ENOS y caudales en la costa norte del Perú

Impactos de El Niño

---

Fig 1. Central Hidroeléctrica Cañón del Pato, en el río Santa (Ancash, Perú). Foto: Kallpa

Resumen traducido: Castillo et al (2022)

La variabilidad climática se analiza en periodos de meses, años y décadas definidos por patrones climáticos como el ENOS (El Niño Oscilación del Sur), la variabilidad decadal, entre otros. El ENOS, expresado como índice climático, es el principal impulsor de la variabilidad en el clima del Pacífico (McPhaden et al., 2006), afectando la intensidad y la ubicación de las principales variables climatológicas como la precipitación, la temperatura y los vientos.

Los cambios en la temperatura superficial del mar, debido a la interacción continua de los océanos con la atmósfera, pueden tener efectos significativos en el clima global. El aumento de la temperatura superficial del mar ha provocado un incremento en la cantidad de vapor de agua atmosférico sobre los océanos. Estudios previos relacionan la precipitación con el ENOS a lo largo de la costa del Pacífico (Bourrel et al., 2015), mostrando que esta relación en la costa occidental de Perú ha experimentado un cambio decenal significativo. Si bien los eventos de El Niño anteriores al año 2000 provocaron un aumento de las precipitaciones, en ese año el ENSO se asoció con condiciones más secas (El Niño generó menos lluvia, al menos hasta 2011). El análisis también indica que los dos eventos extremos de El Niño de 1982/83 y 1997/98 han eclipsado las tendencias actuales en la relación entre la variabilidad interanual en el Pacífico tropical y la precipitación a lo largo de la costa de Perú. En general, el estudio destaca la complejidad del ciclo hidrológico en la vertiente occidental de los Andes con respecto a su relación con la variabilidad interanual a decenal en el Pacífico tropical.

En el presente estudio, se explora el impacto de la variabilidad climática en el caudal de las principales cuencas del Pacífico Norte-Peruano incluyendo estaciones del sistema interconectado nacional del Perú (COES) encargado de operar el sistema hidroeléctrico (ver Figura 1), haciendo hincapié en la influencia de las anomalías de la temperatura superficial del mar (SSTa) y los índices asociados al ENOS (El Niño Oscilación del Sur). 

1. Metodología

Se utilizaron registros de caudales mensuales de 19 estaciones provenientes de agencias públicas (SENAMHI y COES) de 1965 al 2008; y diversos índices climáticos de El Niño-Oscilación del Sur (ENOS), como el SOI (Indice de Oscilación del Sur), ONI (Indice Niño Océanico), MEI (Indice Multivariado El Niño), ICEN (Indice Costero El Niño), y los índices E (El Niño del Este) y C (El Niño Central).

1.1. Regionalización y Clustering: Se aplicó un análisis jerárquico utilizando el método de Ward (mínima varianza) para agrupar estaciones con comportamientos similares de caudal. Se empleó el Método del Vector Regional (MVR) mediante el software Hydraccess para validar la homogeneidad de las regiones y generar series representativas por cada clúster.

1.2. Análisis de Correlación de Pearson: Se calculó el grado de relación lineal entre los caudales y los índices climáticos, evaluando diferentes retrasos temporales (lags) de 0 a -12 meses para encontrar cuándo la influencia del mar es más fuerte en el caudal.

1.3. Modelado por Regresión Múltiple: Para cada clúster, se construyó una ecuación predictiva que utiliza los caudales de los meses previos (Ejm: Q(i−1), Q(i−2)) e indices climáticos significativos con sus respectivos lags óptimos.

1.4. Validación Estadística: Los modelos se contrastaron usando el coeficiente de Nash-Sutcliffe (NSE), el coeficiente de determinación (R2) y la prueba de Durbin-Watson para asegurar la ausencia de autocorrelación en los errores

2. Resultados

Los hallazgos destacan la fuerte y variada influencia del océano según la ubicación geográfica. Las estaciones más cercanas al Ecuador (como Puente Sánchez Cerro en Piura) muestran la mayor correlación positiva con la SST en un lag 0, lo que significa que el aumento de la temperatura del mar impacta casi de inmediato en el caudal. Hacia el sur, los retrasos aumentan hasta alcanzar los -9 meses. Este desfase temporal es estadísticamente vital porque proporciona una "ventana de anticipación" para la toma de decisiones operativas.

De las 19 estaciones, se determinaron 4 cluster o regiones homogéneas (ver Fig 1): C1: Cuenca del río Piura (Estación Sánchez Cerro), considerada una unidad independiente por su comportamiento extremo; C2: Estaciones cercanas a la costa norte (Puchaca, Batán, Quirihuac, etc.); C3: Estaciones en cuencas de mayor altitud o centrales (como el río Santa y Pativilca); C4: Sector de la Cordillera Blanca en la cuenca del río Santa. Estas regiones aseguran que los modelos de regresión multiple no se vean afectados por ruidos locales de una sola estación, sino que respondan a señales climáticas regionales coherentes, validando la homogeneidad mediante el parámetro de diferencia de desviaciones estándar (ETE < 0.40).

Fig 2. Clusters obtenidos con caudales regionalizados. Fuente: Castillo et al (2022)

Asimismo, como indices importantes destacaron: E e ICEN (asociados a la región NIÑO1+2, frente a la costa peruana) resultaron ser los más relevantes para predecir caudales en el norte, con correlaciones cercanas a 0.50 en la cuenca de Piura

Uno de los hallazgos más críticos es el cambio en la relación ENSO-caudal ocurrido alrededor del año 2000. Antes del 2000, los modelos se basaban mayoritariamente en los índices E, C y ONI. Sin embargo, para el periodo 2000-2015, el Índice Multivariado del ENSO (MEI) se vuelve predominante en los clústeres C1, C2 y C3. La superioridad del MEI podriaradicar en que no solo mide la temperatura superficial del mar, sino que integra presión, vientos y radiación de onda larga (OLR), capturando mejor la complejidad climática actual.

Fig 3. Correlaciones con retardos entre los clusters de caudales y el indice MEI. Fuente: Castillo et al (2022).

Los modelos mostraron una alta fidelidad estadística, con coeficientes de determinación (R2) superiores a 0.83 y una eficiencia de Nash-Sutcliffe (NSE) que alcanza valores de hasta 0.93 en periodos históricos. El uso de caudales previos en las ecuaciones de regresión lineal múltiple permite que el modelo aproveche la "memoria" o inercia del sistema hidrológico, mejorando la precisión en meses de estiaje. La ecuación 1, entre otras refleja este comportamiento.

Eq 1. Ejemplo de ecuación de regresión lineal multiple para el cluster 2

3. Conclusiones

El estudio tiene una aplicación directa y crítica para la red de centrales hidroeléctricas, con 12 estaciones analizadas relacionadas con la producción hidroeléctrica. La capacidad de predecir caudales con meses de anticipación mediante los lags identificados permite al COES optimizar la programación de las centrales hidroeléctricas. Por ejemplo, en el río Santa (Clúster C3 y C4), que es una de las cuencas con mayores caudales y potencia instalada, entender que su comportamiento posterior al año 2000 dependería también del índice MEI y SOI que de la temperatura costera inmediata es fundamental para evitar subestimar o sobreestimar la generación hidroeléctrica. La respuesta rápida de los caudales del norte peruano a los índices ICEN y E, sustenta la activación de protocolos de contingencia ante eventos de El Niño Extremos como 1983 o 1998,  mucho antes de que las lluvias se manifiesten en la costa.

Referencias:

-Bourrel L, Rau P, Dewitte B, Labat D, Lavado W, Coutaud A, Vera A, Alvarado A, Ordoñez J, 2015. Low-frequency modulation and trend of the relationship between precipitation and ENSO along the Northern to Center Peruvian Pacific coast. Hydrological Processes. 29(6):1252-1266.

-Castillo L, Rau P, Luyo J. 2022. ENSO and Sea Surface Temperature Anomaly Impacts on streamflow data in the North Pacific Coast catchment of Peru. Proceedings of the IAHR World Congress. (pdf) https://doi.org/10.3850/IAHR-39WC252171192022241 

-McPhaden MJ.,Zebiak SE, Glantz MH. 200). ENSO as an Integrating Concept in Earth Science. Science 314, 1740.