Modelaje de escenarios locales de clima futuro y ... · forzamiento radiativo del planeta (energía...

Modelaje de escenarios locales de clima futuro Modelaje de escenarios locales de clima futuro y estimación de impactos en bosquesy estimación de impactos en bosques

250 km / 155 miles

100 km / 62 miles

100 km / 62 miles

http://www.repsolypf.com/SA/Ventajas/ElTiempo/temperaturas.aspx?op=4&IdZona=10&IdIdioma=1

http://www.repsolypf.com/SA/Ventajas/ElTiempo/precipitaciones.aspx?op=3&IdZona=10&IdIdioma=1

Aproximaciones para luchar contra el Aproximaciones para luchar contra el cambio climáticocambio climático

1. Mitigación:1. Mitigación: su objetivo es reduciendo en lo su objetivo es reduciendo en lo posible el cambio climático que se llegue a posible el cambio climático que se llegue a producir, minimizando la concentración de GEI en producir, minimizando la concentración de GEI en la atmósfera, mediante la reducción de las la atmósfera, mediante la reducción de las emisiones de estos GEI, o/y mediante su retirada emisiones de estos GEI, o/y mediante su retirada de la atmósfera (sumideros, captura de carbono...)de la atmósfera (sumideros, captura de carbono...)

2. Adaptación:2. Adaptación: su objetivo es minimizar el impacto negativo del cambio climático que se llegue a producir (que ya en parte es inevitable), en los diferentes sectores afectados.

La lucha contra el Cambio Climático

Fases necesarias para Fases necesarias para afrontar la adaptación: afrontar la adaptación:

1.Disponer de escenarios locales de clima futuro. Las actuaciones muchas veces requieren información a escala local.



2.Evaluar el impacto de ese clima futuro en cada uno de los sectores afectados: recursos hídricos, agrícola, forestal, ecología/biodiversidad, energía, turismo, salud, erosión, urbanismo, usos del suelo, transporte, presión migratoria, seguridad alimentaria…



3.Diseñar políticas de adaptación, buscando minimizar los impactos negativos y maximizar los positivos (que también los habrá)


Predicción del Cambio ClimáticoPredicción del Cambio Climático (generación de escenarios de clima(generación de escenarios de clima futuro)futuro)

Adaptación: escenarios impactos políticas

Predicción del Cambio Climático

Los Modelos de Circulación General:Los Modelos de Circulación General:

También conocidos como Modelos de Predicción Numérica del Clima

Son la principal herramienta para la prospección del clima de próximas décadas

Simulan flujos de energía, masa y cantidad de movimiento entre los puntos de una retícula tridimensional que se extiende por la Atmósfera, los Océanos y las capas superiores de la Litosfera y la Criosfera


Estos flujos están muy condicionados por el forzamiento radiativo del planeta (energía entrante del sol/energía saliente, en función del “efecto invernadero”)

Mediante la integración temporal de estos flujos, se obtienen simulaciones de la evolución futura de los estados atmosféricos



Inician la simulación a finales del Siglo XIX, y van modificando el forzamiento radiativo según registros o estimas de concentraciones históricas de gases de efecto invernadero y aerosoles

Cuando la integración se interna en el futuro, esta concentración se estima en función de previsiones de la actividad humana (desarrollo económico, políticas energéticas y forestales, distribución de riqueza...)

Se utilizan determinados escenarios de emisiones de gases de efecto invernadero



A partir de las emisiones de los diferentes gases invernadero en los diferentes escenarios, se obtienen sus concentraciones futuras en la atmósfera

A partir de esas concentraciones, se obtiene el forzamiento radiativo conjunto


MCGsMCGs

Colección de estados atmosféricos simulados para el futuro (una colección para cada MCG y cada escenario)

“Efectos” simulados para el futuro


Limitaciones de los Modelos de Limitaciones de los Modelos de Circulación General:Circulación General:

En general, reproducen bien las principales características de la circulación general atmosférica (células de Hadley, cinturones extratropicales de borrascas...)



A menor escala (escala regional), su funcionamiento no se aproxima en general al observado en la realidad, al menos para variables de superficie

Varias razones explican esas limitaciones, todas derivadas de la insuficiente resolución espacial de los MCGs (actualmente, 2º o 3º de latitud/longitud):


A

B

A

B



La necesidad del “downscaling”:La necesidad del “downscaling”:

Se requiere información a escala local (a la que se planifican las actuaciones)

Se hace por tanto necesario extraer de la información más fiable aportada por los MCGs (información de baja resolución, y preferentemente de atmósfera libre) la información requerida por los modelos de impacto (información de alta resolución -local-, en superficie)

Este proceso se denomina “downscaling”


Downscaling


Estrategias de “Downscaling”:Estrategias de “Downscaling”:

La bibliografía apunta dos aproximaciones principales:

1. “Downscaling estadístico”: se obtienen relaciones empíricas entre variables a gran escala y variables de alta resolución, en un banco de datos de referencia de “observaciones” de ambos tipos de variables de un periodo del pasado. Los escenarios se construyen aplicando esas relaciones a las salidas de los MCGs

1. “Downscaling dinámico”: se incrementa la resolución del modelo en el territorio de interés, bien anidando un “Modelo Regional de Clima” (MRC) en las condiciones de contorno que da el MCG, o bien con una técnica de “zoom” de la rejilla del propio MCG

Ambas tienen sus limitaciones, pero hoy por hoy pueden aportar una valiosa información


Estrategias de “Downscaling”: ventajas y desventajasEstrategias de “Downscaling”: ventajas y desventajas

1. “Downscaling estadístico”:a) Ventajas:

• Mucho menor coste computacional: permite ejecuciones múltiples, muy importante para cuantificar la incertidumbre

• Buenos resultados en fase de verificación y en predicción operativaa) Desventajas:

• ¿Relaciones no-estacionarias?: exige asumir la hipótesis de que las relaciones detectadas en el pasado se mantendrán en el futuro

• Algunas relaciones empíricas pueden deberse a “overfitting”

2. “Downscaling dinámico”:a) Ventajas:

• Base física más fuerte (permite asumir relaciones estacionarias)a) Desventajas:

• Insuficiente resolución (20 Km) problemas de los MGCs (menores)• Usa parametrizaciones de procesos sub-grid ¿no-estacionarias?• Gran coste computacional: pocos centros lo pueden asumir, y no

permite muchas ejecuciones múltiples


Método Estadístico Dinámico

Fortalezas

•Información climática a nivel de estación partiendo de la escala de un GCM•Computacionalmente barato, pocos recursos necesarios y es fácilmente transferible•Permite análisis de incertidumbres y riesgos con ensambles de escenarios climáticosAplicable a exóticos predictandos como calidad del aire y a ondas

•Se obtiene resoluciones típicas entre 10 y 50 Km. a partir de información de entra da de un GCM•Respuestas físicamente consistentes ante diferentes forzamientos externos•Resuelve diversos procesos atmosféricos de la Mesoescala ejemp. Precipitación Orográfica•Consistencia con el GCMNo requiere observaciones ==> simula otras variables (humedad, viento...), y cualquier territorio

Debilidades

•Dependiente de el las condiciones del GCM que lo fuerce•escoger el tamaño del dominio y la localización afectan el resultado•requiere de data (información de estaciones) de mucha calidad•La relación entre el Predictor y el predictando no siempre es estacionaria•El proceso de selección del predictor y predictando afecta directamente el resultado•Siempre es aplicado off-line por lo que nunca se tiene una realimentación en el GCM

•Dependiente de las condiciones del GCM que lo fuerze•El tamaño del dominio y la localización afectan el resultado•Requiere de Importantes recursos computacionales•Difícil realizar ensambles de escenarios climáticos•Los resultados son afectados por las condiciones iniciales y de frontera.•Diversos esquemas de parametrizaciones afectan los resultados, nubes y precipitación•Típicamente es aplicado off-line por por lo que no siempre se tienen retroalimentación en el GCM

Estadístico Vs Dinámico

Downscaling estadístico: ¿cómo superar las Downscaling estadístico: ¿cómo superar las desventajas?desventajas?

Al definir metodología y seleccionar predictores, mantener siempre presentes dos ideas básicas:

1. El problema de las relaciones no-estacionarias y el “overfitting”: los predictores deben ser forzamientos físicos de los predictandos (esos vínculos físicos no cambiarán)

2. Las características y limitaciones de los MCGs: usar predictores simulados con fiabilidad por el MCG. Considerar también la resolución espacial y temporal del MCG

Considerar una tercera idea:

3. No debe hacerse estratificación estacional en la búsqueda de relaciones, porque las características de las estaciones pueden variar en un escenario de cambio climático


Downscaling estadístico: ¿cómo superar las desventajas?Downscaling estadístico: ¿cómo superar las desventajas?

De acuerdo con la idea 1:• Seleccionar predictores bajo consideraciones teóricas, más que análisis empíricos,

que no garantizan relaciones físicas. Los predictores deben ser forzamientos físicos de los predictandos, y las relaciones a buscar deben ser las que mejor reflejen esos vínculos físicos

De acuerdo con la idea 2:• Usar como predictores patrones espaciales mejor que valores puntuales (menos

fiables en los MCGs). Además, los patrones aportan información sobre flujos, advecciones...

• Usar variables de atmósfera libre, mejor simuladas que las de superficie• Usar variables que sean fiablemente simuladas por los MCGs para el futuro:

diferencias con la predicción operativa• No ajustarse a la resolución temporal o espacial del MGC supone “perder

información”. Muchos forzamientos físicos sólo se captan usando resoluciones finas. Por ello, debería trabajarse a escala diaria y sinóptica.

De acuerdo con la idea 3:• No hacer estratificación estacional en la búsqueda de relaciones


Downscaling estadístico: ¿cómo superar las Downscaling estadístico: ¿cómo superar las desventajas?desventajas?

Otras recomendaciones:

• Usar metodologías capaces de captar relaciones no-lineales entre predictores y predictandos

• Los predictandos obtenidos deben tener coherencia espacial y meteorológica. Existen técnicas para garantizar esta coherencia

• Se deben simular adecuadamente los valores extremos de los predictandos, evitando el “suavizado de extremos”. Para ello se puede incluir un postproceso con los denominados “generadores estocásticos de valores meteorológicos”


¿Cómo evaluar la “calidad” de una metodología?:¿Cómo evaluar la “calidad” de una metodología?:

Debe ser robusta desde el punto de vista teórico, aportando soluciones para soslayar en la medida de lo posible las “desventajas” descritas

Debe superar un proceso de verificación: aplicada a “observaciones” históricas de predictores (“hindcasting”), debe estimar adecuadamente los predictandos:

1. Se establecen relaciones predictores/predictando, en un “periodo de referencia”

2. Se aplican las relaciones a los valores “observados” de los predictores en un periodo de verificación que no coincida con el de referencia

3. Se comparan los predictandos estimados para ese periodo de verificación con sus valores observados, en diferentes escalas temporales, y tanto en valores medios anuales como en valores medios para cada estación


La metodología de “Downscaling” estadístico de la FIC:La metodología de “Downscaling” estadístico de la FIC:

• La precipitación tiene su origen en ascensos de masas. Los principales forzamientos de esos ascensos son:

• Forzamientos dinámicos• Forzamientos topográficos• Convección

• Los forzamientos dinámicos a escala sinóptica están determinados por los campos de geopotencial en 500 y 1000 hPa (Ecuación “ω” de Holton)

• Los ascensos topográficos pueden inferirse de los vientos en superficie, muy relacionados con los flujos geostróficos en 1000 hPa

• La convección está relacionada con la estabilidad de la atmósfera.• Además, la humedad en troposfera baja influye en la cantidad de

precipitación que se produce

Predictores para precipitación


Predictores para precipitación• De acuerdo con estas consideraciones:

• Los forzamientos dinámicos y topográficos están implícitamente incluidos en las metodologías de downscaling basadas en la circulación atmosférica. De ahí su éxito

• El downscaling de la precipitación convectiva puede mejorarse incluyendo predictores relacionados con la inestabilidad (índices de estabilidad, advección de temp...)

• Muchas de las relaciones predictores/predictandos son fuertemente no lineales. Realizar una estratificación previa atendiendo a configuraciones atmosféricas hace estas relaciones mucho más lineales y más fácilmente detectables

• La técnica actual de la FIC utiliza como predictores de precipitación los campos de vientos geostróficos en 500 y 1000 hPa

• Se planea introducir la humedad en troposfera baja, que se ha comprobado que mejora el downscaling en predicción operativa

• Igualmente se planea probar predictores de inestabilidad

Predictores para temperatura• La temperatura a 2 m esta influida por la de la troposfera

baja y por la de la superficie terrestre• La temperatura de la baja troposfera está muy relacionada

con el espesor (entre 1000 hPa y 850, 700 o 500 hPa)• La temperatura de la superficie terrestre:

• Está dirigida por flujos de calor en la capa superficial• Depende del ángulo de incidencia solar, que puede

considerarse con funciones sinusoidales del día del año• Está muy relacionada con la nubosidad, que modifica

los calentamientos/ enfriamientos radiativos• La inercia térmica del terreno se puede considerar a

través de la temperatura de los días anteriores• La cobertura de nieve modifica fuertemente el

calentamiento / enfriamiento radiativo, y debe considerarse

Predictores para temperatura• La mayor o menor influencia de uno y otro factor (T de la

troposfera baja y T de la superficie terrestre) sobre la temperatura a 2 m depende de la estabilidad atmosférica.

• Muchas de las relaciones predictores/predictandos son fuertemente no lineales. Realizar una estratificación previa atendiendo a configuraciones atmosféricas hace estas relaciones mucho más lineales y más fácilmente detectables

• La técnica actual parte de una estratificación previa atendiendo a nubosidad (la realizada para estimar precipitación). Sobre esa población estratificada se hace un análisis lineal múltiple, usando como predictores potenciales es espesor 1000/500 hPa, el seno del día del año, y la T de los días anteriores

• Se planea probar otros predictores: espesores 1000/850, 1000/700, cobertura de nieve (muy importante para otras latitudes), y algunos índices de estabilidad.

Esquema del método de “Downscaling”

Toda simulación climática tiene incertidumbres

Es necesario considerarlas e intentar cuantificarlas

Existen diversas fuentes de incertidumbre


Fuentes de incertidumbreFuentes de incertidumbre Propias de toda simulación climáticaPropias de toda simulación climática

1. Incertidumbre en la evolución de los forzamientos radiativos: amplio abanico de posibles forzamientos, en función del modelo de desarrollo económico, energético y de planificación del territorio que se adopte

2. Incertidumbre en la capacidad del GCM en simular las configuraciones atmosféricas futuras

3. Incertidumbre en la variabilidad interna del sistema climático: la naturaleza caótica y no-lineal de la dinámica atmosférica hace que el mismo GCM, con los mismos forzamientos, genere simulaciones diferentes, simplemente partiendo de condiciones iniciales diferentes

Propias del “Downscaling”Propias del “Downscaling”4. Incertidumbre en los efectos en superficie que puede provocar

una configuración atmosférica: estructuras de menor escala (células convectivas...), no resueltas por la resolución del GCM, hacen que una “misma” configuración de baja resolución pueda provocar efectos diferentes

5. (Para el “Downscaling” estadístico) Incertidumbre sobre si las relaciones predictores / predictando van a ser estacionarias


Estrategias para considerar y cuantificar la incertidumbreEstrategias para considerar y cuantificar la incertidumbre

1. Incertidumbre en la evolución de los forzamientos radiativos: se considera integrando el MCG varias veces, con diferentes escenarios de modelo de desarrollo de forzamiento radiativo asociado. Se cuantifica en función de la magnitud de las diferencias entre los “resultados” de las diferentes integraciones

2. Incertidumbre en la capacidad del GCM: se considera integrando varios MCGs diferentes. Se cuantifica en función de la magnitud de las diferencias entre los “resultados” de los diferentes MCGs

3. Incertidumbre en la variabilidad interna del sistema climático: se considera integrando el mismo MCG varias veces, con el mismo forzamiento, pero con diferentes condiciones iniciales (estrategia “ensemble”). Se cuantifica en función de la magnitud de las diferencias entre los “resultados” de las diferentes integraciones

4. Incertidumbre en los efectos en superficie que puede provocar una configuración atmosférica: se puede considerar trabajando con los efectos asociados a varias situaciones similares (método analógico). Se puede cuantificar realizando estimas probabilísticas, a partir de esos efectos de los “análogos”

5. (Para el “Downscaling” estadístico) Incertidumbre si las relaciones predictores / predictando van a ser estacionarias: se considera utilizando una metodología robusta desde el punto de vista teórico. Es difícil de cuantificar


http://www.ensembles-eu.org/

From Murphy et al, Nature 2004



Resultados en Nicaragua...

Verificación / Validación

Verificación: aplicar la metodología a “observaciones” de los predictores (campos atmosféricos), y comparar con observaciones de predictandos (T, precipitación): depende sólo de la metodología de regionalización.

Validación: aplicar la metodología a la simulación del pasado que ofrece el MCG , y comparar con observaciones de predictandos: depende del MCG (combinado con la metodología)

ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC

28,00

29,00

30,00

31,00

32,00

33,00

34,00

Evolución media mensual de la temperatura máxima diaria

OBSERVADOPREDICHO NCEP

Mes

ºCVerificación T máxima

Media anual observada: 31,05ºCMedia anual simulada: 30,96ºC


19,00

19,50

20,00

20,50

21,00

21,50

22,00

22,50

23,00

23,50

24,00

Evolución media mensual de la temperatura mínima diaria

OBSERVADOPREDICHO NCEP

Mes

ºCVerificación T mínima

Media anual observada: 21,97ºCMedia anual simulada: 21,92ºC

Verificación PrecipitaciónMedia anual observada: 45,7 mm/díaMedia anual simulada: 45,3 mm/día


0,0

10,0

20,0

30,0

40,0

50,0

60,0

70,0

80,0

90,0

100,0

Evolución mensual de la precipitación media diaria (1.951-2.009)

OBSERVADO (Precipitación Media Diaria en décimas de litro)PREDICHO NCEP (Precipitación Media Diaria en décimas de litro)

Mes

dL

.

Verificación PrecipitaciónMedia anual observada: 145,5 díasMedia anual simulada: 153,5 días


0,0

5,0

10,0

15,0

20,0

25,0

Evolución mensual del número de días de lluvia (1.951-2.009)

DÍAS DE LLUVIA OBSERVADOSDÍAS DE LLUVIA PREDICHOS NCEP

Mes

Nº

Día

s

Validación (MCG+metodología downscaling)

ENE FEB MAR ABR MAY JUN JUL AGO

SEP OCT NOV DIC

28,0

29,0

30,0

31,0

32,0

33,0

34,0

Evolución mensual de la temperatura máxima diaria

PREDICHO NCEPPREDICHO 20C3M

Mes

ºC

NCEP (“obs”): 30,9ºCECHAM5: 31,2ºC


SEP OCT NOV DIC

28,0

29,0

30,0

31,0

32,0

33,0

34,0



Mes

ºC

NCEP (“obs”): 30,9ºCCNCM3: 31,3ºC


SEP OCT NOV DIC

28,0

29,0

30,0

31,0

32,0

33,0

34,0



Mes

ºC

NCEP (“obs”): 30,9ºCBCM2: 31,1ºC


SEP OCT NOV DIC

18,5

19,0

19,5

20,0

20,5

21,0

21,5

22,0

22,5

23,0

23,5

Evolución mensual de la temperatura mínima diaria


Mes

ºC

NCEP (“obs”): 21,9ºCBCM2: 21,9ºC


SEP OCT NOV DIC

19,0

19,5

20,0

20,5

21,0

21,5

22,0

22,5

23,0

23,5

24,0



Mes

ºC

NCEP (“obs”): 21,9ºCCNCM3: 22,0ºC


SEP OCT NOV DIC

19,0

19,5

20,0

20,5

21,0

21,5

22,0

22,5

23,0

23,5



Mes

ºC

NCEP (“obs”): 21,9ºCECHAM5: 22,0ºC


ENE FEB MAR

ABR MAY JUN JUL AGO

SEP OCT

NOV

DIC

0,0

20,0

40,0

60,0

80,0

100,0

120,0

Evolución mensual de la precipitación media diaria (1951 - 1999)

PREDICHO NCEP (Precipitación Media Diaria en décimas de litro)PREDICHO 20C3M (Precipitación Media Diaria en décimas de litro)

Mes

dL

.

NCEP (“obs”): 44,0 mm/díaECHAM5: 42,7 mm/día

ENE FEB MAR

ABR MAY JUN JUL AGO

SEP OCT

NOV

DIC

0,0

10,0

20,0

30,0

40,0

50,0

60,0

70,0

80,0

90,0



Mes

dL

.

NCEP (“obs”): 44,0 mm/díaCNCM3: 33,1 mm/día


ENE FEB MAR

ABR MAY

JUN JUL AGO

SEP OCT

NOV

DIC

0,0

10,0

20,0

30,0

40,0

50,0

60,0

70,0

80,0

90,0

100,0



Mes

dL

.

NCEP (“obs”): 44,0 mm/díaBCM2: 47,8 mm/día

ENE FEB MAR

ABR MAY JUN JUL AGO

SEP OCT

NOV

DIC

0,0

5,0

10,0

15,0

20,0

25,0

Evolución mensual del número de días de lluvia (1951 - 1999)

DÍAS DE LLUVIA PREDICHOS NCEPDÍAS DE LLUVIA PREDICHOS 20C3M

Mes

Nº

Día

s

NCEP (“obs”): 152,3 díasBCM2: 153,3 días


SEP OCT NOV DIC

0,0

5,0

10,0

15,0

20,0

25,0



Mes

Nº

Día

s

NCEP (“obs”): 152,3 díasCNCM3: 129,1 días


ENE FEB MAR

ABR MAY JUN JUL AGO

SEP OCT

NOV

DIC

0,0

5,0

10,0

15,0

20,0

25,0



Mes

Nº

Día

s

NCEP (“obs”): 152,3 díasECHAM5: 143,2 días

Aumento T máxima DEF

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4

BCM2 A2BCM2 B1BCM2 A1BCNCM3 A2CNCM3 B1CNCM3 A1BECHAM5 A2ECHAM5 B1ECHAM5 A1BPromedio

Incr

em

en

to d

e T

(ºC

)

Aumento Temp

máximaDEF

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4

BCM2 B1CNCM3 B1ECHAM5 B1Promedio

Inc

rem

ento

de

T (

ºC)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4

BCM2 A2CNCM3 A2ECHAM5 A2Promedio

Incr

emen

to d

e T

(ºC

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4

BCM2 A1BCNCM3 A1BECHAM5 A1BPromedio A1B

Inc

rem

en

to d

e T

(ºC

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Inc

rem

ento

de

T (

ºC)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Incr

emen

to d

e T

(ºC

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Incr

emen

to d

e T

(ºC

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Inc

rem

ento

de

T (

ºC)

JJA

DEF

SON

MAM

Aumento T máxima

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Incr

emen

to d

e T

(ºC

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Incr

emen

to d

e T

(ºC

)

Aumento T mínima

MinMAM

MaxMAM

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Incr

em

en

to d

e T

(ºC

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Incr

em

en

to d

e T

(ºC

)

MinDEF

MaxDEF

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Incr

emen

to d

e T

(ºC

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Incr

emen

to d

e T

(ºC

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Incr

emen

to d

e T

(ºC

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

0

0,5

1

1,5

2

2,5

3

3,5

4


Incr

emen

to d

e T

(ºC

)

P95SON

MaxSON

P95JJA

MaxJJA

Aumento T máximas extremas (percentil 95)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

-30

-26

-22

-18

-14

-10

-6

-2

2

6

10

14

18

BCM2 A2BCM2 B1BCM2 A1BCNCM3 A2CNCM3 B1CNCM3 A1BECHAM5 A2ECHAM5 B1ECHAM5 A1BPromedioV

aria

ción

de

pre c

ipita

ción

(%

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

-30

-26

-22

-18

-14

-10

-6

-2

2

6

10

14

18


aria

ción

de

pre c

ipita

ción

(%

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

-30

-26

-22

-18

-14

-10

-6

-2

2

6

10

14

18


aria

ción

de

pre c

ipita

ción

(%

)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

-30

-26

-22

-18

-14

-10

-6

-2

2

6

10

14

18


aria

ción

de

pre c

ipita

ció

n (%

)

JJA

DEF

SON

MAM

Variación precipitación (%)

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

-30

-26

-22

-18

-14

-10

-6

-2

2

6

10

14

18


aria

ción

de

pre c

ipita

ción

(%

)

%

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

-30

-26

-22

-18

-14

-10

-6

-2

2

6

10

14

18


ari

ació

n d

e p

rec

ipita

ció

n (

%)

% días

2000/20302010/2040

2020/20502030/2060

2040/20702050/2080

2060/20902070/2100

-30

-26

-22

-18

-14

-10

-6

-2

2

6

10

14

18


aria

ción

de

pre c

ipita

ción

(%

)

P95 %

Variación precipitación (JJA)

Seminario Evolución del paisaje vegetal y el uso del fuego en la Cordillera Cantábrica. León, Noviembre de 2007

Incremento T máxima(ECHAM 5, A1B, DEF)

2000/2030 2010/2040 2020/2050 2030/2060 2040/2070 2050/2080 2060/2090 2070/21000

0,5

1

1,5

2

2,5

3

3,5

4

69034 CORINTO64018 CHINANDEGA

Incr

em

en

to d

e T

(ºC

)

Necesidad de estudios locales de Necesidad de estudios locales de impacto:impacto:

Ya hay escenarios locales disponibles (o se pueden generar, aunque hay que seguir actualizándolos)

Urge involucrar a los especialistas de cada sector afectado para que apliquen sus herramientas y modelos para evaluar los impactos que el clima futuro que definen esos escenarios locales producirá en ese sector a escala local

Ejemplo: indicadores para seguridad alimentaria en Nicaragua

19511954

19571960

19631966

19691972

19751978

19811984

19871990

19931996

19992002

20052008

20112014

20172020

20232026

20292032

20352038

20412044

20472050

20532056

20592062

20652068

20712074

20772080

20832086

20892092

20952098

0

5

10

15

20

25

30

35

40

45

50

Extension Linear Regression for Extension

Extensión de la canícula

ÍndicesFitoclimáticos

InformaciónFitoclimática

Información del clima

Estos índices fitoclimáticos se pueden sintetizar en uno, el “Índice de Idoneidad fitoclimática” que refleja el grado en el que un punto del territorio es idóneo para que viva en él una especie (o tipo fitoclimático), principalmente en lo referente a su capacidad de autoregeneración, de competir con otras especies y de resistir enfermedades.

La evolución temporal del Índice de Idoneidad Fitoclimática de diferentes esoecies (o tipos fitoclimáticos) se puede usar para estimar las relaciones de competencia entre ellas

Ejemplo: Pinus sylvestris / Fagus sylvatica (Pirineos, España)

“Evolución del Índice de Idoneidad Fitoclimática”

-2

8

18

28

38

48

58

68

78

1910

- 1

939

1917

- 1

946

1924

- 1

953

1931

- 1

960

1938

- 1

967

1945

- 1

974

1952

- 1

981

1959

- 1

988

1966

- 1

995

1973

- 2

002

1980

- 2

009

1987

- 2

016

1994

- 2

023

2001

- 2

030

2008

- 2

037

2015

- 2

044

2022

- 2

051

2029

- 2

058

2036

- 2

065

Psy Fsy

En el pasado, el pino ha dominado al haya, pero perdiendo paulatinamen-te capacidad competitiva

Los escenarios locales de clima futuro implicarían que el haya dominaráa al pino

Changes in species distribution( species vulnerability)

Example for Pinus sylvestris in Spain

Actual

2050

Escenario CCCMA-A2

Diversity

[0,62.(Fsy); 0,61.(Qpe) ; 0,38(Qpy); 0,33(Qfa); 0,17(Qil)]:

[Fsy; Qpe; Qpy; Qfa; Qil]

Phytoclimatic diversity

+1ºC

+2ºC

Vulnerabilityof forestal

ecosystems

+1ºC

+2ºC

90,481,9

68,7

0

20

40

60

80

100

1 2 3

Shannon

+1ºC

+2ºC

Shannon Index decreases with increasing temperatures in Castilla y León

Javier María García LópezConsejería de Medio AmbienteJunta de Castilla y Leó[email protected]

María del Carre, Jaime RibalayguaFundación para la Investigación del Clima

mailto:[email protected]




F1

F2

Fn

F1max

F1min

Fnmin

Fnmax

F2min F2max

APGenuino

PAnálogo

PDispar

•Modelo canadiense CGCM2 (2007-2050)•Promedio escenarios de emisiones A2 y B2

Nemoromediterráneo

VI(IV)1

Mediterráneo Genuino

IV3

Mediterráneo transicional

IV(VI)1-2

-1,5

-1

-0,5

0

0,5

1

1 4 7 10 13 16 19 22 25 28 31 34 37 40 43 46 49 52 55 58 61 64 67 70 73

VI(IV)1

IV3

Modelo “Subtipos” Modelo “Especies”

Condiciones del Modelo:

•Ámbitos no excluyentes

•Mayor precisión en la definición de ámbitos (envolvente convexa)

•Mayor consideración de las relaciones entre factores (estudio por planos de proyección)

mayor acercamiento al lenguaje vegetalF2

Fi

F1

F2

F3

F1

P

PF2F3

PF1F2

PF1F3

•Modelo canadiense CGCM2•Promedio escenarios de emisiones A2 y B2

0

10

20

30

40

50

60

70

80

1938

- 19

67

1942

- 19

71

1946

- 19

75

1950

- 19

79

1954

- 19

83

1958

- 19

87

1962

- 19

91

1966

- 19

95

1970

- 19

99

1974

- 20

03

1978

- 20

07

1982

- 20

11

1986

- 20

15

1990

- 20

19

1994

- 20

23

1998

- 20

27

2002

- 20

31

2006

- 20

35

2010

- 20

39

Quercus ballota

Quercus faginea

1987-2016

1994-2023

“Cuando creíamos que teníamos todas las respuestas, de pronto, cambiaron todas las preguntas.”

(Mario Benedetti)

Modelaje de escenarios locales de clima futuro y ... · forzamiento radiativo del planeta (energía...

Documents

Transcript of Modelaje de escenarios locales de clima futuro y ... · forzamiento radiativo del planeta (energía...