Mensual r1 Todas
Histórico Mensual r1, r2, r3 Todas
RCP45, RCP60, RCP85 Mensual r1 Todas
Histórico Mensual r1, r2, r3 Todas
RCP45,RCP60, RCP85 Mensual r1 Todas
(C) CCA-UNAM
Modelo (MCG) Experimento Frecuencia Corridas Variables
Histórico Mensual r1, r2, r3 Todas
RCP26, RCP45, RCP85 Mensual r1, r2, r3 Todas
Histórico Mensual r1 Todas
RCP26, RCP60, RCP85 Mensual r1 Todas
Histórico Mensual r1 Todas
RCP26, RCP45, RCP60, RCP85 Mensual r1 Todas
Histórico Mensual r1 Todas
RCP26, RCP45, RCP60, RCP85 Mensual r1 Todas
Histórico Mensual r1 Todas
RCP26, RCP45 Mensual r1 Todas
RCP60 Mensual r1, r2, r3, r4 Todas
RCP85 Mensual r2 Todas
MPI-ESM-LR
GFDL-CM3
MIROC5
MIROC-ESM
HADGEM2-ES
NCC-NorESMI
IPSL-CM5a-lr
CNRM-CM5
NASA-GISS (GISS-E2-R)
BCC-csm1-1
INM
MIROC-ESM-CHEM
MRI-CGCM3
CanESM2
CSIRO-MK3-6-0
Informe Final, 15 de enero de 2013 16
algunas variables para dejarlas en unidades más comunes (Tabla 5.3): (1) la precipitación
en kg/m2/s se cambió a mm/día multiplicando las salidas de los modelos por 86,400; (2)
la temperatura se cambió de oK a
oC, restando 273.15 a los datos originales; y (3) la
presión se dividió entre 100 para transformar los Pascales (Pa) a milibares (mb).
Tabla 5.3. Variables con sus nombres y unidades originales en paréntesis y algunas
variables con las nuevas unidades, así como los experimentos y ventana espacial a
analizar en el proyecto.
5.2 Métricas de validación
En el segundo y tercer reportes se evaluó el desempeño de los 15 MCG mediante
métricas climáticas (raíz del error cuadrático medio (RMSE), error absoluto medio
(MAE), desviación estándar (Std), correlación (r) y diagramas de Taylor) a escalas
anuales y estacionales, para las variables precipitación, temperatura promedio,
temperatura máxima y temperatura mínima y para las 4 regiones del país que se
muestran en la Figura 5.1. Las métricas que se muestran a continuación se evaluaron en
cada modelo individualmente, en cada punto de malla en el país y también con el
ensamble del REA de los 15 modelos. La evaluación completa de los 15 modelos junto
con el REA y el CRU se muestran en la Sección 6 de Resultados, y la metodología del
REA se describe en la Sección 5.3. Los datos observados son los datos del CRU.
Error cuadrático medio (RMSE):
Donde Dsim y Dobs, representan los datos simulados y observados, respectivamente, y n es
el número de observaciones en cada punto de malla.
Error medio absoluto (MAE):
∑ | |
(ec. 2)
Variables Originales Tmáx (tasmax; oK), Tmín (tasmin;
oK), T prom (tas;
oK), Precip (pr; kg/m2/s),
(nombre; unidad) P sup (psl; pa), HR sup (hurs; %), HumEsp sup (huss) y U y Vsup (was, vas; m/s)
Variables con nueva T máx (tasmax; oC), T mín (tasmin;
oC), T prom (tas;
oC), Precip (pr; mm/d),
unidad P sup (psl; mb)
Experimentos Histórico Escenarios Futuros
Periodos 1961-2000 2015-2039
2075-2099
Ventana Espacial Lat: 0 a 40 N Lon: -140 a -60 W
𝑅𝑀𝑆𝐸 √∑
(ec. 1)
Informe Final, 15 de enero de 2013 17
Desviación estándar (Std):
√∑ ̅
(ec. 3)
Donde Xi y X representan el valor de una variable en un tiempo dado y X es el valor
promedio climatológico.
Correlación:
∑ ̅ ̅
√∑ ̅ ∑ ̅
(ec. 4)
Donde X e Y representan dos variables.
Figura 5.1. Regiones consideradas para la validación del REA y para el análisis de
métricas e índices climáticos: Noroeste (azul), Noreste (amarillo), Sur (rojo) y Sureste
(verde). Los límites de las regiones son: Noroeste (23 a 35°N; 106 a 117°W), Noreste (23
a 31°N; 97 a 106°W), Centro/Sur (15 a 23°N; 97 a 106°W) y Sureste (15 a 22°N; 87 a
97°W).
Informe Final, 15 de enero de 2013 18
nmn
iD
m
iBi RRR
1
,,
5.3 Ensamble ponderado de los MCG: REA El método de ensamble ponderado fue propuesto y desarrollado por Giorgi y Mearns
(2001) con el objetivo de dar mayor peso a los MCG que contengan los errores y sesgos
más pequeños en comparación con las variables observadas en un punto de malla dado.
Este análisis fue desarrollado en cada punto de malla del dominio se utilizaron tanto los
modelos individuales como el ensamble del REA en la validación de métricas del periodo
histórico y en los análisis de los escenarios de cambio climático y de los índices
climáticos extremos. Los modelos se validaron con los datos observados del CRU para el
periodo 1961-2000.
El ensamble ponderado REA se calculó de la anomalía de los 15 modelos de la Tabla 5.1,
mediante la ec. 5; por ejemplo para la anomalía de temperatura (T):
(ec. 5)
Donde Ri es el peso de cada modelo (i) por punto de malla, definido por el producto de
dos criterios: el de tendencia (RB,i) y el de convergencia (RD,i), donde los parámetros m y
n pueden ser usados para darle más peso a un criterio que a otro:
(ec. 6)
El criterio de tendencia se refiere a qué tan diferente es el modelo “i” respecto a los
datos observados, en el periodo 1961-2000. Por lo tanto entre menor sea la diferencia de
las dos bases de datos, mayor es la confiabilidad de tal modelo. Para lo cual se requiere
tener datos históricos de los modelos a utilizar. Este factor se da por la ecuación:
(ec. 7)
El criterio de convergencia es la distancia del modelo “i” respecto al resto de los
modelos, es decir, del promedio REA. Este criterio es un método iterativo, en el que, en
la primera iteración se toma en cuenta el promedio simple para calcular la distancia
[ ] [ ̅̅ ̅̅ ], la cual se usa en las ecuaciones 1 y 2. Con lo anterior se recalcula la
distancia de cada modelo (iteración 2) con el promedio REA [ ] [ ̃]], y así
sucesivamente. El proceso iterativo se termina cuando se alcanza el criterio de
convergencia (que en este caso se consideró cuando [ ]). Entre menor
sea la distancia del modelo “i” mayor será el valor de éste criterio.
(ec. 8)
i
i
i
ii
R
TR
TAT~
~~~
m
i
iBB
R
,
n
i
iDD
R
,
Informe Final, 15 de enero de 2013 19
En las ecuaciones 7 y 8 aparece el parámetro ε, el cual es una medida de la variabilidad
natural. Para calcular esta variabilidad se eliminó la tendencia del periodo 1961-2000 y se
calculó el promedio móvil de 30 años. Finalmente ε se definió como la diferencia entre
los valores máximos y mínimos de este promedio.
Para estimar el rango (delta) de incertidumbre del ensamble promedio del REA, se
calculó la raíz cuadrática media de la diferencia de los cambios utilizando los resultados
de las ecuaciones 5 (anomalía) y 6 (peso):
(ec. 9)
Por lo tanto los límites superior e inferior de la incertidumbre están definidos por:
(ec. 10)
5.4 Espaguetis, series de tiempo e índices climáticos extremos
Los 15 modelos se evaluaron para 4 experimentos (Tabla 5.3): uno histórico (1961-2000),
y 3 escenarios de radiación futura (en Watts/m2) RCP 4.5, RCP6.0 y RCP8.5, para 2015-
2039 y 2075-2099.
En la tercera etapa del proyecto se evaluaron nuevamente las métricas climáticas de la
Sección 5.1 durante el periodo observado, pero esta vez se incluyó el ensamble del REA
para evaluar su desempeño en las 4 regiones del país (Fig. 5.1).
Se obtuvieron espaguetis de los ciclos anuales para todos los modelos, el REA y el CRU
para hacer la comparación para cada una de las regiones. Los espaguetis sirven para dar
una estimación visual de la dispersión estacional de los modelos en cada región.
También se estimaron índices climáticos extremos de temperatura y precipitación
(Secciones 6.5 y 6.6 de Resutados). Se calcularon los umbrales de los percentiles 10 y 90
(P10 y P90, respectivamente) del CRU y del REA a escala anual y estacional. El cálculo
de los percentiles se realizó ordenando los datos de mayor a menor y el total de los datos
se dividió en 100 partes iguales. El 10% superior de los datos representó los extremos del
P90 y el 10% inferior, los extremos de P10. Es decir, los valores extremos fueron los
T
T
TT
TT
~~~
~~~
2/12
~~~
i
i
i
ii
T
R
TTR
Informe Final, 15 de enero de 2013 20
valores de la variable que estaban por debajo del umbral de P10 o por arriba del umbral
de P90. Con estos umbrales se obtienen los límites de los años más secos o más fríos
(P10), y de los años más húmedos o más calientes (P90). Con esta información se
obtuvieron los mapas de los umbrales presentes y los cambios en el futuro (con respecto a
1961-2000) de acuerdo a los diferentes escenarios y periodos (2015-2039 y 2075-2099).
Se evaluaron otros índices climáticos extremos de temperatura a escala mensual y para
todo México, que son los primeros que se muestran en la Fig. 5.2. A diferencia de los
índices climáticos basados en P10 y P90, en los que los umbrales dependen del punto de
malla o región, estos otros índices de temperatura ya tienen un rango o umbral pre-
definido de acuerdo a un conocimiento previo de la climatología del país.
.
Figura 5.2. Lista de índices extremos climáticos desarrollados en el proyecto y que están
disponibles en el portal Web.
Informe Final, 15 de enero de 2013 21
6. Resultados
En esta sección se muestran resultados a nivel nacional y otros con enfoque regional para
comparar en algunos casos con resultados de la literatura publicada.
6.1 Sur y Noreste de México
Dada la incertidumbre asociada a los modelos globales, no es recomendable utilizar
únicamente uno de ellos para estudios de impacto regional, por ello Giorgi y Mearns
(2001) recomiendan para generar las proyecciones utilizar información colectiva de un
ensamble de simulaciones de MCG, esto para minimizar los errores individuales. Por
ejemplo, en el AR4 del IPCC (2007) se utilizó el promedio aritmético de los modelos, el
cual le asigna el mismo peso a todos, incluso aquellos que tienen un desempeño bajo en
la región de interés, considerando el desempeño diferenciado por región de cada modelo.
En el IPCC (2007) se documenta que este método ayuda a cancelar algunos errores. Sin
embargo, Giorgi y Mearns (2001) consideran que es mejor darle un peso ponderado a los
modelos. Por lo tanto, en este proyecto se calculó el promedio ponderado utilizando el
método de “Fiabilidad del Ensamble ponderado” (REA, por sus siglas en inglés) en el
cual se le asigna un peso a cada modelo con base a dos criterios, 1) de tendencia
(diferencia con las observaciones) y 2) de convergencia (diferencia entre simulaciones).
Para validar los resultados del REA, se utilizaron la base del CRU y el promedio simple
(PS) de los 15 MCG en la climatología de 1961-2000. Dada la gran variabilidad espacial
en México, para facilitar dicha comparación se calcularon promedios sobre 4 grandes
regiones de México: Noroeste (NO), Noreste (NE), Sureste (SE) y Sur (S). Esta
validación se hizo con las variables de precipitación, temperatura media, mínima y
máxima.
6.1.1 Validación del REA y modelos en el Sur de México
En la Fig. 6.1.1 se muestra la comparación del ciclo anual del REA (línea negra) con el
CRU (línea azul) y el promedio simple (PS, línea roja), de la región sur para
precipitación, temperatura media, mínima y máxima. En el caso de la precipitación, en
invierno se observa una mejora en la simulación de esta variable por el REA, ya que el
PS tiende a sobrestimarla (~2mm/d, diciembre), sin embargo el REA también
sobrestima, aunque en menor medida (~0.6mm/d, diciembre). En verano, el REA
subestima la precipitación, mientras que el PS, tiene valores más cercanos al CRU.
Además la incertidumbre del REA en esta estación del año es considerablemente alta.
Respecto a la temperatura media, los valores de CRU se encuentran entre el PS y el
REA, siendo el REA el que simula las temperaturas más frías y el PS las más cálidas.
Por lo tanto en este caso no se observa un patrón claro para decidir el mejor ensamble.
Para el caso de la temperatura máxima, los dos ensambles son similares desde agosto
hasta diciembre, subestimando esta variable. Mientras que en la primavera (marzo-
junio) el REA se acerca más a los valores del CRU, aunque aún subestimando la
Informe Final, 15 de enero de 2013 22
temperatura. La incertidumbre del REA es casi de 1°C para todos los meses. En
cambio, para la temperatura mínima el PS, posee valores mayores tanto respecto al
CRU como al REA, cercano a 2°C, teniendo el REA un desempeño mejor en esta
variable, con una incertidumbre aproximada de 1.5°C (Fig. 6.1.1).
Figura 6.1.1. Ciclo anual del Sur de México para las variables de (a) precipitación, (b)
temperatura media, (c) mínima y (d) máxima.
La cuantificación gráfica de las diferencias de los modelos respecto a las observaciones
se realiza mediante diagramas de Taylor, en el eje horizontal se observa la STD de las
observaciones (CRU) y se proyecta con la curva roja sobre el eje vertical, el cual
representa la STD de los modelos, las cuales a su vez se proyectan paralelas a la curva
roja cuando no tienen la misma STD que el CRU, y perpendiculares a una línea que se
proyecta con la curva exterior que representa la correlación (r), en este caso entre los
modelos y el CRU. La correlación varía de 0 (parte superior izquierda del arco exterior) a
1 (parte inferior derecha del mismo arco); el modelo con mejor desempeño estará más
cercano al eje horizontal, siendo éste el de mayor correlación con las observaciones,
mientras que el modelo con menor correlación se encontrará más cerca del eje vertical.
Para el caso de la precipitación en el sur de México, los modelos CNRM-CM5 y CSIRO-
Mk3-6-0 (correlaciones cercanas a 0.5), son los de mejor desempeño en la región (Fig.
6.1.2 a), el ensamble ponderado con REA, al integrar la información de todos los
modelos mejora el desempeño, incrementando su correlación a 0.85 y acercándose al
valor de la STD de las observaciones. En temperatura máxima se observa menor
dispersión de las STD (Fig. 6.1.2 b), acercándose los valores de STD de los modelos a las
observaciones, siendo el REA la mejor aproximación, con un valor de 0.7 en correlación.
Informe Final, 15 de enero de 2013 23
Para la temperatura mínima la dispersión es aún menor, aglutinándose la mayoría de los
valores de STD de los modelos en la zona de menores valores que las observaciones, en
torno a una correlación de 0.75, por otra parte, nuevamente el REA presenta la mayor
correlación con las observaciones, con un valor de 0.8 (Fig. 6.1.2c).
Figura 6.1.2. Diagramas de Taylor de (a) precipitación anual, (b) temperatura máxima y
(c) temperatura mínima en el Sur de México del ensamble REA y 15 MCG comparados
con el CRU para el periodo 1961-2000. Se muestran la desviación estándar (Std) y la
correlación con respecto al CRU
El desempeño de los modelos para el sur de México en la precipitación, así como su
ensamble ponderado calculado con REA muestra una gran variabilidad (Fig. 6.1.3 a) los
modelos con mayor error medio absoluto (MAE) y error cuadrático medio (RMSE) son
BCC-CSM1-1, MIROC5 y MRI, mientras que los de mayor desviación estándar son
BCC-CSM1-1, CSIRO, HADGEM2-ES, para el resto de los modelos el MAE posee
valores similares entre sí, así como su RMSE. Aplicando el ensamble ponderado REA se
observa que disminuye el error medio absoluto (MAE) y error cuadrático medio (RMSE)
respecto a sus valores individuales y aumenta la correlación con las observaciones,
acercándose su STD a la de los datos CRU, siendo claro por ello que el REA es un
método adecuado que incorporar todos los modelos considerando de forma ponderada su
desempeño.
Informe Final, 15 de enero de 2013 24
El desempeño para la misma región en temperatura máxima difiere respecto a
precipitación, el mayor MAE y RMSE lo poseen los modelos GFDL-CM3, HADGEM2-
ES, MRI y NorESM1-M, (Fig. 6.1.3b) por otra parte el comportamiento de las
desviaciones estándar es más homogéneo que en precipitación. El ensamble REA
disminuye significativamente el MAE y el RMSE, siendo su STD similar a los datos de
CRU, reflejando también una mejora su aplicación respecto a los modelos en forma
individual.
De igual forma, para la temperatura mínima difiere el desempeño individual de los
modelos, siendo los modelos MIROC, MIROC—ESM y MIROC5 los de mayor MAE y
RMSE, de igual forma, el REA disminuye el MAE y el RMSE, con STD similar a las
observaciones CRU. (Fig. 6.1.3c).
Figura 6.1.3. Comparación de errores en (a) precipitación anual, (b) temperatura máxima
y (c) temperatura mínima media anual del Sur de México, MAE (error medio absoluto,
mm/d), RMSE (raíz del error cuadrático medio, mm/d), correlación y desviación estándar
(mm/d).
6.1.2 Proyecciones futuras para el Sur de México
La variabilidad interanual histórica y su proyección futura de la precipitación para los tres
escenarios en el sur del país, se muestra en la Fig. 6.1.4. Donde se observa que la
variabilidad simulada por el REA tiene buena correlación con los datos del CRU, aunque
con una intensidad mucho menor, no obstante en promedio poseen el mismo valor, pero
claramente la desviación estándar (variabilidad interanual) del REA es menor que la
observada en el CRU. Al ver el ciclo anual (Fig. 6.1.1) se puede considerar que
estacionalmente el REA es bueno para estimar la precipitación de la región sur de
Informe Final, 15 de enero de 2013 25
México, sin embargo tiene problemas con la variabilidad interanual. En cuanto a las
proyecciones futuras se observa que la precipitación podría disminuir aproximadamente
0.15 mm/d en promedio al año, para el futuro cercano. Mientras que en el futuro lejano
son mayores las discrepancias entre lo calculado por cada escenario, como era de
esperarse; el RCP8.5 proyecta que la precipitación podría disminuir aproximadamente
hasta 0.4 mm/d en promedio al año.
En la región Sur de México las lluvias más intensas se observan en las regiones costeras
tanto del Pacífico como del Atlántico (~4 mm/d, promedio anual del periodo 1961-2000),
mientras que en parte de la meseta central (San Luis Potosí, Guanajuato, Aguascalientes
y Zacatecas) se presentan en promedio las lluvias menos intensas (de 1 a 2 mm/d,
promedio anual del periodo 1961-2000), ver Fig. 6.1.4b. En las proyecciones de cambio
de la lluvia para el escenario RCP8.5 del periodo 2075-2099 se observa que en las zonas
costeras y parte de la región centro se podría disminuir la lluvia de 0.4 a 0.7 mm/d en
promedio anual, ver Fig. 6.1.4c.
Figura 6.1.4. (a) Variabilidad interanual de la precipitación (mm/día) del promedio
del CRU y del ensamble del REA en el Sur de México para el periodo observado
(1961-2000), y del ensamble del REA para el 2015-2039 y el 2075-2099 para los
tres escenarios de emisiones (RCP4.5, RCP6.0 y RCP8.5). Los mapas inferiores
muestran (b) la precipitación media anual (1961-2000) y (c) el cambio proyectado
por el RCP8.5 a finales de siglo en el Sur de México.
Informe Final, 15 de enero de 2013 26
Por otro lado, la variabilidad interanual, pasada y futura de las temperaturas extremas
(máxima y mínima) para el sur de México se observa en la Fig. 6.1.5. La temperatura
máxima estimada por el REA es en promedio 2°C aproximadamente más fría que el CRU
(Fig. 6.1.5a), lo que concuerda con lo observado en el ciclo anual, donde el REA está por
debajo de los valores del CRU durante todo el año (Fig. 6.1.1b). Las proyecciones futuras
de la temperatura en el periodo 2015-2039 muestran una tendencia marcada en los tres
escenarios a incrementarse aproximadamente 1°C. Para el periodo 2075-2099 se observa
que el RCP8.5 se incrementa notoriamente respecto al resto de los escenarios, dando
incrementos hasta de más de 5°C, mientras que el RCP6.0 y el RCP4.5 tienen anomalías
aproximadas de 3 °C.
a)
b)
Fig. 6.1.5 Promedios anuales de a) temperatura máxima y b) temperatura mínima
durante el periodo observado (1961-2000) para el CRU y el ensamble del REA para
la región sur de México, y las proyecciones bajo 3 escenarios de emisiones para los
periodos 2015-2039 y 2075-2099.
Informe Final, 15 de enero de 2013 27
En el caso de la temperatura mínima (Fig. 6.1.5b) el REA estima temperaturas más
cálidas (~0.7 °C) que el CRU, lo cual no es tan drástico ya que además la variabilidad
interanual se observa cualitativamente razonable (Fig. 6.1.1d). Similar a la variable
anterior, los tres escenarios proyectan una tendencia a incrementarse la temperatura
mínima para el periodo cercano de casi 1°C. Mientras que en el futuro lejano nuevamente
el escenario RCP8.5 se incrementa notoriamente del resto de los escenarios, con una
tendencia clara a que continúe el incremento, en cambio el RCP6.0 y RCP4.5, aunque
también proyectan aumento en la temperatura mínima la tendencia con que ésta lo hace
es mucho menor.
6.1.3 Validación del REA y modelos en el Noreste de México
En la Fig. 6.1.6 se muestra la climatología de 1961-2000 para la región Noreste y las 4
variables consideradas. En el caso de precipitación, se observa que el REA (línea negra)
es considerablemente mejor que el PS (línea roja) comparado con el CRU (línea azul), a
lo largo de todo el ciclo. Sin embargo, en invierno el REA simula valores hasta 0.5 mm/d
más que el CRU, mientras que en verano no observa la sequía intraestival. No obstante
sus valores son muy cercanos al CRU en los meses de abril, mayo, junio, agosto,
septiembre y octubre. Las líneas negras perpendiculares dan la incertidumbre del REA, la
cual para la precipitación en invierno es menor que en verano, donde la incertidumbre en
julio es hasta de + 0.7 mm/d.
Respecto a la temperatura media tanto el promedio simple como el REA tienen una muy
buena correlación con el CRU. Sin embargo los valores del REA son más cercanos a los
arrojados por el CRU, aunque ligeramente más cálidas. Un comportamiento semejante se
presenta en la temperatura máxima, siendo nuevamente el REA el más cercano al CRU.
En el caso de la temperatura mínima ambos promedios son casi idénticos a los valores del
CRU. En las tres temperaturas la incertidumbre del REA es ligeramente mayor (+2, +4 y
+3°C respectivamente) en inverno que en verano.
En cuanto a la región Noreste de México, la precipitación posee bajas correlaciones
respecto a las observaciones (Fig. 6.1.7a), con valores menores a 0.5 y STD mayores a las
observadas, el ensamble REA mejora significativamente el desempeño ya que alcanza
correlaciones de 0.85, con valores menores de STD respecto a las observaciones. En
temperatura máxima para la región Sur los modelos poseen mejor desempeño, con
correlaciones que oscilan entre 0.85 y 0.95, teniendo el REA las mayores correlaciones,
con valores cercanos a 0.95 (Fig. 6.1.7b). Finalmente, la precipitación mínima presenta
altas correlaciones (entre 0.8 y 0.95 y valores cercanos de STD a los observados (Fig.
6.1.7b) siendo esta variable la que mejor reproducen los modelos, como en el resto de los
ensambles REA posee correlaciones de 0.95, indicando una mejora sustancial respecto al
desempeño individual de cada modelo.
Informe Final, 15 de enero de 2013 28
Figura 6.1.6. Región noreste de México para las variables de (a) precipitación, (b)
temperatura media, (c) mínima y (d) máxima.
En el Noreste de México, la precipitación posee menor correlación y también se observa
una gran variabilidad en el desempeño individual de los modelos; los modelos BCC-
CSM1-1, GFDL-CM3, MRI y NorESM1-M poseen el mayor MAE y RMSE (Fig. 6.1.7a
y Fig. 6.1.8a), en comparación con el sur de México (Fig. 6.1.3a); el primero mantiene su
bajo desempeño en ambas regiones. El ensamble REA disminuye el MAE y el RMSE,
con una STD similar a la de las observaciones de CRU, con ello se aportan más
elementos para afirmar que el REA en esta variable y región es adecuado para integrar la
información de todos los modelos.
Respecto a la temperatura máxima, el desempeño de los modelos mantiene su
comportamiento anterior: los modelos BCC-CSM1-1, GFDL-CM3, MRI y NorESM1-M
mantienen el mayor MAE y RMSE (Fig. 6.1.7b y Fig. 6.1.8b); de igual forma, el
ensamble del REA disminuye su MAE y su RMSE, siendo muy similar su STD respecto
a las observaciones de CRU.
Finalmente, para la temperatura mínima (Fig. 6.1.7c) el desempeño de los modelos
contrasta tanto respecto a la precipitación como a la temperatura máxima; los modelos
INM-CM4, IPSL-CM5A son los de mayor MAE y RMSE, mientras que el modelo MRI
el de mejor desempeño, con menor MAE y RMSE. De igual forma el ensamble
ponderado con REA posee los menores errores y STD similar a los datos de CRU, siendo
adecuada también para esta región y variable la integración de todos los modelos.
Informe Final, 15 de enero de 2013 29
Figura 6.1.7. Diagramas de Taylor de (a) precipitación anual, (b) temperatura máxima y
c) temperatura mínima en el Noreste de México del ensamble REA y 15 MCG
comparados con el CRU para el periodo 1961-2000. Se muestran la desviación estándar
(Std) y la correlación con respecto al CRU.
Figura 6.1.8. Comparación de errores en (a) precipitación anual, (b) temperatura máxima
y (c) temperatura mínima media anual del Noreste de México, MAE (error medio
absoluto, mm/d), RMSE (raíz del error cuadrático medio, mm/d), correlación y
desviación estándar (mm/d).
Informe Final, 15 de enero de 2013 30
6.1.4 Proyecciones futuras para el Noreste de México
Después de analizar el ciclo anual en la región Noreste, se calcularon los promedios
anuales tanto para el REA como para el CRU, del periodo histórico 1961-2000 y de las
proyecciones futuras (2015-2039 y 2075-2099) para los tres RCPs (Fig. 6.1.9). Se
observa que en el caso de la precipitación la variabilidad interanual del REA es menor
que la del CRU, no obstante la reproduce razonablemente bien, ya que el REA proviene
de un promedio de MCG y por ello no se espera que sean idénticas. En las proyecciones
futuras para el periodo 2015-2039 la precipitación decrece en promedio (de los tres
escenarios, ya que son muy parecidos) 0.2 mm/d promedio anual. Mientras que en el
periodo de 2075-2099 hay más discrepancias entre los escenarios, siendo el más
“drástico” el RCP8.5, con una disminución promedio de la precipitación de 0.3 mm/d,
promedio anual. Mientras que el RCP4.5 simula valores muy semejantes que el anterior.
Figura 6.1.9. (a) Variabilidad interanual de la precipitación (mm/día) del promedio del
CRU y del ensamble del REA en el Noreste de México para el periodo observado (1961-
2000), y del ensamble del REA para el 2015-2039 y el 2075-2099 para los tres escenarios
de emisiones (RCP4.5, RCP6.0 y RCP8.5). Los mapas inferiores muestran: (b) la
precipitación media anual (1961-2000) y (c) el cambio proyectado por el RCP8.5 a
finales de siglo en el Noreste de México.
Informe Final, 15 de enero de 2013 31
En el Noreste de México las lluvias más intensas se observan en las regiones costeras (de
1.5 a 2.5 mm/d, promedio anual del periodo 1961-2000), mientras que en parte de la
mesa del Norte se presentan en promedio las lluvias menos intensas (de 0.5 a 1.5 mm/d),
ver Fig. 6.1.9b. En las proyecciones de cambio de la precipitación para el escenario
RCP8.5 del periodo 2075-2099 se observa que en las regiones costeras, Tampico, Nuevo
León y parte de Coahuila se tendrían posiblemente las mayores disminuciones de esta
variable (de 0.3 a 0.5mm/d).
En el caso de la temperatura máxima, a pesar de que el ciclo anual del REA es similar al
del CRU, la variabilidad interanual del REA es 1.5°C en promedio más frío que CRU en
el periodo histórico (Fig. 6.1.10a). En cuanto a las proyecciones futuras para el periodo
2015-2039, todos los escenarios de los RCPs son similares, con una tendencia positiva de
la temperatura de cerca de 1°C. En el periodo 2075-2099 la discrepancia entre los
escenarios es mayor, siendo el más drástico el RCP8.5, proyectando un incremento de la
temperatura promedio anual de 3.5°C y además con una tendencia marcada a que siga
este comportamiento. En cambio, el escenario menos drástico es el RCP4.5 con una
proyección de +1.5°C, además sin tendencia a que continúe este incremento.
a)
b)
Figura 6.1.10. Promedios anuales de (a) temperatura máxima y (b) temperatura mínima
para la región noreste de México del CRU y del REA durante el periodo observado
(1961-2000) y las proyecciones futuras bajo 3 escenarios de emisiones (RCP4.5, RCP6.0
y RCP8.5) para los periodos 2015-2039 y 2075-2099.
a)
b)
Informe Final, 15 de enero de 2013 32
La correlación entre la variabilidad anual del CRU y el REA para la temperatura mínima
(Fig. 6.1.10b) es alta, simulando el REA tan solo 0.4°C en promedio más, como era
previsible al observar el comportamiento de estas bases de datos en su ciclo anual. En las
proyecciones futuras cercanas, al igual que con las variables anteriores los tres escenarios
son similares, mostrando una clara tendencia a incrementarse la temperatura mínima.
Mientras que en el futuro lejano (2075-2099) ya se observa una separación entre las
proyecciones de cada escenario, siendo el más extremo el RCP8.5, con un incremento de
casi 5°C para la temperatura mínima y además que seguirá con esta tendencia. Mientras
que los escenarios RCP6.0 y RCP4.5 aunque sí proyectan un incremento de
aproximadamente de 3 a 4°C, muestran una tendencia a que se quedará oscilando
alrededor de ese valor.
Informe Final, 15 de enero de 2013 33
6.2 Noroeste de México
6.2.1 Validación en el Noroeste de México
La gran incertidumbre de la precipitación de los modelos del CMIP5 se observa en el
diagrama de Taylor de la Fig. 6.2.1, que muestra la comparación de la desviación
estándar (Std) y las correlaciones de los 15 modelos y del ensamble del REA con
respecto a los valores observados del CRU. El REA subestima la variabilidad (1 mm/día
del CRU vs 0.7 del REA), pero la correlación del REA con el CRU aumenta
considerablemente en comparación con cualquier modelo individual (r = 0.8). Esta es una
de las ventajas del ensamble REA, el cual le da mayor peso a los modelos de menor error
para mejorar la relación con los datos observados del CRU. Esta es una mejoría con
respecto al ensamble del CMIP3, el cual mostraba una correlación y Std bastante malas
comparadas con el CRU, especialmente en la precipitación (Cavazos y Arriaga-Ramirez
2012).
Figura 6.2.1. Diagramas de Taylor de la precipitación anual y las temperaturas máximas
y mínimas en el Noroeste de México de acuerdo al ensamble del REA y los 15 MCG en
comparación con el CRU para el periodo 1961-2000. Se muestran la desviación estándar
(Std) y la correlación con respecto al CRU.
Informe Final, 15 de enero de 2013 34
Las temperaturas son mucho mejor simuladas por los modelos que la precipitación, la
cual tiende a ser de escala mucho más fina y por lo tanto más difícil de simular. Esto se
ve claramente en la cercanía de los modelos y el REA al valor del CRU en las dos figuras
inferiores de los diagramas de Taylor para Tmax y Tmin en la Fig. 6.2.1. Resultados
similares se observan en la Fig. 6.2.2 que muestra estos parámetros y dos tipos de errores
(MAE y RMSE).
Figura 6.2.2. Comparación de algunos parámetros de habilidad de la precipitación anual
y las temperaturas medias anuales en el Noroeste de México del ensamble del REA y los
15 MCG del CMIP5 utilizados con respecto al CRU durante 1961-2000: MAE (error
medio absoluto), RMSE (raíz del error cuadrático medio), Correl (correlación) y (Std)
desviación estándar. La correlación va de 0 a 1; las unidades del eje Y de los otros
parámetros son mm/día para la precipitación, y oC para las temperaturas.
El ciclo anual promedio de cada una de las 3 variables en el Noroeste de México se
muestra en la Fig. 6.2.3 para los datos observados del CRU y los simulados por el
ensamble del REA, incluyendo el promedio simple del ensamble (PS) y las barras de
error de la dispersión del ensamble del REA. La mayoría de los modelos tiene grandes
problemas para cerrar el ciclo de lluvias monzónicas de verano (ver PS en la Fig. 6.2.3),
pero el REA hace un buen papel ajustando adecuadamente el ciclo anual.
Informe Final, 15 de enero de 2013 35
Las correlaciones de los modelos y el REA con las temperaturas del CRU son altas (Fig.
6.2.1 y 6.2.2), lo que significa que en promedio siguen adecuadamente el ciclo anual
como se ve en la Fig. 6.2.3; sin embargo, los modelos originales subestiman
(sobreestiman) fuertemente las temperaturas máximas (mínimas) observadas durante casi
todo el ciclo anual, como lo muestran los valores promedios (PS). Nuevamente, el REA
hace una buena aproximación a los datos observados. En la Sección 6.4.1 se discuten más
ampliamente las validaciones del ciclo anual del CMIP5 con las validaciones publicadas
para esta región con datos del CMIP3.
Figura 6.2.3 Validación del ciclo anual de (a) la precipitación, (b) temperatura media,
(c) temperatura máxima y (d) temperatura mínima en el Noroeste de México de los datos
derivados del ensamble del REA, el promedio simple de los 15 modelos del CMIP5 (PS),
con respecto a los datos observados del CRU. Se muestran con barras verticales las
incertidumbres del ensamble del REA.
Informe Final, 15 de enero de 2013 36
6.2.2 Proyecciones futuras para el Noroeste de México
La variabilidad interanual de la precipitación en el Noroeste de México derivada de los
datos observados del CRU y del REA se observa en la Fig. 6.2.4. El REA es capaz de
detectar algunos de los picos de la precipitación anual, cosa que no lo hacía el ensamble
de downscaling estadístico regional utilizado por Cavazos y Arriaga-Ramirez (2012).
Esto es consistente con la mejora en la desviación estándar observada en el REA en las
Figs. 6.2.1 y 6.2.2, lo cual da una mayor certidumbre de los cambios futuros.
La Figura 6.2.4 también muestra la variabilidad interanual de la precipitación en dos
periodos futuros y bajo los 3 escenarios radiativos, así como el mapa de la precipitación
promedio anual observada del REA y la anomalía del cambio de acuerdo al escenario
RCP8.5 a finales del siglo. La precipitación interanual muestra una tendencia negativa,
con los cambios más grandes a finales del siglo XXI y con el escenario de altas
emisiones, RCP8.5.
Las proyecciones en la Fig. 6.2.4 indican que la precipitación de la región podría
disminuir de 0.91 mm/día hasta 0.72 mm/día en promedio; esto equivale a una reducción
aproximada de -21% anual, consistente con lo proyectado por el CMIP3 (Cavazos y
Arriaga-Ramirez, 2012), que se describe en la Sección 6.4.1 (ver Fig. 6.4.3); como se
observa en el mapa de la misma figura, los cambios proyectados más grandes son en la
zona del monzón (~-0.4 mm/d), lo cual es un poco diferente a lo que sugería el CMIP3.
Como veremos en la Sección 6.4.1, el CMIP5 muestra discrepancias con el CMIP3 en los
cambios espaciales y estacionales de precipitación. Los 3 escenarios radiativos también
son una fuente de incertidumbre en las proyecciones futuras, los cuales deben de tomarse
en cuenta en los análisis de impactos.
Los escenarios de cambio de temperatura del CMIP5 (Fig. 6.2.6) son del mismo orden
que los proyectados por el CMIP3 (Fig. 6.2.5), del orden de 1.5 hasta 5oC, en el escenario
más extremo (RCP8.5 del CMIP5 y A2 del CMIP3).
Como se verá en la Sección 6.4.1 la temperatura de los modelos del CMIP3 también
muestran un sesgo frío en el Noroeste de México como el ensamble del REA del CMIP5
(Fig. 6.2.6), esto puede tener un impacto fuerte en la dinámica del monzón. El sesgo del
REA es especialmente considerable en la temperatura máxima (2oC), como se observa en
la Fig. 6.2.6; mientras que el sesgo de la temperatura mínima del REA es +0.7oC más
caliente que el CRU. Esto en cierta forma compensa un poco los errores cuando solo se
analiza la temperatura promedio.
Informe Final, 15 de enero de 2013 37
a)
b) c)
Figura 6.2.4. (a) Variabilidad interanual de la precipitación (mm/día) del promedio del
CRU y del ensamble del REA en el Noroeste de México para el periodo observado
(1961-2000), y del ensamble del REA para el 2015-2039 y el 2075-2099 para los tres
escenarios de emisiones (RCP4.5, RCP6.0 y RCP8.5). Los mapas de abajo muestran (b)
la precipitación media anual (1961-2000) y (c) el cambio proyectado por el RCP8.5 a
finales de siglo en el Noroeste de México en mm/día.
Informe Final, 15 de enero de 2013 38
Figura 6.2.5. Cambio interanual de la temperatura promedio para la región del monzón
bajo los escenarios de altas (A2) y bajas (B1) emisiones con datos del CMIP3. Cambios
con respecto a 1961-1990; las bandas indican ± 1 Std con respecto a la mediana.
(Cavazos y Arriaga-Ramirez, 2012).
Figura 6.2.6. Variabilidad interanual de las temperaturas máximas y mínimas (
oC) del
promedio del CRU y del ensamble del REA en el Noroeste de México para el periodo
observado (1961-2000), y del ensamble del REA para el 2015-2039 y el 2075-2099 para
los tres escenarios de emisiones (RCP8.5, RCP6.0 y RCP4.5).
Informe Final, 15 de enero de 2013 39
6.3 Sureste de México (SE)
6.3.1 Validación en el Sureste de México
El diagrama de Taylor y el histograma de métricas que se muestran en la Fig. 6.3.1
demuestran la gran incertidumbre de la precipitación de los modelos del CMIP5 en el
Sureste (SE) de México. El diagrama de Taylor muestra la comparación de la Std y las
correlaciones de los 14 modelos y del ensamble del REA con respecto al CRU. El REA
subestima en gran medida la variabilidad (4.2 mm/día del CRU vs 1.6 del REA), pero la
correlación del REA con el CRU es mayor que la de cualquier modelo individual (r =
0.8) y también se obtiene un menor error medio absoluto (MAE = 2.1). Esta es una de las
ventajas del ensamble REA, el cual le da mayor peso a los modelos de menor error para
mejorar la relación con los datos observados del CRU.
Figura 6.3.1. Comparación de errores en la precipitación anual del Sureste de México.
Izquierda: diagrama de Taylor del REA y los 14 MCG se comparan con el CRU.
Derecha: MAE (error medio absoluto), RMSE (raíz del error cuadrático medio),
correlación y desviación estándar.
En la Fig. 6.3.2 se muestran los errores para temperatura media, máxima y mínima en la
región SE. Los errores medios absolutos para la temperatura media sobrepasan los 3°C
para algunos modelos. El modelo MIROC es el que presenta los mayores errores, tanto en
la temperatura media (aproximadamente 3.5°C) como en la mínima (aproximadamente
5°C).
Informe Final, 15 de enero de 2013 40
Figura 6.3.2. MAE (error medio absoluto), RMSE (raíz del error cuadrático medio),
correlación y desviación estándar para la temperatura median (panel superior),
temperatura máxima (panel intermedio) y temperatura mínima (panel inferior).
Informe Final, 15 de enero de 2013 41
6.3.1 Ciclo anual histórico y proyecciones futuras para el SE
En la Fig. 6.3.3 se muestra la climatología de las cuatro variables consideradas en la
región SE para el periodo histórico (1961-2000). La característica principal de la
precipitación observada (CRU, línea azul) es una distribución bimodal. La distribución
anual de precipitación muestra dos valores máximos relativos, el primero en junio y el
segundo en septiembre, con un mínimo relativo en agosto. Este valor mínimo es conocido
como la sequía intraestival, sequía de medio verano, o simplemente se le conoce como la
canícula. La precipitación observada entre los meses de junio y septiembre es del orden
de 8-10 mm/d. Todos los modelos subestiman la precipitación de la región y por esta
razón la metodología REA (línea negra) utilizada no logra capturar la magnitud del ciclo
anual. Para una descripción de REA vea la Sección 5.2
Figura. 6.3.3. Validación del ciclo anual de (a) la precipitación, (b) temperatura media,
(c) temperatura máxima y (d) temperatura mínima en el Sureste de México de los datos
derivados del ensamble del REA, el promedio simple de los 15 modelos del CMIP5 (PS),
con respecto a los datos observados del CRU. Se muestran con barras verticales las
incertidumbres del ensamble del REA.
El REA tiene un mejor desempeño que el promedio simple de los modelos (PS, línea
roja) para reproducir los valores del CRU de mayo a septiembre. En los otros meses del
Informe Final, 15 de enero de 2013 42
ciclo, el REA simula valores por abajo de PS. Las líneas negras perpendiculares dan la
incertidumbre del REA, la cual para la precipitación en invierno es mucho menor que en
verano, donde la incertidumbre en julio es cercana a los 6 mm/d.
Respecto a la temperatura media, tanto el promedio simple como el REA tienen una muy
buena correlación con el CRU. Los modelos son más fríos que el CRU de febrero a abril
y más cálidos de junio a diciembre. Tanto las temperaturas máximas del CRU, como las
mínimas, son subestimadas por todos los modelos.
En la región SE, se presenta un valor máximo de temperatura media mensual en el mes
de mayo (cercano a los 27oC, ocurre antes de la temporada de lluvias en la región; vea la
Fig. 6.3.4b); durante la época de lluvias, de junio a septiembre, la temperatura media
disminuye aproximadamente un grado centígrado, alcanzándose un valor de
aproximadamente 26oC.
a) b)
Figura 6.3.4. a) Ciclo anual de precipitación proveniente del CRU (línea negra sólida.
Valores obtenidos por el método REA combinando los 14 MCG. Línea negra punteada
corresponde al periodo histórico, 1961-2000. La línea azul corresponde a los valores
obtenidos para el periodo 2015-2039 y la roja a los del periodo 2075-2099. b) Ciclo anual
de temperatura media. Los colores se eligieron de igual manera que para precipitación. Se
muestran los valores correspondientes al escenario de emisiones RCP 4.5.
Es notoria la discrepancia entre los valores medios anuales observados de precipitación
(CRU, línea negra sólida) y lo obtenido aplicando la metodología REA (línea negra
punteada). La fase del ciclo anual es bien capturada. La baja resolución espacial de los
MCG utilizados en el CMIP5 puede ser el factor principal que lleva a la subestimación
del campo de precipitación. En la región SE existen grandes variaciones en el relieve que
los MCG son incapaces de resolver. De esta manera, todos aquellos procesos de
convección forzada que producen intensas precipitaciones están ausentes de la física
explícita usada en estos modelos. Es claro que si se tuviera un conjunto de modelos, en el
cual algunos sobrestimaran la precipitación observada y otros la subestimaran, se podría
Informe Final, 15 de enero de 2013 43
ajustar la información disponible usando la metodología REA para encontrar una
combinación de modelos que en cada celda ajusten de la mejor manera a las
observaciones. En este caso, básicamente estaríamos resolviendo el problema de
encontrar los pesos ideales para que una combinación lineal de números nos arroje un
valor pedido, independientemente de cualquier consideración física.
Bajo el escenario de emisiones RCP 4.5, la lluvia disminuye en la región SE como
consecuencia del calentamiento global. El máximo relativo de junio disminuye más que
el observado en septiembre. Además de lo anterior, es notoria la intensificación de la
sequía de medio verano.
Con respecto a la temperatura media, los modelos capturan muy bien la fase y la
magnitud del ciclo anual, observándose un incremento de temperatura de
aproximadamente dos grados para finales del presente siglo.
a) b)
Figura 6.3.5. a) Ciclo anual de precipitación proveniente del CRU (línea negra sólida.
Valores obtenidos por el método REA combinando los 14 MCG. Línea negra punteada
corresponde al periodo histórico, 1961-2000. La línea azul corresponde a los valores
obtenidos para el periodo 2015-2039 y la roja a los del periodo 2075-2098. b) Ciclo anual
de temperatura media. Los colores se eligieron de igual manera que para precipitación. Se
muestran los valores correspondientes al escenario de emisiones RCP 6.0.
En las Figs. 6.3.5 y 6.3.6 se muestran los resultados para los escenarios de emisiones
RCP 6.0 y RCP 8.5, respectivamente. Bajo el primero de ellos, la disminución de la lluvia
de inicios de verano es similar al encontrado bajo el escenario RCP4.5, aunque el
incremento de la temperatura media alcanza valores cercanos a los tres grados
centígrados durante los meses de julio y agosto (aproximadamente un grado más que los
obtenidos bajo el escenario RCP4.5).
Informe Final, 15 de enero de 2013 44
a) b)
Figura 6.3.6. a) Ciclo anual de
precipitación proveniente del CRU (línea negra sólida. Valores obtenidos por el método
REA combinando los 15 MCG. Línea negra punteada corresponde al periodo histórico,
1961-2000. La línea azul corresponde a los valores obtenidos para el periodo 2015-2039
y la roja a los del periodo 2075-2099. b) Ciclo anual de temperatura media. Los colores
se eligieron de igual manera que para precipitación. Se muestran los valores
correspondientes al escenario de emisiones RCP 8.5.
Bajo el escenario de emisiones RCP 8.5, la disminución de la precipitación mensual en la
época de lluvias se acentúa, observándose disminuciones de alrededor de los 30 mm/mes.
Esta disminución es más marcada en los meses de julio y agosto. En el mismo periodo,
los incrementos de temperatura son extremos, sobrepasando los cuatro grados en gran
parte del año.
En la Fig. 6.3.7 se muestran los resultados correspondientes a las temperaturas mínimas y
máximas para los tres escenarios de emisiones, así como las obtenidas del CRU. El
ensamble generado por medio del REA es incapaz de ajustar los valores observados en el
periodo histórico de estas variables. En general, las temperaturas mínimas simuladas
están 1.5°C por arriba de las observadas, mientras que las temperaturas máximas
simuladas subestiman a las observaciones por aproximadamente 0.5°C. En el peor de los
escenarios, las temperaturas mínimas durante los meses de verano se disparan a valores
que oscilan alrededor de los 26°C, con máximas por arriba de los 30°C durante todo el
año, sobrepasando los 36°C en abril y llegando casi a este valor en agosto.
Si bien los ciclos anuales simulados por los modelos nos indican una disminución de la
lluvia en la región SE, es conveniente enfatizar que estas simulaciones distan aún de
reproducir correctamente el campo de precipitación por variadas razones ya comentadas
anteriormente. En los paneles superiores de la Fig. 6.3.8 se muestra el promedio obtenido
del CRU para el periodo histórico (1961-2000) y el correspondiente simulado por los
modelos y el obtenido utilizando el REA. Para facilitar la comparación visual se utilizó la
misma escala. En grandes extensiones de Chiapas, Tabasco y Veracruz, los valores
Informe Final, 15 de enero de 2013 45
observados (CRU) sobrepasan los 7 mm/d, mientras que los simulados, en el mejor de los
casos, alcanzan la mitad de esos valores.
Figura 6.3.7. Paneles superiores: Ciclo anual de temperatura mínima proveniente del
CRU (línea negra sólida y los obtenidos por el método REA combinando los 14 MCG.
Línea negra punteada corresponde al periodo histórico, 1961-2000. La línea azul
corresponde a los valores para el periodo 2015-2039 y la roja a los del periodo 2075-2099
(hasta el 2098 en el caso de RCP 6.0. En los paneles inferiores se muestran los gráficos
correspondientes para la temperatura máxima. Se muestran los valores correspondientes a
los escenarios RCP 4.5, RCP 6.0 y RCP 8.5, de izquierda a derecha, respectivamente
Una métrica importante que no se estimó por la falta de tiempo es la concordancia de la
tendencia observada de precipitación y la simulada por los modelos. En general, la
mayoría de los modelos simulan un decremento de precipitación sostenido a lo largo de
todo el Siglo XX, lo cual no concuerda con las observaciones disponibles. Esto amerita
un estudio detallado debido a la importancia que tiene el contar con información sólida
para la planeación de infraestructura hidráulica en el mediano y largo plazo. Por ejemplo,
si consideramos las anomalías de precipitación, obtenidas restando el promedio histórico
a los valores proyectados bajo el escenario RCP 8.5, obtenemos que en el mediano plazo
(horizonte 2015-2035), toda la región del SE tendría valores anuales menores a los
observados en el periodo 1961-2000. Esta situación empeoraría en el largo plazo
(horizonte 2075-2099), observándose en grandes extensiones del SE disminuciones por
arriba de 0.5 mm/d, equivalentes a 180 mm/año. Claramente, el considerar esta
información sin mayor ponderación, podría llevar a una decisión errónea en cuanto a
políticas hídricas se refiere, de ahí la necesidad de profundizar los alcances de este
estudio.
Informe Final, 15 de enero de 2013 46
Figura 6.3.8. Paneles superiores: Promedio de precipitación para el periodo 1961-2000
obtenido del CRU (izquierda) y por el método REA combinando 14 MCG (derecha). En
los paneles inferiores se muestran las anomalías obtenidas del REA correspondientes al
escenario RCP 8.5 para el horizonte 2015-2039 (izquierda) y 2075-2099 (derecha). Las
unidades son mm/d.
Informe Final, 15 de enero de 2013 47
6.4 Comparación del CMIP3 y el CMIP5 a escala regional
6.4.1 CMIP3 vs CMIP5 en el Noroeste de México
En esta sección se comparan los resultados de las métricas de los 15 MCG del CMIP5 y
del ensamble del REA para el Noroeste de México con los publicados por Cavazos y
Arriaga-Ramirez (2012) para el CMIP3. Para disminuir las incertidumbres, estas autoras
utilizaron 6 modelos (con 12 realizaciones) que según la literatura eran los que mejor
simulaban le clima del Noroeste de México. Las regiones utilizadas son ligeramente
diferentes en tamaño, pero los patrones climáticos son los mismos.
En la Fig. 6.4.1 se muestra el espagueti del ciclo anual de precipitación del Noroeste de
México para los 6 MCG del CMIP3 (con 12 realizaciones), incluyendo el ensamble
original de los 6 MCG (ens_GCM), el ensamble regionalizado en forma estadística
(ens_Donwsc) y el CRU. La Fig. 6.4.1 también se muestra el ciclo anual de los 15 MGC
del CMIP5, el ensamble del REA y el CRU para 1961-2000. Se observa que tanto los
modelos del CMIP3 como el CMIP5 sobrestiman fuertemente la precipitación de otoño e
invierno, pero subestiman el periodo principal de las lluvias monzónicas (julio-agosto).
Los modelos retrasan el pico principal de lluvia hasta agosto-septiembre y el fenómeno
no se retrae, sino que sigue en lluvia continua en el otoño e invierno. Si observamos el
ensamble de ambos grupos de modelos, vemos que hubo una mejora en el ensamble del
REA, ya que el sesgo de precipitación es más pequeño que el del CMIP3, incluso, la
subestimación de julio-agosto es menor.
Desde el punto de vista físico, el retraso del pico máximo del monzón en el CMIP3 y
CMIP5 podría deberse a un mecanismo de retroalimentación entre la tierra y la atmosfera
como lo sugieren Cavazos y Arriaga-Ramirez (2012); el exceso de lluvia de otoño-
invierno (Fig. 6.4.1) genera un enfriamiento generalizado en la región (Fig. 6.4.2). Este
enfriamiento a su vez retrasa las lluvias monzónicas principales ya que un mecanismo
importante en el desarrollo del monzón es el calentamiento continental (un contraste
térmico océano-continente positivo) que genera una baja térmica que favorece la entrada
de humedad hacia el continente (Turrent y Cavazos 2009). Si el continente está muy frío,
como lo simulan los modelos, no se genera una baja térmica lo suficientemente intensa, y
por lo tanto se retrasan las lluvias monzónicas.
Los modelos del CMIP5 tienen un sesgo frío, especialmente en la temperatura máxima,
en casi todo el país. Esto seguramente debe de afectar la evolución de otros fenómenos
regionales. Este es un resultado importante, porque es claro que del CMIP3 al CMIP5 no
hubo una mejora en ese sesgo.
De todos los modelos analizados, parece que el HadGem2ES es uno de los que mejor
simula el patrón de comportamiento de la precipitación estacional en la región del
monzón, especialmente en verano; esto también fue reportado en estudios del CMIP3
(p.ej., Cavazos y Arriaga-Ramirez 2012). Sin embargo, durante el otoño y principios del
invierno sobrestima más que el REA.
Informe Final, 15 de enero de 2013 48
a) CMIP3
b) CMIP5
Figura 6.4.1. Comparación de espaguetis del ciclo anual de la precipitación en el Noroeste de
México durante el periodo histórico (1961-2000). (a): 6 modelos con 12 realizaciones del CMIP3
que mejor simularon el clima del Noroeste de México para el CRU, el ensamble de los modelos
globales (ens_GCM) y un ensamble de downscaling estadístico (ens_Downsc) (tomado de
Cavazos y Arriaga-Ramirez, 2012). (b): los 15 MCG del CMIP5, el ensamble del REA, el CRU
y en rojo el modelo HadGem2ES. La precipitación en CMIP3 está en mm/mes y en el CMIP5 en
mm/día (30mm corresponden aproximadamente a 1mm/día).
Informe Final, 15 de enero de 2013 49
a) CMIP3
b) CMIP5
Figura 6.4.2. Comparación del ciclo anual de la temperatura (oC) en el Noroeste de México
durante el periodo histórico (1961-2000). (a): promedio de 6 modelos con 12 realizaciones del
CMIP3 (ens-GCM) que mejor simularon el clima del Noroeste de México, un ensamble de
downscaling estadístico (ens-Downsc) y el CRU (tomado de Cavazos y Arriaga-Ramirez, 2012).
(b): los 15 MCG del CMIP5, el ensamble del REA, el CRU y en rojo el modelo HadGem2ES.
HadGem2ES
Informe Final, 15 de enero de 2013 50
Un gran número de estudios basados en los modelos del CMIP3 consistentemente
mostraron que las zonas semiáridas del Noroeste de México y el Suroeste de Estados
Unidos se podrían volver más áridas debido al calentamiento global. La razón de esto es
que los modelos mostraban que el calentamiento generaba una expansión de la celda de
Hadley hacia el norte, moviendo las zonas de subsidencia más al norte de los 30oN.
Durante el invierno, la corriente de chorro migraba al norte generando una aparente
sequía en invierno y primavera en el suroeste de Estados Unidos y el Noroeste de
México, pero más lluvia cerca de 40oN, como se muestra en la Fig. 6.4.3. Para el Suroeste
de Estados Unidos y Baja California (BC), este escenario era bastante negativo porque
implicaba menos precipitación invernal y de primavera en la zona del Río Colorado y
menos agua fluyendo hacia Baja California (BC) a principios del verano (50% del agua
superficial de BC proviene del Rio Colorado).
Sin embargo, los modelos del CMIP5 proyectan un escenario diferente a escala
estacional, como se puede ver en la Fig. 6.4.4. Las unidades de las Figs. 6.4.3 y 6.4.4 son
diferentes, pero se muestran para representar los patrones generales de cambio en forma
espacial y los cambios en los signos de la precipitación. El invierno y primavera en el
Suroeste de Estados Unidos no parece ser tan seco como lo proyectaba el CMIP3, ni
tampoco en BC. La razón es que según los modelos del CMIP5, la corriente de chorro
subtropical invernal no va a cambiar significativamente de posición (Fig. 6.4.5), en
contraste a la migración significativa hacia el norte que proyectaban los modelos del
CMIP3. Otro cambio interesante que se observa en el CMIP5 es que la región del
monzón muestra más reducción de precipitación que Baja California o el Suroeste de
Estados Unidos (Figs. 6.4.3 y 6.4.4). De acuerdo a la Fig. 6.4.1, en el verano (JJA)
llueven en promedio 1.7 mm/d en la zona del monzón, por lo que una reducción de 0.6
mm/d (Fig. 6.4.4) equivalen a -35% de lluvia comparada con un -15% que proyectaba el
CMIP3 (Fig. 6.4.3).
Figura 6.4.3. Proyecciones del escenario A2 del CMIP3 para el cambio en la
precipitación estacional (%) en el periodo 2080-2099 con respecto a 1961-2000 (Cavazos
y Arriaga-Ramirez 2012).
Informe Final, 15 de enero de 2013 51
Figura 6.4.4. Proyecciones estacionales del escenario RCP8.5 del ensamble del REA del
CMIP5 para el cambio en la precipitación estacional (mm/día) en el Noroeste de México
y el Suroeste de Estados Unidos en el 2075-2099 con respecto a 1961-2000.
Figura 6.4.5. Circulación invernal de la corriente de chorro para un periodo histórico
(1979-2004) y para 2075-2099 bajo el escenario RCP8.5 utilizando los modelos
utilizados en Cavazos y Arriaga-Ramirez (2012). (Torres Alavez 2012).
Informe Final, 15 de enero de 2013 52
6.4.2 CMIP3 vs CMIP5 en el Sureste de México
Un análisis detallado del desempeño de los modelos utilizados por el AR4 del IPCC
muestra que, precisamente en el Sureste de México, los modelos simulan muy mal los
patrones de lluvia y ya no se diga su evolución: mientras que las observaciones
disponibles muestran tendencias positivas de la precipitación anual acumulada, los
modelos muestran tendencias negativas. La situación no parece mejorar mucho al
analizar los resultados de los modelos que serán empleados en el próximo AR5 del IPCC.
Aquí es conveniente enfatizar que un modelo tiene básicamente dos utilidades:
simplificar algo complejo para entenderlo, o simular algo tan real como se pueda, de tal
manera que nos permita hacer estimaciones futuras de las variables de interés. Esta
segunda característica es la que se busca en los reportes del IPCC: los modelos deberían
de simular tan bien como se pueda al campo de lluvia para que las estimaciones futuras
que se realicen con ellos tengan un alto grado de confiabilidad. Claramente, los modelos
utilizados en el IPCC carecen de este atributo, al menos en lo que al sureste mexicano se
refiere.
Figura 6.4.6. Series de tiempo de la precipitación anual (mm*12/mes) obtenida de las
bases CRU y GPCC, y de dos modelos utilizados en el AR4 del IPCC: MIROC de alta
resolución (MIHR) y el modelo del Instituto Max Planck de Meteorología (MPEH5).
De la Fig. 6.4.6, es evidente que ninguno de los dos modelos considerados (alemán y
japonés) capturan las estadísticas de las observaciones (CRU y GPCC). Claramente, el
desempeño del modelo MPEH5 es mejor comparado con el MIHR.
En la Fig. 6.4.7 se muestran los ciclos anuales de la base CRU (línea negra sólida) y los
obtenidos por los modelos MPEH5 y MIHR (líneas negras punteadas), los cuales
pertenecen al CMIP3. Se grafican también los valores mensuales agregándoles (o
quitándoles) una desviación estándar (líneas azules y rojas, respectivamente), para las
observaciones y los modelos (líneas sólidas y punteadas, respectivamente).
Informe Final, 15 de enero de 2013 53
Figura 6.4.7. Ciclos anuales de precipitación (mm/mes) del Sureste de México derivada
de varias realizaciones de dos modelos del CMIP3 y de la base observada del CRU.
También se grafican estimaciones de la variabilidad de los valores mensuales. Vea el
texto para más detalles.
De la Fig. 6.4.7 es evidente que los dos modelos subestiman la media anual, siendo esto
más evidente en MIHR. Este último tiene problemas para reproducir el incremento
pronunciado observado de abril a junio, así como para simular la fase correctamente,
pues simula un máximo absoluto de precipitación para octubre cuando las observaciones
lo muestran en septiembre. El modelo MPEH5 tiene un mejor desempeño, pues si bien no
simula correctamente la magnitud del ciclo anual si reproduce su fase. Los dos modelos,
sin embargo, subestiman la variabilidad observada, como lo indican las líneas azules y
rojas indicando los valores comprendidos entre la media y +/- una desviación estándar.
En la Fig. 6.4.8 se muestran los ciclos anuales de los modelos alemanes y japoneses
usados en CMIP3 y CMIP5, así como los provenientes de las bases CRU y GPCC. El
modelo alemán muestra un mejor desempeño en su versión usada en CMIP5, la
resolución espacial del modelo mejoró un poco con respecto a su versión usada en
CMIP3, pero también hubo mejoras en la representación de convección, en los esquemas
usados para simular la transferencia de radiación en la atmósfera y en los procesos de
interacción entre el suelo y la atmósfera. Determinar la causa principal de la mejoría va
más allá de los objetivos de este reporte, pero indudablemente es una interrogante que
merece ser respondida.
Informe Final, 15 de enero de 2013 54
Figura 6.4.8. Ciclos anuales de precipitación (mm/d) de dos modelos alemanes (Izq.) y 2
japoneses (derecha) utilizados en CMIP3 (rojo) y CMIP5 (azul), y de las bases
observadas del CRU y del GPCC.
El modelo japonés también mejoró notablemente en su versión usada en el CMIP5, si
bien la mejora debería de ser asociada a una mejora en la representación de los procesos
físicos únicamente, pues la resolución espacial usada en la versión reciente se degradó un
poco con respecto a la usada en CMIP3. También se encuentran disponibles salidas de
corridas del modelo japonés Miroc a una resolución espacial mayor, pero esas corridas no
fueron consideradas en este reporte pues solo simularon periodos determinados para el
siglo XXI.
En la Fig. 6.4.9 se muestran las series de tiempo de la evolución de la precipitación anual
en la región SE como es calculada por el modelo alemán y el modelo japonés en sus
versiones usadas en CMIP3 y CMIP5. Una inspección visual revela que los campos
anuales integrados en la región SE simulados por el modelo alemán en CMIP3 y CMIP5
comparten las mismas estadísticas básicas. Al estimar la media y la desviación estándar
usando los valores mensuales de todo el periodo (1200 campos mensuales) se obtiene
una media mensual de 100.6 mm/mes y 102.2 para las versiones CMIP3 y CMIP5,
respectivamente. Los valores de las desviaciones estándar fueron 61.3 mm/mes y 64.0
mm/mes.
La mejoría del modelo japonés es obvia, tanto de la inspección visual de la Fig. 6.4.9
como del análisis de las series mensuales. En este caso, la media mensual de la versión
usada en CMIP3 fue de 72.8 mm/mes y se incrementó a 102.0 mm/mes en CMIP5. Las
correspondientes desviaciones estándar fueron 46.9 mm/mes y 58.1 mm/mes.
Informe Final, 15 de enero de 2013 55
Figura 6.4.9. Series de precipitación anual observada (CRU y GPCC) y la simulada por
dos modelos usados en CMIP3 y CMIP5. Los valores están en unidades de mm/mes. Vea
el texto para más detalles.
Informe Final, 15 de enero de 2013 56
6.5 Comparación del REA del CMIP3 con el del CMIP5 a nivel nacional
Montero y Pérez (2008) generaron un ensamble REA para las simulaciones del AR4
(CMIP3), para dos escenarios de emisiones: A2 y A1B. En ese REA se utilizaron las
simulaciones de 22 MCG. En esta sección se comparan esos escenarios con los RCP’s
4.5, 6.0 y 8.5 del presente proyecto, para las anomalías de temperatura y precipitación en
la climatología del periodo 2075-2098. Se seleccionó este periodo debido a que en el
2015-2039 por ser un futuro cercano, no se aprecian diferencias considerables entre los
escenarios.
En la Fig. 6.5.1 se observa la anomalía de precipitación proyectada para el verano de los
cinco escenarios (RCP4.5, RCP6.0, RCP8.5, A1B y A2) para toda la República; cabe
mencionar que los escenarios A1B (emisiones intermedias) y A2 (altas emisiones de
gases de efecto de invernadero) son aproximadamente comparables a los escenarios
RCP6.0 y RCP8.5, respectivamente. En la Península de Baja California y meseta central
del país, los cinco escenarios proyectan cambios relativamente pequeños en la
precipitación (entre 0 y -0.2 mm/d). Sin embargo en el sur del país todos los escenarios
proyectan una disminución en la precipitación, siendo el RCP8.5 el que proyecta la
mayor anomalía (<-1.4mm/d) en toda la región; A2 del CMIP3 también simula anomalías
negativas (de -0.8 a -1.4 mm/d); sin embargo, el RCP8.5 proyecta una disminución para
la zona del monzón mexicano (de -0.6 a -1 mm/d), consistente con la Fig. 6.4.4.
Figura 6.5.1. Proyección de precipitación para el verano climatológico del periodo 2075-
2098 para (a) RCP4.5, (b) RCP6.0, (c) RCP8.5, (d) A1B y (e) A2.
Informe Final, 15 de enero de 2013 57
En la Fig. 6.5.2 se muestran las anomalías de precipitación climatológicas para la región
NE para el periodo 2075-2098, de 2 escenarios del CMIP3 (A1B y A2) con tres del AR5
(RCP 4.5, 6.0 y 8.5), no se aprecia un claro patrón que caracterice los escenarios. Sin
embargo se aprecia que el escenario RCP8.5 es más extremo que el resto, con una
proyección de hasta 0.5 mm/d menos en febrero y un aumento de 0.7 mm/d en
septiembre. En este mes los escenarios del CMIP3 son los que estiman el mayor déficit
de precipitación en septiembre octubre y diciembre.
Figura 6.5.2. Anomalías de precipitación proyectadas por los escenarios A1B, A2,
RCP4.5, RCP6.0 y RCP8.5, para la región NE de México. Anomalías con respecto a
1961-2000.
En el caso de la anomalía de temperatura (Fig. 6.5.3) en el verano climatológico (2075-
2098) se observa un claro patrón entre los escenarios, donde el escenario RCP4.5 es el
que proyecta anomalías “bajas” (< 3.5°C) en comparación con el RCP8.5 (>4°C) (Fig.
6.5.3). En este caso se observa que el escenario A1B proyecta anomalías entre las
proyectadas por el RCP4.5 y el RCP6.0, mientras que el A2 se encuentra entre el RCP6.0
y el RCP8.5, aunque más cercano a este último. Sin embargo el RCP8.5 es el escenario
con anomalías mayores a 4.5°C para todo el país. Todos los escenarios excepto el
RCP8.5, simulan anomalías menores a 3°C en la Península de Baja California,
posiblemente por el efecto modulante de la Corriente fría de California.
Informe Final, 15 de enero de 2013 58
Figura 6.5.3. Proyección de temperatura para el verano climatológico del periodo 2075-
2098 para a) RCP4.5, b) RCP6.0, c) RCP8.5, d) A1B y e) A2.
Los contrastes entre los escenarios son más claros en las anomalías de temperatura (Fig.
6.5.4), que en los de precipitación. En los escenarios RCPs se observa que el escenario
más drástico es el RCP8.5 y el menos radiativo (RCP4.5) que muestra las menores
anomalías, como era de esperarse. Los escenarios A1B y A2, se encuentran entre las
anomalías proyectadas del RCP6.0 y el RCP8.5. Es decir, que este último proyecta un
incremento de temperatura incluso mayor al escenario A2, que en el CMIP3 era
considerado como el más drástico.
En esta comparación resalta que los nuevos escenarios (RCPs) en el caso de la
temperatura poseen menos dispersión entre sí, siendo el RCP4.5 el que tiene
proyecciones de incremento de temperatura menores, y el RCP8.5 el más drástico. Para el
caso de precipitación a pesar de que no se observó un patrón consistente, si se aprecia que
el escenario RCP8.5 posee los valores más extremos, ya sea de incremento o decremento
de la precipitación. No obstante se resalta que el REA que se está manejando para este
informe utiliza 15 modelos, mientras que el REA del CMIP3 considera 22.
En resumen, tanto los modelos del CMIP3 como los del CMIP5 proyectan un
calentamiento generalizado en México, con diferentes grados de intensidad (desde 1 hasta
5oC) según el periodo, el escenario y región, pero en general el escenario A2 y el RCP8.5
son los que proyectan mayores cambios. Los cambios en la precipitación proyectados
Informe Final, 15 de enero de 2013 59
para el siglo XXI también son consistentes en ambos grupos de modelos, mostrando las
mayores reducciones en el sur y sureste Mexicano.
Figura 6.5.4. Anomalías de temperatura de los escenarios A1B, A2, RCP4.5, RCP6.0 y
RCP8.5, para la región NE de México.
Informe Final, 15 de enero de 2013 60
6.6 Índices climáticos extremos (P90 y P10)
Como se explicó en Sección 5 (Metodología), se evaluaron los percentiles 10 (P10) y 90
(P90) de la precipitación (P), temperatura máxima (Tmax) y temperatura mínima (Tmin)
para determinar umbrales de años extremos en el periodo histórico y evaluar sus cambios
espaciales en el futuro. Esto es de suma importancia por su posible impacto en diferentes
sectores socio-económicos. Esto se hizo para las 4 regiones del país y a escala anual y
estacional; todos los resultados se encuentran en la página web.
6.6.1 P90 y P10 de las temperaturas extremas (presentes y futuros)
Para poder tener un marco de referencia de los índices climáticos extremos tanto en el
presente como en el futuro, primero se calcularon los valores promedio de las variables.
La Fig. 6.6.1 muestra la Tmax promedio de JJA y la Tmin promedio de DEF observadas
durante 1961-2000 de la base de datos del CRU, mientras que la Fig. 6.6.2 muestra las
temperaturas correspondientes del REA durante el periodo observado para una pequeña
región del Noroeste de México. El REA muestra que el rango promedio de la temperatura
invernal en la región va de -4 a 20oC en invierno y de 12 a 35
oC en verano. Sin embargo,
es necesario recordar que el REA subestima la temperatura máxima y esto se ve muy
claramente al comparar la Tmax de JJA del CRU (Fig. 6.6.1) con la histórica del REA
(Fig. 6.6.2). Por ejemplo en la zona de Mexicali, que es la más caliente, el REA muestra
temperaturas máximas > 35oC, mientras que el CRU muestra > 40
oC. Esto es importante
porque al analizar los extremos climáticos el REA subestima la Tmax promedio por
~5oC, lo cual es bastante desde el punto de vista de estudios de posibles impactos y
adaptación.
También se observa que la temperatura mínima del REA tiene un sesgo positivo con
respecto al CRU, como ya se había visto en la Fig. 6.2.4. La Tmin de invierno del REA
(Fig. 6.6.2) es mayor que la observada por el CRU (Fig. 6.6.1). El CRU muestra una
Tmin entre 0 y 4oC en las sierras de Baja California, mientras que el REA entre 4 y 8
oC.
Informe Final, 15 de enero de 2013 61
Figura 6.6.1. Temperatura (oC) promedio máxima de verano y mínima de invierno del
CRU para el periodo histórico de 1961-2000.
Figura 6.6.2. Temperaturas máximas (oC) estacionales promedio de invierno y verano
derivadas del REA durante el periodo histórico.
De acuerdo a los índices climáticos extremos para México derivados del REA (Fig.
6.6.3), los inviernos más fríos (P10) se caracterizan por temperaturas mínimas por debajo
de 0oC en las zonas altas de la Sierra Madre Occidental y en la Altiplanicie Mexicana y
entre 0 y 5oC en gran parte del Norte de México.
La Tmax promedio observada del CRU durante JJA y su percentil 90 se muestran en la
Fig. 6.6.4, así como el P90 del REA. Los valores promedios máximos (35 a más de 40oC)
ocurren en la zona fronteriza de México-Estados Unidos, especialmente en la zona de
Mexicali, Baja California, mientras que los valores extremos de P90 expanden el área
cubierta por las isotermas de 25 y 40oC a una franja más ancha en la región fronteriza. De
acuerdo a las Figs. 6.5.5 y 6.5.6, esta región de clima semiárido es la más extremosa del
país, por lo tanto es la más susceptible a impactos negativos por aumentos en la
temperatura y a la posible reducción de precipitación en el futuro. Esta región también
fue detectada como un foco estratégico con los escenarios del CMIP3, por su clima
Informe Final, 15 de enero de 2013 62
extremo y por sus posibles cambios en el futuro (Cavazos y Arriaga-Ramirez 2012), y
resalta en los índices climáticos de temperaturas tropicales muy cálidas (> 35oC) en la
Sección 6.7.
Es interesante observar que el patrón espacial de los veranos más calientes (P90) del REA
(Fig. 6.6.4) es muy similar al del CRU, aunque el REA subestimó casi por 5oC la Tmax
promedio de verano (Fig. 6.6.2).
Figura 6.6.3. Umbrales de temperaturas más extremas P10 de la temperatura mínima de
invierno, obtenidos con el ensamble del REA para 1961-2000.
La Fig. 6.6.5 muestra los cambios futuros de los umbrales de P90 y P10 de la Tmax y
Tmin de invierno bajo el escenario más extremo, RCP8.5, a finales del siglo XXI. Las
temperaturas mínimas extremas podrían ser de 3 a 5oC menos frías en México, pero en el
norte de Estados Unidos los aumentos podraín ser más significativos.
En el verano se proyecta un incremento de 5oC en el umbral de P90 en las partes altas de
las sierras de México (Fig. 6.6.5); el resto del país muestra aumentos de 3 a 5oC. Los
aumentos en los extremos de Tmax podrían ser particularmente críticos en las regiones
del Norte de México porque significaría un mayor uso de aires acondicionados y agua, y
posiblemente más enfermedades y muertes de niños y ancianos [y de trabajadores de los
campos agrícolas], como se ha reportado para Mexicali cuando experimenta temperaturas
por arriba de 45oC en el verano (García-Cueto et al. 2010; Garcia-Cueto et al. 2012).
Informe Final, 15 de enero de 2013 63
Figura 6.6.4. Temperatura máxima (Tmax) promedio del CRU para JJA, y los umbrales
de P90 de Tmax para el CRU y los obtenidos con el ensamble del REA para 1961-2000.
Informe Final, 15 de enero de 2013 64
Figura 6.6.5. Cambios en los umbrales de P10 de la temperatura mínima de invierno y de
P90 de la temperatura máxima de verano para 2075-2099, con respecto a 1961-2000, para
el escenario más extremo, RCP8.5.
El escenario de cambio de la Tmax promedio de primavera es del orden 4 a 5oC y mucho
más generalizado en todo México (Fig. 6.6.6) que el extremo P90 de la Tmax de verano
(Fig. 6.6.5). En el otoño también los aumentos son de 4 y 5oC, pero es más intenso el
cambio en el norte de México y el Suroeste de Estados Unidos. Los posibles aumentos
en la Tmax de primavera significan que los extremos superiores de Tmax (P90) podrían
ser del orden de 35oC o mayores en las zonas costeras de los dos golfos, mientras que en
el otoño los valores máximos ocurrirían en la zona del Golfo de California, con valores
hasta de 40oC, extendiendo por lo tanto la temporada cálida del verano hacia el otoño
(Fig. 6.6.7).
Informe Final, 15 de enero de 2013 65
Figura 6.6.6. Escenarios de cambio RCP8.5 de la temperatura máxima promedio de
primavera (arriba) y otoño (abajo) para el 2075-2099.
Informe Final, 15 de enero de 2013 66
Figura 6.6.7. Escenarios RCP8.5 de proyección total de la temperatura máxima
promedio de primavera (arriba) y otoño (abajo) para el 2075-2099.
6.6.2 P10 y P90 de la precipitación (presentes y futuros)
La precipitación estacional en el Noroeste de México ocurre principalmente en verano
(JJA) en la zona del monzón; mientras que en el noroeste de Baja California y California
que se caracterizan por un clima mediterráneo, casi no llueve en verano y las principales
lluvias son de invierno (Fig. 6.6.8). En el resto del país la principal estación de lluvia es
durante el verano como se observa en la Fig. 6.6.9, en donde se compara el patrón anual
de precipitación de acuerdo a la base de datos observados del CRU y la derivada del
ensamble promedio de los modelos globales (REA). Se utilizan diferentes escalas para
resaltar la precipitación en la mayor parte de México, que es del orden de 1 a 3 mm/día,
aunque hay regiones del Sureste Mexicano que llueven más de 8 mm/día, como se
observa en el patrón del CRU.
Informe Final, 15 de enero de 2013 67
En la Fig. 6.6.9 el REA sobreestima la lluvia de las zonas áridas del Norte de México y el
Suroeste de Estados Unidos (comparar el contorno de 1 mm/día en ambos mapas), pero
subestima las lluvias más intensas (mayores a 3 mm/día).
Figura 6.6.8. Precipitación estacional en el Noroeste de México derivada del REA
durante 1961-2000.
Informe Final, 15 de enero de 2013 68
Figura 6.6.9. Precipitación media anual (mm/día) observada de la base de datos del CRU
y la derivada del REA durante 1961-2000. La escala en la figura inferior va más arriba de
10 mm/día (como se ve en la figura superior), pero se acortó para resaltar los valores
típicos en la parte semiárida del país.
Las Figs. 6.6.10 y 6.6.11 muestran los umbrales críticos que definen los límites secos y
húmedos de los inviernos y veranos, respectivamente, de acuerdo al ensamble del REA.
Estos umbrales son la base para el cálculo de las anomalías de los escenarios futuros. El
umbral de P10 indica el límite por debajo del cual ocurren los eventos secos y el P90
muestra el límite por arriba del cual ocurren los eventos húmedos. En Baja California, por
ejemplo, inviernos con precipitaciones menores a 0.5 mm/día son considerados como
secos (Fig. 6.6.10), mientras que arriba de 1 o 1.5 mm/día, son húmedos. En la región del
monzón los inviernos húmedos se caracterizan por precipitaciones mayores a 1.5 mm/día
(Fig. 6.6.10), mientras que los veranos húmedos tienen más de 2 mm/día. Los veranos
más lluviosos ocurren en el Sureste Mexicano, donde las lluvias más intensas (P90)
pueden ser mayores a 8 mm/día (Fig. 6.6.11).
Informe Final, 15 de enero de 2013 69
Figura 6.6.10. Umbrales críticos de precipitación (mm/día) extrema durante el invierno
derivados del REA durante 1961-2000. P10 representa el límite de inviernos secos y P90
el de inviernos húmedos.
Informe Final, 15 de enero de 2013 70
Figura 6.6.11. Umbrales críticos de precipitación (mm/día) extrema para el verano
derivados del REA durante el periodo observado (1961-2000). P10 representa el límite
de veranos secos y P90 el de veranos húmedos.
El cambio más significativo que se espera para el invierno en los escenarios futuros (el
RCP8.5) es que el umbral seco (P10) va a ser más seco y el umbral húmedo (P90)
también va a ser más seco en casi todo México y Centro América a finales del siglo 21
(Fig. 6.6.12). Las excepciones podrían ser una pequeña región del Suroeste de Estados
Unidos y las partes altas de la Sierra Madre Occidental en donde se esperan extremos de
precipitación más altos (anomalías positivas), comparados con los observados del REA.
Informe Final, 15 de enero de 2013 71
Figura 6.6.12. Anomalías de los umbrales críticos de precipitación (mm/día) extrema
inferior (P10) y superior (P90) para el invierno derivados del RCP 8.5 del REA durante
2075-2099, con respecto a 1961-2000.
La Figura 6.6.13 muestra el cambio en los umbrales secos (P10) y húmedos (P90) de la
precipitación del verano bajo el escenario más extremo (RCP8.5) a finales del siglo 21.
En casi todo México, con excepción de la región del monzón en el Noroeste de México,
en donde los veranos secos podrían ser ligeramente menos secos (de 0 - 1 mm/día). Sin
embargo, los veranos húmedos podrían ser menos húmedos que en los veranos del
periodo histórico (1961-2000). Las anomalías negativas más grandes (del orden de -3
mm/día) se esperan en las zonas costeras del sur y sureste de México.
Informe Final, 15 de enero de 2013 72
Figura 6.6.13. Anomalías de los umbrales críticos de precipitación (mm/día) extrema
inferior (P10) y superior (P90) para el verano derivados del RCP 8.5 del REA durante
2075-2099, con respecto a 1961-2000.
Informe Final, 15 de enero de 2013 73
6.7 Índices climáticos extremos de temperatura
En esta sección se presentan los siguientes índices climáticos para las temperaturas
máxima y mínima:
Se utilizó la base de datos climáticos observada del Climate Research Unit (CRU), con
una resolución espacial de 0.30° x 0.30°, para desarrollar los índices observados. Primero
se obtuvieron los indices del periodo base (1961-2000) del CRU y del ensamble de los 15
modelos del CMIP5 (REA) y posteriormente se obtuvieron los cambios del REA para
diferentes horizontes de tiempo en el siglo 21 y para diferentes escenarios radiativos.
6.7.1 Índices de Tmax para el escenario base 1961-2000
El Equipo de Expertos en Índices y Detección de Cambio Climático (The Expert Teamon
Climate Change Detection Monitoring and Indices ETCCDMI), auspiciado por la
Comisión Climatológica (CCl) de la Organización Meteorológica Mundial y el proyecto
CLIVAR, definió 27 índices base (Zhang y Yang, 2004), relacionados con temperatura y
precipitación.1
Los índices se pueden calcular con la ayuda del programa computacional RClimDex (R,
2006), el cual es un software libre (http://cccma.seos.uvic.ca/ETCCDI/software.shtml)
que funciona bajo una plataforma R (http://www.r-project.org/). RClimDex realiza el
cálculo de los índices utilizando generalmente datos diarios. Los índices aquí calculados
se denominan de manera similar, pero se han calculado con datos mensuales, no diarios.
Se produjeron los siguientes mapas, con sus respectivas bases de datos. Se contabilizaron
los meses del escenario base que cumplían con los criterios acordados. Se observó que en
1Zhang X. yYang F., 2004: RClimDex (1.0): Manual del Usuario. Traducción de Santos J.L, 22 pp.
Disponible en línea en : http://cccma.seos.uvic.ca/ETCCDMI/software.shtml.
Informe Final, 15 de enero de 2013 74
el Sur y Norte del país se encontraron los valores más extremos de temperatura máxima,
decreciendo el área del país en la que se encuentran esos valores en la en la medida que el
umbral seleccionado fuera mayor (ver Figs. 6.7.1, 6.7.2 y 6.7.3):
1. “Número de meses de verano”, cuando Tmax 25°C.
2. “Número de meses tropicales”, cuando Tmax 30°C.
3. “Número de meses extra cálidos”, cuando Tmax 35°C.
Figura 6.7.1. Número de “meses de verano”con Tmax 25°C, considerando el escenario
base (1961-2000).
Figura 6.7.2. Número de “meses tropicales” con Tmax 30°C, considerando el escenario
base (1961-2000).
Informe Final, 15 de enero de 2013 75
Figura 6.7.3. Número de “meses extra cálidos”con Tmax 35°C, considerando el
escenario base (1961-2000).
6.7.2 Índices de Tmin para el escenario base 1961-2000
Se produjeron los mapas de los índices extremos, con sus respectivas bases de datos para
ponerlas a disposición en la página Web. Se consideró que los índices seleccionados
corresponden a cálculos de índices que utilizan bases de datos diarias. Sin embargo, se
partió del supuesto de que si el promedio mensual de la Tmin es mayor que 25°C, es
posible que se presentaran con mayor frecuencia días con temperaturas mayores a esa
temperatura (Fig. 6.7.4). También es cierto que existe una reducida área del país en donde
la temperatura mínima promedio es mayor o igual que 25°C (en el norte y sur), pero esas
regiones serían las que más riesgo futuro presentarían en condiciones de cambio
climático.
También se consideró que difícilmente se podría obtener información útil para meses con
temperaturas mínima menores a 0°C, lo que sí se ilustraría con una base de datos diaria.
Por ello, se seleccionó el umbral de 10°C, considerando que éste umbral puede
determinar una helada agrícola, más que meteorológica (Fig. 6.7.5).
Como en el caso anterior, se contabilizaron los meses del escenario base que cumplían
con los criterios acordados. Posteriormente se desarrolló el mismo cálculo usando los
escenarios de cambio climático.
“Número de noches tropicales”, cuando Tmin 25°C.
“Número de meses con heladas agrícolas”, cuando Tmin 10°C.
Informe Final, 15 de enero de 2013 76
Figura 6.7.4. Número de “meses de noches tropicales”con Tmin 25°C, considerando
el escenario base (1961-2000).
Figura 6.7.5. Número de “meses con heladas (agrícolas)” con Tmin 10°C,
considerando el escenario base (1961-2000).
6.7.3 Escenarios de cambio climático de los índices de Tmax
Se elaboraron los mapas y las bases de datos respectivas para los siguientes escenarios
generados con el método REA (promedio ponderado de 15 modelos de circulación
general), y para los horizontes 2015-2039 y 2075 -2099. Para el horizonte 2015 al 2039,
y para el índice “número de meses extra cálidos”, cuando Tmax 35°C, se muestran
como ejemplo los casos de RCP4.5 y RCP8.5 (Figs. 6.7.6a y 6.7.7a), por considerarse
contrastantes, aunque se realizaron también los mapas para el caso RCP6.0.
Para evidenciar las diferencias entre estos escenarios y el escenario base, se sustrajeron
los valores del escenario base de cada uno de los escenarios de cambio climático. Con lo
anterior, se construyeron mapas que sólo muestran el aumento en el número de meses
según los umbrales establecidos (Figs. 6.7.6b y Figs. 6.7.7b). Esto es, se contabilizan para
el periodo 2015 al 2939 (promedio de 25 años) cuántos meses más (de 1 hasta 12) se
tendrían por encima del valor umbral De forma similar, se construyeron los mapas para
el horizonte 2075 a 2099 (Figs. 6.7.8a y 8b, y Fig. 6.7.9a y 9b).
Informe Final, 15 de enero de 2013 77
Tabla 6.7.1. Escenarios de cambio climático construidos para 3 índices de Tmax.
Índice Escenario REA (15 modelos) y horizontes 2015-2039 y
2075-2099 Ejemplos
Tmax 25°C. RCP4.5 RCP6.0 RCP8.5 Tmax 30°C. RCP4.5 RCP6.0 RCP8.5 Tmax 35°C. RCP4.5 RCP6.0 RCP8.5 Figs 6.7.6a y
6.7.7a
Diferencias escenarios y escenario base Tmax 25°C. RCP4.5 RCP6.0 RCP8.5 Tmax 30°C. RCP4.5 RCP6.0 RCP8.5 Tmax 35°C. RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.6b y
6.7.7b
Escenarios 2015-2039
Figura 6.7.6a. Escenario RCP4.5, para el horizonte 2015-2039, considerando el número
de meses extra cálidos, con Tmax 35°C.
Informe Final, 15 de enero de 2013 78
Figura 6.7.6b. Escenario RCP4.5, para el horizonte 2015-2039, considerando la
diferencia entre el escenario base y el de cambio climático, para el índice “número de
meses extra cálidos”, con Tmax 35°C.
Figura 6.7.7a. Escenario RCP8.5, para el horizonte 2015-2039, considerando el número de
meses extra cálidos, con Tmax 35°C.
Informe Final, 15 de enero de 2013 79
Figura 6.7.7b. Escenario RCP8.5, para el horizonte 2015-2039, considerando la diferencia
entre el escenario base y el de cambio climático, para el índice “número de meses extra
cálidos”, con Tmax 35°C.
Escenarios 2075 a 2099
De forma similar, se construyeron los mapas para el horizonte 2075 a 2099 (Figs. 6.7.8a,
6.7.8b, 6.7.9a y 6.7.9b).
Figura 6.7.8a. Escenario RCP4.5, para el horizonte 2075-2099, considerando el número
de meses extra cálidos, con Tmax 35°C.
Informe Final, 15 de enero de 2013 80
Figura 6.7.6b. Escenario RCP4.5, para el horizonte 2075-2099, considerando la
diferencia entre el escenario base y el de cambio climático, para el índice “número de
meses extra cálidos”, con Tmax 35°C.
Figura 6.7.7a. Escenario RCP8.5, para el horizonte 2075-2099, considerando el número de
meses extra cálidos, con Tmax 35°C.
Informe Final, 15 de enero de 2013 81
Figura 6.7.7b. Escenario RCP8.5, para el horizonte 2015-2039, considerando la diferencia
entre el escenario base y el de cambio climático, para el índice “número de meses extra
cálidos”, con Tmax 35°C.
Informe Final, 15 de enero de 2013 82
6.7.4 Escenarios de cambio climático del índice de Tmin para “noches tropicales”
Se elaboraron los mapas y las bases de datos respectivas para los escenarios generados
con el método REA para los horizontes 2015-2039 y 2075-2099 para los índices
mostrados en la Tabla 6.7.2.
Para el horizonte 2015 al 2039, y para el índice “número de noches tropicales”, cuando
Tmin 25°C, se muestran como ejemplo los casos de RCP4.5 y RCP8.5 (Figs. 6.78a y
9a), por considerarse contrastantes, aunque se realizaron también los mapas para el caso
RCP6.0 (ver Tabla 6.7.2).
Para hacer más claras las diferencias entre estos escenarios y el escenario base, se
sustrajeron los valores del escenario base de cada uno de los escenarios, para mostrar el
incremento del número de meses según los umbrales establecidos (Figs. 6.7.8b y 6.7.9b).
De forma similar, se construyeron los mapas para el horizonte 2075 a 2099. Se muestran
como ejemplo los casos de RCP4.5 y RCP8.5 (Figs. 6.7.10a y 6.7.11a), por considerarse
contrastantes, aunque se realizaron también los mapas para el caso RCP6.0. Las
diferencias entre estos escenarios y el escenario base se muestran en las Figs. 6.7.10b y
6.7.11b.
Tabla 6.7.2. Escenarios de cambio climático construidos para el índice de Tmin para el
numero de meses con noches tropicales, cuando Tmin 25°C.
Índice Escenario REA (15 modelos) y 2 horizontes Ejemplos
Tmin 25°C.
2015-2039
RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.8a y
6.7.9a
Tmin 25°C.
2075-2099
RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.10a
y 6.7.11a
Diferencias escenarios y escenario base
Tmin 25°C.
2015-2039
RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.8b y
6.7.9b
Tmin 25°C.
2075-2099
RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.10b
y 6.7.11b
Informe Final, 15 de enero de 2013 83
Escenarios 2015-2039
Figura 6.7.8a. Escenario RCP4.5, para el horizonte 2015-2039, considerando el número de
meses de “noches tropicales”, con Tmin 25°C.
Figura 6.7.8b. Escenario RCP4.5, para el horizonte 2015-2039, considerando la diferencia
entre el escenario base y el de cambio climático, para el índice número de meses de “noches
tropicales”, con Tmin 25°C.
Informe Final, 15 de enero de 2013 84
Figura 6.7.9a. Escenario RCP8.5, para el horizonte 2015-2039, considerando el número de
meses de “noches tropicales”, con Tmin 25°C.
Figura 6.7.9b. Escenario RCP8.5, para el horizonte 2015-2039, considerando la diferencia entre
el escenario base y el de cambio climático, para el índice “número de meses de “noches
tropicales”, con Tmin 25°C.
Escenarios 2075-2099
De forma similar, se construyeron los mapas para el horizonte 2075 a 2099 (figuras
6.7.10a, 6.7.10b, 6.7.11a y 6.7.11b) para el índice “número de meses de “noches
tropicales”, con Tmin 25°C.
Informe Final, 15 de enero de 2013 85
Figura 6.7.10a. Escenario RCP4.5, para el horizonte 2075-2099, considerando el número de
meses de “noches tropicales”, con Tmin 25°C.
Figura 6.7.10b. Escenario RCP4.5, para el horizonte 2015-2039, considerando la diferencia entre el
escenario base y el de cambio climático, para el índice “número de meses de “noches tropicales”, con
Tmin 25°C.
Figura 6.7.11a. Escenario RCP8.5, para el horizonte 2015-2039, considerando el número de
meses de “noches tropicales”, con Tmin 25°C.
Informe Final, 15 de enero de 2013 86
Figura 11b. Escenario RCP8.5, para el horizonte 2015-2039, considerando la diferencia
entre el escenario base y el de cambio climático, para el índice “número de meses de
“noches tropicales”, con Tmin 25°C.
6.7.5 Escenarios de cambio climático del índice de Tmin para heladas agrícolas
El índice extremo que determina el número de meses con posibles heladas agrícolas se
define cuando la Tmin < 10oC; la Tabla 6.7.3 muestra los análisis realizados.
Tabla 6.7.3. Escenarios de cambio climático construidos para el índice de Tmin para el
número de meses con heladas agrícolas (Tmin < 10°C).
Índice Escenario REA (15 modelos) y horizontes 2015-2039 y
2075-2099 Ejemplos
Tmin 10°C 2015-2039
RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.12a
y 6.7.13 a
Tmin 10°C 2075-2099
RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.14a
y 6.7.15a
Diferencias escenarios y escenario base
Tmin 10°C 2015-2039
RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.12b
y 6.7.13b
Tmin 10°C 2075-2099
RCP4.5 RCP6.0 RCP8.5 Figuras
6.7.14b y
6.7.15b
Informe Final, 15 de enero de 2013 87
Escenarios 2015-2039
Figura 6.7.12a. Escenario RCP4.5, para el horizonte 2015-2039, considerando el “número de
meses con heladas agrícolas”, cuando Tmin 10°C.
Figura 6.7.12b. Escenario RCP4.5, para el horizonte 2015-2039, considerando la diferencia
entre el escenario base y el de cambio climático, para el índice ““número de meses con heladas
agrícolas”, cuando Tmin 10°C.
Informe Final, 15 de enero de 2013 88
Figura 6.7.13a. Escenario RCP8.5, para el horizonte 2015-2039, considerando el “número de
meses con heladas agrícolas”, cuando Tmin 10°C.
Figura 6.7.13b. Escenario RCP8.5, para el horizonte 2015-2039, considerando la diferencia
entre el escenario base y el de cambio climático, para el índice “número de meses con heladas
agrícolas”, cuando Tmin 10°C.
Informe Final, 15 de enero de 2013 89
Escenarios 2075 a 2099
Figura 6.7.14a. Escenario RCP4.5, para el horizonte 2075-2099, considerando el “número de
meses con heladas agrícolas”, cuando Tmin 10°C.
Figura 6.7.14b. Escenario RCP4.5, para el horizonte 2075-2099, considerando la diferencia
entre el escenario base y el de cambio climático, para el índice ““número de meses con heladas
agrícolas”, cuando Tmin 10°C.
Informe Final, 15 de enero de 2013 90
Figura 6.7.15a. Escenario RCP8.5, para el horizonte 2075-2099, considerando el “número de
meses con heladas agrícolas”, cuando Tmin 10°C.
Figura 6.7.15b. Escenario RCP8.5, para el horizonte 2075-2099, considerando la diferencia
entre el escenario base y el de cambio climático, para el índice “número de meses con heladas
agrícolas”, cuando Tmin 10°C.
Informe Final, 15 de enero de 2013 91
6.7.6 Cambio en los índices de temperaturas extremas por región
Cambios en los índices de Tmax
En esta sección se describen los cambios mensuales de los índices de temperatura
máxima para las 4 zonas geográficas para México seleccionadas en este reporte: Noroeste
(23 a 35°N; 106 a 117°W), Noreste (23 a 31°N; 97 a 106°W), Centro/Sur (15 a 23°N; 97
a 106°W) y Sureste (15 a 22°N; 87 a 97°W).
En la Tabla 6.7.4 se presentan los cambios para los índices de temperatura máxima entre
el escenario base y los correspondientes escenarios de cambio climático (RCP4.5,
RCP6.0; RCP8.5), para el horizonte 2075 a 2099, por considerar que son los más
sobresalientes.
Para el caso del índice “Número de meses de verano” (Tmax 25°C), la región más
afectada sería la región Noreste, con un aumento promedio en el número de meses entre
1.6 y 2.5 (Tabla 6.7.3), para los 3 escenarios RCP. Esto significaría que alrededor de 2
meses durante el año estarían en la clasificación de mes de verano.
Para el caso del índice “Número de meses tropicales” (Tmax 30°C), en la misma región
Noreste el número de meses que en promedio tendrían meses tropicales aumentarían
entre 1.7 y 2.9.
Finalmente, para el índice “Número de meses extra cálidos” (Tmax 30°C) en la región
Noreste y Sureste se presentarían, en promedio, entre 1 y 3 meses más extra cálidos.
Tabla 6.7.4. Cambios en los índices climáticos para Tmax para el horizonte 2075-2099,
con respecto al periodo observado de 1961-2000.
No de Meses de
verano
Tmax 25°C
No de Meses
tropicales
Tmax 30°C
No de Meses extra
cálidos
Tmax 35°C
Latitud
(°N)
Longitud
(°W)
RCP
4.5
RCP
6.0
RCP
8.5
RCP
4.5
RCP
6.0
RCP
8.5
RCP
4.5
RCP
6.0
RCP
8.5
Noreste de
México
23 a 35 117 a 106 1.6 1.8 2.5 1.7 2.0 2.9 1.8 2.2 2.9
Noroeste de
México
23 a 31 106 a 97 1.3 1.5 2.2 1.4 1.7 2.3 1.6 2.0 2.6
Centro/Sur de
México
15 a 23 106 a 97 1.0 1.1 1.3 1.4 1.5 2.5 1.2 1.3 2.3
Sureste de
México
15 a 22 97 a 87 0.2 0.2 0.3 1.4 1.6 2 1.5 1.8 2.8
Informe Final, 15 de enero de 2013 92
Cambios en los índices de Tmin
Para las mismas 4 regiones se obtuvieron los cambios en los índices de temperatura
mínima, considerando el escenario base, los 3 RCP y el horizonte 2075 a 2099 (Tabla
6.7.5).
Para el índice de “Número de noches tropicales” (Tmin 25°C), los escenarios indican
que en promedio los meses con Tmin que rebasa ese umbral serán hasta 2.5 para el
noreste de México. El cambio es menos apreciable en el Sureste.
En cuanto al índice “Número de meses con heladas agrícolas” (Tmin 10°C), el cambio
indicado en la tabla representa el número de meses menos que estarán por debajo de ese
umbral. Así, en el noreste, habrá 2.5 meses menos con temperaturas mínimas por debajo
de los 10°C, lo que puede tener impactos negativos en diversos sectores, particularmente
la agricultura (algunos cultivos, como el trigo, requieren de horas frío). La región sureste
es también la que menos cambios presenta.
Tabla 6.7.5. Cambios en los índices climáticos de Tmin para el horizonte 2075-2099, con
respecto a 1961-2000.
No de noches tropicales
Tmin 25°C
No de Meses con heladas
Tmin 10°C
Latitud
(°N)
Longitud
(°W)
RCP 4.5
RCP 6.0
RCP 8.5
RCP 4.5
RCP 6.0
RCP 8.5
Noreste de México 23 a 35 117 a 106 +0.7 +0.8 +1.3 -1.5 -1.8 -2.5
Noroeste de México 23 a 31 106 a 97 +0.6 +0.8 +1.4 -0.9 -1.0 -1.5
Centro/Sur de
México
15 a 23 106 a 97 +0.3 +0.4 +0.8 -0.7 -0.8 -1.0
Sureste de México 15 a 22 97 a 87 +0.5 +0.8 +2.1 -0.1 -0.1 -0.1
Informe Final, 15 de enero de 2013 93
7. Desarrollo de la página web del proyecto
Los resultados relevantes del proyecto se podrán consultar en una página WEB dinámica,
la cual está organizada de la siguiente manera: encabezado, menú principal, y submenús.
El encabezado contiene los logos de las 6 instituciones que participaron en este proyecto:
Secretaría de Medio Ambiente y Recursos Naturales (SEMARNAT), Programa de las
Naciones Unidas para el Desarrollo, México (PNUD), Instituto Nacional de Ecología
(INE), Centro de Investigación Científica y de Educación Superior de Ensenada, Baja
California (CICESE), Instituto Mexicano de Tecnología del Agua (IMTA), Centro de
Ciencias de la Atmósfera (CCA).
En la sección baja del encabezado se encuentra el menú principal que contiene: inicio,
métricas, escenarios, índices extremos, enlaces de interés y contacto (Figura 7.1). Dentro
de cada módulo existen diferentes tipos de información, como documentación técnica de
las bases de datos utilizadas, algunos cálculos para medir el desempeño de los modelos o
descarga de gráficos y datos. En las secciones siguientes se describirá cada uno de los
módulos mostrados en la Fig. 7.1 con mayor detalle.
Figura 7.1. Esquematización de la página web del proyecto.
Informe Final, 15 de enero de 2013 94
Inicio
En este apartado aparece información general referente al proyecto. En la parte izquierda
se encuentra un submenú del cual se pueden seleccionar tópicos referentes a la página y
en la sección derecha son descritos brevemente (Fig. 7.2). Los temas y submenús disponibles son los siguientes:
o Introducción
o Información general
CMIP5
Escenarios
Conceptos
Escenarios de emisiones
Modelos de Circulación General
Métricas
Diagramas de Taylor
Errores
Ciclo Anual
CRU
REA
Índices Climáticos
AR4 y AR5
NARCAPP
Siglas
Figura 7.2. Página principal; Menú ‘inicio’ – submenú Información general.
Informe Final, 15 de enero de 2013 95
Métricas
En esta sección se puede acceder a los resultados del desempeño de 15 MCG
participantes del CMIP5 y el promedio ponderado de éstos (REA) mediante la aplicación
de métricas para el período histórico de 1961 a 2000 en las variables: precipitación,
temperatura, máxima y mínima, comparando los resultados con los datos históricos del
CRU.
Por la ubicación geográfica y la abrupta orografía de México, los fenómenos
meteorológicos que impactan al norte o sur del país son diferentes, así como sus efectos.
Debido a lo mencionado anteriormente se calcularon las métricas en cuatro zonas:
Noreste, Noroeste, Sur y Sureste. Las gráficas de las métricas a consultar en la página
son: diagramas de Taylor, ciclo anual y errores.
La sección de métricas se encuentra organizada en base al diagrama de la Fig. 7.3; Dicho
diagrama fue utilizado para elaborar la interfaz gráfica (Fig. 7.4). En la cual se pueden
seleccionar las métricas, las variables y las zonas, las dos primeras mediante “cajas de
selección” y las últimas (previamente dibujadas en el mapa) mediante un clic sobre la
imagen.
Figura 7.3. Diagrama estructural de métricas.
Ciclo Anual Errores
Métricas (Periodo 1961-2000)
Diagrama de Taylor
Temp. media
Temp. Max.
Temp. Mín.
Precipitación
Regiones
Noroeste
Noreste
Sur
Sureste
Informe Final, 15 de enero de 2013 96
Figura 7.4. Áreas de evaluación de las métricas climáticas.
En las Figs. 7.5, 7.6 y 7.7 se muestran ejemplos de los gráficos que se pueden descargar
(elaborados previamente) para cada métrica y variable.
Figura 7.5. Ejemplo de Diagrama de Taylor para la variable de temperatura media en el
periodo de 1961-2000 para la zona noroeste de México.
Informe Final, 15 de enero de 2013 97
Figura 7.6. Ejemplo de ciclo anual para la variable de temperatura mínima en el periodo
de 1961-2000 para la zona sur de México
Figura 7.7. Ejemplo de Errores para la variable de precipitación para la zona noreste de
México.
Escenarios
En esta sección se encuentran los datos generados por el método REA para cuatro
variables (Temperatura media, temperatura máxima, temperatura mínima y precipitación)
en simulaciones históricas (1961-2000) y proyecciones futuras (2015-2039 y 2075-2099)
en tres escenarios de forzamientos de radiación: RCP4.5, RCP6.0 y RCP8.5. Las
proyecciones se pueden visualizar de tres modos: proy(cambio) y proy (total) (histórico +
cambio).
La consulta en este módulo se realiza en tres secciones: 1) Consulta, donde se
seleccionan las variables, el escenario y el periodo, 2) las opciones de gráfico, si se quiere
Informe Final, 15 de enero de 2013 98
una gráfica lineal (plot) o un mapa (con colores o contornos) y 3) selección de la zona
(coordenadas), donde el usuario puede agregar las coordenadas, o en su caso, trazar el
área en el mapa (con ayuda de mouse). La estructura del módulo de escenarios se muestra
en la Fig. 7.8 y en la Fig. 7.9 las opciones de gráfico (complemento de la Fig. 7.8).
La interfaz gráfica del módulo de escenarios se muestra en la Fig. 7.10. Este módulo se
encuentra basado en los diagramas mostrados en las Figs. 7.8 y 7.9.
Figura 7.8. Esquematización y funcionamiento del módulo de ‘escenarios’
Figura 7.9. Opciones de gráfico (complemento de la Fig. 9.8).
Informe Final, 15 de enero de 2013 99
Figura 7.10. Módulo de escenarios.
Índices extremos
La sección de índices climáticos permite consultar e identificar cambios en la frecuencia,
intensidad y en los umbrales de los eventos extremos, los cuales son importantes para la
sociedad humana y los diferentes ecosistemas ya que pueden presentarse fuera de los
rangos de adaptabilidad habitual y producir un fuerte impacto en diferentes sectores.
Los índices disponibles en la página web son los listados en la Tabla 7.1. Los índices se
calcularon primero para el REA y el CRU del periodo histórico (1961-2000).
Posteriormente se hicieron los mismos cálculos para las proyecciones climáticas con la
finalidad de cuantificar los cambios entre el pasado y futuro.
Informe Final, 15 de enero de 2013 100
Tabla 7.1. Índices utilizados para cuantificar los cambios en los extremos tanto de
temperatura como de precipitación. Los índices calculados son: número de meses
extremos y umbrales de percentiles extremos.
Índices extremos
Variable Índice Rango
Temperatura
Núm. de meses de verano Tmax > 25°C
Núm. de meses tropicales Tmax > 30°C
Núm. de meses extra cálidos Tmax > 35°C
Núm. de noches tropicales Tmin > 25°C
Núm. de meses con heladas Tmin < 10°C
Umbral de P10 (oC) 10% de años más fríos
Umbral de P90 (oC) 10% de años más cálidos
Precipitación Umbral de P10 (mm/d) 10% de años más secos
Umbral de P90 (mm/d) 10% de años más húmedos
La interfaz gráfica del módulo de índices se muestra en la Fig. 7.11, donde en la parte
izquierda se encuentran “cajas de selección” para escoger el tipo de escenario, variable e
índice. En la sección derecha aparecen las opciones a elegir.
Figura 7.11. Módulo de índices extremos
Informe Final, 15 de enero de 2013 101
Enlaces de Interés
En el módulo ‘enlaces de interés’ se encuentran además de las instituciones involucradas
para la elaboración de este proyecto, otros sitios de crucial interés en el ámbito de cambio
climático, como la página del CMIP5, del IPCC entre otras (Fig. 7.12).
Figura 7.12. Módulo de ‘Enlaces de interés’.
Contacto
El módulo ‘contacto’ fue diseñado para mostrar datos de las personas participantes del
proyecto. Por razones de seguridad sólo son mostrados: el nombre, dirección electrónica
y nombre del instituto que representa cada persona.
Informe Final, 15 de enero de 2013 102
Figura 7.13. Módulo ‘contacto’.
A continuación se detallan las características sobresalientes de la interfaz de usuario de la
página WEB, así como su arquitectura, el flujo de información de la misma y su la
relación entre sus componentes.
Arquitectura
Desde el punto de vista de la interfaz al usuario, se diseñó un sistema que se muestra en
la Fig. 7.14, y cuyos componentes se describen a continuación.
Informe Final, 15 de enero de 2013 103
Figura 7.14. Arquitectura de la interfaz de consulta.
El usuario típico de la aplicación es uno que cuenta con un navegador Web que tenga
acceso a la dirección IP en la que se instalará el sistema. El sistema se podrá instalar
localmente en una Intranet o en una computadora personal, para su uso privado, o bien
podrá instalarse en un servidor Internet, para su uso público.
Interfaz Web
Para el desarrollo de la página WEB se emplearon herramientas del dominio público
combinadas de acuerdo a la funcionalidad requerida tales como PHP, python y
Javascript, ello en las proporciones 20%, 30% y 50% aproximadamente. Dentro de esta
última, se encuentran contenidas el API de google y jquery.
La interfaz Web posee elementos gráficos y de texto que le permiten al usuario formular
una consulta (o query, si se usa la terminología de las bases de datos). La apariencia del
sitio en alguno de los momentos de la interacción es como se muestra en la Fig. 7.15.
Informe Final, 15 de enero de 2013 104
Figura 7.15. Apariencia de la interfaz Web.
La formulación de la consulta, la hace el usuario por medio de su interacción con la
interfaz. Esto es, la selección de elementos en los menús, la especificación de algún área
en un mapa, el oprimir algún botón, etc., todo ello constituye la construcción o
formulación de una consulta.
La interfaz Web verifica la integridad de la consulta y de traducirla a un conjunto de
variables y términos que son recogidos por el motor de procesamiento, de donde se
obtiene una salida que le es presentada al usuario, como respuesta a su consulta y que
puede consistir de gráficos, tablas, textos, etc.
El motor de procesamiento es la parte del sistema que se encarga de ejecutar las acciones
necesarias para satisfacer la consulta del usuario. Para cumplir con eso, el motor tiene que
invocar la ejecución de procesos especializados que consultan y manipulan los datos
provenientes de las fuentes de información generadas a lo largo del presente proyecto.
Una vez ejecutados los procesos necesarios, el motor integra como su salida la respuesta
que finalmente le será presentada al usuario por medio de la interfaz Web. La Fig. 7.16
muestra una salida típica del sistema.
Informe Final, 15 de enero de 2013 105
Figura 7.16. Ejemplo de respuesta a una consulta del usuario.
Los procesos pertenecen a un conjunto de programas, que en la Fig. 7.14 se han
etiquetado como p1, p2, p3,… p_n, que se encargan de consultar la información de las
distintas fuentes elaboradas a lo largo de este proyecto y de transformar esa información
en una respuesta que satisfaga la consulta del usuario. El sistema se ha planteado de una
manera versátil, de tal forma que los procesos pueden estar escritos en distintos lenguajes
de programación tales como grads, python, php, etc.
La interfaz al usuario se ha desarrollado como un sitio Web; esto es, como un conjunto de
páginas Web que le brindan al usuario la posibilidad de introducir sus consultas y de
visualizar y/o recuperar la información correspondiente a las respuestas a esas consultas.
La descripción de la estructura y la funcionalidad de tal sitio se desarrolla en las
siguientes secciones, y para ello se utilizará la herramienta gráfica de los mapas
conceptuales desarrollados por el Institute for Human & Machine Cognition2 .
Los mapas conceptuales son grafos que consisten básicamente de dos elementos, a saber:
nodos y aristas dirigidas. Tanto los nodos como las aristas van etiquetados y estas últimas
además pueden ser múltiples, es decir, pueden tener varios orígenes y varios destinos. En
la presente descripción, además del valor semántico de las etiquetas, se atribuirá de
significado a todo elemento gráfico o visual, tales como la forma de los nodos, los
colores empleados, los colores y tipografía de los textos, etc., esos significados están
relacionados con la disposición de los elementos gráficos en el sitio Web, así como de las
acciones que se ejecutan al interactuar, el usuario, con dichos elementos. Para explicar la
simbología utilizada nos serviremos de una sección completa de la interfaz, a saber, la
correspondiente a Escenarios, cuyo mapa conceptual se muestra en la Fig. 7.18, en la Fig.
7.17, se incluye un resumen de la principal simbología utilizada.
2 http://cmap.ihmc.us
Informe Final, 15 de enero de 2013 106
Figura 7.17. Estructura y funcionalidad de “Escenarios”.
En los párrafos siguientes, se describen las principales características de la simbología
que se utiliza para describir la estructura y funcionalidad del sitio.
El Nodo de entrada es el nodo inicial del grafo, simbolizado como se muestra en la Fig.
7.19 y representa la página de entrada a alguna sección del sitio Web. En el ejemplo que
se está considerando y que se muestra en la Fig. 7.17, este nodo es el que está etiquetado
como “Escenarios”, el cual representa la página Web que se muestra en la Fig. 7.19.
Subdivisión geométrica y transferencia directa.
En la Fig. 7.19 se muestra la página correspondiente al nodo inicial de la estructura
mostrada en la Fig. 7.18. En la figura, adicionalmente se ha subdividido la página en
secciones rectangulares que se han numerado así: 00, 01, 20, 21, 22 y 23. Esta
numeración corresponde a una subdivisión geométrica que se ha hecho de la página en
cuestión. La subdivisión puede ser arbitraria o corresponder en alguna medida con la
funcionalidad.
Informe Final, 15 de enero de 2013 107
En el gráfico de la Fig. 7.17, la subdivisión geométrica se representa mediante una arista
múltiple, de un solo origen y varios destinos, etiquetada con la letra “G”. Para una mayor
comprensión de este concepto, en la Fig. 7.20 se muestra una ampliación de la sección
correspondiente a la subdivisión geométrica de la página Web mostrada en la Fig. 7.19.
Otra característica de la estructura de subdivisión geométrica, es lo que se denomina
transferencia directa en este documento tal como se muestra en la Fig. 7.18. Se ha
denominado de esta manera, porque los elementos de la subdivisión geométrica, son
directamente visibles y accesibles desde la página representada por el nodo de origen,
esto es, “Escenarios”, en el caso del ejemplo mostrado.
Los nodos de subdivisión, que en el caso de la Fig. 7.20 son los etiquetados con 00, 01,
20, 21, 22 y 23, si no tienen mayor información tendrán el aspecto que se muestra en
dicha Figura, pero pueden ser diferentes en otros casos, como el nodo etiquetado como
“Mapa Mx Div Política”, mostrado en la Fig. 7.17, y que es un nodo verde y que
representa un sector de la página con información geográfica, en este caso.
Figura 7.18. Los principales elementos de la simbología utilizada.
Informe Final, 15 de enero de 2013 108
Figura 7.19. Página de entrada a “Escenarios” y su subdivisión geométrica.
Figura 7.20. La estructura de la subdivisión geométrica de la página mostrada en la Fig.
7.16.
Informe Final, 15 de enero de 2013 109
Dado que los diagramas que representan la estructura del sitio pueden resultar bastante
complejos, es conveniente introducir referencias a nodos que se han definido en alguna
otra parte del mismo diagrama o incluso en alguna otra parte. En la Fig. 7.20, los nodos
etiquetados con 00 y 01, tienen un borde azul diferente que los otros nodos. Ello indica
que, como también se señala en la simbología de la Fig. 7.18, la definición de esos nodos
se encuentra en otra parte; en otro diagrama, en el caso del ejemplo presentado.
Las interfaces al usuario proveen diversas formas para agrupar opciones, entre las cuáles
pueda seleccionar el usuario alguna para asignársela a alguna variable o categoría. Entre
éstas formas se encuentran, por ejemplo, los combo-boxes, los sub-menús, los radio-
buttons, etc. Un ejemplo de esto se muestra en la Fig 7.21, donde al oprimir en el ítem
“Escenario” del menú izquierdo de la página de ejemplo, se despliega un combo-box con
una secuencia de opciones entre las que se puede elegir una. Esto se ha resaltado en color
rojo en la figura.
Figura 7.21. Desplegado de opciones.
En el diagrama de estructura, esta situación se simboliza por medio de lo que en la
simbología de la Fig. 7.18 se ha denominado como “Grupo n de opciones de A”, y que
Informe Final, 15 de enero de 2013 110
para el caso mostrado en la Fig. 7.21, se ilustra en la Fig. 7.22. Debe notarse que la
Figura muestra dos grupos de opciones, a saber, el grupo G-1 y el grupo G-2, y que es
este último al que corresponde lo desplegado en la Fig. 7.21. El que en un ítem se
despliegue uno u otro grupo de opciones, depende de consideraciones que se detallan más
adelante, en la siguiente sección.
Figura 7.22. Grupos de opciones (detalle de Fig. 7.17).
A continuación se describen las interacciones entre elementos, como a las acciones que
recíprocamente tienen algunos elementos de la estructura con otros de la misma: esto es
con nodos o con aristas del grafo. En la simbología de la Fig. 7.18, los gráficos que
representan esto, son los que tienen aristas etiquetadas “opts” y “retro” y que
corresponden con los dos tipos de interacciones que se describen en seguida.
Definición de opciones
En ocasiones, la selección de algún elemento u opción por parte del usuario puede,
habilitar o inhibir las opciones que aparezcan como parte de otro ítem particular en la
página. Siguiendo con el ejemplo mostrado en la Fig. 7.22, es notorio que el nodo
“Escenario” tiene dos grupos de opciones, a saber: el grupo G-1 y el grupo G-2. Sin
embargo, en el desplegado de la Fig. 7.21, se muestran únicamente las opciones
correspondientes al grupo G-2, esto es, RPC4.5, RPC6.0 y RPC8.5. Esto se debe a que,
previamente el usuario ha elegido en el menú correspondiente al ítem “Tipo”, el valor
“Proy (total)”, y esta acción ha habilitado el grupo de opciones G-2, por una parte, y por
otra, ha inhibido el grupo G-1, ambos del nodo “Escenario”. El acercamiento de la
estructura que se muestra en la Fig. 7.23 ilustra lo que se ha explicado aquí.
Informe Final, 15 de enero de 2013 111
Figura 7.23. Habilitación de opciones.
La retroalimentación se realiza durante la construcción de una consulta. La información
correspondiente a esa consulta se colecta de los distintos elementos gráficos de la
interfaz, simbolizados por nodos en el grafo que representa la estructura, y se usa para
alimentar como datos de entrada, a algún otro nodo, que representa la construcción del
resultado deseado por el usuario y que se elabora mediante los procesos de consulta
referidos. La Fig. 7.24 muestra la mecánica del proceso que se ha descrito en este párrafo.
Figura 7.24. El proceso de retroalimentación de información.
En la Fig. 7.24, el nodo etiquetado como “23”, representa el área geométrica “23”
mostrada en la Fig. 7.19. Esta área contiene un único botón “Enviar”, que al ser aplastado
ejecuta una “transferencia interactiva”, marcada por la arista etiquetada con “T”, en la
Informe Final, 15 de enero de 2013 112
Fig. 7.24, y que desemboca en una página terminal con resultados, que, en el ejemplo,
está etiquetada como “Info Escenarios” y cuya apariencia puede ser como la mostrada en
la Fig. 7.25. El asunto es que, el armado de dicha página requiere de información, parte
de la cuál es provista o retroalimentada por lo colectado en “Latitud Max”, “Longitud
Max”, “Latitud Min”, y “Longitud Min”, tal como se muestra en la Fig. 7.24.
Figura 7.25. Una página terminal típica de “Escenarios”.
La estructura y funcionalidad: página de inicio se muestra en la Fig. 7.26 muestra
gráficamente la estructura y la funcionalidad de la página de inicio, a la que se ha
denominado “AdeccMex” (Actualización de Escenarios de Cambio Climático para
México). En la Fig. 7.26 se muestra la apariencia y la subdivisión geométrica de dicha
página.
Informe Final, 15 de enero de 2013 113
Figura 7.26. Apariencia de la página inicial y su subdivisión geométrica.
Informe Final, 15 de enero de 2013 114
Figura 7.27. Estructura y funcionalidad de la página inicial.
La nota con referencia a esta página es que todas las selecciones de ítems en el menú de
la izquierda desembocan en la retroalimentación del área de desplegado de información,
que básicamente es un sitio en el que se da información introductoria de todos los
conceptos manejados en el sistema.
La estructura y funcionalidad de “Métricas” se muestra en la Fig. 7.28 se detalla
gráficamente la estructura y la funcionalidad de Métricas; la subdivisión geométrica de la
página correspondiente se muestra en la Fig. 7.29.
Informe Final, 15 de enero de 2013 115
Figura 7.28. Estructura y funcionalidad de “Métricas”.
Figura 7.29. Página de entrada a “Métricas” y su subdivisión geométrica.
Informe Final, 15 de enero de 2013 116
La estructura y funcionalidad de “Escenarios” es la componente que se eligió para
ejemplificar la simbología que se está utilizando a lo largo de estas notas
Estructura y funcionalidad de “Enlaces” y “Contacto”
La estructura y funcionalidad de “Enlaces” y “Contacto” es muy simple y por ello se ha
incluido directamente en el diagrama de la Fig. 7.26. La única función de estos ítems es
proporcionar información de ligas que son de interés para la temática del sitio, en el
primer caso, y de información para contacta a los responsables del sitio, en el segundo
caso.
Informe Final, 15 de enero de 2013 117
8. Conclusiones
En el presente trabajo se desarrollaron los nuevos escenarios de cambio climático para
México y para 4 grandes regiones del país utilizando los datos de los nuevos modelos del
CMIP5. Los 15 modelos individuales y el ensamble de estos mediante la técnica REA se
validaron durante el periodo observado de 1961-2000 con datos del CRU y se hicieron
proyecciones del ensamble bajo 3 escenarios radiativos en el siglo 21. También se hizo
una comparación de los resultados publicados en la literatura del CMIP3 para varias
regiones de México y los datos del CMIP5 analizados en este proyecto. Esto es útil para
reportar las mejoras o cambios en los modelos del CMIP5. Los modelos siguen teniendo
un sesgo frío en casi todo México, que se observa en los datos anuales, estacionales y que
también afecta los umbrales de los índices climáticos extremos. En el caso del Noroeste
de México, este sesgo parece influir en el desarrollo de las lluvias máximas monzónicas,
las cuales se ven retrasadas por el enfriamiento continental. Sin embargo, el ensamble de
los modelos del CMIP5 simula un poco mejor las lluvias monzónicas de verano que el
CMIP3. Sin embargo, en el Sureste de México, los modelos subestiman fuertemente la
precipitación.
Un cambio importante es que el CMIP5 no produce disminuciones de la precipitación de
invierno y primavera en el Norte de México tan fuertes como las que sugería el CMIP3.
Aparentemente, la causa es que la corriente de chorro invernal proyectada por el CMIP5
no cambiará significativamente de posición en el futuro. Va a ser importante investigar
por qué los nuevos modelos produjeron este cambio tan drástico en la dinámica invernal,
en comparación con los modelos del CMIP3.
La comparación del REA del CMIP3 (Montero y Pérez 2008) con el REA del CMIP5
para el periodo 2075-2098 no muestra cambios significativos en los escenarios de
temperatura entre los dos grupos de modelos. Tanto CMIP3 como CMIP5 indican
incrementos entre 2 y 5oC en el transcurso de este siglo. Además, el CMIP5 también
muestra aumentos en las temperaturas extremas (P90 y P10) del mismo orden que las
temperaturas promedio (5oC con el escenario RCP8.5 para fínales del siglo).
Se requiere diseñar y ejecutar un experimento numérico de regionalización dinámica de
gran envergadura para estimar los impactos asociados a cambio climático a escalas
regionales más finas que la malla de los modelos globales. Este experimento deberá ser
inter-institucional y formar recursos humanos durante su desarrollo.
También será importante participar en las actividades de CORDEX (Coordinated
Dynamical Experiment) para México y Centro América, evaluando las salidas de sus
modelos regionales, haciendo estudios de los cambios en la dinámica de los procesos y
fenómenos importantes para el clima de México y comparando esos resultados con los
del presente reporte y posiblemente con salidas de otros modelos dinámicos regionales
como el WRF o el RegCM.
Informe Final, 15 de enero de 2013 118
9. Lecciones aprendidas y pasos a seguir
Los resultados más relevantes del proyecto son: Los modelos globales y el ensamble del
REA aun presentan sesgos importantes con respecto a los datos observados del CRU. Por
lo tanto, es importante fomentar el estudio de los procesos dinámicos asociados a los
fenómenos y sus cambios para poder entender las causas, efectos e incertidumbre de los
modelos. Por ejemplo, es muy probable que el sesgo húmedo que tienen la gran mayoría
de los modelos y también el ensamble del REA sea una de las causas del retraso de las
lluvias monzónicas en el Noroeste de México. Además, muchos de los modelos generan
demasiada lluvia en el sureste Mexicano durante el periodo observado y además
presentan un sesgo frío; es muy posible que esto se deba a que los modelos no simulan
adecuadamente la zona de convergencia intertropical o no son capaces de simular otros
procesos regionales. Por lo tanto, para reducir la incertidumbre en los escenarios futuros,
es importante que los grupos académicos investiguen cuáles son los modelos que mejor
simulan el clima de una región y por qué otros modelos presentan sesgos grandes. Para
esto es necesario investigar otras métricas climáticas asociadas a procesos climáticos
regionales, incluyendo variables termo-dinámicas como la convergencia, la presión a
nivel del mar, la temperatura superficial del océano, la estabilidad, la humedad específica
y las alturas geopotenciales a diferentes niveles. Esto se podría hacer desde el punto de
vista de los modelos globales o mediante modelos regionales como el WRF, el RegCM, y
las salidas de algunos modelos de escala fina utilizados en la Iniciativa CORDEX. Se
podría diseñar un prototipo de proyecto de regionalización dinámica utilizando el modelo
WRF forzado con alguno de los modelos con mejor desempeño según las métricas y
región. Se podrían comparar por ejemplo las salidas de CORDEX con el WRF.
Es importante estudiar los procesos típicos de cada región, por ejemplo es este reporte
avanzamos un poco en el monzón del Noroeste de México, pero también se podrían
investigar otros fenómenos que son importantes para el clima de México como las ondas
de calor, los frentes fríos, la canícula, las ondas del este, etc. También es de importancia
iniciar estudios de escala diaria para poder hacer estudios de eventos extremos regionales,
validar los extremos observados con los que producen algunos modelos que reproduzcan
bien el clima regional.
Se debe fomentar la autosuficiencia en la generación de resultados, como la
regionalización dinámica de los escenarios de cambio climático, continuar con la
construcción de capacidades tanto individuales como institucionales, y colaborar en
equipos de trabajo con objetivos de mayor alcance y en forma coordinada.
Los resultados de los alcances y limitaciones de los escenarios de cambio climático
generados con modelos globales serán utilizados por grupos de trabajo de diversas áreas
del conocimiento para que aporten elementos de estudios del impacto y la vulnerabilidad
en diversos sistemas y también en la creación de líneas estratégicas para la adaptación en
México.
Se sugiere en proyectos futuros aplicar el método REA a 22 modelos, ya que cuando se
comenzó este proyecto solo estaban disponibles 15 MCG.
Informe Final, 15 de enero de 2013 119
Se propone diseñar un prototipo de proyecto de regionalización dinámica utilizando el
modelo WRF al seleccionar los modelos con mejor desempeño según las métricas.
Para contribuir a la formación de recursos humanos es importante impartir talleres a la
comunidad estudiantil y a los usuarios de los datos actuales, para fomentar tanto el
conocimiento aprendido en este proyecto como el asociado a la generación de escenarios
de cambio climático.
Informe Final, 15 de enero de 2013 120
10. Bibliografía
Allan R., Soden B., 2008: Atmospheric warming and the amplification of precipitation
extremes. Science 321:1481–1484.
Cavazos, T. y S. Arriaga-Ramirez, 2012: Regional climate change scenarios for Baja
California and the North American monsoon. Journal of Climate, 25, 5904-5915.
CRU (2012) http://www.cru.uea.ac.uk, revisada en agosto de 2012.
Di Luca A., de Elia R., Laprise R., 2012: Potential for added value in precipitation
simulated by high-resolution nested Regional Climate Models and observations.
Clim Dyn 38:1229–1247. doi: 10.1007/s00382-011-1068-3.
Garcia-Cueto, O. R. y N. Santillan-Soto, 2012: Modeling extreme climate events: Two
case studies in México. In Druyan M. L. (Ed) Climate Models. Intech Publishing,
Croatia, pp 137-160.
Garcia-Cueto, O. R., A. Tejeda-Martinez A. y E. Jauregui, 2010: Heat waves and heat
days in an arid city in the northwest of México: current trends and in climate
change scenarios. Int. Biometeorol., 54, 335-345.
Giorgi, F. y Mearns, L., 2001: Calculation of Average, Uncertainty Range, and
Reliability of Regional Climate Changes from AOGCM simulations via the
“Reliability Ensemble Averaging” (REA) Method. Journal of Climate, Vol. 15, pp.
1141-1158.
Held I., Soden B., 2006: Robust responses of the hydrological cycle to global warming.
Journal of Climate, 19:5686–5699.
IPCC, 2007: Contribution of Working Group I to the Fourth Assessment Report of the
Intergovernmental Panel on Climate Change, 2007.
Karl T.R., J. M. Mellilo, T. C. Peterson (eds), 2009: Global climate change impacts in the
United States: a state of knowledge report, Cambridge [England], Cambridge
University Press (disponible en www.globalchange.gov).
Marsland S. J., H. Haak, J. H. Jungclaus, M. Latif, F. Roeske, 2003: The Max-Planck-
Institute global ocean/sea ice model with orthogonal curvilinear coordinates.
Ocean Modelling, 5, 91-127.
Maurer E.P., A. W. Wood, J. C. Adam, D. P. Lettenmaier, B. Nijssen, 2002: A long-term
hydrologically-based data set of land surface fluxes and states for the Conterminous
United States, J Clim 15, 3237–3251 (base de datos disponible en
http://www.engr.scu.edu/*emaurer/data.shtml).
Martinez et al., 2012: Tercer Reporte, Parte III del Proyecto “Participación del CICESE,
el IMTA y el CCA-UNAM en el desarrollo del proyecto de actualización de
escenarios de cambio climático para México como parte de los productos de la
Quinta Comunicación Nacional”. CCA, INE, 50 pp.
Mitchel, T.D. y P.D. Jones, 2005: An improved method of constructing a database of
monthly climate observations and associated high-resolution Grids”. Journal of
Climate. Vol. 25, pp. 693–712
Montero Martínez, M.J. y J.L. Pérez López, 2008: Regionalización de proyecciones de
precipitación y temperatura en superficie aplicando el método REA para México,
en Efectos del cambio climático en los recursos hídricos de México, Volumen II.
Eds. P.F. Martínez Austria y A. Aguilar Chávez, 118 pp., IMTA, México, pp. 11-
21.
Informe Final, 15 de enero de 2013 121
Moss, R.H., J. A. Edmonds, K. A. Hibbard, M. R. Manning, S. K. Rose, D. P. Vuuren,
Carter, T.R., Emori, S., Kainuma, M., Kram, T., Meehl, G.A., Mitchell, J.F.,
Nakicenovic, N., Riahi, K., Smith, S.J., Stouffer, R.J., Thomson, A.M., Weyant,
J.P. y Wilbancks, T.J., 2010:. Thenextgeneration of scenarios for climate change
research and assessment. Nature, Vol. 463.
Murphy J., D. M. H. Sexton, D. N. Barnett, G. S. Jones, M. J. Webb, M. Collins y D. A.
Stainforth, 2004: Quantification of modeling uncertainties in a large ensemble of
climate change simulations. Nature 430, 768-772.
O’Gorman P., Schneider T., 2009: The physical basis for increases in precipitation
extremes in simulations of 21st-century climate change. Proc Natl Acad Sci
106:14773–14777.
Roeckner E, and Coauthors (2003) The atmospheric general circulation model ECHAM5.
Part I: Model description. Max Planck Institute for Meteorology Rep. 349, 127 pp.
[Available from MPI for Meteorology, Bundesstr. 53, 20146 Hamburg, Germany.].
Rudolf, B., C. Beck, J. Grieser, U. Schneider, 2005: Global Precipitation Analysis
Products. Global Precipitation Climatology Centre (GPCC), DWD, Internet
publication, 1-8.
Rudolf, B., et al., 2010: GPCC Status Report December 2010 (On the most recent
gridded global data set issued in fall 2010 by the Global Precipitation Climatology
Centre (GPCC)).
Salinas, J. A., et al., 2012: Escenarios del REA, Productos de la Pagina Web y Revisión
NARCCAP. Tercer Reporte, Parte I: Participación del CICESE, el IMTA y el
CCA-UNAM en el desarrollo del proyecto de actualización de escenarios de
cambio climático para México como parte de los productos de la Quinta
Comunicación Nacional. IMTA, CICESE, INE, 72 pp.
Taylor, K.E., Stouffer, R.J. y Meehl, G.A., 2011: A summary of the CMIP5 Experiment
Design. Submitted to Bulletin of the American Meteorological Society.
Torres Alavez, A., 2012: Respuesta dinámica del monzón de América del Norte ante
condiciones de calentamiento global. Tesis de Maestría en Oceanografía Física,
CICESE.
Turrent, C., y T. Cavazos, 2009: Role of the land-sea thermal contrast in the interannual
modulation of the North American Monsoon, Geophys. Res. Lett., 36, L02808,
doi:10.1029/2008GL036299.
Wehner M.F., Smith R., Duffy P., Bala G., 2010: The effect of horizontal resolution on
simulation of very extreme US precipitation events in a global atmosphere model.
Clim Dyn 32:241–247. doi:10.1007/s00382-009-0656-y.
Wehner M.F., 2012: Very extreme seasonal precipitation in the NARCCAP ensemble:
model performance and projections. Clim Dyn 32:241–247. doi: 10.1007/s00382-
012-1393-1.
Wilks, D. S., 2011: Statistical Methods in the Atmospheric Sciences. Academic Press.
Informe Final, 15 de enero de 2013 122
11. Anexo 1: NARCCAP
Se realizó un resumen y discusión de los resultados del Programa de Evaluación de
Cambio Climático Regional de Norteamérica (NARCCAP, por sus siglas en inglés), así
como un diagnóstico de validación de las salidas de varios de los modelos del
NARCCAP en México.
11.1 ¿Qué es el NARCCAP?
El Programa de Evaluación de Cambio Climático Regional de Norteamérica
(NARCCAP, por sus siglas en inglés), es un programa internacional para producir
simulaciones de cambio climático con una resolución espacial alta y con la finalidad de:
(1) investigar las incertidumbres asociadas a proyecciones climáticas en escala regional
del clima futuro, y
(2) generar escenarios de cambio climático para usarse en la estimación de los impactos
del cambio climático.
En NARCCAP se realizaron una serie de simulaciones numéricas utilizando varios
modelos climáticos regionales, cuyas condiciones de contorno se obtuvieron de modelos
acoplados océano-atmosfera de circulación general (AOGCMs). Estas simulaciones
climáticas regionales emplearon un dominio limitado, que cubre a los Estados Unidos de
Norteamérica (Fig. 11.1.1), gran parte de Canadá y el norte de México. Los AOGCMs
fueron forzados con el escenario de emisiones SRES A2 y simularon todo el siglo XXI.
Además, se realizaron simulaciones de la evolución del periodo histórico (siglo XX). Los
modelos climáticos regionales obtienen sus condiciones de contorno de las salidas de los
AOGCMs para el periodo “actual”, 1971-2000, y para el periodo futuro, 2041-2070.
Todos los modelos climáticos regionales utilizaron una resolución espacial de 50 km.
NARCCAP incluye los modelos regionales del programa europeo PRUDENCE: modelos
HadRM3 y RegCM, el modelo regional Canadiense (CRCM) y el modelo espectral
regional de NCEP llamado RSM, además del modelo MM5 y WRF. Los modelos
globales son HadCM3, el NCAR (National Center for Atmospheric Research), y el
modelo CCSM, (CGCM3 y GFDL).
Es importante incluir las propiedades del tipo de uso de suelo y la orografía a alta
resolución que afectan la dinámica atmosférica local, ya que poseen una variabilidad
espacial de menor escala. Adicionalmente, las bases de datos de uso de suelo han
incrementado su resolución espacial, lo que debe incluirse para mejorar las simulaciones
numéricas a escala regional, las aportaciones de una reducción de escala se observa en la
Fig. 11.1.2.
Informe Final, 15 de enero de 2013 123
Figura 11.1.1. Dominio computacional del NARCCAP (http://www.narccap.ucar.edu/).
En la figura superior se muestra el dominio con la topografía y en la inferior se muestra el
dominio utilizado por diferentes modelos.
Informe Final, 15 de enero de 2013 124
Figura 11.1.2. Esquema de la información local aportada por el aumento de resolución
espacial de uso de suelo.
11.1.1 Desempeño de NARCCAP
Un estudio (Wehner et al., 2010), basado en las salidas de los modelos regionales del
NARCCAP con resoluciones horizontales más gruesas que 50 km, encuentra que se
subestima significativamente la precipitación sobre Estados Unidos y regiones contiguas.
Es natural esperar que simulaciones con baja resolución horizontal (y vertical ya que
existe un requerimiento dinámico ligando ambas resoluciones en coordenadas sigma que
se manifiesta de manera importante en pendientes orográficas fuertes) tengan sesgos en la
precipitación y en la temperatura en superficie en regiones con terreno complejo, como es
el caso de buena parte del territorio en México que, dicho sea de paso, no es cubierto en
su totalidad por las simulaciones de los modelos utilizados en el NARCCAP (Fig.
11.1.1).
Wehner (2012) examinó los resultados de ocho modelos regionales forzados con
condiciones iniciales y de frontera provenientes del reanalisis de NCEP (NCEP-2) y de
modelos globales acoplados océano-atmósfera para dos periodos según el protocolo
establecido en el proyecto NARCCAP (http://www.narccap.ucar.edu). La habilidad de
los modelos regionales se basó en las estadísticas que los modelos arrojan tanto de
precipitación como de eventos extremos de precipitación. Se utilizaron las salidas de los
modelos regionales aproximadamente a 50 km de resolución espacial en dos periodos.
Para el primer periodo histórico de 1968 a 1999, se utilizó la base de datos globales del
reanálisis de NCEP-2, fuertemente restringidas por datos observacionales mediante un
esquema de asimilación utilizando filtros de Kalman, el cual permite la asimilación de
datos provenientes de distintas plataformas observacionales localizadas en espacio y en
Informe Final, 15 de enero de 2013 125
tiempo de forma heterogénea. Hay que notar que pese a que los datos de NCEP-2 podrían
tomarse como un proxy de datos observacionales donde no los hay, a final de cuentas se
trata de un conjunto de salidas de un modelo que puede contener sesgos importantes.
Estos sesgos son particularmente serios en superficie cuando se comparan los datos del
reanálisis con observaciones de una red climatológica de alta calidad, vea, por ejemplo
Maurer et al. (2002).
Para el segundo periodo se remplazaron las salidas de NCEP-2 con las salidas de cuatro
modelos globales acoplados. Desafortunadamente, por limitación computacional, cada
modelo regional de los grupos que contribuyeron a NARCCAP fue forzado con la salida
de un solo modelo global acoplado, además de la requerida para la simulación del clima
histórico (1968-1999) con NCEP-2, lo cual complica substancialmente la comparación
entre los ocho modelos regionales y debilita las conclusiones. Aun con esas limitaciones
presentes, los resultados del estudio de Wehner (2012) sugieren que:
(1) Las simulaciones de los ocho modelos regionales en NARCCAP exhiben una fuerte
variabilidad (que depende de la estación) en la estadística de eventos extremos de
precipitación que no puede ser correlacionada con la habilidad de los modelos para
pronosticar promedios estacionales de precipitación.
(2) El promedio del ensamble mejora los valores de retorno a 20 años para eventos
extremos de precipitación y para el promedio estacional.
No es claro, sin embargo, que un promedio pesado del ensamble funcione en las
proyecciones de escenarios futuros. Por ejemplo, en las simulaciones para el periodo
histórico realizadas con el modelo WRF utilizando la parametrizacion de Grell (WRFG),
el desempeño del mismo fue muy pobre. Por ello, no es justificable utilizar una
metodología de ensamble más sofisticada que la de simplemente rechazar los miembros
del ensamble con el peor desempeño.
(3) Comparaciones entre proyecciones de escenarios futuros y las simulaciones del
periodo histórico refuerzan resultados previos del CMIP3 (Karl et al., 2009) en los que
las regiones húmedas del norte se hacen más húmedas en el invierno, en tanto que
regiones más secas del sur se secan aún más en el verano.
En las escalas de tiempo de las simulaciones de NARCCAP un forzamiento radiativo
desacelera la celda de Hadley debido a un incremento en vapor de agua. Held y Soden
(2008) así explican los cambios en precipitación máxima estacional observados en
CMIP3.
(4) Las comparaciones de eventos de precipitación máxima estacional y los de eventos
más extremos en los valores de retorno a 20 años muestran también una similitud
geográfica con los mostrados por Karl et al. (2009).
Existen dos hipótesis diferentes a la postulada por Held y Soden (2008): la primera es la
limitación de vapor de agua vía la relación de Clasius-Clapeyron, que expresa la presión
Informe Final, 15 de enero de 2013 126
de vapor de agua como función de la temperatura solamente. De esta forma, los cambios
en precipitación extrema estarían controlados por los cambios en la temperatura de la
atmósfera (Allan y Soden, 2008). Otro posible mecanismo ha sido propuesto por
O’Gorman y Schneider (2009) en el que dichos eventos estarían controlados por
movimientos ascendentes convectivos lo cual cambiaría la estructura del vapor de agua
en la atmósfera de una manera complicada. Por si solos, estos mecanismos no podrían
explicar eventos individuales. Por ejemplo en condiciones de mayor temperatura aún es
posible obtener en las simulaciones de NARCCAP una disminución de eventos de
precipitación extrema, aun cuando hay mayor disponibilidad de vapor de agua en la
atmósfera. Por otra parte, cambios en precipitación extrema no ocurrirían en invierno de
tener solamente control convectivo del vapor de agua en latitudes medias, ya que los
sistemas en esta estación se rigen por sistemas frontales que no incluyen eventos
convectivos profundos. Una tercera propuesta, que en realidad no es una hipótesis de
principios básicos, es la disponibilidad de vapor de agua transportado por la gran escala.
Esta tercera propuesta se ve sugerida por el hecho de que el ensamble de NARCCAP
prevé, como escenario futuro, una reducción en precipitación media, máxima y extrema
en la región suroeste de Estados Unidos y noroeste de México. Se concluye que
dependiendo de la localidad y de la estación, estos tres mecanismos entran en juego para
modificar la estadística de precipitación extrema. La importancia relativa de cada
mecanismo propuesto es un tema de investigación actual.
La confianza que se tiene en los escenarios climáticos generados por NARCCAP se ve
limitada principalmente por el conjunto relativamente pequeño de miembros en el
ensamble de simulaciones diseñado para NARCCAP. Por ejemplo, solo un número
pequeño de realizaciones de modelos globales está disponible para alimentar los modelos
regionales que permitan muestrear adecuadamente el rango de incertidumbre a cambios
en la circulación de la celda de Hadley. La consistencia con resultados de CMIP3 no debe
llevar necesariamente a la conclusión de que estos resultados son robustos. Por otra parte,
la habilidad en replicar la estadística de la precipitación media y extrema respecto del
reanálisis en el periodo histórico, no superan al mismo reanálisis (Di Luca et al., 2012).
Antes bien, los modelos generan sus propios errores al interior del dominio
computacional haciendo que las soluciones difieran substancialmente de las condiciones
iniciales y de frontera de los modelos globales. Esto indica que es necesario tener mucho
cuidado en extraer conclusiones del downscaling sin hacer previamente un análisis
detallado del desempeño de los modelos utilizados, de la calidad de los campos forzantes
y de las bases de datos contra las que se deberían de evaluar los resultados.
11.1.2 Discusión y Recomendaciones
La resolución utilizada por los modelos regionales de NARCCAP es insuficiente, pues
produce sesgos importantes en precipitación y temperatura en superficie. La mínima
resolución espacial horizontal aceptable sería 32 km (Prof. Robert Oglesby,
comunicación personal; note que esta es la resolución espacial del Análisis Regional de
Norteamérica de Alta Resolución). Además, es necesario enfatizar que NARCCAP utiliza
modelos regionales en modo atmosférico, es decir, el estado superficial del mar es
Informe Final, 15 de enero de 2013 127
prescrito como una condición de frontera. Esta simplificación es debida a una carencia de
capacidad de cómputo, puesto que los requerimientos para realizar NARCCAP utilizando
modelos regionales de alta resolución y acoplados al océano tendrían un altísimo costo
computacional. Este problema, observado en NARCCAP, se podría resolver si los
esfuerzos tuvieran un carácter nacional, como en algunos países europeos.
Para los Estados Unidos de Norteamérica, el usar modelos en modo atmosférico quizás
no sea tan relevante, dado su carácter continental. Es decir, como los dos océanos que
flanquean su territorio son tan distantes entre sí, su efecto sobre grandes porciones de su
territorio se podría considerar “constante”, es decir estacionario. Esta suposición, elimina
modos acoplados de variabilidad que son fundamentales para la evolución del tiempo
atmosférico y el clima y, si bien práctica, no es adecuada. Por ejemplo, en la Fig. 11.1.3
se muestran las condiciones atmosféricas promedio observadas en el mes de julio del
2011. Claramente, la configuración del anticiclón subtropical del Atlántico es tal que
induce flujos de humedad del Golfo de México y del Mar Caribe hacia gran parte del
territorio continental de los Estados Unidos. Con los modelos actuales globales es
imposible decir si estas configuraciones serán más frecuentes o no en los próximos años o
décadas. La razón principal es su inhabilidad para reproducir la variabilidad observada de
los fenómenos ondulatorios de latitudes medias. De esta manera, además de que
NARCCAP elimina modos acoplados de variabilidad océano-atmósfera, cuya
importancia es evidente en la Fig. 11.1.3, el utilizar condiciones de frontera provenientes
de modelos globales limita seriamente el desempeño del modelo para simular
correctamente la magnitud y la frecuencia de situaciones como la que se observó en julio
de 2011. En otras palabras, la variabilidad de estructuras del tipo mostradas en la Fig.
11.1.3 no está presente en las condiciones de frontera utilizadas para forzar los modelos
regionales.
Además de lo anterior, los modelos globales son aun incapaces de simular la ubicación
geográfica y la estadística mensual de la Zona Intertropical de Convergencia, lo cual
provoca sesgos muy importantes en la precipitación en las regiones tropicales.
En México se podría pensar en utilizar algo similar a NARCCAP pero tendría que ser
financiado en gran parte por el Gobierno Federal y analizar muy bien la conveniencia de
entablar un acuerdo de largo alcance con algún país desarrollado para compartir su
infraestructura, tanto material como humana. Además, algunas cosas a considerar serían
los siguientes puntos:
(1) Utilizar modelos acoplados climáticos regionales
Existen dos tipos de modelos regionales que pueden ser utilizados. En la década de los
ochentas y noventas se usaron mucho las simulaciones numéricas de la atmósfera en
modo único, es decir, se simulaba la evolución del estado de la atmósfera prescribiendo la
temperatura superficial del mar como una condición de frontera. Este enfoque, si bien
práctico y sencillo de realizar, tiene el gran inconveniente de eliminar modos acoplados
de variabilidad. Algunos de estos modos acoplados de variabilidad son de suma
importancia para nuestro país; por ejemplo el Fenómeno El Niño-Oscilación del Sur
Informe Final, 15 de enero de 2013 128
(ENSO), la Oscilación Decadal del Pacífico (PDO), la Oscilación del Atlántico del Norte,
etc. Actualmente, no existen razones técnicas ni académicas para insistir en simular la
atmósfera como un ente separado del océano. Así que cualquier estudio orientado a
simular realísticamente el clima de nuestro país, tanto actual como futuro, debería de
incluir un modelo acoplado océano-atmósfera de alta resolución. Esfuerzos notables en
esta dirección se están haciendo en el Instituto de Meteorología Max Planck de
Hamburgo, Alemania.
(2) Explorar la conveniencia de correr los modelos atmosféricos globales utilizando una
resolución espacial alta y prescribiendo la temperatura superficial del mar para ciertas
décadas en el futuro (“time-slice experiments”).
Esta aproximación, si bien debería de simular correctamente las estadísticas de los
fenómenos ondulatorios de latitudes medias, eliminaría los modos acoplados de
variabilidad. Note que al menos estos modos sí contribuirían en el cálculo de la
temperatura superficial del mar que se prescribe, pues los campos prescritos provienen de
simulaciones de modelos acoplados océano-atmósfera; si bien la resolución espacial
empleada en ellos es tal que no permite la correcta estimación de las estadísticas en
latitudes medias.
Figura 11.1.3. Promedio mensual de a) altura geopotencial (m) a 925 mb, b) razón de
vapor de agua (g/kg) y viento horizontal (ms-1
) y c) altura geopotencial (m) y viento
horizontal (m s-1
) a 300 mb para el mes de julio de 2011.
Informe Final, 15 de enero de 2013 129
11.2 Regionalización dinámica en NARCCAP
Una de las herramientas para incorporar los procesos de escalas menores es la reducción
de escala dinámica, ello mediante modelos numéricos regionales anidados en modelos
globales, como se realizó en el experimento NARCCAP (Fig. 11.2.1).
Figura 11.2.1. Integración de capacidades de modelos globales y regionales.
Utilizando una resolución de 2.5° (lat) x 3.75˚(lon), que corresponde ~ 280 km, como la
del modelo Hadley Centre (HadCM3), la morfología costera sería observada como en la
Fig. 13.2.2, donde la península de Baja California no existiría y el detalle de las costas
mexicanas se eliminaría.
Figura 11.2.2. Configuración costera con resolución de 280 Km (izquierda) y con 50 Km
(derecha).
Informe Final, 15 de enero de 2013 130
La resolución de los modelos globales es adecuada para describir eventos de gran escala,
de más de 500 Km, sin embargo, los eventos de menor escala no son reproducidos con
estas resoluciones, ello se logra con anidamientos de modelos regionales en modelos
globales (Fig. 11.2.3).
Figura 11.2.3. Incorporación de procesos de menor escala mediante anidamientos de
modelos regionales en modelo globales.
Los modelos globales no reproducen fenómenos de menor escala para determinar la
ocurrencia de eventos hidrometeorológicos extremos como ondas del este, huracanes,
frentes fríos, los cuales impactan en la precipitación y temperatura, entre otros (Fig.
11.2.4). Por lo que es necesario utilizar modelos regionales dinámicos para simular estos
fenómenos.
Figura 11.2.4. Eventos meteorológicos de menor escala que no son capturados por los
modelos globales.
El modelo HadCM3 tiene una resolución de 280 km, para aumentar la resolución a 50
km, se requiere (280/50)3 = 175 veces el poder de cómputo original, la solución aplicada
es utilizar la resolución más fina únicamente sobre las regiones de interés. Los modelos
regionales resaltan regiones con masas continentales irregulares, topografía compleja,
líneas de costa complejas, tipos de suelo heterogéneos (Fig. 11.2.5)
Informe Final, 15 de enero de 2013 131
Figura 11.2.5. Topografía representada en una malla de alta resolución.
Figura 11.2.6. Modelos globales (centro) y regionales (abajo) utilizados en NARCCAP.
Los cuatro modelos globales utilizados y su uso para inicializar 6 modelos regionales se
observa en la Fig. 11.2.6, donde se aprecia la combinación de éstos tanto para períodos
históricos como a futuro.
Los cortes de tiempo en los modelos globales se hicieron conforme a la Fig. 11.2.7,
donde éstos se ejecutaron a una resolución de 50 Km igual que los modelos regionales
para conocer las mejoras al anidar los modelos.
Informe Final, 15 de enero de 2013 132
Figura 11.2.7. Cortes de tiempo de modelos globales.
Los acoplamientos entre modelos regionales y globales se hicieron de acuerdo a la Fig.
11.2.8, donde se aprecian dos fases, la primera utilizando la base de datos reanalizados
del NCEP y en la segunda fase se incorporan los modelos globales para forzar los
modelos regionales.
Figura 11.2.8. Acoplamiento de modelos regionales con globales.
11.2.1 Acceso a bases de datos NARCCAP
Los resultados del proyecto NARCCAP son del dominio público y están accesibles en la
página WEB:www.narccap.ucar.edu, donde el usuario se registra y elige las bases de
datos que requiere (Fig. 11.2.9 y 11.2.10).
Informe Final, 15 de enero de 2013 133
Figura 11.2.9. Menú inicial de la página de registro de NARCCAP.
Figura 11.2.10. Menú de selección de macros para descargar datos.
Informe Final, 15 de enero de 2013 134
11.3 Evaluación de algunas salidas de NARCCAP para el norte de México
A continuación se muestran algunos análisis de regionalizaciones dinámicas realizadas en
el experimento NARCCAP. Dado que una de las limitaciones para usuarios en México es
que el dominio de NARCCAP abarca solamente la parte norte de México (Fig. 11.1.1), se
utilizaron solamente las dos regiones del norte (Fig. 11.3.1) previamente analizadas en el
desempeño de los modelos globales participantes en CMIP5.
La metodología consistió en utilizar las salidas de varios modelos disponibles en la
página de NARCCAP (Fig. 11.2.1 y 11.2.2), las cuales se compararon con los datos
observados del CRU para las dos regiones del Norte de México que se muestran en la
Fig. 11.3.1.
Figura 11.3.1. Regiones seleccionadas para comparar resultados de NARCCAP con
observaciones (CRU).
De las simulaciones numéricas realizadas con el modelo WRF (disponibles en la página
de NARCCAP) se utilizó un período de 4 años (1996-1999), considerando que su
resolución temporal es de una hora, se tiene un total de 24x365x4=35,040 registros por
variable por nivel para este período. Para realizar las comparaciones con las
observaciones de CRU, se calcularon promedios mensuales para reproducir el ciclo
anual. Estos cálculos se realizaron tanto para la precipitación, como para la temperatura
media, máxima y mínima en ambas regiones del norte. En el caso de la precipitación, en
el ciclo anual en el noreste se observa una distribución bimodal (Fig. 11.3.2), con
máximos en junio y agosto y un mínimo relativo en julio, esta distribución temporal no es
reproducida por ninguna combinación de modelos regionales forzados con globales, sin
embargo, cuantitativamente, la combinación de los modelos WRF-CGCM3, sobre todo,
de agosto a noviembre, la combinación WRF-CCSM y WRF-NCEP subestiman y sobre-
estiman la precipitación respectivamente entre mayo y octubre, período de mayor
precipitación en la región.
Informe Final, 15 de enero de 2013 135
Figura 11.3.2. Ciclo anual de precipitación en la región noreste del CRU y las salidas de
la regionalización dinámica del modelo WRF forzado con CCSM, CGCM3 y NCEP.
Por otra parte, las tres combinaciones de modelos subestiman la temperatura máxima del
noreste, siendo similar en todos los casos la distribución temporal, con máximos entre
mayo y agosto (Fig. 11.3.3). La fuerte subestimación en la temperatura máxima ha sido
persistente tanto en los modelos del CMIP3 como en los del CMIP5 en todo México, y
por lo visto, los modelos regionales no pueden mejorar este sesgo.
Figura 11.3.3. Ciclo anual de la temperatura máxima en la región noreste del CRU y las
salidas de la regionalización dinámica del modelo WRF forzado con CCSM, CGCM3 y
NCEP.
Para la temperatura mínima, existe menos dispersión entre las combinaciones de modelos
(Fig. 11.3.4), mostrando de igual forma una distribución unimodal, con máximos entre
junio y agosto, siendo WRF-CGCM3 los modelos que más se aproximan a las
observaciones.
Informe Final, 15 de enero de 2013 136
Figura 11.3.4. Ciclo anual de la temperatura mínima en la región noreste del CRU y las
salidas de la regionalización dinámica del modelo WRF forzado con CCSM, CGCM3 y
NCEP.
Para la temperatura media (Fig. 11.3.5) en la misma región el desempeño de las
combinaciones de modelos es similar a los anteriores: los modelos subestiman la
temperatura.
Figura 11.3.5. Ciclo anual de la temperatura media en la región noreste del CRU y las
salidas de la regionalización dinámica del modelo WRF forzado con CCSM, CGCM3 y
NCEP.
Para la región noroeste, la distribución temporal de precipitación alcanza un único
máximo entre julio y agosto (Fig. 11.3.6), comportamiento típico del ciclo anual del
monzón; sin embargo, ninguna de las tres combinaciones de modelos se aproxima ni
cualitativa ni cuantitativamente a las observaciones, en todos los casos subestiman la
precipitación, observándose que los modelos globales de CMIP5 poseen mejor
desempeño que los de CMIP3 regionalizados dinámicamente con WRF. Esto puede
deberse a que los efectos estacionales del monzón son una suma de procesos de escalas
regionales y locales cuyos efectos no son capturados por los modelos globales que están
forzando al modelo regional WRF, el cual tampoco es capaz de generarlos a escala fina.
La subestimación en la precipitación puede deberse a que los modelos globales están
demasiado fríos (Figs. 11.3.7-11.3.9), lo cual podría generar un retraso en el monzón,
como lo han sugerido Cavazos y Arriaga-Ramirez (2012).
Informe Final, 15 de enero de 2013 137
Figura 11.3.6. Ciclo anual de precipitación en la región noroeste utilizando
regionalización dinámica con el modelo WRF forzado con modelos globales.
En cuanto a la temperatura media para la misma región noroeste, el ciclo anual muestra
un máximo único entre mayo y septiembre, este máximo es reproducido cualitativamente
por todas las combinaciones de modelos (Fig. 11.3.7), sin embargo son subestimadas en
todas las combinaciones de modelos, para el invierno (diciembre a marzo) la
combinación de modelos WRF-CCSM sobre-estima la precipitación, representando el
peor desempeño de todas las combinaciones.
Figura 11.3.7. Ciclo anual de la temperatura máxima en la región noroeste utilizando
regionalización dinámica con el modelo WRF forzado con modelos globales.
Por otra parte, la temperatura mínima en el noroeste es mejor reproducida por el modelo
WRF en todas sus combinaciones con modelos globales (Fig. 11.3.8), aunque también
subestiman en los meses de mayores valores (agosto a octubre).
Informe Final, 15 de enero de 2013 138
Figura 11.3.8. Ciclo anual de temperatura mínima en la región noroeste utilizando
regionalización dinámica con el modelo WRF forzado con modelos globales.
Finalmente, para la temperatura media en el noroeste, los modelos la subestiman de igual
forma (Fig. 11.3.9), no obstante reproducen cualitativamente la distribución unimodal
observada.
Figura 11.3.9. Ciclo anual de la temperatura media en la región noroeste utilizando
regionalización dinámica con el modelo WRF forzado con modelos globales.
Los errores de la reducción de escala aplicada en NARCCAP para las dos zonas del norte
de México se estimaron utilizando las mismas métricas aplicadas en este proyecto
(desviación estándar: std, error cuadrático medio: RMSE, error medio absoluto: MAE y
correlación en tiempo: r), esto se calculó a cada una de las combinaciones de modelos
global-regional. Para el noroeste se observa que la combinación con mayor variabilidad
es WRF-CCSM (barra azul) y la menor para WRF-NCEP, las observaciones poseen una
desviación estándar que está numéricamente entre ambas (Fig. 11.3.10). Respecto al error
cuadrático medio, el menor valor lo tiene WRF-NCEP y el mayor WRF-CCSM, esta
relación se refleja en el error medio absoluto y la correlación, que es mayor con WRF-
NCEP. Para el noreste a pesar de que la desviación estándar de WRF-NCEP es mayor, se
conserva cualitativamente el desempeño relativo de las tres combinaciones de modelos,
siendo en ambas regiones, la combinación de los modelos WRF-NCEP la de mejor
desempeño.
Informe Final, 15 de enero de 2013 139
Figura 11.3.10. Errores calculados mediante métricas entre simulaciones regionalizadas
y observaciones.
Para la temperatura máxima, media y mínima se mantiene la misma relación entre el
desempeño de los modelos y las observaciones (Figs. 11.3.11 a 11.3.12), los menores
errores se mantienen en la combinación WRF-NCEP, como en precipitación, aunque en
esta variable el desempeño del resto de las combinaciones son mejores, acercándose al
valor de la correlación siendo muy similares en los tres casos.
Figura 11.3.11. Errores calculados mediante métricas entre simulaciones regionalizadas
y observaciones para la temperatura máxima.
Informe Final, 15 de enero de 2013 140
Figura 11.3.12. Errores calculados mediante métricas entre simulaciones regionalizadas
y observaciones para la temperatura media.
Figura 11.3.13. Errores calculados mediante métricas entre simulaciones regionalizadas
y observaciones para la temperatura mínima.
Respecto a lo que espera en el futuro con el escenario A2 en la temperatura media para la
región de NARCCAP con el modelo global CCSM, en la Fig. 11.3.15 se presenta la
diferencia del período a futuro 2041-2070 respecto el período histórico 1971-2000,
notándose que tanto para el verano como el invierno todos los valores sobre la región son
positivos, sobre México se observan regiones con valores positivos en el futuro cercanas
a 2.5°C y en verano de 2 a 2.5°C, únicamente se observa una diferencia de cero en una
pequeña región sobre el Pacífico del Este.
Informe Final, 15 de enero de 2013 141
Figura 11.3.16. Cambio estacional de la temperatura media estimado con el modelo
CCSM, a) Invierno: DEF, b) Verano: JJA
Para estimar los efectos de la regionalización dinámica utilizando la combinación de
modelo MM5 forzado con CCSM, se calculó la diferencia entre el período 2041-2070
respecto al período histórico 1971-2000. Se observan temperaturas más cálidas en el
futuro pero menores que las estimadas con el modelo CCSM sin regionalizar, de menor
intensidad en verano, mientras que para el invierno en la porción sureste de la región se
estima menor calentamiento respecto al período histórico (comparar Fig. 11.3.15b con
Fig. 11.3.16b).
Informe Final, 15 de enero de 2013 142
Figura 11.3.16. Cambio estacional de la temperatura media estimado con el modelo
MM5 forzado con el modelo CCSM, a) DEF, b) JJA.
Para el caso de la precipitación invernal, el modelo CCSM estima menor cantidad para el
período 2041-2070 respecto al período 1971-2000 para la zona de México y sur de
Estados Unidos, (Fig. 11.3.17) mientras que para verano se estima mayor precipitación
que respecto al período histórico indicado.
Figura 11.3.17. Cambio estacional de la precipitación media proyectada por el modelo
CCSM, a) DEF, b) JJA.
Informe Final, 15 de enero de 2013 143
Utilizando resultados de la regionalización con el modelo WRF forzado con el modelo
CGCM3, tanto para el invierno como el verano se estima una menor precipitación sobre
el territorio mexicano desde el 30% hasta el 50% en regiones del noroeste mexicano,
sobre todo la zona del monzón de Norteamérica. Este último resultado (Fig. 11.3.18b) se
contrapone con lo que lo estimado sin regionalizar dinámicamente (Fig. 11.3.17b), donde
se estima mayor precipitación de verano en la zona mexicana. Este es un ejemplo, en
donde la regionalización puede cambiar drásticamente los resultados del modelo con el
cual fue forzado.
Figura 11.3.18. Cambio estacional de precipitación media estimado con el modelo WRF
forzado con el modelo CGCM3, a) DEF, b) JJA.
Informe Final, 15 de enero de 2013 144
12. Anexo 2. Colaboraciones internacionales
Uno de los objetivos del proyecto fue la capacitación en modelación numérica regional;
por lo tanto, se organizaron dos talleres. El primer taller titulado Conocimientos básicos
sobre el modelo climático regional de alta resolución (REMO) se realizó en agosto de
2012 en el Centro de Ciencias de la Atmósfera; fue impartido por el Dr. William David
Cabos Narvaez, del departamento de Física de la Universidad de Alcalá de Henares y el
Dr. Dmitry Sein, del Instituto Max Planck de Meteorología. Participaron 8 investigadores
y estudiantes.
El segundo taller, coordinado por el IMTA y el CICESE, se llevó a cabo en las
instalaciones del IMTA en septiembre de 2012 con la participación de 20 estudiantes e
investigadores Mexicanos. El taller se tituló Regionalización Dinámica de Escenarios de
Cambio Climático utilizando el modelo atmosférico WRF, el cual fue impartido por los
Dres. Robert Oglesby y Clint Rowe, investigadores de la Universidad de Nebraska-
Lincoln.
12.1 Taller: Conocimientos básicos sobre el modelo climático regional de alta resolución (REMO)
Desde hace varios años se han fortalecido los lazos con el Instituto Max Planck de
Meteorología de Hamburgo, Alemania. Con la finalidad de proporcionar a
investigadores, técnicos y estudiantes mexicanos la posibilidad de familiarizarse con el
modelo climático regional de alta resolución (REMO) desarrollado en dicha institución,
se organizó un taller, coordinado por el Dr. Benjamín Martínez López, para tal efecto.
Los instructores del taller fueron el Dr. William David Cabos Narvaez, del departamento
de Física de la Universidad de Alcalá de Henares, y el Dr. Dmitry Sein, del Instituto Max
Planck de Meteorología y se impartió en el Centro de Ciencias de la Atmósfera de la
UNAM del 14 al 16 de agosto del presente.
El contenido del taller abarcó los puntos siguientes:
Introducción al REMO
Preparación de las librerías de suelo
Preparación de las librerías de las condiciones de frontera
Corrida del modelo
Post-procesado y visualización (CDO, Ncview, NCL)
Discusión
En este taller los investigadores, técnicos y alumnos participantes aprendieron lo básico
para entender y poder realizar simulaciones utilizando un modelo climático regional. A
cada participante del taller se le creó una cuenta en cluster Ometéotl del Centro de
Ciencias de la Atmósfera. En este cluster se instaló previamente el modelo REMO usado
en el Instituto Max Planck de Meteorología y se realizó el procesamiento de los campos
Informe Final, 15 de enero de 2013 145
necesarios para inicializar el modelo, la compilación del mismo, así como su ejecución y
procesamiento de los resultados. Este procedimiento se les explicó a los asistentes en
detalle durante los tres días que duró el taller y ellos mismos eligieron el dominio para
realizar sus ejercicios.
Se decidió utilizar el dominio ilustrado en la Fig. 12.1.1 (Izq.) y como primer paso
estamos corriendo en nuestro cluster el modelo REMO en modo atmosférico utilizando
tres resoluciones espaciales: un grado, medio grado y un cuarto de grado. Un campo
resultante (temperatura superficial) se muestra como un ejemplo (panel inferior de la Fig.
10). La meta en el corto plazo es correr este modelo acoplado al modelo oceánico global
(MPI-OM) desarrollado por el Dr. Ernst Maier-Reimer y el Dr. Uwe Mikolajewicz del
Instituto Max Planck de Meteorología de Hamburgo. Para ello es necesario configurar el
modelo oceánico para que se tenga una mayor resolución espacial en nuestra región de
interés y se simule de una manera adecuada la interacción de anomalías de temperatura
superficial del mar y la atmósfera. Lo anterior es de gran importancia en el Golfo de
México, pues es bien sabido que los remolinos anticiclónicos que se desprenden de la
Corriente de Lazo son capaces de intensificar y modificar la trayectoria de huracanes que
pasan sobre ellos.
Es importante mencionar que no existe a la fecha un artículo científico que haya
analizado el papel de los modos acoplados de variabilidad océano-atmosfera en la
evolución del clima en nuestro país utilizando un modelo climático regional acoplado a
un modelo oceánico. Como resultado de esta colaboración, se tiene ya la base para
realizar un estudio con estas características en el corto plazo y ampliar las bases de
colaboración en el marco de la red de simulación del clima propuesta por el INE.
De este taller y de la asistencia a la Tercera Conferencia Internacional de Modelación del
Sistema Tierra, efectuada en Hamburgo, Alemania del 17 al 21 de septiembre del
presente, quedó claro que la comunidad mexicana enfocada a la modelación del clima
debe de tener mayor presencia internacional. Por ejemplo, en NARCCAP (vea la sección
correspondiente) el dominio considerado excluye prácticamente la mitad de nuestro
territorio y en CORDEX (Coordinated Regional Climate Downscalling Experiment), se
eligió un dominio que excluye una región del noroeste de nuestro territorio. Es pertinente
preguntar las razones por las que no se trató de modificar ese dominio.
Informe Final, 15 de enero de 2013 146
Figura 12.1.1. (Izq.): Dominio elegido para realizar simulaciones con el modelo
oceánico global (MPI-OM) acoplado a un modelo atmosférico regional de alta
resolución (REMO). Ambos modelos pertenecen a lo más avanzado disponible en los
centros mundiales vanguardistas de simulación del clima. (Der.): campo simulado de
temperatura superficial para un día arbitrario de invierno.
12.2 Taller: Regionalización dinámica de escenarios de cambio climático usando WRF
En las instalaciones del IMTA (Centro de Capacitación) del 24 al 27 de septiembre 2012
se llevó a cabo un curso-taller para usuarios del modelo WRF consistente en simular
numéricamente la dinámica regional utilizando escenarios de cambio climático derivados
del experimento de intercomparación llamado CMIP5.
Instructores: Dr. Robert Oglesby (Universidad de Nebraska, Lincoln)
Dr. Clinton Rowe (Universidad de Nebraska, Lincoln)
Número de participantes: 24.
Objetivos del taller
Ofrecer a los participantes una introducción a:
1) La configuración y ejecución del modelo regional WRF para hacer reducciones de
escala a partir de simulaciones de escenarios de cambio climático derivada de
información de los modelos de circulación general.
2) El procesamiento y análisis de resultados de la reducción de escala dinámica en
regiones específicas.
3) El uso de resultados conjuntamente con la evaluación de impactos (IAM, por sus
siglas en inglés) y otras herramientas para entender y establecer medidas de
adaptación en la región de estudio.
Metas del taller
Ofrecer un entrenamiento práctico en el uso de modelos climáticos regionales para
reducir la escala dinámica a las proyecciones de cambio climático para México.
Informe Final, 15 de enero de 2013 147
Descripción del taller
Los modelos de circulación general (MCG) son la mejor herramienta con que se cuenta
en la actualidad para entender y generar escenarios de cambio climático para las
siguientes décadas. Debido a la gran cantidad de cálculos que se deben hacer en cada
punto de malla, se requieren computadoras de alto rendimiento para ejecutar modelos
adecuadamente, a pesar de ello, los modelos globales tienen una resolución burda, de
aproximadamente 150 km. Esta resolución es útil para describir patrones de circulación
global, pero es insuficiente para describir los procesos locales que puedan ser importantes
para México, como los efectos de su orografía abrupta, o procesos atmosféricos de menor
escala de 100 km. Para describir estos procesos, se han desarrollado herramientas para la
reducción de escala, basadas tanto en métodos estadísticos, como dinámicos, estos
últimos se utilizan en modelos numéricos y serán abordados en este taller.
La reducción de escala dinámica requiere de modelos climáticos regionales, los cuales
pueden ejecutarse a muy altas resoluciones espaciales (12 km, aproximadamente),
simulando la dinámica del clima regional en zonas limitadas por las mallas seleccionadas.
Dado que el clima posee una naturaleza global, estos modelos regiones deben forzarse
con condiciones iniciales y de frontera provenientes de modelos globales. A pesar de que
los modelos globales puedan representar el clima de siglos, los regionales solamente
pueden simular algunos años.
En este taller se utilizó el modelo regional WRF (Weather Research and Forecasting), ya
que es el más utilizado y mejor documentado del mundo. Los participantes
experimentaron con la configuración de este modelo para genera los dominios de interés,
balanceando resoluciones con el tamaño de la malla generada. Se mostró cómo generar
simulaciones de control forzadas con observaciones (datos de Reanálisis de NCEP) para
evaluar el desempeño del modelo en la región seleccionada para el clima presente. El
participante obtuvo herramientas para seleccionar simulaciones derivadas de modelos
globales para forzar el modelo regional bajo escenarios de cambio climático de su interés,
ejecutar el modelo y tareas cruciales del procesamiento y análisis de los voluminosos
archivos generados con el modelo WRF.
El taller se basó en entrenamientos prácticos del uso de modelos, análisis e interpretación
de resultados, particularmente en el uso de los nuevos resultados derivados de los
modelos del CMIP5 que serán utilizados en el AR5 del IPCC. Además, se analizaron las
herramientas para el análisis de los resultados del modelo WRF mediante ejemplos
reales.
La componente práctica se complementó con clases teóricas que brindaron elementos de
ciencia básica y técnicos tanto de los modelos como de la dinámica del clima.
Índice temático del taller
1. Descripción de los modelos climáticos regionales y globales.
2. Selección de dominios y configuración de ejecuciones de control para reproducir
el clima regional actual.
3. Desarrollo de simulaciones bajo escenarios de cambio climático:
Informe Final, 15 de enero de 2013 148
a) Selección del modelo global.
b) Determinación del período de tiempo de interés.
c) Simulaciones de control y experimentales y comparaciones.
4. Procesamiento y análisis de simulaciones regionales
5. Uso de simulaciones regionales para evaluación de impactos.
Alcances
Al completar el taller, los participantes adquirieron habilidades para:
1. Entender cómo configurar y ejecutar el modelo WRF para el dominio seleccionado.
2. Analizar y procesar las simulaciones regionales.
3. Integrar los resultados de simulaciones regionales con la evaluación de impactos
Figura 12.2.1. El instructor define los alcances y limitaciones del taller.
Figura 12.2.2. Participantes del taller y trabajo en equipos.
Informe Final, 15 de enero de 2013 149
Figura 12.2.3. Analizando resultados y trabajo en equipos.
Justificación e importancia del taller
Por sus resoluciones espaciales, los modelos numéricos globales no describen
adecuadamente el clima regional actual o el asociado a diferentes escenarios de cambio
climático, siendo además fundamental incluir procesos atmosféricos locales, esto se
logra con las reducciones de escala dinámica utilizando modelos climáticos regionales.
Para Norteamérica. El proyecto NARCCAP regionalizó dinámicamente escenarios de
cambio climático, pero tiene dos desventajas para México: la primera es que el dominio
no incluye el sur y sureste de México y la segunda es que solamente se utilizó el
escenario A2, existiendo más y nuevos escenarios, siendo ambas limitantes para que sea
de utilidad en México. Además, algunos de los MCG utilizados para forzar los modelos
regionales no son los más adecuados para simular los mecanismos sinópticos y
estacionales que afectan a México, como el monzón (Figs. 11.3.7 a 11.3.10).
De ello se desprende claramente la necesidad de construir capacidades en México para
realizar regionalizaciones de acuerdo a necesidades locales, seleccionar regiones,
escenarios, modelos, configuraciones, etc., que detonarán en más y mejor información
para evaluar impactos.
La información (datos de modelos globales forzados bajo diferentes escenarios y
programas para correr el modelo WRF, así como el modelo WRF) quedó almacenado en
el equipo de cómputo de alto rendimiento del IMTA, donde podrán reproducirse los
ejercicios realizados durante el taller, no obstante este ejercicio requiere de una
planeación del uso del equipo de alto rendimiento, ya que se requiere de gran capacidad
de poder de cómputo y de almacenamiento masivo de información.
Síntesis de la discusión final entre todos los participantes.
Al concluir el taller se abrió una discusión final con duración aproximada de dos horas,
donde se abordó el tema de la capacidad de cómputo insuficiente para México y de la
necesidad de optimizar los recursos disponibles, se propuso elaborar una “pregunta
clave” como la incertidumbre inherente al uso de modelos numéricos y su aplicación a
Informe Final, 15 de enero de 2013 150
estudios de cambio climático, se sugirió además elaborar un diagnóstico de las fortalezas
y debilidades en cuanto a la capacidad de realizar un gran proyecto de regionalización
dinámica tanto enfocado a cambio climático como conocer mejor la dinámica atmosférica
local intentando reducir las incertidumbres asociada a los modelos.
Se habló también de orientar los experimentos numéricos a evaluar la capacidad de
reproducción de eventos atmosféricos conocidos y de alto impacto, como la migración
estacional de la zona de convergencia intertropical, el Niño, las ondas del este, los
huracanes, los frentes fríos y sus nortes asociados, sequías, etc.
Se abordó la pobre contribución que tuvo NARCCAP para la región mexicana, siendo
importante un diseño de experimento orientado a México aprovechando el avance en
ciencia y tecnología, como el modelo WRF, excelentemente documentado, en México
hay varios grupos usuarios de este modelo y debe aprovecharse.
Se habló de la posibilidad de realizar un segundo taller en 2013, dándole seguimiento a
los avances que puedan lograr los participantes para entonces, remarcando las habilidades
del modelo WRF y sus debilidades para reproducir la dinámica atmosférica sobre
México. Se mencionó que una de las debilidades mayores en México es la falta de
recursos humanos tanto en actividades científicas como operativas y se invitó a los
representantes de las universidades en este taller (UNAM, U de G, UV, CICESE) a
involucrarse con su alumnos, acercándolos a este tipo de proyectos para entrenamientos
específicos. Los instructores resaltaron la motivación identificada en este grupo y los
invitó a aprovecharlo en proyectos futuros. Se mencionó explorar la posibilidad de
utilizar a REDESClim, la Red Mexicana de Modelación del Clima y al INE como
promotores de relaciones inter-institucionales para lograr este proyecto de
regionalización dinámica buscando opciones de financiamiento tanto nacional como
internacional. Se acordó explorar la escritura de un borrador de propuesta de proyecto de
regionalización dinámica identificando opciones de financiamiento.