análisis comparativo de downscaling estadístico y dinámico en las

UNIVERSIDAD DE CUENCA
UNIVERSIDAD DE CUENCA
FACULTAD DE CIENCIAS QUÍMICAS
ESCUELA DE INGENIERÍA AMBIENTAL
ANÁLISIS COMPARATIVO DE
DOWNSCALING ESTADÍSTICO Y
DINÁMICO EN LAS CUENCAS DE LOS
RÍOS PAUTE Y JUBONES
TRABAJO PREVIO A LA OBTENCIÓN DEL TÍTULO DE
INGENIERO AMBIENTAL
Autor: Juan Carlos Guanuchi Quito
Director: Ing. Esteban Samaniego Alvarado
Codirector: Ing. Lenin Campozano Parra
Marzo, 2015.
1
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
RESUMEN
Los modelos de circulación global constituyen una herramienta fundamental en
la predicción del clima. La escala a la que se encuentran hace que sus
resultados no sean aplicables a la toma de decisiones a nivel local. Para
incorporar información regional y local, se han creado diversas técnicas de
reducción de escala (downscaling); a pesar de la aplicación de éstas, la
comparación de sus resultados con observaciones exhibe errores. Ante esto, la
técnica denominada Quantile Mapping permite realizar cambios en la
distribución de resultados de downscaling, a fin de que se ajusten a la
distribución de las observaciones. Se aplica esta técnica a resultados de
reducción de escala en las cuencas del Paute y del Jubones, ubicadas al sur
del Ecuador, se observa que la mejora depende de la variante de Quantile
Mapping aplicada. Aunque queda claro que no se puede eliminar totalmente los
errores, se ha logrado obtener mejoras hasta del 70% en downscaling
dinámico; en downscaling estadístico, apenas una leve mejoría es observada.
Para identificar y generar proyecciones sobre el cambio climático en las
cuencas en estudio se aplica el método Delta, con sus resultados se analiza la
estacionalidad, anomalías y variabilidad climática de las zonas.
Palabras clave: Quantile mapping, método Delta, reducción de escala, GCM.
2
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
ABSTRACT
Global circulation models are a powerful tool for climate prediction. The coarse
scale of their results makes them difficult to apply to decision-making processes
at local and regional level. Aiming at the incorporation of regional and local
information, several downscaling techniques have been devised.
Notwithstanding, their application, the results exhibit errors; to tackle this
problem, the technique known as Quantile Mapping allows a consistent change
on the results distribution, so that they are fitted to the observations distribution.
This technique is applied to downscaling results for the Paute and Jubones
basins, located in Southern Ecuador. It is observed that they depend on the
Quantile Mapping variant applied. Even though it is clear that errors cannot be
completely eliminated, improvement of up to 70% has been attained in
dynamical downscaling; in statistical downscaling, just a slight improvement is
observed. To identify and generate projections of climate change in the basins,
Delta method was applied, with their results seasonality, anomalies, and climate
variability were analyzed.
Keywords: Quantile mapping, Delta method, downscaling, GCM.
3
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
CONTENIDO
INTRODUCCIÓN ................................................................................................................................. 14
OBJETIVOS ......................................................................................................................................... 17
GENERAL:....................................................................................................................................... 17
ESPECÍFICOS: ................................................................................................................................. 17
1.
CAPÍTULO UNO .......................................................................................................................... 18
CONCEPTOS BÁSICOS ........................................................................................................................ 18
2.
1.1.
CLIMA Y TIEMPO ............................................................................................................... 18
1.2.
CAMBIO CLIMÁTICO .......................................................................................................... 18
1.3.
ESCENARIOS DE EMISIONES .............................................................................................. 21
1.4.
MODELOS CLIMÁTICOS ..................................................................................................... 23
1.5.
DOWNSCALING ................................................................................................................. 24
CAPÍTULO DOS........................................................................................................................... 26
MÉTODOS DE DOWNSCALING .......................................................................................................... 26
3.
2.1.
REDUCCIÓN DE ESCALA DINÁMICA ................................................................................... 26
2.2.
REDUCCIÓN DE ESCALA ESTADÍSTICA ............................................................................... 28
CAPÍTULO TRES.......................................................................................................................... 30
MATERIALES Y MÉTODOS.................................................................................................................. 30
3.1.
ZONAS DE ESTUDIO ........................................................................................................... 30
3.1.1
CUENCA DEL RÍO PAUTE ............................................................................................ 30
3.1.2.
CUENCA DEL RÍO JUBONES........................................................................................ 31
3.2.
DATOS................................................................................................................................ 32
3.3.
PRE-PROCESAMIENTO DE LA INFORMACIÓN ................................................................... 35
3.3.1.
MAPEO DE CUANTILES (QUANTILE MAPPING) ......................................................... 36
3.3.2.
APLICACIÓN DE QUANTILE MAPPING ....................................................................... 37
3.4. INDICADORES ESTADÍSTICOS PARA COMPARACIÓN DE MÉTODOS DE QUANTILE
MAPPING ....................................................................................................................................... 38
3.4.1.
COEFICIENTE DE EFICIENCIA DE NASH-SUTCLIFFE .................................................... 38
3.4.2.
COEFICIENTE DE DETERMINACIÓN ........................................................................... 39
3.4.3.
ERROR CUADRÁTICO MEDIO ..................................................................................... 39
3.5.
PROCESAMIENTO DE LA INFORMACIÓN ........................................................................... 39
3.5.1.
MÉTODOS PARA IDENTIFICAR CAMBIO CLIMÁTICO ................................................. 39
4
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
4.
CAPÍTULO 4................................................................................................................................ 42
RESULTADOS ..................................................................................................................................... 42
4.1.
PRE-PROCESAMIENTO DE LA INFORMACIÓN ................................................................... 42
4.1.1.
ANÁLISIS SOBRE DATOS DE PRECIPITACIÓN EN EL PERIODO 1991-1999 ................. 42
4.1.2.
ANÁLISIS SOBRE DATOS DE TEMPERATURA EN EL PERIODO 1991-1999.................. 45
4.1.3.
QUANTILE MAPPING ................................................................................................. 47
4.2.
ANÁLISIS DE RESULTADOS DE LA CORRECCIÓN ................................................................ 56
4.3.
EVALUACIÓN DEL CAMBIO CLIMÁTICO ............................................................................. 58
4.3.1.
ANÁLISIS DE ESTACIONALIDAD ..................................................................................... 59
4.3.1.1.
PRECIPITACIÓN ...................................................................................................... 59
4.3.1.2.
TEMPERATURA ...................................................................................................... 65
4.3.2.
ANÁLISIS DE ANOMALÍAS CLIMÁTICAS ......................................................................... 66
4.3.2.1.
PRECIPITACION ...................................................................................................... 66
4.3.2.2.
TEMPERATURA ...................................................................................................... 74
4.3.3.
5.
ANÁLISIS DE VARIABILIDAD CLIMÁTICA ........................................................................ 76
4.3.3.1.
PRECIPITACIÓN ...................................................................................................... 77
4.3.3.2.
TEMPERATURA ...................................................................................................... 84
CAPÍTULO 5................................................................................................................................ 88
CONCLUSIONES ................................................................................................................................. 88
5.1.
INTRODUCCIÓN ................................................................................................................. 88
5.2.
SITUACIÓN PRELIMINAR.................................................................................................... 88
5.3.
MAPEO DE CUANTILES (Quantile Mapping) ...................................................................... 89
5.4.
CAMBIO CLIMÁTICO EN LA CUENCA DEL PAUTE .............................................................. 89
5.4.1.
ZONA BIMODAL UNO: ESTACIÓN CUENCA-AEROPUERTO ........................................ 90
5.4.2.
ZONA BIMODAL 2: ESTACIÓN EL LABRADO (M141) .................................................. 91
5.4.3.
UNIMODAL 2: ESTACIÓN RÍO MAZAR-RIVERA (M410) ............................................. 91
5.5.
CAMBIO CLIMÁTICO EN LA CUENCA DEL JUBONES .......................................................... 92
5.5.1.
REGIÓN COSTA DE JUBONES: ESTACIÓN PASAJE (M040) ......................................... 93
5.5.2.
REGIÓN SIERRA DE JUBONES: ESTACIÓN SARAGURO (M142) .................................. 93
5.6.
PASOS FUTUROS................................................................................................................ 94
BIBLIOGRAFÍA .................................................................................................................................... 95
GLOSARIO ........................................................................................................................................ 100
5
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
INDICE DE FIGURAS
FIGURA 1. ESQUEMA DE ELABORACIÓN DE LA TESIS. ............................................................ 16
FIGURA 2. EVOLUCIÓN MUNDIAL DE EMISIÓN DE GASES DE EFECTO INVERNADERO................. 19
FIGURA 3. TENDENCIAS MUNDIALES DE TEMPERATURAS ANUALES EN EL SIGLO PASADO......... 20
FIGURA 4. TENDENCIA MUNDIAL DE LA PRECIPITACIÓN ANUAL EN EL SIGLO PASADO. .............. 20
FIGURA 5. SUBREGIONES DE PRECIPITACIÓN EN LA CUENCA DEL PAUTE ............................... 34
FIGURA 6. UBICACIÓN DE LAS ESTACIONES SELECCIONADAS. ............................................... 35
FIGURA 7. RESULTADOS DE LA COMPARACIÓN DE MÉTODOS DE QUANTILE MAPPING EN EL
ESTUDIO DE GUDMUNDSSON ET AL. (2012). ................................................................. 37
FIGURA 8. COMPARACIÓN ENTRE OBSERVACIONES Y RESULTADOS DE DOWNSCALING EN EL
PERIODO 1991-1999, EMPLEANDO MEDIAS MENSUALES MULTIANUALES DE
PRECIPITACIÓN. .......................................................................................................... 44
FIGURA 9. COMPARACIÓN ENTRE OBSERVACIONES Y RESULTADOS DE DOWNSCALING
ESTADÍSTICO Y DINÁMICO, EMPLEANDO MEDIAS MENSUALES MULTIANUALES DE
TEMPERATURA. .......................................................................................................... 46
FIGURA 10. RESULTADOS DE LA APLICACIÓN DE QM EN DATOS DE PRECIPITACIÓN DE
DOWNSCALING DINÁMICO EN EL PERIODO BASE. ........................................................... 56
FIGURA 11. APLICACIÓN DE QM EN DATOS DEL FUTURO ...................................................... 58
FIGURA 12. ESTACIONALIDAD DE PRECIPITACIÓN EN LA ZONA BIMODAL UNO: ESTACIÓN
CUENCA-AEROPUERTO. .............................................................................................. 60
FIGURA 13. ESTACIONALIDAD DE PRECIPITACIÓN EN LA ZONA BIMODAL DOS: ESTACIÓN EL
LABRADO. .................................................................................................................. 61
FIGURA 14. ESTACIONALIDAD DE PRECIPITACIÓN EN LA ZONA UNIMODAL DOS: ESTACIÓN RÍO
MAZAR-RIVERA .......................................................................................................... 62
FIGURA 15. ESTACIONALIDAD DE PRECIPITACIÓN EN LA REGIÓN COSTA DE JUBONES:
ESTACIÓN PASAJE ...................................................................................................... 63
FIGURA 16. ESTACIONALIDAD DE PRECIPITACIÓN EN LA REGIÓN SIERRA DE JUBONES:
ESTACIÓN SARAGURO. ................................................................................................ 64
FIGURA 17. ESTACIONALIDAD DE TEMPERATURA EN CUENCA-AEROPUERTO Y SARAGURO ..... 65
FIGURA 18. ANOMALÍAS DE PRECIPITACIÓN EN LA ZONA BIMODAL UNO: ESTACIÓN CUENCAAEROPUERTO............................................................................................................. 67
FIGURA 19. ANOMALÍAS DE PRECIPITACIÓN EN LA ZONA BIMODAL DOS: ESTACIÓN EL
6
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
LABRADO ................................................................................................................... 68
FIGURA 20. ANOMALÍAS DE PRECIPITACIÓN EN LA ZONA UNIMODAL DOS: ESTACIÓN MAZARRIVERA ...................................................................................................................... 70
FIGURA 21. ANOMALÍAS DE PRECIPITACIÓN EN LA REGIÓN COSTA DE JUBONES: ESTACIÓN
PASAJE ...................................................................................................................... 71
FIGURA 22. ANOMALÍAS DE PRECIPITACIÓN EN LA REGIÓN SIERRA DE JUBONES: ESTACIÓN
SARAGURO ................................................................................................................ 73
FIGURA 23. ANOMALÍAS DE TEMPERATURA EN LAS ESTACIONES CUENCA-AEROPUERTO Y
SARAGURO. ............................................................................................................... 75
FIGURA 24. VARIABILIDAD DE LA PRECIPITACIÓN EN LA ZONA BIMODAL UNO: ESTACIÓN
CUENCA-AEROPUERTO. .............................................................................................. 77
FIGURA 25. VARIABILIDAD DE LA PRECIPITACIÓN EN LA ZONA BIMODAL DOS: ESTACIÓN EL
LABRADO. .................................................................................................................. 78
FIGURA 26. VARIABILIDAD DE LA PRECIPITACIÓN EN LA ZONA UNIMODAL DOS: ESTACIÓN RÍO
MAZAR-RIVERA. ......................................................................................................... 80
FIGURA 27. VARIABILIDAD DE LA PRECIPITACIÓN EN LA REGIÓN COSTA DE JUBONES:
ESTACIÓN PASAJE. ..................................................................................................... 81
FIGURA 28. VARIABILIDAD DE LA PRECIPITACIÓN EN LA REGIÓN SIERRA DE JUBONES:
ESTACIÓN SARAGURO. ................................................................................................ 83
FIGURA 29. VARIABILIDAD DE LA TEMPERATURA EN LA ESTACIÓN CUENCA-AEROPUERTO. ..... 84
FIGURA 30. VARIABILIDAD DE LA TEMPERATURA EN LA ESTACIÓN SARAGURO. ....................... 86
INDICE DE TABLAS
TABLA 1. ESCENARIOS IE-EE ......................................................................................... 23
TABLA 2. EVOLUCIÓN DE MODELOS CLIMÁTICOS. ................................................................. 24
TABLA 3. ESQUEMAS SELECCIONADOS PARA RESOLUCIÓN DE PROCESOS ATMOSFÉRICOS ..... 28
TABLA 4. SUBCUENCAS DEL RÍO PAUTE Y ÁREAS QUE OCUPAN. ............................................ 31
TABLA 5. SUBCUENCAS DEL RÍO JUBONES Y ÁREAS QUE OCUPAN. ........................................ 32
TABLA 6. ESTACIONES SELECCIONADA. ............................................................................... 34
TABLA 7. INDICADORES ESTADÍSTICOS CALCULADOS EMPLEANDO RESULTADOS DIRECTOS
DE LOS MÉTODOS DE DOWNSCALING Y OBSERVACIONES EN EL PERIODO 1991-1999
PARA LA VARIABLE DE PRECIPITACIÓN. ......................................................................... 42
TABLA 8. INDICADORES ESTADÍSTICOS CALCULADOS EMPLEANDO RESULTADOS DIRECTOS
DE LOS MÉTODOS DE DOWNSCALING Y OBSERVACIONES PARA LA VARIABLE DE
TEMPERATURA EN EL PERIODO 1991-1999. ................................................................. 45
7
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
TABLA 9. ERROR CUADRÁTICO MEDIO EN RESULTADOS DE DOWNSCALING DINÁMICO,
COMPARANDO DATOS CORREGIDOS Y SIN CORREGIR (MSE CORREGIDO / MSE SIN
CORREGIR) PARA LA VARIABLE DE PRECIPITACIÓN......................................................... 48
TABLA 10. DISMINUCIÓN DE ERROR CUADRÁTICO MEDIO EN RESULTADOS DE DOWNSCALING
ESTADÍSTICO, COMPARANDO DATOS CORREGIDOS Y SIN CORREGIR (MSE CORREGIDO /
MSE SIN CORREGIR) PARA LA VARIABLE DE PRECIPITACIÓN. ......................................... 48
TABLA 11. COEFICIENTE DE EFICIENCIA DE NASH-SUTCLIFFE EN RESULTADOS DE
CORRECCIÓN DE DOWNSCALING DINÁMICO EMPLEANDO DATOS DE PRECIPITACIÓN. ........ 49
TABLA 12. COMPARACIÓN DE RESULTADOS DEL COEFICIENTE DE EFICIENCIA DE NASHSUTCLIFFE (E) EN DATOS DE PRECIPITACIÓN DE DOWNSCALING DINÁMICO. .................... 50
TABLA 13. COEFICIENTE DE EFICIENCIA DE NASH-SUTCLIFFE EN RESULTADOS DE
CORRECCIÓN DE DOWNSCALING ESTADÍSTICO EMPLEANDO DATOS DE PRECIPITACIÓN. ... 50
TABLA 14. COMPARACIÓN DE RESULTADOS DEL COEFICIENTE DE EFICIENCIA DE NASHSUTCLIFFE EN DATOS DE PRECIPITACIÓN DE DOWNSCALING ESTADÍSTICO. ..................... 51
TABLA 15. COEFICIENTE DE DETERMINACIÓN R2 EN RESULTADOS DE CORRECCIÓN DE
DOWNSCALING DINÁMICO. ........................................................................................... 51
TABLA 16. COMPARACIÓN DE RESULTADOS DEL COEFICIENTE DE DETERMINACIÓN EN DATOS
DE PRECIPITACIÓN DE DOWNSCALING DINÁMICO. .......................................................... 52
TABLA 17. COEFICIENTE DE DETERMINACIÓN R2 EN RESULTADOS DE CORRECCIÓN DE
DOWNSCALING ESTADÍSTICO. ...................................................................................... 52
TABLA 18. COMPARACIÓN DE RESULTADOS DEL COEFICIENTE DE DETERMINACIÓN EN DATOS
DE PRECIPITACIÓN DE DOWNSCALING ESTADÍSTICO. ..................................................... 52
TABLA 19. ERROR CUADRÁTICO MEDIO EN RESULTADOS DE DOWNSCALING DINÁMICO,
COMPARANDO DATOS CORREGIDOS Y SIN CORREGIR (MSE CORREGIDO / MSE SIN
CORREGIR) PARA LA VARIABLE DE TEMPERATURA. ........................................................ 53
TABLA 20. ERROR CUADRÁTICO MEDIO EN RESULTADOS DE DOWNSCALING ESTADÍSTICO,
COMPARANDO DATOS CORREGIDOS Y SIN CORREGIR (MSE CORREGIDO / MSE SIN
CORREGIR) PARA LA VARIABLE DE TEMPERATURA. ........................................................ 53
TABLA 21. COEFICIENTE DE EFICIENCIA DE NASH-SUTCLIFFE EN RESULTADOS DE
CORRECCIÓN DE DOWNSCALING DINÁMICO EMPLEANDO DATOS DE TEMPERATURA. ......... 54
TABLA 22. COEFICIENTE DE EFICIENCIA DE NASH-SUTCLIFFE EN RESULTADOS DE
CORRECCIÓN DE DOWNSCALING ESTADÍSTICO EMPLEANDO DATOS DE TEMPERATURA. .... 54
TABLA 23. COEFICIENTE DE DETERMINACIÓN R2 EN RESULTADOS DE CORRECCIÓN DE
DOWNSCALING DINÁMICO. ........................................................................................... 55
TABLA 24. COEFICIENTE DE DETERMINACIÓN R2 EN RESULTADOS DE CORRECCIÓN DE
DOWNSCALING ESTADÍSTICO. ...................................................................................... 55
TABLA 25. MÉTODOS DE QM SELECCIONADOS. ................................................................... 56
TABLA 26. ANOMALÍAS PROMEDIO DE PRECIPITACIÓN EN LA ESTACIÓN CUENCAAEROPUERTO PARA EL PERIODO 2001-2050 ................................................................ 68
TABLA 27. ANOMALÍAS PROMEDIO DE PRECIPITACIÓN EN LA ESTACIÓN EL LABRADO .............. 69
TABLA 28. ANOMALÍAS PROMEDIO DE PRECIPITACIÓN EN LA ESTACIÓN MAZAR-RIVERA
REPRESENTATIVA DE LA ZONA UNIMODAL DOS. ............................................................. 71
8
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
TABLA 29. ANOMALÍAS PROMEDIO DE PRECIPITACIÓN EN LA ESTACIÓN PASAJE ..................... 72
TABLA 30. ANOMALÍAS PROMEDIO DE PRECIPITACIÓN EN LA ESTACIÓN SARAGURO ................ 74
TABLA 31. ANOMALÍAS PROMEDIO DE TEMPERATURA. .......................................................... 76
9
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
10
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
11
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
AGRADECIMIENTOS
A las siguientes personas:
Ing. Esteban Samaniego
Ing. Lenin Campozano
Ing. Ronald Gualán
Ing. Ana Elizabeth Ochoa
A todo quienes brindaron su conocimiento y experiencia.
Instituciones
Universidad de Cuenca - Escuela de Ingeniería Ambiental
Universidad de Cuenca – Departamento de Recursos Hídricos y Ciencias Ambientales
12
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
DEDICATORIA
A mis padres y hermanos por darme su apoyo incondicional
en todo momento.
13
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
INTRODUCCIÓN
El presente proyecto se basa en el análisis de predicciones climáticas
desarrolladas en estudios previos mediante la reducción de escala de modelos
de circulación global (GCMs). El estudio se desarrolla en las cuencas de los
ríos Paute y Jubones debido a la gran importancia para el país por los servicios
ambientales que estas brindan. El suministro del recurso hídrico podría ser uno
de los servicios más importantes que estas proveen, sin dejar de lado la
producción hidroeléctrica que las vuelven de vital importancia para el
abastecimiento energético del Ecuador.
La generación hidroeléctrica en el país es la fuente principal que abastece de
energía eléctrica a los ecuatorianos. En la cuenca del Paute cuando se
concluya la construcción del Sistema Hidroeléctrico Paute Integral se producirá
alrededor del 50% de la energía eléctrica del Ecuador (Cáceres, 2011). La
capacidad total que se pretende instalar bordea los 2200 MW mediante cuatro
centrales: Mazar (170 MW), Molino (1100 MW), Sopladora (487 MW) y
Cardenillo (400 MW) (CELEC EP, 2011).
Por otro lado, en la cuenca del Jubones se construye el proyecto hidroeléctrico
Minas-San Francisco que contará con una capacidad de 270 MW de potencia.
Ésta central empleará el potencial del río Jubones y proveerá un promedio de
energía de 1290 Gwh/año a partir del año 2015 (Ministerio de Electricidad y
Energía Renovable, 2014).
Los sistemas mencionados permitirán reemplazar la tecnología que
actualmente se emplea en el país para la producción eléctrica. Se espera que
éste cambio tecnológico contribuya en la reducción de emisiones de CO2
producidas por plantas termoeléctricas en alrededor de 0,65 millones de
toneladas al año. Además fortalecerá la soberanía energética del país
sustituyendo la importación de energía (Ministerio de Electricidad y Energía
Renovable, 2014).
Sin embargo, se debe considerar que el funcionamiento de los sistemas
hidroeléctricos depende de la cantidad de caudal existente en los ríos que
emplean. Por lo tanto, será de mucha importancia conocer las condiciones de
los caudales bajo las que podrían operar estas centrales en el futuro. Para
estudiar éstas condiciones se deberá contar con información climática y
analizar cómo ésta variará en el tiempo debido al cambio climático.
Por otro lado, uno de los principales efectos del cambio climático se relaciona
con el aumento de la frecuencia de eventos extremos. Estos han provocado
grandes afecciones económicas, ambientales y sociales. En el Ecuador
empleando datos de DESINVENTAR del año 2007, según la segunda
14
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
comunicación sobre Cambio Climático, la presencia de anomalías climáticas se
ha incrementado gradualmente (Cáceres et. al, 2011). Durante el periodo 19702007 el 68% de 3590 registros de emergencias y desastres (geológicos,
antrópicos, incendios forestales y climáticos) están relacionados a eventos
climáticos. Estos son responsables de la afección y/o destrucción de viviendas
en un 84% así como también de un 78% de muertes. Es decir, que de todos los
eventos registrados en el Ecuador entre los años de 1970 y 2007, los eventos
climáticos fueron la mayor causa de pérdidas económicas y muertes (Cáceres
et. al, 2011).
Razones como las anteriores justifican la necesidad de estudiar la variación
del régimen climático futuro. Para lograr aquello, se puede emplear modelos de
circulación global (GCMs) que son herramientas poderosas y útiles para la
predicción climática. Sin embargo, estos modelos presentan información a una
escala muy grande. Si se desea analizar el cambio climático a escala de
cuenca hidrográfica será necesario entonces emplear información a menor
escala que permita conocer los procesos locales y como estos serán afectados
por el cambio climático. Esto será posible mediante una reducción de escala
(downscaling) de los modelos de circulación global.
El objeto de esta tesis será entonces la de analizar la información obtenida
mediante métodos de reducción de escala. Estos métodos fueron desarrollados
por el Departamento de Recursos Hídricos y Ciencias Ambientales de la
Universidad de Cuenca (iDRHiCA) para lo cual primeramente se realizó una
consultaría por Campozano (2011) en la que se seleccionaron los métodos
más adecuados de downscaling y GCMs.
El análisis de los resultados de downscaling permitirá primeramente conocer la
calidad de la información disponible, para luego ejecutar soluciones para
mejorar su eficacia y disminuir el error que presenta. Finalmente se podrá
analizar las proyecciones del régimen climático futuro, tomando en
consideración la influencia del cambio climático sobre él.
El proceso que se desarrollará se presenta esquemáticamente a continuación
en la Figura 1.
15
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 1. Esquema de elaboración de la tesis.
16
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
OBJETIVOS
GENERAL:
Realizar un análisis comparativo entre predicciones climáticas desarrolladas
mediante métodos estadísticos y dinámicos de reducción de escala, a fin de
estimar el régimen climático futuro en las cuencas de los ríos Paute y Jubones.
ESPECÍFICOS:

Revisar características importantes de los métodos de downscaling
estadístico y dinámico.

Analizar comparativamente los resultados del Downscaling Estadístico y
Dinámico.

Explorar la variación climática en las cuencas en estudio.
17
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
1. CAPÍTULO UNO
CONCEPTOS BÁSICOS
1.1.
CLIMA Y TIEMPO
Es importante diferenciar entre los términos tiempo y clima. Muchas personas
tienden a confundirse y piensan que ambos términos expresan lo mismo. Sin
embargo, se debe considerar que “Tiempo” en términos meteorológicos, es
empleado para describir en ese mismo instante el estado de la atmósfera, o al
estado de la atmósfera en periodos cortos que pueden ser hasta de días. En
cambio al referirnos al clima, se debe considerar las condiciones de la
atmósfera en periodos más largos que pueden ser meses, años, décadas, etc.
lo cual permite contar con suficiente información para realizar análisis
estadísticos del comportamiento del tiempo. Por lo tanto clima y tiempo se
relacionan, pues los datos climáticos tendrán implícitamente información del
estado del tiempo. Por consiguiente, de darse un cambio climático también
tendremos cambios en el tiempo.
1.2.
CAMBIO CLIMÁTICO
Pruebas desarrolladas empleando observaciones han demostrado que el
cambio climático es un fenómeno que ocurre de forma real en el planeta (Gitay,
2002). Durante el siglo pasado la variación en el régimen pluviométrico mundial
y las tendencias al incremento de la temperatura en la mayor parte del mundo
pusieron en evidencia la presencia de este fenómeno.
En primera instancia consideramos necesario precisar qué es el cambio
climático, para lo cual, se cita a continuación la definición dada por el Panel
Intergubernamental del Cambio Climático (IPCC), éste organismo lo define
como: “Importante variación estadística en el estado medio del clima o en su
variabilidad, que persiste durante un período prolongado (normalmente
decenios o incluso más). El cambio climático se puede deber a procesos
naturales internos o a cambios del forzamiento externo, o bien a cambios
persistentes antropogénicos en la composición de la atmósfera o en el uso de
las tierras”.
Según el IPCC, en el periodo comprendido entre los años de 1970 y 2004 las
emisiones antropogénicas de gases de efecto invernadero se incrementaron en
un 70%. Asumen muy probablemente a dicho incremento, como la causa
principal para producir el aumento de temperatura registrado desde los años
50s (IPCC, 2007).
En la Figura 2 podremos observar en a) el incremento de la emisión de gases
18
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
de efecto invernadero a partir del año 1970 hasta el año 2004, en el gráfico b)
se puede ver los porcentajes de emisión de diferentes GEI en el 2004
representados como CO2 equivalente, y en c) la fuente que los produce:
Figura 2. Evolución mundial de emisión de gases de efecto invernadero
Tomado de: IPCC 2007
Según Gitay et al. (2002) durante la centuria pasada (1901-2000) la
temperatura superficial de la Tierra aumentó en promedio 0,6°C; para el fututo
se espera que el calentamiento sea entre 2 a 10 veces mayor que el registrado
en el siglo pasado. La tendencia a nivel mundial muestra un incremento de
temperatura en la mayor parte del planeta, existiendo pocas zonas donde ésta
ha disminuido (ver Fig. 3).
Para el caso de la variable de precipitación, durante el siglo XX se ha
registrado variaciones dependiendo de la ubicación geográfica en el planeta
(ver Fig. 4). Gitay et al. (2002) menciona que para la mayor parte del hemisferio
norte se ha registrado un incremento entre un 5 y 10% de la precipitación;
también nos habla en este estudio sobre las áreas terretres subtropicales
donde posiblemente se haya observado lo contrario al registrar en promedio
decrementos de un 3%. Para el siglo XXI Gitay et al. (2002) estima que
podrían registrarse incrementos o decrementos de alrededor de un 5 a un 20%
a escalas regionales.
19
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 3. Tendencias mundiales de temperaturas anuales en el siglo pasado.
Tomado de: Gitay et al. 2002
Figura 4. Tendencia mundial de la precipitación anual en el siglo pasado.
Tomado de: Gitay et al. 2002
20
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
En los Andes tropicales Vuille y Bradley (2000) indican en su estudio que se
registraron tendencias al incremento de la temperatura de 0,10 a
0,11°C/década en el periodo 1939-1998, y que durante el periodo 1974-1998
los niveles de incremento se triplicaron alcanzando valores de 0,32 a
0,34°C/década.
Los resultados obtenidos mediante modelos climáticos regionales exhiben un
incremento de temperatura proporcional con el incremento de altitud, es decir,
a grandes alturas el efecto será más notorio (Herzog et al. 2012).
El cambio climático podría provocar efectos alarmantes en los Andes, tomando
en consideración sus ecosistemas altamente diversos que proveen de servicios
ambientales a una cantidad muy grande de seres humanos (Herzog et al.
2012).
Los ecosistemas de humedal ubicados en distintas zonas del mundo, entre
ellas Los Andes, podrían ser afectados en gran medida debido al cambio
climático (Bates et al. 2008). Bates et al. (2008) nos hablan de que pequeñas
variaciones en los regímenes de precipitación podrían ocasionar grandes
afecciones a la flora y fauna de estos sitios. Además de que el aumento de la
temperatura incluso podría provocar el inicio de una tendencia a la sequía de
los humedales alrededor del mundo.
Para el caso de ecosistemas de montaña, Bates et al. (2008) nos hablan de
que en estudios recientes se ha llegado a determinar un excesivo riesgo de
extinción de especies en estas zonas. Las principales especies que corren
riesgo son las endémicas, pues estas son muy sensibles a cambios en el clima.
Dichos cambios pueden alterar su nicho que cuenta con condiciones altamente
especializadas incrementando la vulnerabilidad de las especies a extinguirse
Bates et al. (2008).
Los cambios del clima afectan a muchos sistemas naturales. Por ejemplo, el
aumento de la temperatura ha provocado un derretimiento mayor de los
glaciares, casquetes y mantos de hielo polares, además de que a mayor
temperatura la dilatación térmica del agua es mayor. Estos fenómenos son
algunos de los motivos relacionados con el incremento del nivel del mar. Se
pueden también relacionar con el aumento de la temperatura efectos negativos
como la variación de la cantidad de peces y algas, así como también de la
desalinización de los océanos (IPCC, 2007).
1.3.
ESCENARIOS DE EMISIONES
Los escenarios son posibles situaciones que se podrían presentar en el futuro.
21
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Mediante escenarios es posible examinar como las fuerzas determinantes
podrían influir en las emisiones de gases de efecto invernadero futuras (IPCC,
2000).
El IPCC ha desarrollado varios escenarios durante su historia. En 1990 por
ejemplo, publicó un conjunto de escenarios en respuesta a la solicitud del
Grupo de Trabajo sobre Estrategias de Respuesta. Para su elaboración
expertos de Estados Unidos y Holanda desarrollaron escenarios de emisiones
globales para los siguientes gases: dióxido de carbono, metano, óxido nitroso,
halocarbonos y ozono troposférico precursores de los óxidos de nitrógeno, y
monóxido de carbono (Houghton et al. 1992).
La actualización de los escenarios de 1990 permitió al IPCC en 1992 publicar
los escenarios de emisiones conocidos como IS92. En estos se plasmaba
varios supuestos en referencia a como las emisiones de GEI aumentarían si no
se desarrollaban políticas climáticas adicionales a las que en esas épocas
existían (Leggett et al., 1992). IS92 proporcionaban estimaciones de todos los
gases de efecto invernadero y eran empleados como base para los modelos de
circulación global (IPCC, 2000).
En 1996 el IPCC decide desarrollar un nuevo paquete de escenarios tomando
en consideración las recomendaciones efectuadas sobre los IS92. A este
nuevo paquete se los conoce como los escenarios del Informe Especial sobre
Escenarios de Emisiones (IE-EE). (IPCC, 2000).
Según el IPCC en total existen 40 escenarios del IE-EE que se agrupan en
función de cuatro familias (A1, A2, B1 y B2) y seis grupos de escenarios (A2,
B1, B2 y tres grupos dentro de la familia A1 que son A1F1, A1T y A1B) (IPCC,
2007). En la Tabla 1 se resumen las características de cada familia o línea
argumental.
El IPCC no ha definido cuál de los escenarios podrá tener mayor ocurrencia y
no ha emitido juicio sobre la preferencia sobre alguno de ellos. Todos son
igualmente válidos y su selección dependerá del usuario.
22
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Tabla 1. ESCENARIOS IE-EE
Línea
Argumental
Características

A1



Mundo convergente
Máximo de población hacia 2050
Rápida evolución de estructuras
económicas.
B2



Población intermedia
Crecimiento económico intermedio
Orientada a soluciones locales
A2




B1
1.4.



Rápido
crecimiento
económico
mundial
Máximo de población hacia 2050
Tecnologías nuevas y eficientes
Tres
alternativas
de
cambio
tecnológico
o Intensiva en combustibles fósiles
(A1FI)
o Energías de origen no fósil (A1T)
o Equilibrio entre fuentes (A1B)
Mundo heterogéneo
Fuerte crecimiento poblacional
Lento desarrollo económico
Lento reemplazo tecnológico
Fuente: IPCC 2007.
MODELOS CLIMÁTICOS
Son herramientas que permiten simular las variables climáticas mediante la
resolución de ecuaciones matemáticas. Los modelos han ido incrementando y
mejorando con el paso del tiempo. En el año 2007 en el reporte cuarto del
IPCC (IPCC-AR4) se presentaban un total de 23 modelos. Éstos a
comparación de modelos anteriores, consideran un mayor número de
componentes climáticos (Campozano 2011). En la tabla 2 se podrá ver la
evolución de la complejidad de los modelos en el tiempo y los componentes
climáticos que se consideraban.
23
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Tabla 2. Evolución de modelos climáticos.
Atmósfera
Continente
Océano
y hielo
del mar
Aerosoles
Ciclo
del
carbono
Vegetación
y química
atmosférica
Dinámica
del hielo
2010
2000
2000
1990
1990
1980
1970
Fuente: Campozano (2011)
Los modelos de circulación global (GCMs) son herramientas poderosas y útiles
para la predicción climática. Sin embargo, estos modelos presentan
información a muy grande escala. Según Campozano (2011) la resolución de
los modelos de IPCC-AR4 permite contar con tamaños de pixel que puede
variar desde los 100 a los 300 km por cada lado. Esto representa una área de
10000 a 90000km2 por pixel. En Campozano (2011) se concluye entre otras
cosas que considerando la superficie del territorio ecuatoriano, los modelos de
baja resolución representarían el clima del país en 2,5 pixels. El Ecuador tiene
una alta variabilidad climática en su territorio y por lo tanto su representación en
2,5 pixels sería incorrecta.
En el proyecto que suministra información a la presente tesis, de los 23
modelos IPCC-AR4 se seleccionó el denominado ECHAM5/MPI-OM (Gualán
2013). Este modelo fue creado por el Instituto para Meteorología Max Plank de
Alemania. Cuenta con una resolución para la atmósfera de 1,9° x 1,9° L31, y
para el océano de 1,5° x 1,5°, L40 (Randall et al. 2007), donde 1° representa
100km en longitud aproximadamente. El escenario de emisiones empleado
corresponde a IE-EE A1B.
La información que los GCMs proporcionan, permite obtener un buen nivel de
detalle para análisis continentales o globales y también una buena eficiencia en
la predicción climática planetaria (Kedir, 2008). Si se desea analizar el cambio
climático a escala de cuenca hidrográfica será necesario entonces emplear
información a menor escala que permita conocer los procesos locales y como
estos serán afectados por el cambio climático. Esto será posible mediante una
reducción de escala (downscaling) a los modelos de circulación global.
1.5.
DOWNSCALING
La técnica que hace posible incrementar la resolución de variables climáticas,
se denomina downscaling. Ésta a través de modelos regionales de clima
(RCMs) u otras técnicas de downscaling, nos permiten simular procesos
24
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
atmosféricos y reducir la escala de los modelos globales (GCMs) para zonas
específicas de estudio. En la literatura se puede encontrar que existen dos
métodos de reducción de escala estos son: el método dinámico y el estadístico
(Fowler et al., 2007). En nuestro estudio se empleará la información
proporcionada por los dos métodos. Ambas técnicas serán descritas con mayor
detalle en el capítulo siguiente.
Muchas investigaciones han utilizado downscaling, como por ejemplo la
investigación de Manning et al. (2013), donde se empleó downscaling dinámico
para analizar el cambio climático en la zona central de Asia. Ellos
implementaron un modelo climático regional de alta resolución (RCM)
denominado REMO, donde dos modelos fueron forzados por un GCM y uno
por datos de re-análisis. Desarrollar este estudio les permitió analizar
ampliamente el clima de Asia Central en los tiempos actuales e investigar el
futuro cambio climático en una escala más detallada.
En Ecuador, en el proyecto INAMHI-MAE-SCN-PRAA-PACC para control de
malaria en la costa ecuatoriana, Muñoz y Recalde (2010) utilizaron el método
de downscaling dinámico mediante el modelo WRF y el modelo biomatemático
de Ross-Mcdonald para estudios sobre malaria. Este análisis se lo efectúo para
los años comprendidos entre 1996 y el 2008. Su objetivo fue conocer la
predictibilidad por agentes climáticos en la incidencia de malaria en Ecuador y
llegar a determinar si es factible realizar pronósticos futuros. Para ello
emplearon datos de temperatura obtenidos mediante el modelo CWRF como
uno de los datos de entrada en el modelo de Ross-Mcdonald. Finalmente ellos
concluyen que la simulación fue capaz de representar la distribución espacial
de la malaria reportada por SNEM en 2010, pero que el modelo necesita
mejorar. Para lo cual es necesario incluir más variables relacionados al control
de la malaria, por ejemplo datos de fumigación.
25
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
2.
CAPÍTULO DOS
MÉTODOS DE DOWNSCALING
Cuando se necesita trabajar con escalas pequeñas, los GCMs no son capaces
de simular efectivamente las características climáticas de determinado sitio a
menor escala, por ejemplo al no representar la topografía local (Kedir, 2008) la
cual influencia notablemente en el clima de una zona. Por lo tanto una
reducción de la escala de los modelos de circulación global sería necesaria.
Se conoce que los métodos de downscaling hasta el momento son dos, el
método de reducción de escala dinámica y el método de reducción de escala
estadística o empírica.
2.1.
REDUCCIÓN DE ESCALA DINÁMICA
El método de reducción de escala dinámica permite a partir de los GCMs
obtener información con una resolución alta del clima. Downscaling dinámico
se basa en procesos físicos, éste resuelve ecuaciones diferenciales que
representan tales procesos a partir de un GCM que aporta condiciones iniciales
y de contorno (Ochoa-Sánchez, 2013).
Existen tres tipos de downscaling dinámico:
-
Modelos regionales de clima (RCM) o modelos de área limitada (LAM)
Modelos Uniformly high resolution atmosferic GCM models o modelos
Time-slice
Modelos Streched-grid
Los modelos de alta resolución uniforme y los modelos Streched-grid son
computacionalmente muy demandantes pues se desarrollan en todo el dominio
global. Las diferencias del uno y del otro consisten en que los de alta resolución
uniforme resuelven en alta definición todo el planeta, mientras que los
Streched-grid mejoran la resolución en zonas de interés y el resto del planeta
es resuelto a baja resolución (Campozano 2011).
Los RCMs se desarrollan para áreas específicas empleando las salidas de los
GCMs como condiciones de contorno (Campozano 2011). Son
computacionalmente menos demandantes que las otras dos técnicas y es
principalmente por esta razón que fueron seleccionados en la consultoría de
Campozano (2011) para el desarrollo de downscaling dinámico en el estudio
del cual se obtiene la información empleada en esta tesis.
Según Fowler et al. (2007) los RCMs o LAMs poseen la capacidad de simular
en forma real las características regionales del clima, obteniendo información
26
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
que generalmente posee una escala de -0,5° de longitud y latitud.
Sin embargo, según Coulibaly et al. 2004 los RCMs poseen algunas
limitaciones, entre ellas el alto costo computacional que requiere comparado
con los GCMs y el downscaling estadístico. Pero también hay que considerar
las ventajas como la de proporcionar información espacial tomando en
consideración procesos físicos, lo cual no sucede con el método estadístico
(Ochoa-Sánchez, 2013).
Campozano (2011) analizó dos modelos de RCMs, el PRECIS y el modelo
WRF. Al final seleccionó al modelo Weather Research and Forecasting WRF
para el desarrollo de downscaling dinámico, pues entre otras cosas señala que
su utilización reduciría tiempos de computo. Luego entonces Ochoa-Sánchez
(2012) en el desarrollo del Downscaling Dinámico que aporta datos a la
presente tesis, emplea el modelo Weather Research and Forecasting (WRF).
Éste permite a los investigadores realizar simulaciones atmosféricas tanto de
datos reales o de condiciones idealizadas. El modelo WRF es mantenido y
actualizado por Mesoscale and Microscale Meteorology Division of NCAR
(National Center for Atmospheric Research) y es de uso público (NCAR, 2013;
Ochoa-Sánchez, 2012).
El modelo fue calibrado y validado empleando datos de Re-analisis de
NCAR/NCEP (NNRP) (Ochoa Sánchez,
2013).
Donde se tomó en
consideración variables de los conjuntos de datos ds090.0 dataset y 2D dataset
los cuales incluyen: temperatura, altitud, humedad relativa y específica, presión
a nivel del mar, presión en la superficie, humedad del suelo, hielo marino, entre
otros (Ochoa Sánchez, 2013). Para el caso de los pronósticos futuros se
seleccionó ECHAM5-MPI-OM realizado por el Instituto Max Planck de
Alemania, el cuál combina simulaciones con el modelo ECHAM5 que ha sido
largamente empleado en modelos regionales de clima (Gualán, 2013).
Además el modelo WRF fue previamente sometido a un análisis de
sensibilidad, el cual permite seleccionar los mejores esquemas de resolución
de procesos atmosféricos para la zona mediante la comparación de
simulaciones con datos observados. Ochoa-Sánchez (2013) seleccionó la
simulación que en promedio representó mejor las observaciones, la cual
contenía para precipitación los esquemas que se exponen en la tabla 3.
27
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Tabla 3. Esquemas
atmosféricos
seleccionados
para
resolución
PROCESOS FÍSICOS O DINÁMICOS
Microfísica
Formulación de cúmulos
Capa superficial
Capa terrestre
Capa de contorno planetaria (PBL)
Radiación de onda corta
Radiación de onda larga
de
procesos
ESQUEMAS
Kessler
Kain-Fritsch
Eta
Thermal
MYJ
CAM3
CAM3
Para temperatura se selecciona una simulación distinta que se diferencia de la
anterior únicamente por emplear el esquema BMJ en vez de Kain-Fritsch para
formulación de cúmulos.
Mayor detalle sobre el proceso y los esquemas se podrá encontrar en OchoaSanchez (2013) y en Skamarock et al. (2008).
En resumen el periodo de calibración está comprendido entre los años 1964 al
1989; el de sensibilidad en las décadas 1960-1970, 1970-1980 y 1980-1990; el
de validación entre 1990 a 1999, mientras que el periodo de predicción va
desde el 2001 al 2099.
Ochoa-Sanchez et al. (2014); Gualán (2013), mencionan en sus estudios que
downscalign dinámico tiende a sobre-estimar los valores extremos, esta
situación se podrá analizar en nuestro estudio en el capítulo de Resultados.
2.2.
REDUCCIÓN DE ESCALA ESTADÍSTICA
Según Fiseha et al. 2012 el downscaling estadístico se basa en el desarrollo de
relaciones cuantitativas de variables locales de superficie (predictandos) y
variables atmosféricas a gran escala (predictores). Esta relación se puede
representar con la siguiente ecuación:
R = F (X)
Donde,
R = Predictando (Precipitación, temperatura),
F = función determinista o estocástica que relaciona a predictando y predictor
(Lineal o no lineal),
X= Predictor (presión atmosférica a nivel del mar, humedad específica, etc.)
En Fowler et al. (2007) y Fishea et al 2012, se encuentra que las técnicas de
downscaling estadístico se agrupan en tres grupos principales: generadores de
clima, esquemas de tipificación de clima y modelos de regresión.
28
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Los modelos de regresión hacen referencia a aquellos métodos que cuantifican
de manera directa una relación (lineal o no lineal) entre un grupo de variables
atmosféricas a gran escala y una variable climática a escala local. Los
generadores de clima simulan datos meteorológicos basándose en
características estadísticas de la variable (Sunyer et al. 2011). La tipificación
del clima se trata de agrupaciones de días según su similitud sinóptica dentro
de un número finito de tipos de climas discretos o estados (Sunyer et al. 2011).
Según Dibike y Coulibaly (2006) los modelos más empleados suelen
implementar métodos lineales que pueden ser: escala local, regresiones
lineales múltiples, análisis de correlación canónica o descomposición de valor
singular. Sin embargo, en la actualidad el interés por la utilización de
regresiones no lineales (redes neuronales artificiales) está aumentando (Dibike
y Coulibaly, 2006).
Sunyer et al. (2011) nos dicen que la suposición básica es que la relación entre
escalas grandes y locales permanecerá constante en el futuro. Según estos
autores, este es el principal inconveniente en el downscaling estadístico ya que
este supuesto no se puede verificar.
Para desarrollar el downcaling estadístico que aporta datos a nuestro proyecto,
se seleccionó la técnica denominada Redes Neuronales Artificiales (ANNs)
debido a que en la zona de estudio se espera que se den relaciones no lineales
entre las variables (Campozano, 2011). Las ANNs se caracterizan por la forma
en la que están construidas (topología de la red, patrón de conexiones entre los
nodos, determinación de los pesos de conexión y funciones de activación que
emplea) (Dibike y Coulibaly 2006). Las redes neuronales biológicas del cerebro
humano fueron la fuente de inspiración para la creación de esta técnica.
El entrenamiento de las Redes Neuronales Artificiales tiene como objetivo
lograr que un grupo de entradas produzca salidas anheladas. Según Basogain
(2008) esto se logra mediante el ajuste de los pesos de las interconexiones
mediante procesos predeterminados.
Ochoa-Sanchez et al. (2014) describe el proceso que siguen las redes
neuronales de la siguiente manera: inicialmente una matriz de entrada es
aceptada por las neuronas, los datos de entrada son multiplicados por los
pesos y sumadas, finalmente se procesan mediante una función de activación
(Ochoa-Sanchez et al. 2014). Para realizar la selección del número de nodos
por capa o de la cantidad de capas ocultas no existe aún normas fijadas, por lo
tanto, para determinar la óptima arquitectura de la ANN, se suele utilizar el
método más fiable que actualmente consiste en la experimentación por prueba
y error (Ochoa-Sanchez 2013).
29
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
3.
CAPÍTULO TRES
MATERIALES Y MÉTODOS
3.1.
ZONAS DE ESTUDIO
3.1.1 CUENCA DEL RÍO PAUTE
La cuenca del Paute se encuentra en la Sierra en la parte sur de los Andes
ecuatorianos. Presenta un relieve muy irregular que va desde los 500 m.s.n.m.
en la confluencia de los ríos Negro y Paute hasta los 4600 m.s.n.m. en el Cajas
(Cordero, 2013). Se localiza entre las siguientes coordenadas.
681765m – 803365m Este
9637974m – 9745374m Norte
La cuenca se puede clasificar en tres zonas según su altura, la cuenca baja
que comprende alturas desde los 500 hasta los 2200 m.s.n.m., la cuenca
media con alturas entre 2200 hasta 2600 m.s.n.m., y la cuenca alta con rangos
de altura entre los 2600 hasta 4600 m.s.n.m. (Cordero, 2013).
Una alta variabilidad espacial y temporal, son características del clima de la
cuenca del Paute. Refiriéndonos a temperatura, ésta varía dependiendo de la
altura a la que nos encontremos. Los climas más cálidos se podrán encontrar
en las partes bajas de la cuenca y conforme incrementa la altura la temperatura
va disminuyendo. Se dice que por cada 100 metros de incremento en altura, la
temperatura disminuye -0,6°C (Mora et al. 2014).
Para el caso de la precipitación, la clasificación efectuada por Celleri et al.
(2007) permitió identificar 4 regiones con distintos regímenes de precipitación,
estos son bimodal uno y dos, y unimodal uno y dos. Los regímenes bimodales
presentan dos estaciones secas durante los meses de junio, julio y agosto y
otra en diciembre, enero y febrero. Mientras que las estaciones más húmedas
se dan entre abril, marzo y mayo, y un segundo periodo entre septiembre,
octubre y noviembre. Las zonas donde se registran regímenes unimodales
únicamente exhiben una sola estación húmeda, la cual se da en los meses de
junio, julio y agosto (Mora et al. 2014).
Políticamente la cuenca del Paute se distribuye entre las provincias de: Azuay
en un 74,82%, Cañar 13,31%, Chimborazo 11,57% y Morona Santiago en un
0,28% (Donoso, 2002). Dentro de esta cuenca se localizan los siguientes
cantones: Alausí, Azogues, Biblián, Déleg, Cuenca, Paute, Guachapala, El
Pan, Sevilla de Oro, Gualaceo, Chordeleg y Sígsig (Torres et al. 2007). La
cuenca del Paute es de mucha importancia para el país ya que en ella se
encuentran proyectos hidroeléctricos de importancia, aproximadamente en la
30
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
zona se produce el 50% de la electricidad que consume el país.
Aproximadamente la cuenca del río Paute ocupa una superficie de 6439 km 2
hasta su confluencia con el río Upano. Este territorio está compuesto por 19
subcuencas hidrográficas las cuales se detallan en la Tabla 4.
Tabla 4. Subcuencas del río Paute y áreas que ocupan.
N°
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
NOMBRE
ÁREA (km2)
Burgay
447
Collay
242
Aporte directo de Cuenca
121
Jadán
297
Juval
427
Machángara
326
Magdalena
51
Mazar
166
Aporte directo de Paute
448
Paute bajo
525
Pindilig
168
Púlpito
169
Negro
787
Santa Bárbara
947
Sidcay
43
Tarqui
476
Tomebamba
334
Yanuncay
410
Aporte directo
55
TOTAL
6439
Fuente: Cordero, 2013
3.1.2. CUENCA DEL RÍO JUBONES
La cuenca del río Jubones se encuentra al sur del país en el austro
ecuatoriano. Al norte limita con el nudo del Portete, al sur con el nudo de
Ascana y la cordillera de Chilla, al este con la cordillera Oriental, y al oeste con
Tarqui y una parte de la provincia de Loja. La cuenca presenta un relieve
irregular que va desde los 4120 msnm hasta 0 msnm cuando desemboca en el
Océano Pacífico. Geográficamente se encuentra entre las siguientes
coordenadas:
610721m – 730721m Este
9588334m – 9664734m Norte
Políticamente se distribuye entre las siguientes provincias: 55% se encuentra
en el Azuay; el 24.1% en Loja; y el 20.9% corresponde a El Oro. Dentro de su
31
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
territorio encontramos los siguientes cantones: Nabón, Oña, Girón, San
Fernando, Pucará, Santa Isabel, Saraguro, Chilla, Pasaje, Zaruma, Machala y
el Guabo. Tiene una superficie de 4353.96 km2 y está conformada por 9
subcuencas y un sistema/interfluvio (CINFA, 2007).
Tabla 5. Subcuencas del río Jubones y áreas que ocupan.
N°
1
2
3
4
5
6
7
8
9
10
3.2.
NOMBRE
ÁREA (km2)
León
1526
Rircay
826
Uchucay
253
Ganacay
127
Chillayacu
182
San Francisco
361
Minas
108
Vivar
137
Casacay
122
Sistema Jubones
711
TOTAL
4353
Fuente: CINFA, 2007
DATOS
Los datos de downscaling estadístico y dinámico fueron proporcionados por el
Departamento de Recursos Hídricos y Ciencias Ambientales de la Universidad
de Cuenca (iDRHiCA). Estos consisten en series mensuales comprendidas
dentro de dos periodos, el primero que empieza desde al año 1991 hasta 1999,
y el segundo desde el año 2000 hasta el 2099. Sin embargo, realizando
análisis estadísticos se empieza a notar un incremento de la incertidumbre a
partir del año 2050, además considerando estudios anteriores (Mora et al.
2014; Chiew et al. 2010; Lagos, 2012) donde se emplea información climática
solo hasta el año 2065, se decide utilizar el periodo 2001-2050 para nuestro
estudio.
También se dispone de información de precipitación y temperatura observada
desde el año 1991 hasta 1999, y del 2001 al 2005 únicamente para
temperatura. De igual manera para el caso de observaciones los datos fueron
proporcionados por el iDRHiCA.
Las estaciones que se emplean fueron seleccionadas por Ochoa-Sanchez
(2013) para el desarrollo del downscaling. De las 19 estaciones meteorológicas
existentes en las zonas de estudio, se seleccionaron cinco, las cuales fueron
utilizadas para la calibración del modelo WRF. De la totalidad de estaciones
disponibles, solamente dos proporcionan datos de temperatura. Estas son
32
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Cuenca-Aeropuerto (M067) y Saraguro (M142).
Para la selección de las estaciones, Ochoa-Sanchez 2013 tuvo en cuenta en
primera instancia la cantidad de vacíos de datos que estas presentaban. Para
esto se descartó las estaciones que exhibían vacíos mayores al 20%.
Posteriormente se realizó curvas de doble masa para determinar la
consistencia de las mismas, utilizando las estaciones de Cuenca-Aeropuerto y
Saraguro como referencia. Adicionalmente fue necesario realizar un test de
homogeneidad para distinguir entre estaciones homogéneas y no homogéneas.
Para finalizar el proceso de selección y escoger las estaciones más
representativas se consideró los diferentes regímenes de lluvia identificados
por Celleri et al. (2007) para la cuenca del Paute que son: unimodal uno (UM1),
unimodal dos (UM2), bimodal uno (BM1) y bimodal dos (BM2).
Celleri et al. (2007) delimitó en 4 subregiones a la cuenca del Paute según los
regímenes de lluvia antes mencionados. En la Figura 5 podremos observar el
mapa que obtuvieron en su estudio.
Según Celleri et al. (2007) los regímenes bimodales cubren aproximadamente
el 86% de la superficie de la cuenca del Paute, el 50% corresponde al régimen
bimodal dos (BM2) y el 36% a bimodal uno (BM1). Los regímenes unimodales
cubren el porcentaje restante, unimodal uno (UM1) ocupa una área del 1%
mientras que unimodal dos (UM2) cubre el 14% aproximadamente.
Ochoa-Sanchez (2013) seleccionó una estación para cada una de estas
subregiones, pero dejó de lado unimodal uno (UM1). Ochoa-Sanchez explica
que UM1 cubre una extensión de terreno muy pequeña de aproximadamente
50 km2 y considerando la escala de los resultados de downscaling (grillas de
15km x 15km) no era representativa para el estudio. (Ochoa-Sánchez, 2013).
33
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 5. Subregiones de precipitación en la cuenca del Paute
Tomado de: Celleri et al. 2007
Para el caso de la cuenca del Jubones se seleccionó dos estaciones con
características climáticas distintas. Según Ochoa-Sánchez (2013) los
régimenes de precipitación que se observan en la cuenca del Jubones son
similares, esto ocurre especialmente en la región sierra. En su estudio la
estación Saraguro es considerada como representativa para esta zona y para
la región costa considera la estación Pasaje como representativa.
En la tabla 6 se exponen las estaciones seleccionadas en ambas cuencas y en
la figura 6 se observa su ubicación dentro de las cuencas en estudio.
Tabla 6. Estaciones seleccionada.
REGÍMEN
COORDENADAS
X (°)
Y (°)
ALTURA
(msnm)
M067
M141
M410
BM1
BM2
UM2
-78,98333 -2,88666
-79,0080 -2,7327
-78,6500 -2,5736
2516
3260
2450
M040
M142
COSTA (UM)
SIERRA (BM)
-79,7819
-79,2322
40
2525
NOMBRE DE LA ESTACIÓN CÓDIGO
CUENCA DEL PAUTE
Cuenca-Aeropuerto
El Labrado
Río Mazar-Rivera
CUENCA DEL JUBONES
Pasaje
Saraguro
-3,3297
-3,6205
34
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 6. Ubicación de las estaciones seleccionadas.
Fuente: Instituto Geográfico Militar, escala 1:250000
Elaboración propia
3.3.
PRE-PROCESAMIENTO DE LA INFORMACIÓN
Según Gudmundsson et al 2012, la información que se obtiene de modelos
regionales de clima generalmente se encuentra sesgada. En nuestro estudio,
realizando una comparación entre datos modelados y observados en el periodo
de 1991 a 1999, podemos encontrar que los datos modelados difieren a las
observaciones. Esto nos indica que el modelo no está siendo preciso al
momento de pronosticar el comportamiento de las variables climáticas. Por lo
tanto necesitan una corrección con el fin de obtener que la distribución de los
datos modelados se ajuste de mejor manera a las observaciones.
Para lograr este objetivo Gudmundsson empleó la técnica denominada
Quantile Mapping. En nuestro estudio la aplicación de esta técnica durante un
periodo base nos permitirá obtener parámetros para ajustar la distribución de
los datos modelados del futuro.
Una vez obtenidos los resultados de la corrección efectuada se procederá a
analizarlos mediante indicadores estadísticos (eficiencia de Nash-sutcliffe,
35
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
coeficiente de determinación y error cuadrático medio) para conocer el nivel de
mejora obtenido con la aplicación de estas técnicas. A continuación se detalla
el método y cómo se desarrollará la evaluación de sus resultados.
3.3.1. MAPEO DE CUANTILES (QUANTILE MAPPING)
Quantile Mapping nos permite encontrar una función que luego de ser aplicada
a los datos obtenidos con downscaling, genere una corrección de su
distribución haciéndola semejante a la de los datos observados (Gudmundsson
et al. 2012). Se puede expresar mediante la siguiente ecuación:
Vo= h(Vm)
Donde,
Vo = variable observada.
h= Función para arreglo de la distribución.
Vm= variable modelada.
Gudmundsson et al. (2012) nos presenta tres enfoques para realizar Quantile
Mapping estos son: Función de Transformación Paramétrica (PTF),
transformaciones no paramétricas y distribuciones derivadas de
transformaciones (DIST). Cada uno contiene diversas formas de aplicación. En
nuestro estudio se emplea el método PTF (Función de Transformación
Paramétrica), el cual se lo puede aplicar de 6 formas distintas, las mismas que
se exponen a continuación junto con su fórmula:

Power:
Vo=b (Vm)^c

Power.x0:
Vo=b(Vm-x0)^c

Linear:
Vo=a+b*Vm

Expasympt (Tendencia exponencial a una asíntota):
Vo=(a+b*Vm)*(1-exp(-Vm/τ))

Expasympt.x0 (Tendencia exponencial a una asíntota):
Vo=(a+b*Vm)*(1-exp(-(Vm-x0)/τ))
36
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA

Scale:
Vo=b*Vm
Donde,
a,b,c,x y τ = parámetros que son sometidos a calibración.
Vo = variable observada.
Vm= variable modelada.
Una vez calculados estos parámetros mediante datos observados y modelados
se podrá aplicar a toda la serie temporal del futuro mediante la fórmula
seleccionada.
El método PTF ha mostrado buenos resultados en estudios como el de
Gudmundsson et al. (2012), en el cual se realizó una comparación de todos los
métodos. En este estudio se llegó a concluir que los mejores métodos de
Quantile Mapping son las transformaciones no paramétricas seguidas de los
métodos PTF. En la figura 7 se expone esta comparación. Se puede ver en
este gráfico que no existe mucha diferencia entre el método paramétrico y el
no-paramétrico.
Tomando en consideración lo anterior, y teniendo en cuenta que el enfoque
PTF presenta una mayor facilidad para aplicarlo en toda la serie de
predicciones del futuro, se llegó a decidir su utilización en el proyecto.
Figura 7. Resultados de la comparación de métodos de Quantile Mapping en el
estudio de Gudmundsson et al. (2012).
Tomado de: Gudmundsson et al. (2012)
3.3.2. APLICACIÓN DE QUANTILE MAPPING
El Quantile Mapping es el paso inicial para el desarrollo del estudio. Para
aplicar esta técnica es necesario tener instalado el programa R en nuestro
37
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
ordenador. R es un software libre desarrollado para cálculos estadísticos y
gráficos. Se lo puede descargar desde su página web www.r-proyect.org.
Instalado este programa en nuestra computadora debemos proceder a
descargar la librería “qmap”.
Una vez cumplidos estos pasos, se procede a alimentar al programa con datos
de precipitación y temperatura. Estos deben ser observaciones y datos
modelados durante el periodo 1991 a 1999 en una misma cantidad de datos.
Posteriormente mediante scripts se corre el quantile mapping obteniendo
diferentes resultados al aplicar los distintos métodos.
Finalmente con los datos obtenidos se procede a comparar los métodos a
través de indicadores estadísticos que se detallan a continuación. Con los
resultados de esta comparación se elegirá el método que mejor desempeño
obtenga. Posteriormente se lo aplicará a las predicciones comprendidas desde
el año 2001 al 2050.
3.4.
INDICADORES ESTADÍSTICOS PARA COMPARACIÓN DE
MÉTODOS DE QUANTILE MAPPING
Para evaluar los resultados y definir cuál método ofrece una mejor corrección
de los datos modelados se empleará los siguientes indicadores estadísticos:
3.4.1. COEFICIENTE DE EFICIENCIA DE NASH-SUTCLIFFE
El coeficiente de eficiencia de Nash Sutcliffe (E) es empleado para analizar la
capacidad de predicción que tienen los modelos hidrológicos. Se define como:
“uno menos la suma de las diferencias al cuadrado absolutas entre los valores
pronosticados y los observados normalizados por la varianza de los valores
observados durante el período objeto de investigación”. Se puede calcular
mediante la siguiente fórmula:
 = 1−
2
∑
=1(−)

∑=1(−)2
Donde,
P: valores pronosticados
O: valores observados
Omed: media de las observaciones
Los valores que se pueden obtener con el cálculo del coeficiente de eficiencia
de Nash-Sutcliffe pueden ir desde menos infinito hasta 1. Una eficiencia de 1
indica una similitud perfecta de los resultados modelados con los datos
observados. Es decir, que los resultados que más se acerquen a uno
pertenecerán a los modelos más precisos. Mientras que una eficiencia de 0
indica que la precisión de los datos modelados es semejante a la media de los
38
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
datos observados. Por otro lado, si el resultado es menor a cero quiere decir
que la media de los datos observados entrega predicciones mejores que las de
datos modelados (Zambrano, 2014)
3.4.2. COEFICIENTE DE DETERMINACIÓN
El coeficiente de determinación (R2), constituye el cuadrado del coeficiente de
correlación de Pearson (Yxy). Nos indica el porcentaje de ajuste logrado con el
modelo, es decir la proporción de la variable dependiente (valores observados)
que puede ser explicada mediante la variable independiente (valores
modelados). Para el caso de nuestro estudio, a mayor porcentaje mejor
habilidad del modelo para predecir precipitación y temperatura en la zona.
2
(, )
2
2
 =  = (
)
√() × √()
Donde,
O: Observaciones
P: Valores pronosticados
3.4.3. ERROR CUADRÁTICO MEDIO
El error cuadrático medio (MSE) mide el promedio de los errores al cuadrado.
El error corresponde al valor de la diferencia entre los pronósticos de los
modelos y los valores de las observaciones.

1
 = ∑(O −  )2

=1
Donde,
O: Observaciones
P: Valores pronosticados
3.5.
PROCESAMIENTO DE LA INFORMACIÓN
3.5.1. MÉTODOS PARA IDENTIFICAR CAMBIO CLIMÁTICO
Una vez corregidos los valores de toda la serie de datos comprendida entre los
años 2001 al 2050, se procede a analizar la información. En primera instancia
se aplica el método Delta con el fin de captar la posible variación del clima
futuro debida al cambio climático, este método permite excluir de toda la serie
del futuro el error detectado en el periodo base. Posteriormente se realiza un
análisis de la estacionalidad, luego se analiza las anomalías climáticas y
finalmente la variabilidad climática que se podrá producir en la zona.
39
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Mencionadas actividades se describen a continuación.
3.5.1.1.
MÉTODO DELTA
El método Delta ha sido ampliamente utilizado en estudios de predicciones
climáticas (Exbrayat, J-F. et al. 2014; Mora et al. 2014). Es empleado para
generar escenarios climáticos futuros mediante la adición de la diferencia entre
valores simulados en el presente y en el futuro, a las observaciones del
presente. Se lo expresa de las siguientes formas:
Para precipitación:
∆ =
 − 

 =  × (1 + ∆)
Para temperatura:
∆ =  − 
 =  + ∆
Donde,
ΔP y ΔT: son el cambio de la precipitación y la temperatura,
Pm f y Tm f = Precipitación y temperatura modelada futura
Pm P y TmP = Precipitación y temperatura modelada presente
Pf y Tf = Precipitación y temperatura futura
Pop y Top =Precipitación y temperatura observada presente.
En nuestro estudio los resultados de ΔP y ΔT son empleados para el análisis
anomalías, la precipitación se expresa mediante porcentajes de incremento o
disminución en la cantidad de lluvia, mientras que la temperatura mediante
cantidad de grados centígrados de cambio.
La precipitación final expresada en milímetros de lluvia y la temperatura final en
grados centígrados, son empleados para los análisis de estacionalidad y
variabilidad.
3.5.1.2.
ANÁLISIS DE ESTACIONALIDAD.
Para el análisis de estacionalidad se emplean gráficos de barras de medias
40
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
mensuales multianuales. Cada gráfico contiene pronósticos de los dos métodos
de downscaling, pronósticos del GCM y observaciones. Debido a que se realiza
una evaluación cualitativa de la estacionalidad se divide al periodo total en dos
sub-periodos de veinticinco años cada uno.
En esta sección es necesario tener en cuenta los regímenes climáticos
identificados en las cuencas del Paute y del Jubones. Los cuales podrán ser
vistos en las barras de observaciones.
Lo que trata este análisis será examinar la habilidad de los modelos para
capturar adecuadamente las temporadas lluviosas y secas en sus pronósticos.
Además se espera poder gráficamente observar algunas características de los
métodos de reducción de escala.
3.5.1.3.
ANÁLISIS DE ANOMALÍAS CLIMÁTICAS
Para este análisis se emplean gráficos de barras, en los cuales se representan
los incrementos y disminuciones de la cantidad de precipitación y temperatura
para cada mes en relación a los datos del periodo base. Estos incrementos se
obtienen mediante el método Delta.
El periodo total de 50 años se lo divide en cinco sub-periodos de 10 años cada
uno, y se elabora un gráfico individual para cada método de reducción de
escala. Se comparan los periodos para conocer en qué mes habrá mayor
incremento o disminución; y se compara también los métodos de downscaling.
3.5.1.4.
ANÁLISIS DE VARIABILIDAD CLIMÁTICA
Para realizar el análisis de variabilidad se construyen diagramas de cajas (boxplots). Cada gráfico contiene datos de observaciones y dos periodos futuros de
25 años cada uno, considerando que dividiendo el periodo total en dos subperiodos pueden ser más evidentes los cambios en variabilidad.
En estos diagramas se puede representar los valores máximos y mínimos, y los
cuartiles 1,2 y 3. El cuartil 1 es el valor mayor que el 25% de los valores de la
distribución; el cuartil 2 o también llamado mediana, es el valor de la variable
que ocupa el lugar central en un conjunto de datos ordenados; y el cuartil 3 que
es el valor que sobrepasa al 75% de los valores de la distribución.
Estos gráficos nos permitirán realizar comparaciones entre periodos, meses,
estaciones, y métodos de downscaling, para conocer cual presenta mayor
variabilidad. Además, los diagramas de cajas son útiles para realizar análisis
sobre la simetría y dispersión de los datos.
41
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
4.
CAPÍTULO 4
RESULTADOS
4.1.
PRE-PROCESAMIENTO DE LA INFORMACIÓN
La calidad de los resultados que los métodos de downscaling entreguen, será
importante al momento de analizar los posibles efectos del cambio climático en
el futuro. Por tal razón es necesario analizar los resultados para determinar qué
tan precisos están siendo los modelos.
La mayor cercanía de las predicciones hacia las observaciones indicaría la
mayor precisión del modelo. Se debe considerar entonces que la precisión
puede ser estudiada únicamente en los periodos que se disponga de
información de observaciones, es decir, para precipitación desde el año 1991
hasta 1999, y para temperatura desde 1991 a 1999 y del 2001 al 2005.
En nuestro estudio, el análisis comparativo de los resultados obtenidos de
downscaling y las observaciones durante el periodo de validación, puso en
evidencia el grado de habilidad de la reducción de escala para generar
predicciones climáticas. Lo ideal de estos resultados sería que los datos
modelados lleguen a ser semejantes a los datos observados, representando
una total eficiencia del modelo. Pero esto no es posible debido a las diversas
fuentes de incertidumbre.
Las diferencias existentes entre resultados se las puede apreciar en las Figuras
8 y 9, para precipitación y temperatura respectivamente. En la tabla 7 también
podremos observar los resultados de indicadores estadísticos calculados para
datos obtenidos directamente de downscaling y observaciones.
4.1.1. ANÁLISIS SOBRE DATOS DE PRECIPITACIÓN EN EL
PERIODO 1991-1999
Tabla 7. Indicadores estadísticos calculados empleando resultados directos de
los métodos de downscaling y observaciones en el periodo 1991-1999 para la
variable de precipitación.
DOWNSCALING DINÁMICO
Indicadores
M040
M067
M141
M142
M410
MSE
22956.4104 5899.714268 7528.920955 3394.420146 4479.204415
E
-1.5271573 -1.5366015
-1.9475138
-0.5956476
-0.3629281
2
R
0.395876
0.174448
0.029565
0.147000
0.180490
DOWNSCALING ESTADÍSTICO
MSE
7538.4601
1703.7674
2473.5577
1640.0276
2659.3719
E
0.170128
0.267460
0.031621
0.229056
0.190809
2
R
0.2624426
0.364476
0.1191853
0.3334124
0.2029107
42
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Donde,
MSE: Error cuadrático medio (MSE)
E: Coeficiente de Eficiencia de Nash-Sutcliffe
R2: Coeficiente de determinación
Los resultados presentados en ambas tablas nos muestran las diferencias
entre los datos del downscaling y las observaciones. En el caso del Error
Cuadrático Medio, que mide el promedio de los errores elevados al cuadrado y
siendo su valor óptimo cero, se puede observar valores altos. Esto nos indica
que los modelos no están siendo precisos al generar los valores de
precipitación. En las tablas también se puede distinguir que el método dinámico
produce mayor error que el método estadístico, lo cual se puede deber a que el
downscaling dinámico estaría sobre-estimando los valores extremos (Gualan
2013, Ochoa-Sanchez et al. 2014), particularidad que no sucede con el método
estadístico.
Por otro lado, en el caso del coeficiente de eficiencia de Nash-Sutcliffe
podemos observar que para el downscaling dinámico todos los valores se
encuentran por debajo de cero. Esto quiere decir que la eficiencia del modelo
no es buena, constituyendo un mejor predictor la media de los datos
observados. Esto a diferencia de los resultados del método estadístico donde
se obtienen valores superiores a cero, lo cual nos muestra una mejor bondad
de ésta técnica en la predicción de resultados comparado con la técnica
dinámica.
Finalmente mediante el coeficiente de determinación (R2), donde el resultado
óptimo es 100%, podemos observar que ninguno de los resultados sobrepasa
el 40%. Se distingue también que los valores obtenidos con el downscaling
estadístico son mayores y por lo tanto mejores que los resultados obtenidos
con el método dinámico, a excepción de la estación Pasaje (M040) donde el
mejor resultado le pertenece al downscaling dinámico.
En la Fig. 8 también podremos observar las diferencias entre los resultados
obtenidos para la variable de precipitación en el periodo 1991-1999, empleando
medias mensuales multianuales.
Los resultados expuestos en las tablas anteriores y la inspección visual
realizada a los gráficos obtenidos, nos permite identificar que existe una
supremacía del método estadístico sobre el dinámico en el periodo de
validación. Sin embargo, los resultados de ambas técnicas presentan valores
de errores altos, baja eficiencia y baja determinación. Por lo tanto, tomando en
43
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
consideración los resultados obtenidos, se cree necesario emplear una técnica
de transformación estadística para intentar mejorar mencionados resultados.
Esto permitirá corregir el periodo de validación y generar patrones que serán
empleados en la corrección de un periodo futuro. Mencionado proceso será
analizado a continuación en la sección 1.3.
Figura 8. Comparación entre observaciones y resultados de downscaling en el
periodo 1991-1999, empleando medias mensuales multianuales de
precipitación.
Pasaje (M040)
500
400
300
200
100
0
ene feb mar apr may jun jul ago sep oct nov dic
DIN
200
OBS
Cuenca-Aeropuerto (M067)
EST
El Labrado (M141)
200
150
150
DIM
OBS
ene
feb
mar
apr
may
jun
jul
ago
sep
oct
nov
dic
dic
nov
oct
sep
ago
jul
jun
0
may
0
apr
50
feb
50
mar
100
ene
100
EST
DIM
OBS
EST
Río Mazar-Rivera (M410)
Saraguro (M142)
200
150
150
100
100
50
50
OBS
EST
dic
nov
oct
sep
ago
jul
jun
may
apr
feb
mar
ene
DIM
ene
feb
mar
apr
may
jun
jul
ago
sep
oct
nov
dic
0
0
DIM
OBS
EST
44
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Donde,
DIM: Downscaling dinámico
OBS: Observaciones
EST: Downscaling estadístico
4.1.2. ANÁLISIS SOBRE DATOS DE TEMPERATURA EN EL
PERIODO 1991-1999
Para el caso de la temperatura tal como sucede con la precipitación, los valores
modelados difieren a las observaciones (ver Fig. 9). Se utilizan los mismos
indicadores estadísticos empleados anteriormente en el análisis de la
precipitación, con el fin de estudiar las diferencias existentes entre datos
modelados y observados. Estos valores son presentados en la tabla 8.
Tabla 8. Indicadores estadísticos calculados empleando resultados directos de
los métodos de downscaling y observaciones para la variable de temperatura
en el periodo 1991-1999.
DOWNSCALING DINÁMICO
Indicadores
M067
M142
MSE
79.08592125 18.06706512
E
-96.45868889 -25.06410053
R2
0.52783
0.18322
DOWNSCALING ESTADÍSTICO
MSE
5.625187963 5.278412037
E
-5.931997946 -6.61479859
R2
0.74708993 0.340689019
Donde,
MSE: Error cuadrático medio (MSE)
E: Coeficiente de Eficiencia de Nash-Sutcliffe
R2: Coeficiente de determinación
Si observamos la Fig. 8 y 9 veremos que en el caso de la temperatura la
diferencia entre lo modelado y observado es de unos 10 grados centígrados.
En cambio con la precipitación ocurre algo distinto, la diferencia puede ser
hasta cientos de milímetros de lluvia. Esto concuerda con lo expuesto por
Fowler (2007), que nos dice que la incertidumbre de las proyecciones de
45
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
temperatura es menor que la de proyecciones de precipitación (Fowler et al
2007).
A pesar de observar en la temperatura un decremento de los valores de MSE
(Mean Squared Error) a valores realmente bajos, el coeficiente de eficiencia de
Nash-Sutcliffe registra valores menores a cero. Esto quiere decir que ninguno
de los modelos está siendo eficaz al momento de predecir los resultados de la
variable temperatura, siendo un mejor predictor la media de las observaciones.
En el caso del coeficiente de determinación se observan mejores resultados
para la estación Cuenca-Aeropuerto (M067). Este alcanza un porcentaje de
correlación respecto a los valores observados del 74.7% en el método
estadístico y 52.7% en el método dinámico. En el caso de la estación M142 la
cantidad de correlación es menor, 18% para el dinámico y 34% para el
estadístico. Por consiguiente, teniendo en consideración que el porcentaje
óptimo es el 100%, podemos decir que el método dinámico al proyectar
resultados de la variable de temperatura obtiene menor correlación respecto a
las observaciones que el método estadístico.
En la siguiente figura también se puede observar las diferencias existentes
entre los datos modelados y las observaciones en el periodo 1991-1999 en las
dos estaciones estudiadas.
Figura 9. Comparación entre observaciones y resultados de downscaling
estadístico y dinámico, empleando medias mensuales multianuales de
temperatura.
Cuenca-Aeropuerto (M067)
18
16
14
°C
12
10
DIN
8
OBS
6
EST
4
2
0
ene feb mar apr may jun jul ago sep oct nov dic
46
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Saraguro (M142)
16
14
12
°C
10
DIN
8
OBS
6
EST
4
2
0
ene feb mar apr may jun jul ago sep oct nov dic
Donde,
DIN: Downscaling dinámico
OBS: Observaciones
EST: Downscaling estadístico
Debido a las diferencias entre valores observados y modelados para las dos
técnicas, se ha procedido a corregir errores sistemáticos mediante la técnica de
Mapeo de Cuantiles (Quatile Mapping) (Gudmundson, 2012). Esta técnica se
aplicará al periodo 1991-1999 para obtener los parámetros que permitan
ajustar la distribución de datos del fututo que se emplean en nuestro estudio.
4.1.3. QUANTILE MAPPING
Como se expuso en el capítulo de Materiales y Métodos, existen varios
métodos para aplicar Quantile Mapping. En esta sección se analiza cada uno
de ellos en el periodo de validación para encontrar cuál de los métodos es el
mejor y aplicar sus parámetros de corrección a la serie de datos del futuro. Se
analizará también las modificaciones a sus criterios de optimización para cada
método. Estos pueden ser “RSS” que reduce la suma residual de cuadrados y
produce un ajuste de mínimos cuadrados, y “MAE” que reduce el error absoluto
medio, el cual es menos sensible a valores atípicos (Gudmundson, 2012).
4.1.3.1.
ANÁLISIS DE LA APLICACIÓN DE QUANTILE
MAPPING SOBRE DATOS DE PRECIPITACIÓN EN EL
PERIODO 1991-1999
Una vez aplicado quantile mapping para analizar la corrección de los datos y
47
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
poder compararlos con los datos originales de downscaling, se calculó los
mismos indicadores estadísticos empleados en el análisis anterior. Estos se los
puede revisar en las siguientes tablas.
Error Cuadrático Medio
Tabla 9. Error cuadrático medio en resultados de downscaling dinámico,
comparando datos corregidos y sin corregir (MSE corregido / MSE sin corregir)
para la variable de precipitación.
Método PTF
expasympt MAE
expasympt RSS
exp.x0 RSS
exp.x0 MAE
power RSS
power MAE
power.x0 RSS
power.x0 MAE
Linear RSS
Linear MAE
scale RSS
scale MAE
M040
0.28499073
0.2945392
0.29018748
0.27877201
0.30722485
0.30298973
0.99956627
1
0.29158579
0.2842258
0.3302133
0.33291866
M067
0.45054532
0.4579671
0.44776704
0.44533592
0.46550575
0.44346599
0.99938361
0.99938361
0.45422307
0.44658905
0.60622099
0.66714897
M141
0.58559406
0.57719967
0.560557
0.56673669
0.62701952
0.64039476
1
1
0.55838282
0.56073297
0.92481535
0.97360869
M142
0.76831882
0.7892286
0.76533061
0.73885207
0.80986139
0.82154121
1
1.01380788
0.7656196
0.74434163
0.96322665
1.01360288
M410
0.77640681
0.7777053
0.78661964
0.81554918
0.78061241
0.83237374
0.80492748
0.83909461
0.80717918
0.89839532
1.05477819
1.18033998
Como se pudo observar en la Tabla 9 fue posible conseguir una reducción de
MSE de más del 70% en la primera estación. Mientras que en las demás
estaciones, el error disminuye en más del 55%, 43%, 26% y 22%
respectivamente. Por consiguiente, se justifica el uso de quantile mapping en
datos del futuro. Sin embargo, podemos apreciar que hay métodos que
incrementan el error (valores en rojo), por lo tanto, será necesario seleccionar
los mejores métodos. Esta selección se basará también en los resultados que
se obtengan al calcular los demás indicadores estadísticos.
Tabla 10. Disminución de error cuadrático medio en resultados de downscaling
estadístico, comparando datos corregidos y sin corregir (MSE corregido / MSE
sin corregir) para la variable de precipitación.
Método PTF
expasympt
MAE
expasympt RSS
exp.x0 RSS
exp.x0 MAE
power RSS
power MAE
M040
M067
M141
M142
M410
1.20749847 1.11205144 1.3175567 1.00789285 1.25863742
1.14394834 1.0720025 1.3197806 1.06379166 1.32612633
1.14734469 1.0720025 1.3521826 1.05636433 1.32612633
1.19634529 1.0845411 1.3113177 0.98245119 1.24413539
1.13647617 1.04925161 0.9890429 1.08218473 1.34957247
1.23842566 1.19195904 0.9309624 1.0203048 1.25473474
48
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
power.x0 RSS
power.x0 MAE
Linear RSS
Linear MAE
scale RSS
scale MAE
1.13583466
1.20117062
1.07986988
1.01760358
0.98270523
0.91117538
1.07400787
1.16841118
1.0720025
1.08453759
0.89394982
0.90904399
1.2129414
0.9051121
1.3521826
1.3033053
0.9322873
0.9294455
1.06933424
1.00892043
0.99864466
0.98371324
0.89211939
0.87002406
1.07687057
1.18570289
1.32612633
1.17814496
1.00092082
0.99705744
A diferencia de lo que sucede con el downscaling dinámico la corrección
obtenida del método estadístico es mínima. En este caso se tuvo que colorear
de verde a los resultados que presentan una disminución del error, el resto de
datos muestran un incremento del MSE. En general, la mejor disminución
registrada lo efectúa el método “scale”, que es el método más sencillo, a
excepción de la estación M141 donde el método “power.x0” obtiene un mejor
resultado.
En la primera estación se logra disminuir algo más del 8%, en la segunda y
tercera al rededor del 9%, en la cuarta se obtiene el mejor resultado que es del
13%, y en la quinta la diminución es mínima con un valor menor al 1%. Por lo
tanto, se deberá analizar los demás indicadores y gráficos para poder decidir si
es viable o no aplicar los parámetros de corrección a los datos del futuro
obtenidos con downscaling estadístico.
Coeficiente de Eficiencia de Nash-Sutclife
Tabla 11. Coeficiente de eficiencia de Nash-Sutcliffe en resultados de
corrección de downscaling dinámico empleando datos de precipitación.
Método PTF
expasympt MAE
expasympt RSS
exp.x0 RSS
exp.x0 MAE
power RSS
power MAE
power.x0 RSS
power.x0 MAE
Linear RSS
Linear MAE
scale RSS
scale MAE
M040
0.2797835
0.2556530
0.2666505
0.2954992
0.2235944
0.2342972
-1.5260612
-1.5271573
0.2631168
0.2817166
0.1654990
0.1586621
M067
-0.14285398
-0.16168007
-0.13580658
-0.1296398
-0.18080262
-0.12489653
-1.53503804
-1.53503804
-0.15218295
-0.13281848
-0.53774111
-0.69229113
M141
-0.72604659
-0.701304
-0.65224951
-0.67046421
-0.84814871
-0.8875724
-1.94751382
-1.94751382
-0.64584107
-0.65276817
-1.72590602
-1.86972508
M142
-0.22596612
-0.25933077
-0.22119799
-0.17894757
-0.29225344
-0.31089032
-0.59564766
-0.61768018
-0.22165913
-0.18770698
-0.53697035
-0.61735307
M410
-0.0581866
-0.0599564
-0.0721060
-0.1115349
-0.0639186
-0.1344655
-0.097058
-0.1436256
-0.100127
-0.2244482
-0.4375868
-0.6087185
Comparando los resultados de la tabla 7 y 11 podemos ver que el coeficiente
de eficiencia de Nash-Sutcliffe incrementa al aplicar la corrección. Esto es
bueno pues mientras los valores más se acerquen a uno, significa que más
49
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
eficiente es el modelo. La mejoría es notable, sin embargo, para la mayoría de
estaciones muchos valores se encuentran bajo cero. Apenas una estación
presenta resultados superiores a cero. Esto no es bueno pues representa que
la media de las observaciones es mejor predictor que el modelo. A continuación
en la tabla 12 se exponen los mejores métodos y los resultados obtenidos con
ellos.
Tabla 12. Comparación de resultados del coeficiente de eficiencia de NashSutcliffe (E) en datos de precipitación de downscaling dinámico.
ESTACIÓN E SIN CORRECCIÓN E CON CORRECCIÓN
MÉTODO
M040
-1.527157369
0.29549925
Expasympt.x0 MAE
M067
-1.536601562
-0.12489653
Power MAE
M141
-1.947513824
-0.64584107
Linear RSS
M142
-0.595647661
-0.17894757
Expasympt.x0 MAE
M410
-0.362928123
-0.05818667
Expasympt MAE
Tabla 13. Coeficiente de eficiencia de Nash-Sutcliffe en resultados de
corrección de downscaling estadístico empleando datos de precipitación.
Método PTF
expasympt MAE
expasympt RSS
exp.x0 RSS
exp.x0 MAE
power RSS
power MAE
power.x0 RSS
power.x0 MAE
Linear RSS
Linear MAE
scale RSS
scale MAE
M040
-0.002068
0.050669
0.047851
0.0071869
0.0568706
-0.027734
0.0574029
0.0031825
0.1038465
0.1555195
0.1844807
0.2438413
M067
0.1853773
0.2147148
0.2147148
0.2055297
0.2313807
0.1268418
0.2132458
0.1440915
0.2147148
0.2055323
0.3451456
0.3340885
M141
-0.2758937
-0.2780473
-0.3094247
-0.2698520
0.0422319
0.0984759
-0.1745865
0.1235087
-0.3094247
-0.262093
0.0971928
0.0999448
M142
0.2229715
0.1798766
0.1856027
0.2425855
0.1656966
0.2134025
0.1756036
0.222179
0.2301013
0.2416126
0.3122263
0.3292605
M410
-0.018478
-0.073089
-0.073089
-0.006743
-0.092062
-0.015320
0.128605
0.040539
-0.073089
0.046655
0.190063
0.1931898
En el caso de la corrección del downscaling estadístico podemos ver que varios
métodos entregan valores superiores a cero. Esto significa que los datos
modelados entregan una mejor predicción que la media de los datos
observados. Comparando los datos de la tabla 7 y 13 podemos notar un
incremento de los valores del coeficiente de eficiencia de Nash-Sutcliffe. Por lo
tanto, podemos decir que el quantile mapping incrementó la eficiencia del
modelo.
Los resultados obtenidos de este indicador, justifica la utilización de los
parámetros de corrección en los datos futuros, pero debemos considerar que la
50
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
mejoría mostrada no es tan grande. En la tabla 14 se exponen los mejores
métodos y los resultados obtenidos con ellos.
Tabla 14. Comparación de resultados del coeficiente de eficiencia de NashSutcliffe en datos de precipitación de downscaling estadístico.
ESTACIÓN NSE SIN CORRECCIÓN NSE CON CORRECCIÓN
MÉTODO
M040
0.170128
0.243841351
Scale MAE
M067
0.267460
0.345145606
Scale RSS
M141
0.031621
0.123508797
Power.x0 MAE
M142
0.229056
0.329260562
Scale MAE
M410
0.190809
0.193189896
Scale MAE
Coeficiente de Determinación.
El coeficiente de determinación es el cuadrado del coeficiente de correlación
lineal de Pearson, por lo tanto, en nuestro estudio este indicador mide la
relación lineal entre los valores observados y los modelados. A continuación en
la tabla 15 se exponen los resultados de este análisis.
Tabla 15. Coeficiente de determinación R2 en resultados de corrección de
downscaling dinámico.
Método PTF
expasympt MAE
expasympt RSS
exp.x0 RSS
exp.x0 MAE
power RSS
power MAE
power.x0 RSS
power.x0 MAE
Linear RSS
Linear MAE
scale RSS
scale MAE
M040
0.40134
0.40056
0.39697
0.39776
0.40808
0.40893
0.39585
0.39587
0.39587
0.39587
0.39587
0.39587
M067
0.183025
0.182979
0.184279
0.184804
0.195385
0.197141
0.174443
0.174443
0.174448
0.174448
0.174448
0.174448
M141
0.02907
0.029527
0.029371
0.029362
0.024545
0.025139
0.029565
0.029565
0.029565
0.029565
0.029565
0.029565
M142
0.144627
0.144781
0.146446
0.147262
0.158728
0.157460
0.147
0.147
0.147
0.147
0.147
0.147
M410
0.20264
0.20115
0.18289
0.19299
0.18875
0.18791
0.19054
0.19050
0.18049
0.18049
0.18049
0.18049
Existe una leve mejoría de este indicador al aplicar la corrección. Sin embargo
esta es casi imperceptible. En la tabla 16 se exponen los mejores métodos y
los resultados obtenidos con ellos. En esta tabla claramente se puede apreciar
la mínima mejoría existente, inclusive en la estación M141 ni siquiera existe
mejoría, el valor se mantiene igual con corrección y sin corrección.
51
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Tabla 16. Comparación de resultados del coeficiente de determinación en
datos de precipitación de downscaling dinámico.
ESTACIÓN R2 SIN CORRECCIÓN R2 CON CORRECCIÓN
MÉTODO
M040
0.395876
0.408934
Power MAE
M067
0.174448
0.197141
Power MAE
M141
0.029565
0.029565
Power.x0, Linear y Scale
M142
0.147000
0.158728
Power RSS
M410
0.180490
0.202645
Expasympt MAE
Los resultados entregados por este indicador no proporcionan una justificación
para la utilización de Quantile Mapping. Sin embargo, se debería analizar
visualmente los resultados para verificar si la corrección tiene efectos positivos
en el arreglo de la distribución de la lluvia durante el periodo de validación.
Tabla 17. Coeficiente de determinación R2 en resultados de corrección de
downscaling estadístico.
Método PTF
expasympt
MAE
expasympt
RSS
exp.x0 RSS
exp.x0 MAE
power RSS
power MAE
power.x0 RSS
power.x0 MAE
Linear RSS
Linear MAE
scale RSS
scale MAE
M040
0.2673588
0.2762867
0.2770007
0.2768443
0.267819
0.2644331
0.2677361
0.2606543
0.2672519
0.2667752
0.2623648
0.2623648
M067
M141
M142
M410
0.3606907 0.13427577 0.35636743 0.2037786
0.36433108
0.36433108
0.36419846
0.34956784
0.34071564
0.35707696
0.35435307
0.36433108
0.36419846
0.36667027
0.36667027
0.13385244
0.1207923
0.13249955
0.14494661
0.13939015
0.14978112
0.13294927
0.1207923
0.12111936
0.10090281
0.10090281
0.35655996
0.35635196
0.35566769
0.35685073
0.35652584
0.3569225
0.35648527
0.33854465
0.34350504
0.33095739
0.33095739
0.2049544
0.2049544
0.2044725
0.2023630
0.2032118
0.2056502
0.2039937
0.2049544
0.2056363
0.2003816
0.2003816
En el caso del downscaling estadístico, sucede lo mismo que aconteció con la
corrección del método dinámico. La diferencia de los valores sin corrección con
los corregidos es apenas apreciable. Sin embargo, por más pequeña que sea
esta diferencia, se debe notar que si existe una mejoría. En la tabla 18
podremos ver la diferencia y los métodos que mejor resultados presentaron.
Tabla 18. Comparación de resultados del coeficiente de determinación en
datos de precipitación de downscaling estadístico.
ESTACIÓN R2 SIN CORRECCIÓN R2 CON CORRECCIÓN
M040
0.262442635
0.267819
MÉTODO
Power RSS
52
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
M067
M141
M142
M410
4.1.3.2.
0.36447686
0.119185315
0.333412433
0.202910767
0.36667027
0.14978112
0.35685073
0.20565029
Sacale
Power.x0 RSS
Power.x0 RSS
Power.x0 RSS
ANÁLISIS DE LA APLICACIÓN DE QUANTILE
MAPPING SOBRE DATOS DE TEMPERATURA EN EL
PERIODO 1991-1999
Para el caso de la temperatura no fue necesario evaluar todas las formas del
método PTF (Parametric Transformation Function). Esto se debe a que al
analizar los métodos Expasympt, los resultados de la corrección entregan
valores bastante buenos. Para constatar lo anteriormente expuesto se presenta
las siguientes tablas de indicadores estadísticos calculados para downscaling
estadístico y dinámico.
Error Cuadrático Medio
Tabla 19. Error cuadrático medio en resultados de downscaling dinámico,
comparando datos corregidos y sin corregir (MSE corregido / MSE sin corregir)
para la variable de temperatura.
Método PTF
expasympt
MAE
expasympt
RSS
exp.x0 MAE
exp.x0 RSS
M067
M142
0.00541432 0.03904795
0.00557647 0.04193293
0.00547065 0.04345423
0.00576477 0.04193293
Los resultados obtenidos son muy buenos. La disminución del error llega a
superar el 99,4% para la estación Cuenca-Aeropuerto (M067), mientras que
para la estación Saraguro (M142) llega a ser más del 96% respecto a datos sin
corrección.
Al obtener valores tan altos de mejora, se toma la decisión de no analizar los
demás métodos PTF pues con estos se considera suficiente.
Tabla 20. Error cuadrático medio en resultados de downscaling estadístico,
comparando datos corregidos y sin corregir (MSE corregido / MSE sin corregir)
para la variable de temperatura.
Método PTF
expasympt
MAE
M067
M142
0.0376842 0.10164802
53
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
expasympt
RSS
exp.x0 MAE
exp.x0 RSS
0.03867766 0.10582953
0.03846402 0.10147571
0.03867766 0.10582953
Para el caso del downscaling estadístico, tal como sucede con el downscaling
dinámico, los resultados obtenidos son muy buenos. Para la estación CuencaAeropuerto (M067) la disminución del error supera el 96% respecto a los datos
sin corrección, mientras que la estación Saraguro (M142) alcanza un 89% de
mejora.
Los resultados obtenidos mediante éste indicador estadístico exponen la
bondad del Quantile Mapping en la corrección de datos. Sin embargo, es
necesario revisar los resultados obtenidos en los demás indicadores para tomar
la decisión final sobre su aplicación o no en los datos futuros.
Coeficiente de Eficiencia de Nash-Sutcliffe
Tabla 21. Coeficiente de eficiencia de Nash-Sutcliffe en resultados de
corrección de downscaling dinámico empleando datos de temperatura.
Método PTF
expasympt MAE
expasympt RSS
exp.x0 MAE
exp.x0 RSS
Sin Corrección
M067
M142
0.47232717 -0.0177497
0.45652455
-0.092944
0.46683768 -0.1325955
0.43817352
-0.092944
-96.4586888 -25.0641005
La corrección logra mejorar la eficiencia del modelo según este indicador
estadístico. El mejor resultado lo presenta la estación Cuenca-Aeropuerto
pasando de -96.45 a 0.47, lo cual significa que el modelo puede entregar
mejores resultados que la media de las observaciones. Sin embargo, para la
estación Saraguro la corrección no logra superar el valor de cero, pasa de 25.06 a prácticamente 0, lo cual es negativo pues significaría que el modelo es
tan preciso como la media de las observaciones. A pesar de esto, los
resultados de la corrección son buenos y por lo tanto, la aplicación de Quantile
Mapping es necesaria.
Tabla 22. Coeficiente de eficiencia de Nash-Sutcliffe en resultados de
corrección de downscaling estadístico empleando datos de temperatura.
Método PTF
expasympt MAE
expasympt RSS
exp.x0 MAE
M067
0.73877322
0.73188653
0.73336749
M142
0.226
0.1941295
0.2272829
54
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
exp.x0 RSS
0.73188653 0.1941295
Sin Corrección -5.931997946 -6.61479859
Para el caso de downscaling estadístico los resultados de la corrección
superan a los obtenidos con la corrección del dinámico. Ambas estaciones
presentan valores positivos, lo cual significaría que el modelo es mejor
predictor que la media de las observaciones.
Para la estación Cuenca-Aeropuerto se pasa de -5.93 a 0.74, lo cual permite
acercarse bastante al valor óptimo de 1. Por otro lado para la estación
Saraguro se pasa de -6.61 a 0.226, y a pesar de no acercarse tanto al valor
óptimo, lo obtenido con la corrección es bastante bueno.
Coeficiente de Determinación
Tabla 23. Coeficiente de determinación R2 en resultados de corrección de
downscaling dinámico.
Método PTF
expasympt MAE
expasympt RSS
exp.x0 MAE
exp.x0 RSS
Sin Corrección
M067
0.529212
0.527938
0.5278
0.527362
0.52783
M142
0.1829686
0.18322
0.1713
0.18322
0.18322
Tabla 24. Coeficiente de determinación R2 en resultados de corrección de
downscaling estadístico.
Método PTF
M067
M142
expasympt MAE
0.746555
0.3414435
expasympt RSS
0.74709
0.340689
exp.x0 MAE
0.7393
0.3419
exp.x0 RSS
0.74709
0.340689
Sin Corrección 0.74708993 0.340689019
Los resultados entregados de este indicador para la corrección de ambos
métodos de downscaling, no muestran una diferencia entre datos corregidos y
sin corregir. Los resultados se mantienen prácticamente iguales. Por lo tanto,
los resultados de este indicador no justificaría la utilización de Quantile
Mapping. Pero debemos tomar en cuenta que los datos no son afectados
disminuyendo su valor de R2, por consiguiente tampoco se justifica la no
utilización de la corrección. Es entonces necesario revisar los demás
estadísticos y realizar una inspección visual de los resultados para sustentar la
decisión final.
55
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
4.2.
ANÁLISIS DE RESULTADOS DE LA CORRECCIÓN
La decisión sobre aplicar o no quantile mapping en datos del futuro depende de
los resultados obtenidos anteriormente.
Para el caso del downscaling dinámico, la aplicación de QM sobre la variable
de precipitación en el futuro se justifica por el amplio margen de corrección
obtenida. A pesar de no corregir el 100% del error en el mejor de los casos se
pudo disminuir hasta en un 70% y en el peor en alrededor del 22%. Este nivel
de mejora es significativo y nos da confianza de que al aplicar los parámetros
obtenidos se podría corregir los datos del futuro. Los métodos que mejor
desempeño alcanzaron se exponen en la Tabla 25.
Tabla 25. Métodos de QM seleccionados.
Estación
Dinámico
Estadístico
M040 Expasympt.x0 MAE Scale MAE
Scale RSS
M067
Power MAE
Power.x0 MAE
M141
Linear RSS
M142 Expasympt.x0 MAE Scale MAE
Scale MAE
M410
Expasympt MAE
Las mejoras logradas pueden ser apreciadas también mediante una revisión
visual donde se podrá notar la diferencia existente antes y después de la
aplicación de Quantile Mapping. Los gráficos que se exponen a continuación en
Fig. 10 corresponden al mejor y peor desempeño logrado según el Coeficiente
de Eficiencia de Nash-Sutcliffe de las ecuaciones seleccionadas para sus
respectivas estaciones.
Figura 10. Resultados de la aplicación de QM en datos de precipitación de
downscaling dinámico en el periodo base.
M040
500
300
200
100
MOD
OBS
dic
nov
oct
sep
ago
jul
jun
may
apr
mar
feb
0
ene
Precipitación (mm)
400
QM
56
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
M141
Precipitación (mm)
200
150
100
50
MOD
OBS
dic
nov
oct
sep
ago
jul
jun
may
apr
mar
feb
ene
0
CORR
Aplicación de QM en la estación Pasaje (M040) y El Labrado (M141) durante el periodo 19911999 para la variable de precipitación. En azul se podrá ver los resultados de downscaling
dinámico previo a la corrección. En rojo se presentan las observaciones del periodo
anteriormente señalado. En verde se observa los datos posteriores a la corrección realizada.
Para el caso del downscaling estadístico la disminución de error en la variable
de precipitación alcanza algo más del 10% en el mejor de los casos. La
corrección que se alcanza es pequeña y con algunos métodos incluso el error
incrementa. Por lo tanto, para downscaling estadístico se decide no emplear
quantile mapping en datos de precipitación del futuro. Esta decisión puede ser
justificada observando algunos de los gráficos antes y después de la aplicación
de QM en el primer periodo futuro (2001-2010) que se exponen en Fig. 11. Los
mejores métodos empleados son expuestos en Tabla 25.
Refiriéndonos a temperatura, los resultados que se obtienen en la corrección
de los métodos de downscaling son muy buenos. La aplicación de quantile
mapping permitió eliminar hasta más del 90% del error. Sin embargo, con la
aplicación de los parámetros de corrección a datos del futuro, se empezó a
observar datos irreales para las zonas de estudio. Siendo así que las
temperaturas que entregaba la corrección en algunos casos eran menores a
cero grados centígrados. Esta situación sucedió tanto para el método dinámico
como para el estadístico. Por lo tanto, se decide no emplear QM en datos de
temperatura.
57
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 11. Aplicación de QM en datos del futuro
DATOS CORREGIDOS
1400
1400
1200
1200
Precipitación [mm]
1000
800
600
400
1000
200
800
600
400
200
0
0
ene feb mar apr may jun jul aug sep oct nov dic
OBS
DIM
EST
GCM
Precipitación [mm]
1200
1000
800
600
400
200
1200
1000
800
600
400
200
OBS
DIM
EST
GCM
OBS
DIM
EST
OBS: Observaciones
DIM: Downscaling dinámico
EST: Downscaling estadístico
GCM: Modelo de Circulación Global
EVALUACIÓN DEL CAMBIO CLIMÁTICO
Ochoa-Sánchez (2013) en el desarrollo del estudio que entregó información
para la presente tesis seleccionó tres estaciones para la cuenca del Paute.
Cada una de ellas se consideró representativa para cada régimen de
precipitación detectado en la cuenca, teniendo así que la estación CuencaAeropuerto es representativa para la zona Bimodal uno, El Labrado para
bimodal dos y Río Mazar-Rivera para unimodal dos. No consideró el régimen
unimodal uno debido a que ocupa un área muy pequeña sin representatividad
58
Juan Carlos Guanuchi Quito
dic
nov
GCM
Donde,
4.3.
oct
sep
aug
jul
jun
may
apr
mar
feb
dic
nov
oct
sep
aug
jul
jun
may
apr
mar
0
feb
0
ene
Precipitación [mm]
Est. Cuenca-Aeropuerto
(M067)
ene feb mar apr may jun jul aug sep oct nov dic
OBS
DIM
EST
GCM
ene
Precipitación [mm]
Estación Pasaje (M040)
DATOS ORIGINALES
UNIVERSIDAD DE CUENCA
para el estudio. Para el caso de la temperatura únicamente se tiene datos de la
estación Cuenca-Aeropuerto, pues es la única en la cuenca del Paute que
disponía información para el periodo de calibración de los modelos de
downscaling (Ochoa-Sánchez, 2013).
En la cuenca del Jubones Ochoa-Sánchez (2013) considera la estación
Saraguro como representativa para la zona andina y para la región costa
considera la estación Pasaje como representativa. Para el caso de la
temperatura únicamente se tiene datos de la estación Pasaje, pues es la única
en la cuenca del Jubones que disponía de información para el periodo de
calibración de los modelos de downscaling (Ochoa-Sánchez, 2013).
4.3.1. ANÁLISIS DE ESTACIONALIDAD
Para la construcción de los siguientes gráficos tanto de precipitación como de
temperatura, se dividió la información de los modelos en dos periodos, el
primero que va desde 2001 al 2025 y el segundo desde 2026 hasta 2050.
Las barras de color rojo representan a los pronósticos de downscaling
dinámico, las plomas a downscaling estadístico, azules para pronósticos del
modelo de circulación global, y de color café para observaciones del periodo
1991-1999. Las barras sólidas y las que tienen líneas representan al primer y
segundo periodo respectivamente.
4.3.1.1.
PRECIPITACIÓN
Mediante las siguientes figuras podremos verificar si los métodos entregan
información con las características de estacionalidad antes mencionadas,
además se podrá realizar comparaciones de los modelos y de los periodos
empleados.
59
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 12. Estacionalidad de precipitación en la zona bimodal uno:
estación Cuenca-Aeropuerto.
Donde,
DIM: Downscaling dinámico
EST: Downscaling estadístico
GCM: Modelo de Circulación Global
Para Cuenca-Aeropuerto, se observa una disminución de la precipitación en el
segundo periodo, excepto en el mes de marzo donde el método estadístico
pronostica un leve incremento. En el GCM no se da este incremento en todos
los meses.
Ambos métodos de downscaling y el GCM capturan la bimodalidad de CuencaAeropuerto. Se ve que downscaling estadístico se aproxima más a las
observaciones mientras que downscaling dinámico tiende a sobre-estimar las
predicciones. Durante el mes de agosto se puede observar un error del
downscaling dinámico al pronosticar un incremento significativo en la
precipitación en un mes que generalmente es seco.
60
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 13. Estacionalidad de precipitación en la zona bimodal dos:
estación El Labrado.
Donde,
DIM: Downscaling dinámico
EST: Downscaling estadístico
GCM: Modelo de Circulación Global
Para la estación El Labrado se observa una disminución de la precipitación en
el segundo periodo según ambos métodos.
La estacionalidad es bien capturada por ambos métodos, sin embargo es
evidente que downscaling dinámico tiende a sobre-estimar los resultados.
Downscaling estadístico aparece más cercano a las observaciones al igual que
el GCM.
El incremento de precipitación durante el mes de agosto y septiembre
pronosticado por el método dinámico es exagerado en el primer periodo, en las
observaciones estos corresponden a meses con poca presencia de lluvia.
61
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 14. Estacionalidad de precipitación en la zona unimodal dos:
estación Río Mazar-Rivera
Donde,
DIM: Downscaling dinámico
EST: Downscaling estadístico
GCM: Modelo de Circulación Global
En Mazar rivera al igual que en las predicciones anteriores del método
dinámico se pronostica la disminución de la precipitación durante el segundo
periodo analizado. En el método estadístico y en el GCM no sucede esto en
todas los meses ni estaciones estudiadas.
Downscaling estadístico representa la unimodalidad de la estación, sin
embargo pronostica como mes más lluvioso al mes de abril a diferencia de lo
observado donde el mes más lluvioso corresponde a julio.
Downscaling dinámico pronostica un erróneo incremento de precipitación
durante el primer periodo del mes de octubre con valores exagerados. El
segundo periodo captura de mejor forma la unimodalidad, sin embargo ambos
periodos pronostican como meses más lluviosos a abril y mayo, siendo lo
correcto tener al mes de julio como el más lluvioso. Por lo tanto se encuentran
desfasadas.
62
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
CUENCA DEL JUBONES
Figura 15. Estacionalidad de precipitación en la región costa de Jubones:
estación Pasaje
Donde,
DIM: Downscaling dinámico
EST: Downscaling estadístico
GCM: Modelo de Circulación Global
En la estación Pasaje se observa que ambos modelos pronostican la
disminución de la precipitación para el segundo periodo. El segundo periodo se
acerca un poco más a las observaciones para ambos métodos y parece
capturar de mejor forma la estacionalidad.
Para los meses entre enero y junio se observa que downscaling estadístico y
los datos del GCM capturan bien el periodo lluvioso y su disminución hacia la
temporada seca. En cambio downscaling dinámico no captura de manera
adecuada esta característica. Sin embargo, refiriéndonos a los periodos
podemos ver que el segundo periodo del estadístico exhibe un mes de marzo
más lluvioso que febrero, a diferencia de lo expuesto por las observaciones
donde febrero es el mes más lluvioso. Lo mismo sucede con el GCM pero esta
vez se da en los dos periodos analizados.
Podemos ver que julio y agosto corresponden a un periodo seco y que está
bien capturado por downscaling estadístico. En el mes de septiembre ambos
63
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
métodos pronostican un incremento exagerado en las precipitaciones siendo
esto algo incorrecto pues septiembre corresponde a un mes seco. Los
pronósticos de los segundos periodos se acercan más a la realidad.
Para el caso del GCM se observa que captura de mejor manera la
unimodalidad de la estación, sin embargo tiene un desfase en el mes más
lluvioso como se mencionó en párrafos anteriores.
Figura 16. Estacionalidad de precipitación en la región sierra de Jubones:
estación Saraguro.
Donde,
DIM: Downscaling dinámico
EST: Downscaling estadístico
GCM: Modelo de Circulación Global
En la estación Saraguro la disminución de la precipitación en el segundo
periodo se registra en todos los meses únicamente para el método dinámico.
Downscaling estadístico en cambio en su segundo periodo pronostica
incrementos en los meses de mayo junio julio y diciembre con relación al primer
periodo. En esta estación también es notorio la sobre-estimación del método
dinámico la cual disminuye en el segundo periodo.
La estacionalidad es representada por ambos modelos, registrándose dos
periodos lluviosos y una etapa seca. Los resultados más cercanos a las
64
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
observaciones corresponden a las predicciones de downscaling estadístico.
4.3.1.2.
TEMPERATURA
Figura 17. Estacionalidad de temperatura en Cuenca-Aeropuerto y
Saraguro
Donde,
DIM: Downscaling dinámico
EST: Downscaling estadístico
65
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
GCM: Modelo de Circulación Global
En ambas estaciones se observa un periodo donde la temperatura disminuye,
esto se da en los meses de junio, julio y agosto, en el resto de meses la
temperatura es mayor. Los métodos de downscaling capturan la estacionalidad
adecuadamente y se acercan mucho a la temperatura de las observaciones. Se
observa también que los dos métodos concuerdan en el aumento de la
temperatura especialmente en el segundo periodo analizado. El GCM no
captura de manera correcta la estacionalidad en ninguna de las estaciones.
Pronostica como meses más cálidos a los que en realidad son los más fríos.
4.3.2. ANÁLISIS DE ANOMALÍAS CLIMÁTICAS
Para la construcción de los siguientes gráficos se dividió al periodo total en
cinco sub-periodos de 10 años cada uno. El primer periodo (Per 1) corresponde
a los años 2001 a 2010, el segundo (Per 2) de 2011 a 2020 y así
sucesivamente.
La escala que se emplea para el caso de la precipitación, representa el
porcentaje de incremento o decremento de milímetros de lluvia en cada uno de
los meses y periodos del futuro analizados en comparación al periodo base.
Para el caso de la temperatura el incremento o decremento se representa
mediante cantidad de grados centígrados.
4.3.2.1.
PRECIPITACION
Es apreciable nuevamente en esta sección la sobre-estimación de resultados
de downscaling dinámico en todas las estaciones. Mientras que predicciones
del método estadístico se mantiene en rangos inferiores con su excepción en la
estación Pasaje.
66
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 18. Anomalías de precipitación en la zona bimodal uno: estación
Cuenca-Aeropuerto
REDUCCIÓN DE ESCALA ESTADÍSTICA
REDUCCIÓN DE ESCALA DINÁMICA
CUENCA-AEROPUERTO
M067
CUENCA-AEROPUERTO
M067
100%
700%
80%
500%
60%
300%
40%
20%
Per 1
Per 2
Per 3
Per 4
Per 5
Per 1
Per 2
Per 3
Per 4
Per 5
Donde,
Per 1: Periodo uno, 2001-2010
Per 2: Periodo dos, 2011-2020
Per 3: Periodo tres, 2021-2030
Per 4: Periodo cuatro, 2031-2040
Per 5: Periodo cinco, 2041-2050
En la estación Cuenca-Aeropuerto, para el caso de downscaling estadístico no
se registran incrementos superiores al 100%. Downscaling dinámico en cambio
presenta incrementos inferiores al 300% para la mayoría de los meses, excepto
en el mes de agosto donde se identifica un incremento exagerado que llega a
ser cercano al 650%. En agosto suele llover muy poco en esta zona, por lo que
resulta improbable que se pueda registrar un incremento tan grande.
En downscaling dinámico los mayores incrementos se dan en los primeros
periodos de predicción, es decir hasta el año 2020. A partir de ese año empieza
el descenso de los pronósticos. En el estadístico esto varía dependiendo del
mes.
El promedio del incremento o disminución mensual de la precipitación
67
Juan Carlos Guanuchi Quito
dic
nov
oct
sep
ago
jul
jun
may
apr
-100%
mar
ene feb mar apr may jun jul ago sep oct nov dic
feb
0%
ene
100%
UNIVERSIDAD DE CUENCA
pronosticado por ambos modelos se podrá observar en la tabla 26.
Tabla 26. Anomalías promedio de precipitación en la estación CuencaAeropuerto para el periodo 2001-2050
Mes
Estadístico Dinámico
Enero
58%
175%
Febrero
34%
164%
Marzo
31%
173%
Abril
27%
163%
Mayo
36%
27%
Junio
62%
12%
Julio
63%
109%
Agosto
55%
374%
Septiembre
53%
155%
Octubre
22%
189%
Noviembre
34%
110%
Diciembre
59%
168%
Figura 19. Anomalías de precipitación en la zona bimodal dos: estación El
Labrado
REDUCCIÓN DE ESCALA ESTADÍSTICA
REDUCCIÓN DE ESCALA DINÁMICA
EL LABRADO M141
EL LABRADO M141
100%
500%
80%
400%
60%
300%
40%
200%
20%
100%
Per 1
Per 2
Per 3
Per 4
Per 5
Per 1
Per 2
Per 3
Per 4
Per 1: Periodo uno, 2001-2010
Per 2: Periodo dos, 2011-2020
Per 3: Periodo tres, 2021-2030
Per 4: Periodo cuatro, 2031-2040
68
dic
nov
Per 5
Donde,
Juan Carlos Guanuchi Quito
oct
sep
ago
jul
jun
may
apr
mar
-100%
feb
ene feb mar apr may jun jul ago sep oct nov dic
ene
0%
0%
UNIVERSIDAD DE CUENCA
Per 5: Periodo cinco, 2041-2050
En esta estación podemos observar que los porcentajes de incrementos de
precipitación disminuyen conforme avanza el tiempo de pronóstico. Esta
característica es más clara en las predicciones de downscaling dinámico,
donde se observa claramente la disminución del porcentaje en especial en los
dos últimos periodos.
La estación El Labrado tiene un régimen bimodal, donde el periodo de menor
precipitación empieza desde el mes de junio hasta septiembre. En la figura 19
se observa que downscaling estadístico pronostica que en estos meses será
donde más incremento de precipitación habrá. Es decir que tendremos meses
que generalmente son secos, más lluviosos. Con el método dinámico sucede
todo lo contrario, éste pronostica meses lluviosos más intensos.
En la tabla 27 se expone el porcentaje promedio de los cinco periodos para
cada uno de los meses y modelos empleados.
Tabla 27. Anomalías promedio de precipitación en la estación El Labrado
Mes
Estadístico Dinámico
Enero
26%
315%
Febrero
22%
246%
Marzo
12%
272%
Abril
17%
155%
Mayo
37%
21%
Junio
44%
11%
Julio
55%
20%
Agosto
45%
133%
Septiembre
56%
218%
Octubre
32%
282%
Noviembre
21%
191%
Diciembre
25%
274%
69
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 20. Anomalías de precipitación en la zona unimodal dos: estación
Mazar-Rivera
REDUCCIÓN DE ESCALA ESTADÍSTICA
REDUCCIÓN DE ESCALA DINÁMICA
MAZAR-RIVERA M410
MAZAR-RIVERA M410
100%
300%
250%
50%
200%
150%
0%
100%
ene feb mar apr may jun jul ago sep oct nov dic
50%
-100%
-100%
Per 1
Per 2
Per 3
Per 4
Per 5
Per 1
Per 2
Per 3
Per 4
Per 5
Donde,
Per 1: Periodo uno, 2001-2010
Per 2: Periodo dos, 2011-2020
Per 3: Periodo tres, 2021-2030
Per 4: Periodo cuatro, 2031-2040
Per 5: Periodo cinco, 2041-2050
En la estación Río Mazar-Rivera los pronósticos de downscaling estadístico
muestran incrementos que no superan el 30%. Mientras que las disminuciones
alcanzan valores inferiores al 40%. En cambio downscaling dinámico muestra
incrementos de casi 300% y disminuciones de casi 75%.
Se aprecia en downscaling estadístico la disminución de la precipitación en los
meses lluviosos y un pequeño incremento en meses secos. Esto se traduce a
que tendríamos meses secos más lluviosos y meses lluviosos con menor
cantidad de precipitación. En downscaling dinámico se pronostica algo similar,
meses de julio y agosto que son lluviosos con disminución de la cantidad de
precipitación en el futuro. Y meses secos con posibles incrementos de la lluvia.
Los promedios de las anomalías para cada mes se presentan a continuación
en la tabla 28.
70
Juan Carlos Guanuchi Quito
dic
nov
oct
sep
ago
jul
jun
may
apr
mar
-50%
feb
0%
ene
-50%
UNIVERSIDAD DE CUENCA
Tabla 28. Anomalías promedio de precipitación en la estación Mazar-Rivera
representativa de la zona unimodal dos.
Mes
Estadístico Dinámico
Enero
11%
63%
Febrero
4%
27%
Marzo
19%
32%
Abril
7%
64%
Mayo
-6%
47%
Junio
-26%
17%
Julio
-32%
-35%
Agosto
-25%
-54%
Septiembre
-4%
-17%
Octubre
11%
129%
Noviembre
7%
58%
Diciembre
1%
55%
CUENCA DEL RÍO JUBONES
Figura 21. Anomalías de precipitación en la región costa de Jubones:
estación Pasaje
REDUCCIÓN DE ESCALA ESTADÍSTICA
REDUCCIÓN DE ESCALA DINÁMICA
PASAJE M040
PASAJE M040
1400%
1400%
1200%
1200%
1000%
1000%
800%
800%
600%
600%
400%
400%
200%
200%
Per 1
Per 2
Per 3
Per 4
Per 5
Per 1
Per 2
Per 3
Per 4
Donde,
Per 1: Periodo uno, 2001-2010
Per 2: Periodo dos, 2011-2020
71
Juan Carlos Guanuchi Quito
Per 5
dic
nov
oct
sep
ago
jul
jun
may
apr
mar
feb
-200%
ene feb mar apr may jun jul ago sep oct nov dic
ene
0%
0%
UNIVERSIDAD DE CUENCA
Per 3: Periodo tres, 2021-2030
Per 4: Periodo cuatro, 2031-2040
Per 5: Periodo cinco, 2041-2050
En la estación Pasaje se pronostican valores muy exagerados de precipitación,
se puede observar incrementos de hasta 1300%. Este error está presente en
las predicciones de ambos modelos y resulta improbable poder registrar
incrementos de tan gran magnitud en la realidad. En predicciones de
downscaling estadístico el mayor incremento se registra durante el mes de
septiembre, mientras que en el dinámico durante el mes de agosto. Sin
embargo, según las observaciones tanto agosto como septiembre son meses
con poca presencia de lluvia en la estación Pasaje.
El mayor incremento se da en el segundo periodo y se puede ver que en los
últimos periodos el incremento es menor. Por lo que podríamos pensar que las
predicciones mejoran conforme avanza el tiempo de pronóstico.
En la tabla 29 se expone el porcentaje promedio de los cinco periodos para
cada uno de los meses y modelos empleados.
Tabla 29. Anomalías promedio de precipitación en la estación Pasaje
Mes
Estadístico Dinámico
Enero
292%
142%
Febrero
218%
80%
Marzo
257%
111%
Abril
343%
332%
Mayo
17%
486%
Junio
-10%
751%
Julio
61%
469%
Agosto
105%
690%
Septiembre
683%
593%
Octubre
385%
406%
Noviembre
219%
192%
Diciembre
274%
311%
72
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 22. Anomalías de precipitación en la región sierra de Jubones:
estación Saraguro
REDUCCIÓN DE ESCALA ESTADÍSTICA
REDUCCIÓN DE ESCALA DINÁMICA
SARAGURO M142
SARAGURO M142
600%
100%
500%
400%
50%
300%
0%
200%
ene feb mar apr may jun jul ago sep oct nov dic
-50%
100%
Per 1
Per 2
Per 3
Per 4
Per 5
Per 1
Per 2
Per 3
Per 4
Per 5
Donde,
Per 1: Periodo uno, 2001-2010
Per 2: Periodo dos, 2011-2020
Per 3: Periodo tres, 2021-2030
Per 4: Periodo cuatro, 2031-2040
Per 5: Periodo cinco, 2041-2050
Ambos métodos pronostican condiciones muy diferentes. En downscaling
estadístico los incrementos apenas superan el 100% en sus valores más altos;
y las disminuciones de febrero, marzo y abril llegan a ser inferiores al 46%. En
cambio en el método dinámico la sobre-estimación de resultados es evidente,
en los análisis se han llegado a obtener incrementos de precipitación que
superan el 400%; y las disminuciones registradas en el mes de mayo y junio no
son mayores al 21%.
Downscaling estadístico pronostica disminución de la precipitación en los
meses más lluviosos, es decir en febrero, marzo y abril. En meses secos como
julio, agosto y septiembre se registran incrementos significativos. Por lo tanto
se tendrán meses secos más lluviosos y algunos de los meses lluviosos serán
más secos. En octubre, noviembre y diciembre dependiendo del periodo se
podrá observar incrementos de hasta el 70%.
73
Juan Carlos Guanuchi Quito
dic
nov
oct
sep
ago
jul
jun
may
apr
mar
feb
-100%
-100%
ene
0%
UNIVERSIDAD DE CUENCA
En downscaling dinámico son notorias dos características, la primera
relacionada con la disminución del porcentaje de incremento en los últimos
periodos analizados, y la segunda relacionada con el incremento exagerado en
especial del mes de agosto en su segundo periodo. Las predicciones indican
también que en el futuro se tendrá periodos lluviosos más fuertes y
considerando la escala de las predicciones podríamos decir que en los meses
secos también se incrementará la precipitación en un porcentaje de hasta el
90%.
En la tabla 30 podremos observar los promedios de las anomalías que se
pudieren registrar.
Tabla 30. Anomalías promedio de precipitación en la estación Saraguro
Mes
Estadístico Dinámico
Enero
6%
201%
Febrero
-14%
163%
Marzo
-23%
228%
Abril
1%
180%
Mayo
14%
31%
Junio
20%
28%
Julio
51%
56%
Agosto
76%
312%
Septiembre
91%
279%
Octubre
46%
243%
Noviembre
32%
88%
Diciembre
38%
187%
4.3.2.2.
TEMPERATURA
Para el caso de las dos estaciones, los métodos concuerdan en que se dará un
incremento de la temperatura en el futuro. El último periodo, es decir de 2041 a
2050, registra el mayor aumento de temperatura. Esto se da en las dos
estaciones durante todos los meses, excepto en la estación Saraguro en los
meses de noviembre y diciembre.
En Cuenca-Aeropuerto el mayor calentamiento lo pronostica el método
estadístico; mientras que en Saraguro los mayores incrementos son
pronosticados por el método dinámico.
74
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Figura 23. Anomalías de temperatura en las estaciones CuencaAeropuerto y Saraguro.
REDUCCIÓN DE ESCALA DINÁMICA
CUENCA-AEROPUERTO
M067
CUENCA-AEROPUERTO
M067
2,5
2,5
2
2
TEMPERATURA [°C]
1,5
1
0,5
0,5
Per 5
-0,4
Per 4
Per 5
Per 4
dic
nov
Per 5
Per 1
Per 2
Per 4
Per 1: Periodo uno, 2001-2010
Per 2: Periodo dos, 2011-2020
75
Per 5
dic
nov
oct
sep
ago
jul
jun
Per 3
Donde,
Juan Carlos Guanuchi Quito
oct
sep
ago
jul
jun
apr
mar
may
Per 3
may
dic
nov
oct
sep
ago
jul
jun
may
apr
mar
feb
0,1
1,6
1,4
1,2
1
0,8
0,6
0,4
0,2
0
-0,2
-0,4
apr
TEMPERATURA [°C]
0,6
ene
TEMPERATURA [°C]
1,1
Per 3
Per 2
SARAGURO M142
1,6
Per 2
feb
Per 1
SARAGURO M142
Per 1
ene
dic
nov
oct
sep
ago
Per 4
mar
Per 3
jul
jun
may
apr
Per 2
-0,5
feb
Per 1
mar
feb
-0,5
1
0
ene
0
1,5
ene
TEMPERATURA [°C]
REDUCCIÓN DE ESCALA ESTADÍSTICA
UNIVERSIDAD DE CUENCA
Per 3: Periodo tres, 2021-2030
Per 4: Periodo cuatro, 2031-2040
Per 5: Periodo cinco, 2041-2050
Los promedios de las anomalías de temperatura para el periodo total se
presentan a continuación en la tabla 31.
Tabla 31. Anomalías promedio de temperatura.
M067
Mes
Enero
Febrero
Marzo
Abril
Mayo
Junio
Julio
Agosto
Septiembre
Octubre
Noviembre
Diciembre
PROMEDIO
Estadístico
3.1
3.2
3.0
3.5
2.8
2.8
2.9
2.6
2.5
2.6
2.5
2.2
2.8
M142
Dinámico
1.3
1.4
1.3
1.6
1.9
1.7
1.6
1.3
1.2
1.0
1.1
0.8
1.3
Estadístico
Dinámico
1.2
1.4
1.0
1.2
1.3
1.1
0.9
0.8
0.8
1.1
0.8
1.1
1.0
1.6
1.6
1.4
1.5
1.7
1.4
1.4
1.4
1.5
1.7
1.4
1.1
1.5
4.3.3. ANÁLISIS DE VARIABILIDAD CLIMÁTICA
Para la elaboración de los gráficos de esta sección se divide al periodo total en
dos sub-periodos de 25 años cada uno (Per 1: 2001-2025; Per 2: 2026-2050) y
se emplea los datos de observaciones en el periodo 1991-1999 para realizar
comparaciones. Se emplea como medida de tendencia central a la mediana la
cual está representada con una línea celeste.
76
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
4.3.3.1.
PRECIPITACIÓN
CUENCA DEL RÍO PAUTE
900
800
700
600
500
400
300
200
100
0
Donwscaling Estadístico
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
PRECIPITACIÓN [mm]
Figura 24. Variabilidad de la precipitación en la zona bimodal uno:
estación Cuenca-Aeropuerto.
FEB
MAR
900
800
700
600
500
400
300
200
100
0
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
DIC
Downscaling Dinámico
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
PRECIPITACIÓN [mm]
ENE
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
Donde,
OBS: Observaciones en el periodo base, 1991-1999.
Per1: Periodo uno, 2001-2025.
Per2: Periodo dos, 2026-2050.
Mientras mayor sea el tamaño de la caja y los bigotes, mayor será la dispersión
de los datos. Es evidente que la variabilidad en esta estación es menor en los
pronósticos del método estadístico. La información que presenta es más
homogénea y es muy cercana a las observaciones. Downscaling estadístico en
marzo y diciembre se pronostica la mayor variabilidad. Mientras que en la
77
Juan Carlos Guanuchi Quito
DIC
UNIVERSIDAD DE CUENCA
estación seca los meses de julio y agosto exhiben
pequeñas.
las dispersiones más
Downscaling dinámico en cambio, presenta información con un mayor grado de
dispersión. En temporada seca la información es más homogénea que en
temporadas lluviosas donde la variabilidad incrementa. La mayor variabilidad
se observa en los meses de marzo, abril y octubre.
Los valores máximos más altos pronosticados por el modelo estadístico se
presentan en el mes de marzo en sus dos periodos, el primero llega a 337mm y
el segundo llega a 361mm.
Para downscaling dinámico los valores máximos más altos corresponden a
marzo con 843mm en el primer periodo y 636mm en el segundo, y abril en su
primer periodo con 702mm y 519mm en el segundo. En la segunda estación
lluviosa del año se observa también a octubre con valores altos de hasta
665mm de lluvia en su primer periodo.
Figura 25. Variabilidad de la precipitación en la zona bimodal dos:
estación El Labrado.
PRECIPITACIÓN [mm]
1200
Downscaling Estadístico
1000
800
600
400
200
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
0
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
78
Juan Carlos Guanuchi Quito
DIC
UNIVERSIDAD DE CUENCA
PRECIPITACIÓN [mm]
1200
Downscaling Dinámico
1000
800
600
400
200
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
0
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
Donde,
OBS: Observaciones en el periodo base, 1991-1999.
Per1: Periodo uno, 2001-2025.
Per2: Periodo dos, 2026-2050.
En downscaling estadístico los periodos con mayor variabilidad corresponden a
los meses más lluviosos, mientras que en la temporada seca se muestra mayor
homogeneidad. Lo mismo sucede con downscaling dinámico, las temporadas
lluviosas serán las más variables y la temporada seca la más homogénea.
Los valores máximos más altos para downscaling estadístico corresponden a
los dos periodos del mes de noviembre, el primero con 359mm y el segundo
con 377mm. En la primera estación lluviosa también el mes con el máximo más
alto es abril en su primer periodo con 321mm de lluvia.
Para downscaling dinámico los valores máximos más altos corresponden a
abril y a noviembre en sus primeros períodos con 989mm y 1050mm
respectivamente. Los meses de febrero, marzo, octubre, noviembre y diciembre
también exhiben valores altos, especialmente en sus primeros periodos.
79
Juan Carlos Guanuchi Quito
DIC
UNIVERSIDAD DE CUENCA
500
450
400
350
300
250
200
150
100
50
0
Downscaling Estadístico
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
PRECIPITACIÓN [mm]
Figura 26. Variabilidad de la precipitación en la zona unimodal dos:
estación Río Mazar-Rivera.
FEB
MAR
500
450
400
350
300
250
200
150
100
50
0
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
DIC
Downscaling Dinámico
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
PRECIPITACIÓN [mm]
ENE
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
Donde,
OBS: Observaciones en el periodo base, 1991-1999.
Per1: Periodo uno, 2001-2025.
Per2: Periodo dos, 2026-2050.
Para el caso de downscaling estadístico se muestra una distribución pareja
durante todos los meses. Sin embargo, se podría decir que el mes con mayor
variabilidad es el mes de marzo, y los de menor son octubre y diciembre. Los
valores máximos más altos se registran en marzo con valores de 271mm en su
primer periodo y 286mm en el segundo, y en abril con valores de 273mm en el
primer periodo y 281mm en el segundo. Se observa que en esta estación los
pronósticos están desfasados, pues la temporada lluviosa generalmente se
registra en los meses de junio, julio y agosto, mientras que en el método
80
Juan Carlos Guanuchi Quito
DIC
UNIVERSIDAD DE CUENCA
estadístico se observa que los meses más lluviosos son abril y mayo.
Este desfase está presente también en downscaling dinámico, que al igual que
el método estadístico pronostica como los meses más lluviosos a abril y mayo.
En estos dos meses se observa los valores máximos más altos del primer y
segundo periodo, registrando en abril máximos de 498mm y 424mm en el
segundo periodo, en abril se tiene valores de 426mm y 374mm en el segundo
periodo. La variabilidad más alta se registra en el primer periodo del mes de
julio y en el primer periodo de abril. Y los resultados más homogéneos en el
segundo periodo de agosto. En el primer periodo del mes de octubre se exhibe
un incremento inusual de precipitación, es muy improbable que esto suceda
considerando que en este mes no suele registrarse gran cantidad de
precipitación.
CUENCA DEL RÍO JUBONES
Figura 27. Variabilidad de la precipitación en la región costa de Jubones:
estación Pasaje.
2000
1800
1600
1400
1200
1000
800
600
400
200
0
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
PRECIPITACIÓN [mm]
Dowscaling Estadístico
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
81
Juan Carlos Guanuchi Quito
DIC
UNIVERSIDAD DE CUENCA
2000
1800
1600
1400
1200
1000
800
600
400
200
0
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
PRECIPITACIÓN [mm]
Downscaling Dinámico
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
Donde,
OBS: Observaciones en el periodo base, 1991-1999.
Per1: Periodo uno, 2001-2025.
Per2: Periodo dos, 2026-2050.
Mientras mayor sea el tamaño de la caja y los bigotes, mayor será la dispersión
de los datos. En downscaling estadístico se ve que en la temporada lluviosa es
en donde se pronostica la información más dispersa, es decir con mayor
variabilidad; mientras que en la temporada seca se tiene una distribución muy
homogénea. Sin embargo, a partir de septiembre el modelo entrega valores
anormales considerando que Pasaje se caracteriza por tener una
estacionalidad unimodal con un solo periodo lluvioso entre los meses de enero
a abril.
En downscaling dinámico los meses de abril y mayo serán los que tengan
mayor variabilidad y al igual que con downscaling estadístico a partir de
septiembre a diciembre se podrían registrar incrementos inusuales.
El valor máximo de las predicciones de downscaling estadístico se registra en
el primer periodo del mes de diciembre, llegando hasta 1958 mm. En la
temporada lluviosa se registra un máximo de 1814mm durante el mes de
febrero en el primer periodo, en el segundo periodo de 1260mm. En abril que
es un mes donde la precipitación disminuye, el máximo llega hasta 1847 mm,
siendo un valor muy extraño para este mes del año.
Para downscaling dinámico, al igual que con el estadístico los valores máximos
más altos se los encuentra en el primer periodo de abril y diciembre, llegando a
registrarse hasta 1588mm y 1565mm respectivamente. En estos meses no es
común tener una cantidad de lluvia tan alta, por lo que se vuelve muy
82
Juan Carlos Guanuchi Quito
DIC
UNIVERSIDAD DE CUENCA
improbable esperar que algo así suceda.
En ambos métodos se diferencia también que en la mayoría de los meses la
información hasta el cuartil 3 es menos dispersa que la del 25% de los datos
restantes.
900
800
700
600
500
400
300
200
100
0
Downscaling Estadístico
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
PRECIPITACIÓN [mm]
Figura 28. Variabilidad de la precipitación en la región sierra de Jubones:
estación Saraguro.
FEB
MAR
900
800
700
600
500
400
300
200
100
0
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
DIC
Downscaling Dinámico
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
PRECIPITACIÓN [mm]
ENE
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
Donde,
OBS: Observaciones en el periodo base, 1991-1999.
Per1: Periodo uno, 2001-2025.
Per2: Periodo dos, 2026-2050.
En downscaling estadístico la mayor dispersión se registra en los periodos
lluviosos y la menor dispersión en la temporada seca, especialmente en el mes
de julio. Downscaling dinámico muestra algo similar, mayor variabilidad en
83
Juan Carlos Guanuchi Quito
DIC
UNIVERSIDAD DE CUENCA
temporadas lluviosas y en meses secos mayor homogeneidad. Además,
claramente se observa que downscaling estadístico entrega datos con una
variabilidad muy inferior a la del método dinámico.
Los valores máximos más altos que se registran en downscaling estadístico
apenas se los diferencia del resto, estos corresponden a los valores de los
meses de febrero y diciembre. En febrero la distribución es muy parecida a las
observaciones, en su primer periodo se registra un valor de 247mm y 233mm
en el segundo, mientras que las observaciones en este mes alcanzan un valor
máximo de 254mm de lluvia.
En downscaling dinámico se observa los valores máximos más altos durante
los dos periodos de los meses de febrero y marzo. En el primer periodo de
febrero se pronostica 800mm y en el segundo 656mm. En marzo en el primer
periodo se registra un valor de 739mm y 614mm de lluvia en el segundo
periodo.
4.3.3.2.
TEMPERATURA
Figura 29. Variabilidad de la Temperatura en la estación CuencaAeropuerto.
Downscaling Estadístico
24
TEMPERATURA [°C]
22
20
18
16
14
12
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
10
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
84
Juan Carlos Guanuchi Quito
DIC
UNIVERSIDAD DE CUENCA
Downscaling Dinámico
24
TEMPERATURA [°C]
22
20
18
16
14
12
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
10
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
Donde,
OBS: Observaciones en el periodo base, 1991-1999.
Per1: Periodo uno, 2001-2025.
Per2: Periodo dos, 2026-2050.
Los datos de observaciones son muy homogéneos, a diferencia de los datos de
los modelos de downscaling los cuales presentan una mayor variabilidad.
Comparando ambos modelos podemos observar que downscaling estadístico
entrega datos con mayor variabilidad que downscaling dinámico. Pero es
complicado seleccionar los meses o periodos con mayor o menor variabilidad
debido a que el tamaño del rango intercuartílico y los bigotes son semejantes
en todo el gráfico, sin embargo para ambos métodos podríamos decir que los
meses donde se registra menor temperatura parecen ser los más variables,
mientras que los meses más cálidos son más homogéneos.
En downscaling estadístico se observa los valores máximos más altos en el
primer periodo del mes de enero con 20,9°C, y en el segundo periodo lo
registra el mes de febrero con 22,3°C. Mientras que el mes con el mínimo más
pequeño es mayo en sus dos periodos con un promedio de 12,4°C y 13°C
respectivamente para cada uno de sus periodos.
En downscaling dinámico el mes con el máximo más alto será febrero
registrando un promedio de 19,2 °C y 20°C en su primer y segundo periodo
respectivamente. El mínimo más pequeño durante el primer periodo se registra
en junio con 13,9°C y en el segundo periodo en julio con 14,6°C.
Finalmente se puede distinguir también que la temperatura se incrementará
conforme pasa el tiempo, en ambos modelos y en todos los meses se puede
85
Juan Carlos Guanuchi Quito
DIC
UNIVERSIDAD DE CUENCA
ver como en el segundo periodo la temperatura incrementa, registrándose en
estos las temperaturas máximas más altas.
Downscaling Estadístico
20
19
18
17
16
15
14
13
12
11
10
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
TEMPERATURA [°C]
Figura 30. Variabilidad de la temperatura en la estación Saraguro.
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
DIC
Downscaling Dinámico
20
19
18
17
16
15
14
13
12
11
10
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
OBS
Per 1
Per 2
TEMPERATURA [°C]
ENE
ENE
FEB
MAR
ABR
MAY
JUN
JUL
AGO
SEP
OCT
NOV
Donde,
OBS: Observaciones en el periodo base, 1991-1999.
Per1: Periodo uno, 2001-2025.
Per2: Periodo dos, 2026-2050.
En la anterior estación era muy notoria la menor variabilidad de las
observaciones frente a la de los modelos, en esta estación la variabilidad es
muy semejante.
Comparando ambos modelos podemos observar que downscaling dinámico
entrega datos con una pequeña mayor variabilidad que downscaling
86
Juan Carlos Guanuchi Quito
DIC
UNIVERSIDAD DE CUENCA
estadístico. Y al igual que en la estación anterior, se hace complicado
seleccionar los meses o periodos con mayor o menor variabilidad debido a que
los tamaños de los box plots son semejantes en todo el gráfico.
Se podría decir que en ambos métodos de downscaling los meses donde se
registre menor temperatura serán los más variables, mientras que los meses
más cálidos serán más homogéneos.
En downscaling estadístico los valores máximos más altos en el primer y
segundo periodo se presentan en el mes de febrero con 18,1°C y 18,4°C
respectivamente. Mientras que los valores mínimos más pequeños del primer
periodo se registran en junio con 14,1°C y del segundo periodo en septiembre
con 13,8 °C.
En downscaling dinámico el máximo más alto del primer periodo será en enero
con 18,2°C y del segundo periodo en febrero con 19,3°C. Los mínimos más
pequeños serán en julio con 13,7°C y 14,2°C en su primer y segundo período
respectivamente.
Al igual que en Cuenca-Aeropuerto en Saraguro también se registrará un
aumento de la temperatura conforme avance el tiempo. El segundo periodo se
ve claramente que será más cálido que el primero, y más cálido que las
observaciones.
87
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
5.
CAPÍTULO 5
CONCLUSIONES
5.1.
INTRODUCCIÓN
La presente tesis se desarrolla con el objetivo de analizar comparativamente
los resultados de predicciones climáticas generadas previamente mediante la
reducción de escala estadística y dinámica de modelos de circulación global.
Por consiguiente, nos planteamos como objetivos específicos, entender
algunas características de estos modelos, con el fin de adquirir conocimientos
que sirvan de base para el desarrollo de esta tesis; analizar comparativamente
los resultados de ambos métodos de downscaling, para observar algunas
debilidades y fortalezas que tienen estos modelos en relación del uno con el
otro. Y explorar la variación climática en las cuencas en estudio, para analizar
los pronósticos del régimen climático futuro influenciado por el cambio
climático.
El estudio se realiza en las cuencas de los ríos Paute y Jubones, zonas de gran
importancia para el país por los servicios ambientales que brindan,
especialmente por el potencial hidroeléctrico de la zona. Los periodos
analizados son dos, el primero considerado como base comprende los años de
1991 a 1999 y el segundo considerado como periodo de predicciones futuras
desde el año 2001 a 2050.
5.2.
SITUACIÓN PRELIMINAR
Los modelos de circulación global son herramientas poderosas y útiles para la
predicción climática. Proporcionan información a una escala muy grande, la
cual es adecuada para realizar análisis continentales o globales. Para analizar
el cambio climático a escala de cuenca hidrográfica es necesario emplear
información a menor escala. Esto es posible mediante una reducción de escala
a los modelos de circulación global.
En nuestro estudio se empleó información del GCM: ECHAM5/MPI-OM con el
escenario de emisiones IE-EE A1B y de los resultados obtenidos con los
modelos de reducción de escala Weather Research and Forecasting (WRF)
para downscaling dinámico, y de Redes Neuronales Artificiales para
downscaling estadístico. Esta información fue proporcionada por el
Departamento de Recursos Hídricos y Ciencias Ambientales Universidad de
Cuenca.
Sin embargo, análisis estadísticos efectuados en el periodo base sobre los
88
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
resultados de ambas técnicas de reducción de escala exhiben valores altos de
error, baja eficiencia y baja determinación con relación a observaciones del
mismo periodo. Entonces la revisión bibliográfica nos orienta hacia una posible
solución a este problema mediante la aplicación de la técnica de mapeo de
cuantiles (Quantile Mapping).
5.3.
MAPEO DE CUANTILES (Quantile Mapping)
En el estudio se aplican los enfoques de Quantile Mapping denominados
Funciones de Transformación Paramétrica, los cuales fueron evaluados con el
fin de seleccionar el que mejor desempeño logró. La selección de los métodos
para cada estación se presenta en la tabla 25.
Quantile Mapping en la reducción de escala dinámica consiguió mejorar
sustancialmente la distribución de sus datos de precipitación alcanzando
niveles de reducción de error de hasta el 70%. Para el caso del método
estadístico la corrección en el mejor de los casos fue mínima, por lo tanto su
aplicación fue rechazada pues incluso se temía un incremento del sesgo en sus
valores futuros.
Para el caso de la temperatura los resultados de la corrección de ambas
técnicas de downscaling en el periodo bases fueron positivos. Sin embargo, al
aplicar la corrección a datos del futuro se observan valores irreales totalmente
improbables que sucedan en las cuencas en estudio. Valores menores a cero
en estaciones como Cuenca-Aeropuerto nos permiten decir que la aplicación
de los parámetros de corrección no fue efectiva al corregir datos de pronóstico.
Por lo tanto se decide no aplicar los parámetros del mapeo de cuantiles a datos
de temperatura.
5.4.
CAMBIO CLIMÁTICO EN LA CUENCA DEL PAUTE
Ochoa-Sánchez (2013) en el desarrollo del estudio que entregó información
para la presente tesis seleccionó tres estaciones para la cuenca del Paute.
Cada una de ellas se consideró representativa para las zonas que ocupan los
distintos regímenes de precipitación, teniendo así que la estación CuencaAeropuerto es representativa para la zona Bimodal uno, El Labrado para
bimodal dos y Río Mazar-Rivera para unimodal dos. No se consideró el
régimen unimodal uno debido a que ocupa una área pequeña de
aproximadamente 50km2 sin representatividad para el estudio considerando la
escala obtenida con downscaling (grilla de 15km x 15km). Para el caso de la
temperatura únicamente se tiene datos de la estación Cuenca-Aeropuerto,
pues es la única en la cuenca del Paute que tenía información para el periodo
89
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
de calibración de los modelos de downscaling (Ochoa-Sánchez, 2013).A
continuación se presentan las conclusiones obtenidas para cada zona
analizada.
5.4.1. ZONA BIMODAL UNO: ESTACIÓN CUENCA-AEROPUERTO
La estacionalidad bimodal uno es capturada por los dos modelos. Se observa
que downscaling estadístico es más cercano a las observaciones mientras que
el método dinámico tiende a sobre estimar los resultados. Los pronósticos de
ambos métodos indican un incremento de la precipitación en comparación con
las observaciones del periodo base en todos los meses del año. Sin embargo,
analizando dos periodos de 25 años cada uno se observa que en el segundo
periodo el incremento es menor, excepto en los meses de mayo y junio de
downscaling dinámico donde se registra la disminución de la precipitación. De
manera general se observa que el segundo periodo representa de mejor forma
la bimodalidad de Cuenca-Aeropuerto.
Durante el primer periodo de 25 años de pronósticos de downscaling dinámico
se observa un crecimiento elevando de la precipitación en el mes de agosto,
esta situación es improbable que suceda considerando que en la realidad es un
mes con precipitación muy baja en esta estación. El periodo posterior
representa de mejor forma lo que podría suceder durante este mes.
En downscaling dinámico los mayores incrementos de precipitación se darían
hasta el año 2020. A partir de este año se registraría un descenso en los
pronósticos de lluvia. En el estadístico esto varía dependiendo del mes.
En promedio downscaling estadístico pronostica un incremento del 45% de la
precipitación en el periodo 2001-2050 comparado con el periodo base, mientras
que downscaling dinámico pronostica un valor de 152% de incremento. Esto
evidencia la necesidad de estudios posteriores relacionados con el análisis de
la incertidumbre asociada a cada método de reducción de escala.
En el método estadístico los mayores incrementos de precipitación se
registrarán durante las temporadas secas, es decir en los meses de diciembre,
enero, junio, julio, agosto y septiembre. Mientras que en los meses más
lluviosos el incremento será menor. Por otro lado downscaling dinámico
pronostica lo contrario, en meses con menor precipitación como mayo, junio y
julio se registrará el menor incremento, mientras que en las temporadas
lluviosas se pronostica serán más fuertes en el futuro. Esto es respaldado por
conclusiones de estudios previos donde una de las consecuencias del cambio
climático es la intensificación de extremos.
Ambos métodos concuerdan en que los meses más lluviosos presentarán
90
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
mayor variabilidad que los meses secos.
Respecto a la temperatura se observa que los dos métodos de downscaling
capturan adecuadamente la estacionalidad, y ambos concuerdan con el
incremento de la temperatura conforme avanza el tiempo. La cantidad de
grados centígrados promedio que podrían incrementarse durante el periodo
2001-2050 es de 2,8°C según el método estadístico y 1,3 según el dinámico. El
detalle de los incrementos mensuales se podrá ver en la sección de resultados.
El método estadístico es el que pronostica un mayor calentamiento y una
mayor variabilidad de la temperatura de sus datos. Ambos métodos pronostican
que los meses fríos serán los que presenten mayor variabilidad que los cálidos.
5.4.2. ZONA BIMODAL 2: ESTACIÓN EL LABRADO (M141)
Ambos métodos de downscaling pudieron capturar la estacionalidad bimodal
dos. Y al igual que en bimodal uno se registra un incremento de la precipitación
en el futuro comparado los pronósticos con las observaciones del periodo base.
En el segundo periodo de 25 años de los pronósticos, la estacionalidad es
mejor representada y la cantidad de precipitación pronosticada disminuye en
comparación al primer periodo.
El incremento de precipitación durante los meses de agosto y septiembre
pronosticado por el método dinámico es exagerado en el primer periodo, pues
en las observaciones se registra poca presencia de lluvia durante estos meses.
Conforme avanza el tiempo los incrementos serán menores, en promedio se
estima que la precipitación aumente un 33% según el método estadístico en el
periodo 2001-2050, y según el dinámico un incremento promedio estimado del
178%.
Downscaling estadístico pronostica que los mayores incrementos se registrarán
en los meses más secos, mientras que el método dinámico pronostica algo
contrario, es decir meses lluvioso más intensos.
Analizando la variabilidad de la precipitación se observa que en ambos
métodos las temporadas lluviosas serán más variables y las temporadas secas
tendrán mayor homogeneidad.
5.4.3. UNIMODAL 2: ESTACIÓN RÍO MAZAR-RIVERA (M410)
Las predicciones de unimodal 2 se encuentran desfasadas. Los modelos
pronostican una sola estación lluviosa durante el año, downscaling dinámico en
los meses de abril, mayo y junio y downscaling estadístico durante marzo, abril
y mayo. Siendo lo correcto tener una temporada lluviosa en los meses de junio,
91
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
julio y agosto. Por lo tanto podemos decir que los métodos de downscaling
debido a que heredan características sinóticas de los GCMs, no son capaces
de representar adecuadamente la estacionalidad debido a influencias de
mesoescala de la estación Mazar-Rivera. Además, el GCM en esta estación
pronostica una condición bimodal, confirmando lo anteriormente justificado. De
esto se puede concluir que es necesaria una adecuada evaluación de los
GCMs utilizados para proyecciones de clima y su evaluación específica para
las zonas de estudio empleadas.
Según el método estadístico en la estación Mazar-Rivera se pronostica la
disminución de la precipitación en un 3% en el periodo 2001-2050, y
downscaling dinámico pronostica un incremento del 32%.
Downscaling estadístico pronostica la disminución de la precipitación de los
meses entre abril a septiembre, es decir que el periodo lluvioso podría llegar a
ser más seco en el futuro, en el resto de meses se registran incrementos, por lo
tanto se podría tener meses actualmente secos con mayor precipitación en el
futuro.
Downscaling estadístico en cambio pronostica un gran incremento en el mes de
agosto, lo cual es incorrecto pues se trata de un mes con precipitación muy
baja. Concuerda con el método estadístico en la disminución de la precipitación
en los meses julio, agosto y septiembre a excepción del periodo 2001-2010
donde se registran incrementos. En el resto de mese se pronostica incrementos
que con el tiempo van disminuyendo en porcentaje.
La mayor variabilidad en el método estadístico se registra en el mes de marzo,
en el resto de meses se tiene una menor variabilidad muy similar en todos los
meses. El método dinámico presenta mayor variabilidad que el método
estadístico, este pronostica los meses entre abril y julio como los más variables
del año.
5.5.
CAMBIO CLIMÁTICO EN LA CUENCA DEL JUBONES
Según Ochoa-Sánchez (2013) la región andina posee un régimen de
precipitación similar, por lo tanto en su estudio la estación Saraguro es
considerada como representativa para esta zona, esta estación muestra un
régimen bimodal. Para la región costa considera la estación Pasaje como
representativa, la estación de la costa exhibe un régimen unimodal.
Para el caso de la cuenca del Jubones se seleccionó dos estaciones con
características climáticas distintas. Según Ochoa-Sánchez (2013) los
regímenes de precipitación que se observan en la cuenca del Jubones son
92
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
similares, esto ocurre especialmente en la región sierra. En su estudio la
estación Saraguro es considerada como representativa para esta zona y para
la región costa considera la estación Pasaje como representativa. La estación
Saraguro muestra un régimen bimodal mientras que Pasaje
Para el caso de la temperatura únicamente se tiene datos de la estación
Pasaje, pues es la única en la cuenca del Jubones que disponía información
para el periodo de calibración de los modelos de downscaling. (OchoaSánchez, 2013).
5.5.1. REGIÓN COSTA DE JUBONES: ESTACIÓN PASAJE (M040)
Los dos métodos de reducción de escala pronostican el incremento de la
precipitación en esta estación. En el periodo 2001-2025 es en donde se dará el
mayor incremento, éste podría llegar a ser de hasta el 1063% según el método
estadístico y de hasta 988% según el dinámico. En los restantes 25 años se
pronostica un incremento menor, de hasta 328% según el estadístico y de
458% según el dinámico.
En el periodo 2001-2025 ninguno de los métodos capturan adecuadamente la
estacionalidad de Pasaje, mientras que en el periodo 2025-2050 se registra
una mejor representación de la unimodalidad de la estación.
Por los errores tan grandes que se detallan principalmente en el capítulo de
resultados, se decidió considerar a esta estación como no representativa para
el estudio.
5.5.2. REGIÓN SIERRA DE JUBONES: ESTACIÓN SARAGURO
(M142)
La estacionalidad bimodal de Saraguro es representada por los dos modelos.
En esta estación el método dinámico también pronostica un incremento de la
precipitación en el periodo 2001-2050 durante todos los meses, mientras que
en downscaling estadístico se pronostica la disminución de la precipitación en
febrero, marzo y en el segundo periodo de abril, el resto de meses si muestran
un incremento pero menor al pronosticado por downscaling dinámico.
En el periodo 2001-2050 se registraría un incremento promedio del 28% de la
precipitación según downscaling estadístico, o del 166% según el método
dinámico.
En downscaling estadístico y dinámico la mayor variabilidad de la precipitación
se registra en los meses lluviosos y la menor variabilidad en la temporada seca.
93
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Respecto a la temperatura los métodos de downscaling capturan la
estacionalidad adecuadamente y se acercan mucho a la temperatura de las
observaciones. Ambos métodos pronostican el incremento de la temperatura
con el paso del tiempo. Los mayores incrementos son pronosticados por el
método dinámico.
En promedio para el periodo 2001-2050 el incremento de la temperatura en la
estación Saraguro podría ser de 1°C según el método estadístico o de 1,5°C
según el método dinámico.
Comparando ambos modelos podemos observar que downscaling dinámico
entrega datos con una pequeña mayor variabilidad que downscaling
estadístico.
Se podría decir que en ambos métodos de downscaling los meses donde se
registre menor temperatura serán los más variables, mientras que los meses
más cálidos serán más homogéneos.
5.6.
PASOS FUTUROS

Necesidad de estudios posteriores relacionados con el análisis de la
incertidumbre asociada a cada método de reducción de escala.

Identificar los patrones de precipitación en la cuenca del Jubones.
94
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
BIBLIOGRAFÍA
Basogain, X. “Redes Artificiales Neuronales y sus Aplicaciones” Escuela
Superior de Ingeniería de Bilbao, España. [En línea] [Citado el: 2 de Octubre de
2013.]
http://cvb.ehu.es/open_course_ware/castellano/tecnicas/redes_neuro/contenido
s/pdf/libro-del-curso.pdf.
Bates, Bryson, Kundzewicz, Zbyszek, Wu, Shaohong, Palutikof, Jean.
2008. El Cambio Climático y los Recursos Hídricos, por Sistemas y Sectores. El
Cambio Climático y el Agua. Ginebra : Secretaría del IPCC, 2008.
Cáceres, Diego. 2011. Río Paute, el corazón hidroeléctrico del Ecuador. [En
línea] Diario El Tiempo, 6 de Noviembre de 2011. [Citado el: 11 de Agosto de
2014.] http://www.eltiempo.com.ec/noticias-cuenca/82418.
Cáceres, Luis y Núñez, Ana María. 2011. Segunda Comunicación Nacional
sobre Cambio Climático. s.l., Ecuador : Gráficas Arboleda., 2011.
Campozano, Lenin. 2011. Análisis comparativo de la aplicabilidad de dos
métodos de reducción de escala de los resultados de modelos de circulación
global y evaluación de las salidas de tres modelos de circulación global.
Cuenca : Departamento de Recursos Hídricos y Ciencias Ambientales de la
Universidad de Cuenca, 2011.
CELEC EP. 2011. Hidropaute. Corporación Eléctrica del Ecuador. [En línea]
2011.
[Citado
el:
11
de
Agosto
de
2014.]
https://www.celec.gob.ec/index.php?option=com_content&view=article&id=197:
hidropaute&catid=42:generacion-hidroelectrica.
Célleri, Rolando, Willems, P., Buytaert, W., Feyen, J. 2007. Space-time
rainfall variability in the Paute basin, Ecuadorian Andes. s.l. : Hydrological
Processes, 2007.
Chiew, F.H.S.; Kirono, D.G.C.; Kent, D.M.; Frost, A.J.; Charles, S.P. Timbal,
B.; Nguyen, K.C.; Fu, G. 2010. Comparison of runoff modelled using rainfall
from different downscaling methods for historical and future climates.
ELSEVIER, 2010. doi:10.1016/j.jhydrol.2010.03.025
CINFA Centro Integrado de Geomática Ambiental. 2007. Informe Final:
Mapa de cobertura vegetal y uso del suela de la cuenca del río Jubones escala
1:25000. Loja : Universidad de Loja, 2007.
Cordero, Ivan. 2013. Evaluación de la gestión territorial de la cuenca del río
Paute, estrategias y líneas de acción para superarlas. Cuenca : Universidad de
95
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Cuenca, 2013. Trabajo previo a la obtención del grado de Magister en
Ordenación Territorial.
Dibike, Yonas B. y Coulibaly, Pauilin. 2006. Temporal neural networks for
downscaling climate variability and extremes. Hamilton, Canada : ELSEVIER,
2006. doi:10.1016/j.neunet.2006.01.003.
Donoso, Mario Ernesto. 2002. La cuenca del río Paute: diagnóstico y
propuesta de manejo integral. Políticas de desarrollo agropecuario. Cuenca :
Tesis de Maestría en Población y Desarrollo Local Sustentable; FLACSO sede
Ecuador, 2002. 236 p..
Exbrayat, Jean-François, Buytaert, Wouter, Timbe, Edison, Windhorst,
David, Breuer, Lutz. 2014. Addressing sources of uncertainty in runoff
projections for a data scarce catchment in the Ecuadorian Andes. s.l. : Springer,
2014. ISSN 0165-0009.
Fiseha, B. M., Melesse, A.M, Romano, E., Volpi, E., Fiori, A. 2012. Statistical
Downscaling of Precipitation and Temperature for the Upper Tiber Basin in
Central Italy. Roma : Intech, 2012.
Fowler, H. J., Blenkinsop, S. y Tebaldi, C. 2007. Review Linking climate
change modelling to impacts studies: recent advances in downscaling
techniques for hydrological modeling. s.l. : International Journal of Climatology,
2007.
Gitay, Habiba, Suarez, Avelino, Suárez, Watson, Robert T. 2002. Cambio
Climático y Biodiversidad, Documento técnico V del IPCC. s.l. : Grupo
Intergubernamental de Expertos sobre el Cambio Climático, 2002.
Gualán, Ronald. 2013. Análisis comparativo entre los resultados de pronóstico
climático usando dos método de downscaling: un estadístico y un dinámico.
Cuenca : Departamento de Recursos Hídricos y Ciencias Ambientales de la
Universidad de Cuenca, 2013.
Gudmundsson, L., Bremnes, J. B., Haugen, J. E., Engen-Skaugen, T. 2012.
Technical Note: Downscaling RCM precipitation to the station scale using
statistical transformations- a comparison of methods. Zürich : Hydrology and
Earth System Sciences, 2012.
Herzog, Sebastian K., Martínez, Rodney, JØrgensen, Peter M. y Tiessen,
Holm. 2012. Cambio Climático y Biodiversidad en los Andes Tropicales. Paris :
Instituto Interamericano para la Investigación del Cambio Global y Comité
Científico sobre Problemas del Medio Ambiente, 2012. ISBN: 978-85-99875-06-
96
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
3.
Houghton, J.T., Callander, B.A. y Varney, S.K. 1992. Climate Change 1992,
The supplementary report to the IPCC scientific assessment. Cambridge :
Cambridge University Press, 1992. ISBN 0 521 43829 2 paperback.
IPCC. 2000. Resumen para responsables de políticas, Escenarios de
emisiones. Informe especial del Grupo de trabajo III del Grupo
Intergubernamental de Expertos sobre el Cambio Climático. s.l. : Grupo
Intergubernamental de Expertos sobre el Cambio Climático, 2000. ISBN: 929169-413-4.
IPCC, 2007. Cambio climático 2007: Informe de síntesis. Contribución de los
Grupos de trabajo I, II y III al Cuarto Informe de evaluación del Grupo
Intergubernamental de Expertos sobre el Cambio Climático [Equipo de
redacción principal: Pachauri, R.K. y Reisinger, A. (directores de la
publicación)]. IPCC, Ginebra, Suiza, 104 págs.
Kedir, Abdo. 2008. Assessment of Climate Chance Impacts on the Hydrology
of Gilgel Abbay Catchment in Lake Tana Basin, Ethiopia. Enschede :
International Institute for Geo-Information Science and Earth Observation, 2008.
Lagos, M.A. 2012. Impacto del cambio climático en eventos extremos y
análisis de la vulnerabilidad de algunas obras hidráulicas en Chile. Tesis para
optar al grado de Magíster en Ciencias de la Ingeniería, mención Recursos y
Medio Ambiente Hídrico. Universidad de Chile, 2012.
Leggett, J., Pepper, W.J., Swart, R.J., Edmonds, J., Filho, L.G. Meira,
Mintzer, I., Wang, M.X., Wasson, J. 1992. Emissions Scenarios for the IPCC:
an Update. [aut. libro] J.T. Houghton, B.A. Callander y S.K. Varney. Climate
Chance 1992, The supplementary report to the IPCC scientific assessment.
s.l. : Cambridge University Press., 1992.
Manning, Birgit, Müller, Marcos, Starke, Eva, Merkenschlager, Christian,
Mao, Weiji, Zhi, Xiefei, Podsun, Ralf, Jacob, Daniela, Paeth, Heiko. 2013.
Dynamical downscaling of climate change in Central Asia. 2013. pág. 3.
Ministerio de Electricidad y Energía Renovable. 2014. Proyecto de
Generación Minas San Francisco. Ministerio de Electricidad y Energía
Renovable. [En línea] Abril de 2014. [Citado el: 11 de Agosto de 2014.]
http://www.energia.gob.ec/minas-san-francisco/.
Mora, D. E., Campozano, L., Cisneros, F., Wyseure, G., Williems, P. 2014.
Climate changes of hydrometeorological and hydrological extremes in the Paute
basin, Ecuadorean Andes. Cuenca, Ecuador : Hydrology an Earth System
97
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
Sciences, 2014. doi:10.5194/hess-18-631-2014.
Muñoz, Angel y Recalde, Cristina. 2010. Reporte Metodológico sobre el
Experimento de Predicibilidad de Malaria en el Litoral Ecuatoriano . Quito :
INAMHI, 2010.
NCAR. WRF Model Users Site. [En línea] [Citado el: 20 de Marzo de 2014.]
www.mmm.ucar.edu/wrf/users/.
Ochoa-Sanchez, Ana Elizabeth. 2012. Desarrollo de herramientas
computacionales para downscaling de resultados de modelos de circulación
global y para pronóstico de caudales a tiempo real. Proyecto SENESCYT PIC
11-728 Proyecto Uno:Prestaciones del modelo WRF para predicción del clima.
Cuenca : Departamento de Recursos Hídricos y Ciencias Ambientales de la
Universidad de Cuenca, 2012.
Ochoa-Sánchez, Ana Elizabeth. 2013. Desarrollo de herramientas
computacionales para downscaling de resultados de modelos de circulación
global y para pronóstico de caudales a tiempo real. Proyector SENESCYT PIC
11-728, Informe tres: Parametrizaciones del WRF aplicado a las cuencas del
Paute. Cuenca : Departamento de Recursos Hídricos y Ciencias Ambientales
de la Universidad de Cuenca, 2013.
Ochoa-Sanchez, A.E., Sánchez, E., Campozano, L., Samaniego, E. 2014. A
comparative study of statistical and dynamical downscaling estimates of
monthly temperature and precipitation for two watersheds in southern Ecuador.
Cuenca : Departamento de Recursos Hídricos y Ciencias Ambientales de la
Universidad de Cuenca, 2014.
Randall, D.A., R.A. Wood, S. Bony, R. Colman, T. Fichefet, J. Fyfe, V.
Kattsov, A. Pitman, J. Shukla, J. Srinivasan, R.J. Stouffer, A. Sumi and
K.E. Taylor, 2007: Cilmate Models and Their Evaluation. In: Climate Change
2007: The Physical Science Basis. Contribution of Working Group I to the
Fourth Assessment Report of the Intergovernmental Panel on Climate Change
[Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M.Tignor
and H.L. Miller (eds.)]. Cambridge University Press, Cambridge, United
Kingdom and New York, NY, USA.
Skamarock, W., Klemp, J., Dudhia, J., Gill, D., Barker, D., Duda, M., Huang,
X.-Y., Wang, W. 2008. A Description of the Advanced Research WRF Version
3. Boulde, Colorado, USA : National Center for Atmospheric Research, 2008.
NCAR/TN–475+STR, DOI: 10.5065/D68S4MVH.
Sunyer, M. A., Madsen, H. y Ang, P. H. 2011. A comparison of different
98
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
regional climate models and statistical downscaling methods for extreme rainfall
estimation under climate change. 2011.
Torres, P., Célleri, Rolando y Feyen, J. 2007. Análisis de la distribución
espacial de lluvia en cuencas de montaña. s.l. : X Congreso Ecuatoriano de
Ciencias del Suelo, 2007.
Vuille, M y RS, Bradley. 2000. Mean temperature trends and their vertical
structure in the tropical Andes. Massachusetts : Geophysical Research Letters,
2000. Vol. 27.
Zambrano Bigiarini, Mauricio. 2014. CRAN (The Comprehensive R Archive
Network). [En línea] R package version 0.3-8, 04 de Febrero de 2014. [Citado
el: 2 de Junio de 2014.] http://CRAN.R-project.org/package=hydroGOF.
99
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
GLOSARIO
ANN: Redes Neuronales Artificiales (Artificial Neural Networks). Es un
poderoso método en la identificación de relaciones no-lineales de variables
de entrada y de salida. Ha sido ampliamente utilizado para desarrollar
downscaling estadístico a los resultados de modelos de circulación global.
Antropogénico: se refiere a las acciones, efectos u objetos que son resultado
de actividades humanas.
CO2: Dióxido de carbono
DesInventar: Sistema de Inventario de Desastres. Es una herramienta
conceptual y metodológica para la construcción de bases de datos de
pérdidas, daños o efectos ocasionados por emergencias o desastres.
Downscaling dinámico: El Downscaling dinámico está basado en procesos
físicos. Éste resuelve ecuaciones diferenciales que representan tales
procesos a partir de un GCM que aporta condiciones iniciales y de contorno.
Downscaling estadístico: basa en el desarrollo de relaciones cuantitativas de
variables locales de superficie (predictandos) y variables atmosféricas a
gran escala (predictores).
Downscaling: reducción de escala. Permite simular características climáticas y
reducir la escala de modelos de circulación global en zonas específicas de
estudio.
E: Coeficiente de Eficiencia de Nash-Sutcliffe
ECHAM5/MPI-OM: Modelo de circulación global creado por el Instituto para
Metereología Max Plank de Alemania.
GCM: modelo de circulación global. Herramienta empleada para el
modelamiento del clima a nivel global.
GEI: Gases de efecto invernadero
GWh: Gigavatio hora, hace referencia a una unidad de potencia eléctrica
consumida o generada durante una hora. 1 GW equivale a mil millones de
vatios.
iDRHiCA: Departamento de Recursos Hídricos y Ciencias Ambientales de la
Universidad de Cuenca
IE-EE: Informe Especial sobre Escenarios de Emisiones aceptado por el Grupo
de trabajo III del IPCC en el año 2000, presenta un total de 40 escenarios
compuestos en seis grupos tomados de cuatro familias, un grupo en cada
una de las familias: A2,B1,B2. Y tres grupos en la familia A1 que son: A1F,
A1B y A1T.
IPCC: Grupo Intergubernamental de Expertos sobre el Cambio Climático. Fue
establecido por el Programa de las Naciones Unidas para el Medio
Ambiente y por la Organización Meteorológica Mundial en el año de 1988 y
posteriormente ratificada por la Asamblea General de las Naciones Unidas.
El IPCC se creó con el fin de evaluar los aspectos científicos, los efectos y
100
Juan Carlos Guanuchi Quito
UNIVERSIDAD DE CUENCA
los aspectos socioeconómicos del cambio climático y de las opciones de
mitigación y adaptación.
IS92: Escenarios de emisiones publicados por el IPCC en el año de 1992.
LAM: Modelo de Área Limitada. Es un enfoque de reducción de escala
dinámica de modelos de circulación global. Es sinónimo de RCM.
MAE: Criterio de optimización en la aplicación de Quantile Mapping mediante
Funciones de Transformaciones paramétricas. Reduce el error absoluto
medio, el cual es menos sensible a valores atípicos.
MSE: Error Cuadrático Medio
MW: Megavatio es una unidad de potencia eléctrica en el Sistema
Internacional, equivale a 106 vatios.
PTF: Funciones de Transformación Paramétrica. Es un enfoque para la
aplicación de Quantile Mapping.
Quantile Mapping: en español Mapeo de Cuantiles, son métodos que permiten
encontrar una función que al ser aplicada a datos modelados permita que
su distribución sea semejante a la de la variable observada.
2
R : Coeficiente de determinación
RCM: Modelo Regional de Clima. Es un enfoque de reducción de escala
dinámica de modelos de circulación global.
RSS: Criterio de optimización en la aplicación de Quantile Mapping mediante
Funciones de Transformaciones paramétricas. Reduce la suma residual de
cuadrados y produce un ajuste de mínimos cuadrados.
WRF: Investigación y Pronóstico del Clima (Weather Research and
Forecasting), es un modelo numérico de predicción de clima y simulación de
sistemas atmosféricos. Se lo utiliza para reducción de escala dinámica a
modelos de circulación global.
101
Juan Carlos Guanuchi Quito