 |
| Foto: Glaciar de Chacaltaya (Bolivia) en 1994 (izq) y su desaparición en 2009 (der). Presentaba 22 Has en 1940 (Foto: B.Francou) |
Autor: Pedro Rau
El interés sobre el cambio climático se encuentra en su mayor auge, casi todos los sectores de la sociedad buscan respuestas sobre el comportamiento del clima en un corto plazo (al año 2040), mediano plazo (del 2040 al 2070) y largo plazo (del 2070 al 2100). En paralelo, los reportes del IPCC (Intergovernmental Panel on Climate Change, Panel Intergubernamental de Cambio Climático), grupo cientifico-técnico oficial para el estudio de esta temática desde 1988, va por el sexto reporte o AR6 (Sixth Assessment Report) el cual se apoya en el CMIP6 (Coupled Model Intercomparison Project Phase 6, Proyecto de intercomparación de modelos de clima acoplados Fase 6, del año 2023) agrupando a una serie de modelos avanzados de interacción Océano-Atmosfera denominados GCM (General Circulation Models, Modelos de Circulación General). Actualmente, la implementación del reporte anterior AR5 y modelos del CMIP5 (IPCC, 2013) ha sido satisfactoria en muchos países y se continuará trabajando con dichos modelos hasta que el AR6 logre adoptarse por los tomadores de decisión con el pasar de los años.
Sin embargo, la confiabilidad de estos GCM varía en diversas regiones del mundo, especialmente en variables de interés hidrológico como la lluvia o precipitación. Para la temperatura se podría afirmar que es más confiable, por ejemplo, el "calentamiento global" a pasado de ser un asunto regional a un asunto global con la evolución de estos modelos y los reportes del IPCC. En los Andes, desde hace algunas décadas que los resultados teóricos de estos modelos convergen con las observaciones en el terreno, alertando un "calentamiento regional", originando el retroceso de los glaciares (Fraser, 2012).
En el reporte AR5, se trabaja con escenarios de trayectorias de concentración (no de emisión) de gases de efecto invernadero (greenhouse gases) o RCP (Representative Concentration Pathways) variando desde 2.6 hasta 8.5 W/m2 (en unidades de forzamiento radiativo). En simples palabras, estos escenarios de cambio climático indican el comportamiento de las "concentraciones" de estos gases de efecto invernadero como el dióxido de carbono (CO2) hasta el año 2100. Logrando disminuir significativamente después del año 2020 (en un escenario optimista RCP 2.6) o continuar incrementando todo el siglo 21 (en un escenario pesimista RCP 8.5).
Solo como ejemplo de esta incertidumbre, la Figura 1 muestra el cambio en la precipitación global para un largo plazo al año 2100. Países como el Perú, lastimosamente se ubican en zonas de alta incertidumbre. La vertiente del Pacífico no presenta nada claro y la vertiente del Amazonas y Titicaca, presentan algunas áreas con un menor cambio de precipitación, sin ser significativo (sin un consenso entre los GCMs evaluados).
Figura 1. Proyecciones del cambio en la precipitacion media (en %) tomando como referencia el periodo 1986-2005 para un escenario RCP 2.6 (izquierda) y RCP 8.5 (derecha). Las zonas punteadas representan regiones con un mayor cambio significativo (con un consenso del 90% de los modelos evaluados, nro indicado en la parte superior derecha). Las zonas achuradas representa regiones con menor cambio sin ser significativo. Fuente AR5 Synthesis report.
De manera concreta, estos GCMs del CMIP5 y sus series de tiempo asociadas, se encuentran disponibles libremente (descargables en https://esgf-node.llnl.gov/search/cmip5/ se deberá crear una cuenta de usuario) y su interpretación no es meramente estadística. El AR5 recomienda su empleo estrictamente en el ámbito científico.
En este ejemplo, se muestra la serie de precipitación a corto plazo del modelo inglés HadGEM2-ES para el escenario casi-optimista RCP 4.5, correspondiente a la cuadricula que incluye parte de la cuenca alta del rio Rímac. Este ejercicio es posible con una rutina en lenguaje R descrito al final.
Figura 2. Cuadricula HadGEM2-ES en grises y la cuenca del rio Rimac en celeste.
Figura 3. Serie de precipitación mensual en el corto plazo para la grilla evaluada.
Parecería evidente que es posible hacer la comparación, entre las series históricas in-situ (ver triángulos verdes en la Figura 2) y los valores extraídos para la grilla o también analizar otros GCMs. Sin embargo, se sabe que los GCMs son modelos matemáticos y físicos muy complejos y que representan mejor a los fenómenos de gran escala. La comparación con series in-situ tiene un fin meramente de exploración y se recomienda comparar los cambios en el tiempo (Delta P y Delta T en porcentajes %, así como algunas tendencias en las series), logrando capturar el cambio estacional en las series como medio de validación.
Esta comparación también es denominada una reducción de escala o "downscaling", en este caso de tipo espacial. Es decir, lograr reducir la gran extensión de una grilla GCM (e.g. en la Figura 2 estas grillas en grises tienen una extensión aproximada de 125 km x 188 km) en una extensión equivalente a la influencia del punto-estación correspondiente. Si bien existen muchos métodos para este procedimiento, se muestra las siguientes ecuaciones simples para un "downscaling" estadístico (Bierkens et al, 2008) y así lograr preliminarmente los datos de entrada para un modelo hidrológico.
 |
| Ecuación 1. Reducción de escala simple para temperaturas |
Donde:
Tes(t): serie de tiempo de temperatura para el escenario de cambio climático.
Tobs.ref(t): es la serie de tiempo de temperatura observada en un periodo de referencia.
TGCM.es: valor promedio de temperatura para el escenario de cambio del clima estimado con el GCM
TGCM.ref: valor promedio de temperatura para el periodo de referencia estimado con el GCM.
 |
| Ecuación 2. Reducción de escala simple para precipitaciones |
Donde:
Pes(t): serie de tiempo de precipitación para el escenario de cambio climático.
Pobs.ref(t): es la serie de tiempo de precipitación observada en un periodo de referencia.
PGCM.es: valor promedio de precipitación para el escenario de cambio del clima estimado con el GCM
PGCM.ref: valor promedio de precipitación para el periodo de referencia estimado con el GCM.
Por otro lado, existen proyectos regionales llamados RCM (Regional Climate Models) que efectúan el proceso de downcaling físico para los continentes, empleando como condiciones de borde a los GCMs (e.g. RegCM4, PRECIS, CORDEX), los cuales ofrecen unas mallas con una mejor resolución, mantienen aún la incertidumbre proveniente de los GCM y los parámetros regionales de ajuste, sin dejar de mencionar aspectos del super computing que se requiere. Sin embargo, estarían mejor adaptados a condiciones regionales (e.g. el efecto de grandes barreras montañosas). Otras fuentes incorporan aún mas incertidumbre como el WorldClim o el BCSD debido al empleo de productos de reanálisis pero con objetivos claros como el ecológico o hidrológico respectivamente, los cuales bien podrían cubrir las expectativas de resolución y una mejor comparación a los datos in-situ. Hasta el momento aún queda como reto la representación de procesos locales como la topografía o el cambio de uso en el suelo, para los cuales se requiere un intenso cálculo computacional para el trabajo con dominios y capas en un downscaling dinámico (e.g. uso del modelo WRF)
Si hablamos de la incertidumbre en la precipitación para Perú, imagínense la incertidumbre para las proyecciones de escorrentía y caudales mediante una modelación hidrológica. Se tendría una decena de incertidumbres en acumulación, difíciles a interpretar por el momento. Así como la foto inicial mostrando la desaparición del glaciar Chacaltaya en Bolivia, son muchos los estudios en los Andes que alertan el impacto del cambio climático y en específico en la seguridad hídrica (Goyburo et al, 2023) y es común encontrar al año 2050 como una referencia de punto de quiebre donde esta problemática se acentúa. Esto hace de la temática del cambio climático aún más interesante y espero que pueda motivarlos también a ustedes abordándola desde el contexto hidrológico propio de sus regiones.
A continuación les comparto un código simple en lenguaje R para la extracción de la series de precipitación desde un formato NetCDF (*.nc) para obtener la Figura 3. Previamente instalar los paquetes raster y ncdf4 en el Rstudio.
----------------------------------------------------------------------------
# Extracción de una variable del CMIP5 (o cualquier archivo .NC)
library(raster)
# Comando brick lee todas las capas contenidas en el archivo nc, Ejm: pr:precipitacion
b <- brick(".../ccmodels/hadgem2-es/pr_Amon_HadGEM2-ES_rcp45_r1i1p1_200512-203011.nc", varname = "pr")
# Asignando indices
idx <- getZ(b)
# Indicar coordenadas y extraer los valores y convertirlos a mm/mes
coords <- matrix(c(283.6, -11.8), ncol = 2) # 283.6 es la longitud y -11.8 la latitud
vals <- extract(b, coords, df=T)*86400*30
# Fijar fechas y datos en un solo objeto dataframe
df <- data.frame(idx, t(vals)[-1,])
rownames(df) <- NULL
names(df) <- c('date','value')
# Visualizar
head(df)
# Plotear la serie
plot(df, type="l", xlab="Años", ylab="P (mm/mes)")
---------------------------------------------------------------------------
# Extracción de una variable del CMIP5 (o cualquier archivo .NC)
library(raster)
# Comando brick lee todas las capas contenidas en el archivo nc, Ejm: pr:precipitacion
b <- brick(".../ccmodels/hadgem2-es/pr_Amon_HadGEM2-ES_rcp45_r1i1p1_200512-203011.nc", varname = "pr")
# Asignando indices
idx <- getZ(b)
# Indicar coordenadas y extraer los valores y convertirlos a mm/mes
coords <- matrix(c(283.6, -11.8), ncol = 2) # 283.6 es la longitud y -11.8 la latitud
vals <- extract(b, coords, df=T)*86400*30
# Fijar fechas y datos en un solo objeto dataframe
df <- data.frame(idx, t(vals)[-1,])
rownames(df) <- NULL
names(df) <- c('date','value')
# Visualizar
head(df)
# Plotear la serie
plot(df, type="l", xlab="Años", ylab="P (mm/mes)")
---------------------------------------------------------------------------
Ref:
-Bierkens MFP, Dolman AJ, Troch PA. 2008. Climate and the hydrological cycle. IAHS Publ 8.
-Fraser B. 2012. Melting in the Andes: Goodbye glaciers. Nature 491,180–182.
-Goyburo A, Rau P, Lavado-Casimiro W, et al. 2023. Assessment of present and future water security under anthropogenic and climate changes using WEAP model in the Vilcanota-Urubamba catchment, Cusco, Peru. Water. 15(7),1439.
-IPCC. Panel Intergubernamental sobre Cambio Climático. 2013. Cambio Climático 2013: Bases físicas. Resumen para responsables de políticas.
No hay comentarios. :
Publicar un comentario