INFORME FINAL · Informe Final, 15 de enero de 2013 4 i. Resumen Ejecutivo Las instituciones de la...

Informe Final, 15 de enero de 2013 1

INFORME FINAL

15 de enero de 2013

ACTUALIZACIÓN DE ESCENARIOS DE CAMBIO CLIMÁTICO PARA MÉXICO COMO PARTE DE LOS PRODUCTOS DE LA QUINTA COMUNICACIÓN

NACIONAL

Tereza Cavazos1**, José Antonio Salinas2*, Benjamín Martínez3*, Gabriela Colorado2, Pamela de Grau1, Ricardo Prieto González2, Ana

Cecilia Conde Álvarez3, Arturo Quintanar Isaías3, Julio Sergio Santana Sepúlveda2, Rosario Romero Centeno3, María Eugenia Maya

Magaña2, José Guadalupe Rosario de La Cruz2, Ma. del Rosario Ayala Enríquez2, Heriberto Carrillo Tlazazanatza2,

Oscar Santiesteban3 y María Elena Bravo1

1 Centro de Investigación Científica y de Educación Superior de Ensenada, B. C. 2 Instituto Mexicano de Tecnología del Agua 3 Centro de Ciencias de la Atmosfera, UNAM

** Coordinadora del Proyecto * Responsables Institucionales


Contenido i. Resumen Ejecutivo ......................................................................................................... 4

ii. Executive Summary ........................................................................................................ 6

1. Introducción .................................................................................................................... 8

2. Objetivos ......................................................................................................................... 9

3. Actividades Desarrolladas ............................................................................................ 10

4. Alcances y Consideraciones ......................................................................................... 12

5. Metodología .................................................................................................................. 14

5.1 Descarga de datos y métricas .................................................................................. 14

5.2 Métricas de validación ............................................................................................ 16

5.3 Ensamble ponderado de los MCG: REA ................................................................ 18

5.4 Espaguetis, series de tiempo e índices climáticos extremos ................................... 19

6. Resultados ..................................................................................................................... 21

6.1 Sur y Noreste de México......................................................................................... 21

6.1.1 Validación del REA y modelos en el Sur de México ...................................... 21

6.1.2 Proyecciones futuras para el Sur de México .................................................... 24

6.1.3 Validación del REA y modelos en el Noreste de México ............................... 27

6.1.4 Proyecciones futuras para el Noreste de México ............................................. 30

6.2 Noroeste de México ................................................................................................ 33

6.2.1 Validación en el Noroeste de México .............................................................. 33

6.2.2 Proyecciones futuras para el Noroeste de México ........................................... 36

6.3 Sureste de México (SE) ......................................................................................... 39

6.3.1 Validación en el Sureste de México................................................................. 39

6.3.1 Ciclo anual histórico y proyecciones futuras para el SE .................................. 41

6.4 Comparación del CMIP3 y el CMIP5 a escala regional ......................................... 47

6.4.1 CMIP3 vs CMIP5 en el Noroeste de México .................................................. 47

6.4.2 CMIP3 vs CMIP5 en el Sureste de México ..................................................... 52

6.5 Comparación del REA del CMIP3 con el del CMIP5 a nivel nacional ................. 56

6.6 Índices climáticos extremos (P90 y P10) ................................................................ 60

6.6.1 P90 y P10 de las temperaturas extremas (presentes y futuros) ..................... 60

6.6.2 P10 y P90 de la precipitación (presentes y futuros) ....................................... 66

6.7 Índices climáticos extremos de temperatura ........................................................... 73

6.7.1 Índices de Tmax para el escenario base 1961-2000 ........................................ 73

6.7.2 Índices de Tmin para el escenario base 1961-2000 ........................................ 75


6.7.3 Escenarios de cambio climático de los índices de Tmax ................................. 76

6.7.4 Escenarios de cambio climático del índice de Tmin para “noches tropicales” 82

6.7.5 Escenarios de cambio climático del índice de Tmin para heladas agrícolas ... 86

6.7.6 Cambio en los índices de temperaturas extremas por región ........................... 91

7. Desarrollo de la página web del proyecto ..................................................................... 93

8. Conclusiones ............................................................................................................... 117

9. Lecciones aprendidas y pasos a seguir........................................................................ 118

10. Bibliografía ............................................................................................................... 120

11. Anexo 1: NARCCAP ................................................................................................ 122

11.1 ¿Qué es el NARCCAP? ...................................................................................... 122

11.1.1 Desempeño de NARCCAP .......................................................................... 124

11.1.2 Discusión y Recomendaciones .................................................................... 126

11.2 Regionalización dinámica en NARCCAP ......................................................... 129

11.2.1 Acceso a bases de datos NARCCAP ........................................................... 132

11.3 Evaluación de algunas salidas de NARCCAP para el norte de México ............ 134

12. Anexo 2. Colaboraciones internacionales ................................................................. 144

12.1 Taller: Conocimientos básicos sobre el modelo climático regional de alta

resolución (REMO) ..................................................................................................... 144

12.2 Taller: Regionalización dinámica de escenarios de cambio climático usando

WRF ............................................................................................................................ 146


i. Resumen Ejecutivo Las instituciones de la Red Mexicana de Modelación del Clima (CICESE, IMTA y CCA-UNAM) que

coordina el Instituto Nacional de Ecología (INE) llevaron a cabo el análisis regional del periodo histórico y

de las proyecciones de 15 modelos de circulación global (MCG) del Proyecto de Inter-comparación de

Modelos Acoplados, fase 5 (CMIP5, por sus siglas en inglés) para el caso de México, que serán utilizados

en el 5º Reporte de Evaluación del Panel Intergubernamental de cambio Climático (IPCC). Algunas de las

actividades se hicieron individualmente y otras se compartieron para fomentar la colaboración grupal.

Se utilizaron métricas climáticas a escala mensual (ciclo anual, errores y diagramas de Taylor) para evaluar

el desempeño de cada MCG con respecto a algunas variables superficiales observadas (temperatura

máxima del aire, temperatura mínima del aire, temperatura promedio del aire y precipitación) durante el

periodo histórico (1961-2000) de la base de datos mensuales del Climate Research Unit (CRU) de la

Universidad de East Anglia. También se evaluaron índices climáticos extremos para todo el país mediante

el análisis de umbrales presentes y futuros de la temperatura máxima y mínima y de la precipitación a

escala anual y estacional.

Los resultados de los 15 MCG se combinaron en un ensamble ponderado mediante el método REA

(Reliability Ensemble Averaging), calculando la incertidumbre de cada modelo. Esto se hizo para el periodo

histórico (1961-2000) y para las proyecciones usando los escenarios de forzamiento radiativo bajo

(RCP4.5), medio (RCP6.0) y alto (RCP8.5). Se re-evaluaron las métricas climáticas para validar el

comportamiento de todos los modelos individuales con respecto al ensamble ponderado del REA y de los

datos observados del CRU.

El desempeño de los modelos difiere grandemente en el Sur y Noreste de México, por lo que no es posible

identificar uno solo como el más adecuado para simular las variables superficiales analizadas. Sin embargo,

el ensamble ponderado con REA, al integrar la información de todos los modelos, mejora el desempeño

individual, ya que considera tanto la correlación con las observaciones como con todos los modelos.

Los resultados del CMIP5 desarrollados en este proyecto se compararon con las regionalizaciones

disponibles de los modelos del CMIP3 utilizados en el 4º Reporte de Evaluación del IPPC. Mediante la

evaluación de métricas y comparación con los resultados del CMIP3, se identificaron algunas limitaciones

y mejoras de los modelos en la reproducción de procesos físicos que aporten variabilidad al clima regional

de México. Se hicieron algunas comparaciones regionales entre el ensamble histórico y los escenarios

futuros del CMIP5 con los resultados del CMIP3 que estaban disponibles en la literatura para México, por

ejemplo el Noroeste de México (región del monzón) y el Sureste Mexicano. En particular la versión del

REA del CMIP3 se comparó con la nueva versión obtenida en este proyecto. Los resultados son similares a

nivel nacional con algunas diferencias regionales. Por ejemplo, para la región del monzón, durante el

periodo histórico (1961-2000), tanto el CMIP3 como el CMIP5 subestiman la temperatura de otoño e

invierno, lo que podría ser la causa del retraso del pico principal de las lluvias monzónicas en la región, el

cual ocurre hasta septiembre en los modelos de ambos ensambles. Los modelos no producen la retracción

del monzón en otoño, para dar paso a la temporada seca, sino que los modelos se quedan en modo húmedo

sobrestimando la precipitación de otoño-invierno. Por lo tanto, es muy probable que los modelos tengan un

problema de retroalimentación atmosfera-continente que consiste en que el exceso de lluvia invernal podría

ser la causa del enfriamiento continental, el cual a su vez genera un retraso en la llegada del pico de lluvia

monzónica hasta finales del verano. Este sesgo frio observado en el CMIP3 no fue mejorado en el CMIP5.

El sesgo frio en otoño-invierno se observó en casi todo México en los datos de la temperatura máxima del

CMIP5. Esta incertidumbre debe de considerarse al evaluar los escenarios futuros. En el Sureste el REA es

capaz de simular adecuadamente el ciclo anual que muestra la canícula, pero subestima fuertemente la

precipitación de verano. Todos los modelos analizados subestiman la variabilidad de la precipitación en el

sureste de México así como los valores de temperatura máxima y mínima.

Los resultados del CMIP3 y el REA del CMIP5 generado en este proyecto muestran aumentos similares de

temperatura, entre 1.5 y 5oC de mediados a finales de siglo bajo los escenarios de bajas (B1 y RCP4.5) y

altas (A2 y RCP8.5) emisiones, respectivamente. Las reducciones de precipitación para finales de siglo son


del orden de 21% en el Noroeste de México; en el resto del país también se esperan reducciones de

precipitación, aunque la incertidumbre es muy alta. Sin embargo, el CMIP5 muestra cambios estacionales y

regionales diferentes a los que mostraba el CMIP3.

Los umbrales de los índices climáticos extremos muestran que las temperaturas máximas extremas van a

aumentar especialmente en la frontera México-Estados Unidos en Jul-Ago-Sep; además, en esta región

semiárida se espera que las lluvias de invierno-primavera y principios de verano disminuyan. Los umbrales

de las temperatura máximas de otoño también podrían incrementarse de 4-5oC a finales del siglo,

extendiendo con esto la temporada cálida en el país.

Se presenta un resumen del Programa de Evaluación de Cambio Climático Regional de Norteamérica

(NARCCAP, por sus siglas en inglés), el cual produce simulaciones de cambio climático con una

resolución espacial alta y con la finalidad de 1) investigar las incertidumbres asociadas a proyecciones

climáticas en escala regional del clima futuro, y 2) generar escenarios de cambio climático para usarse en

la estimación de los impactos del cambio climático. Se documentó la metodología del NARCCAP y se

presentan algunas recomendaciones. También se hizo un diagnóstico del desempeño de las

regionalizaciones dinámicas derivadas de NARCCAP con el modelo WRF usando varias métricas para dos

regiones del Norte de México. Se encontró que los modelos regionales siguen mostrando los errores y

sesgos que presenta los modelos globales (similares a los del ensamble del REA).

Uno de los objetivos del proyecto fue la capacitación en modelación numérica regional; por lo tanto, se

organizaron dos talleres. El primer taller titulado Conocimientos básicos sobre el modelo climático regional

de alta resolución (REMO) se realizó en agosto de 2012 en el Centro de Ciencias de la Atmósfera; fue

impartido por el Dr. William David Cabos Narvaez, del departamento de Física de la Universidad de Alcalá

de Henares y el Dr. Dmitry Sein, del Instituto Max Planck de Meteorología. Participaron 8 investigadores y

estudiantes. El segundo taller se llevó a cabo en las instalaciones del IMTA en septiembre de 2012 con la

participación de 20 estudiantes e investigadores Mexicanos. El taller se tituló Regionalización Dinámica de

Escenarios de Cambio Climático utilizando el modelo atmosférico WRF, el cual fue impartido por los Dres.

Robert Oglesby y Clint Rowe, investigadores de la Universidad de Nebraska-Lincoln.

Por último se diseñó y generó un portal WEB de resultados masivos.


ii. Executive Summary The institutions of the Mexican Climate Modeling Network coordinated by INE (CICESE, IMTA, and

CCA-UNAM) evaluated historical and climate change projections of 15 general circulation models

(GCMs) of the Climate Model Intercomparison Project phase 5 (CMIP5) for Mexico; these model

projections will be used in the 5th

Assessment Report of the IPCC. Some activities were done individually

and others were shared among the institutions to reinforce the group collaboration.

Several climate metrics were used to evaluate the skill of the models (annual cycle, errors, and Taylor

diagrams) based on surface variables (air temperature, maximum and minimum temperature, and

precipitation) from the East Anglia Climate Research Unit (CRU) data set during the historic period (1961-

2000). Several extreme climate indices were also evaluated using historic and future thresholds of the same

variables.

The output of the 15 GCMs was combined in a weighted ensemble using the Reliable Ensemble Averaging

(REA) technique, obtaining the errors of each model. This was done for the historic period and for the

future emissions based on low (RCP4.5), middle (RCP6.0), and high (RCP8.5) radiating forcing. The

climatic metrics were re-evaluated to validate the behavior of all models and the REA ensemble in

comparison with the CRU observed data.

The skill of the models greatly differs from one another in Southern and Northeastern Mexico; therefore, it

was not possible to identify a single model as the best to simulate the surface variables analyzed in these

regions. However, the REA ensemble integrates the information from all the models, improving the

individual performance, since it considers the correlation with the observations and with all the models.

The results of the CMIP5 developed in this project were compared with regional results from the CMIP3

models used in the 4th

Assessment Report of the IPCC, available in the peer-reviewed literature. This

analysis allowed identifying some regional limitations and improvements of the models when reproducing

physical processes affecting Mexico. Some regional comparisons were done between the historic ensemble

(1961-2000) and future scenarios from CMIP5 with the results of CMIP3 available in published literature

for Mexico, for example for Northwestern Mexico (the monsoon region) and Southeastern Mexico. In

particular, the REA version for CMIP3 was compared with the new version obtained with this project. The

results are similar at national level, but with some regional differences. For example, for the monsoon

region during the historic period (1961-2000), both CMIP3 and CMIP5 underestimate autumn and winter

temperature; this is possibly the cause of the observed delay in the maximum peak of monsoon rainfall until

September. The models do not produce the retraction of the monsoon in autumn to give rise to the dry

season, but stay in a wet mode during autumn and winter. Therefore, it is possible that the models have an

atmosphere-continent feedback problem, in which the excess of autumn-winter rainfall causes a cooling

effect over the continent, which in turn generates a delay of the maximum monsoon rainfall peak until the

end of the summer. This cold bias was observed in CMIP3 and was not reduced significatively in CMIP5.

The cold bias in autumn-winter was observed in almost all Mexico in the maximum temperature of CMIP5.

This uncertainty should be considered when assessing future scenarios. In Southeastern Mexico, the REA

ensemble is able to reproduce adequately the annual cycle with the canicula (mid-summer drought), but

summer precipitation was greatly underestimated. All analyzed models underestimate the variability of

rainfall in southeastern Mexico and the values of maximum and minimum temperature.

Despite these errors, the new REA ensemble from CMIP5 captures the annual cycle of precipitation much

better than the CMIP3 ensemble considered; however, maximum temperature still continues to

underestimate temperature (~2oC) not only in Northwestern Mexico, but almost in all the 4 regions in

Mexico analyzed. This may produce some uncertainties in the climate change scenarios of extreme

temperature

The comparison between the ensemble form CMIP3 and the REA ensemble from CMIP5 shows similar

increases of temperature, between 1.5 and 5oC, in Northwestern Mexico during the XXI century for the low

(B1 and RCP4.5) and high (A2 and RCP8.5) emissions scenarios, respectively. The annual changes of


precipitation under the high emission scenarios are also similar in CMIP3 and CMIP5, and are of the order

of -21% reduction of rainfall. Similar results are found for other parts of Mexico, but with large

uncertainty. However, major seasonal changes in precipitation are observed in CMIP5, which are link to

important dynamical differences between CMIP3 and CMIP5.

Thresholds for extreme climatic indices were produced for all Mexico. The results show that maximum

temperatures may increase especially in Northern Mexico along the US-Mexico border in Jul-Aug-Sep;

moreover, the projections for this semiarid region is that rainfall will decrease in winter, spring and early

summer. The extreme temperature thresholds could increase by 4-5oC in autumn, extending the warm

season in most of Mexico.

A summary of the North American regional Climate Change Program (NARCCAP) is presented here; the

program produces simulations of climate change with low and high resolutions with the objective to 1)

investigate uncertainties in the regional projections, and 2) generate climate change scenarios for impact

assessment studies. The NARCCAP methodology was documented and some recommendations are

presented. A diagnostic study of the skill of some of the NARCCAP’s regionalizations for two regions in

Northern Mexico was also assessed. It was found that the regional models show similar biases to those

found in the GCMs and in the REA ensemble developed in our project.

One of the objectives of the project was the capacity building on regional modeling; therefore, we

organized two workshops. The first one entitled Basic knowledge on the regional climatic model of high

resolution (REMO) was done in August 2012 in the Centro de Ciencias de la Atmosfera; the workshop was

lectured by Dr. William David Cabos Narvaez from the Departamento de Física de la Universidad de

Alcalá de Henares and Dr. Dmitry Sein from the Institut Max Planck of Meteorology. Eight scientists

participated in the workshop. The second workshop was carried out in IMTA in September 2012 with the

participation of 20 students and researchers from Mexico. The workshop was on Dynamic regionalization

of climate change scenarios using WRF, which was given by Dr. Robert Oglesby and Clint Rowe from the

University of Nebraska-Lincoln.

We also designed and created a web portal with all massive results of the project.


1. Introducción

Diversos estudios han mostrado que México es vulnerable ante el cambio climático, por

lo cual el Instituto Nacional de Ecología (INE) coordinó a tres instituciones: el Centro de

Investigación Científica y de Educación Superior de Ensenada (CICESE), el Instituto

Mexicano de Tecnología del Agua (IMTA) y el Centro de Ciencias de la Atmósfera

(CCA) de la Universidad Nacional Autónoma de México, para colaborar en el presente

proyecto y conocer cuales serán las respuestas del clima futuro en México ante estas

modificaciones.

En las dos primeras etapas del proyecto, se evaluó el desempeño de 15 modelos de

circulación general (MCG) participantes en el CMIP5 mediante métricas para el período

histórico de 1961 a 2000 en las variables: precipitación y temperatura (media, máxima y

mínima), comparando los resultados con los datos históricos de la base de datos CRU. En

esta etapa se generó un ensamble ponderado de todos los modelos mediante la técnica

REA (Reliability Ensemble Averaging). El ensamble del REA se comparó con todos los

modelos y con el CRU mediante espaguetis del ciclo anual y diagramas de Taylor en

cuatro grandes regiones del país (Noroeste, Noreste, Sur y Sureste). También se

realizaron las proyecciones bajo diferentes escenarios y se obtuvieron series de tiempo

presentes y futuras y mapas de los umbrales de índices climáticos extremos.

La generación de escenarios de cambio climático se realizó utilizando las salidas de los

modelos de circulación global (MCG) disponibles del Proyecto de Intercomparación de

Modelos fase 5 (CMIP5, por sus siglas en inglés). En el CMIP5 los MCG generaron

escenarios con diferentes forzamientos de radiación futura de 4.5 a 8.5 Watts/m2

(RCP4.5, RCP6.0 y RCP8.5), con lo cuales se generan proyecciones de cambio climático

(Murphy, et al., 2004). En este proyecto se evaluaron 15 modelos que estaban

disponibles al inicio del proyecto.

Los escenarios del CMIP3 se usaron en el Cuarto Reporte de evaluación del IPCC (AR4)

y los del CMIP5 se usarán en el Quinto Reporte del IPCC (AR5). Para ver las mejoras del

CMIP5 se muestra una comparación parcial del desempeño de los modelos del ensamble

REA del CMIP5 con base en los resultados de Cavazos y Arriaga-Ramirez (2012);

también se compara el REA del CMIP3 con el nuevo REA del CMIP5 en todo el país.

La ejecución de todas las etapas del proyecto brindó oportunidades de estudiar temas

como actualización de escenarios de cambio climático, dinámica atmosférica local y

regional, así como los avances en el desarrollo de modelos globales, y los alcances y

limitaciones de la regionalización estadística y dinámica.

Los resultados de las métricas climáticas, índices extremos y escenarios de cambio

climático desarrollados en este proyecto serán utilizados por grupos de trabajo cuyas

investigaciones contribuirán al desarrollo del conocimiento del estado actual y futuro de

la vulnerabilidad de diversos sectores y ecosistemas, así como a la creación de líneas

estratégicas para la adaptación al cambio climático en México. Los conocimientos y


lecciones aprendidas se transmiten mediante talleres organizados por el INE y la página

WEB de consulta de resultados, la cual quedará instalada en el INE.

2. Objetivos

Evaluar métricas climáticas e índices climáticos extremos para 4 regiones del país

Evaluar el ensamble ponderado del REA de los 15 MCG del CMIP5 con todos los

modelos y validar con el CRU en las 4 regiones del país.

Comparar las salidas del CMIP3 y el CMIP5 con la literatura disponible para

México

Obtener índices climáticos extremos para el presente y el futuro para cada punto

de malla de la ventana analizada

Documentar las tendencias de las variables en el siglo XXI bajo 3 escenarios

radiativos

Diseñar página web del proyecto y elaboración de productos derivados de las

métricas, extremos y escenarios

Participar en reuniones de trabajo, organizadas por el INE para presentar avances

y obtener retroalimentación para el desarrollo del proyecto.

Organizar dos talleres de modelación numérica para regionalización

(downscaling) dinámico.


3. Actividades Desarrolladas

A continuación se detallan las actividades realizadas para generar los escenarios de

cambio climático para México del Proyecto SEMARNAT-INE-PNUD en el que

participaron el CICESE, IMTA, CCA-UNAM y el Servicio Meteorológico Nacional

(SMN) de noviembre de 2011 diciembre de 2012.

1. Descarga de información por internet

Descarga de datos del proyecto denominado CMIP5 (Proyecto de Intercomparación

de Modelos Acoplados, fase 5, por sus siglas en inglés).

1.1 Estimación de tamaños de archivos, el número de los mismos y tiempo para su

descarga en una red de alta velocidad. Para los escenarios: RCP4.5, RCP6.0 y

RCP8.5 con resolución mensual, de las variables:

Temp. Máx. Temp. Mín. Temp. Prom.

Precipitación Presión sup. Humedad Rel.

Humedad Esp. Viento

1.2. Descarga de los archivos correspondientes a los períodos:

Histórico: 1961-2000 (40 años)

Futuro cercano: 2015-2039 (25 años)

Futuro lejano: 2075-2099 (25 años)

2. Interpolación de los datos de los MCG

2.1 Cortar las bases de datos en tiempo (para los tres periodos que se mencionan en el

punto anterior) y en espacio (0 a 40 N y -140 a -60 W). Después, aplicar el método

de interpolación bilineal de la plataforma “cdo” de acuerdo a la malla de los datos

observados del CRU (50 km x 50 km) a la totalidad de las variables, ensambles y

periodos descargados, según los MCG correspondientes a cada institución.

3. Análisis de métricas

3.1 Cambiar las unidades de las variables de Temperatura, Precipitación y Presión a oC,

mm/d y mb, respectivamente. Para cada variable y periodo, promediar los

experimentos para analizar un solo ensamble promedio por MCG.

3.2 Calcular las métricas consensuadas por punto de malla para los datos del CRU y

para los ensambles promedio de cada MCG, para cada periodo y variable (Tmax,

Tmin, Tprom y Precip).

3.3 Desarrollar el código para calcula métricas en 4 grandes regiones del país

3.4 Promediar las métricas calculadas por punto de malla para cada región del país a

partir de los datos observados del CRU.

3.5 Lo mismo que el 3.4, pero para los modelos, sus periodos y escenarios.


4. Usar metodología del REA calculando incertidumbre

4.1 Revisión y adaptación del método REA a los datos de CMIP5.

4.2 Aplicación de REA a los escenarios de reciente lanzamiento: RCP4.5, RCP6.0,

RCP8.5 utilizando el CRU en las variables:

4.2.1 Precipitación

4.2.2 Temperatura máxima

4.2.3 Temperatura mínima

4.3.4 Temperatura media

5. Colaboraciones internacionales

5.1 Durante la realización del proyecto se identificarán oportunidades de colaboración

guiadas tanto hacia la generación de capacidades institucionales en México como en

formación de recursos humanos, generación de herramientas de procesamiento y

análisis como la Regionalización Dinámica.

5.2 Acercamiento a instituciones extranjeras para acordar colaboraciones

internacionales.

5.3 Desarrollo de colaboraciones internacionales.

6. Obtención de índices climáticos

6.1 Seleccionar y calcular los índices climáticos.

6.2 Elaborar mecanismos para capacitar a instituciones usuarias.

6.3 Elaborar material para capacitar a instituciones usuarias.

6.4 Planeación y logística de talleres.

6.5 Difundir mediante talleres, los fundamentos, alcances y limitaciones de los índices

climáticos.

7. Comparación entre resultados de AR4 y AR5.

7.1 Identificación de limitaciones de modelos en la reproducción de procesos físicos

que aporten variabilidad al clima regional.

8. Lecciones aprendidas

8.1 Documentar aprendizajes durante todo el proceso de ejecución del proyecto.

9. Revisión de NARCAPP

9.1 Estudio y documentación de la metodología aplicada en la regionalización de

NARCAPP.

9.2 Identificar métodos de regionalización, fundamentos y aplicación en Norteamérica

para obtener capacidad de reproducción de escenarios regionales en México.

9.3 Revisión de resultados científicos y documentación de las lecciones aprendidas.

10. Elaboración de portal Web

10.1 Elaboración de un catálogo de productos distribuibles mediante un portal Web.


10.2 Diseño y elaboración de una base de datos de acceso simplificado a resultados

masivos generados por el proyecto.

10.3 Diseño y elaboración de un portal WEB de consulta dinámica de resultados.

11. Actividades complementarias

11.1 Participar durante el segundo, cuarto, octavo y decimosegundo meses de proyecto

en reuniones trimestrales de trabajo, realizadas por el INE para presentar avances y

obtener retroalimentación para el desarrollo del proyecto.

11.2 Participar durante el segundo, octavo, y decimosegundo meses en tres talleres

realizados por el INE, para presentar avances a tomadores de decisiones

(representantes de sector gubernamental, académico y sociedad civil) en el

desarrollo del proyecto.

11.3 Generación y entrega del primer informe parcial.

11.4 Generación y entrega del segundo informe parcial

11.5 Generación de síntesis ejecutiva de 15 cuartillas para que sea considerada como

insumo para la Estrategia Nacional de Adaptación al cambio climático que

desarrolla el INE, enfocada a Modelación del clima, incluyendo análisis de

escenarios actualizados a partir de resultados de modelos de circulación global que

serían considerados para el Quinto Informe de Evaluación del IPCC.

11.6 Generación y entrega del tercer informe parcial

11.7 Preparar y entregar al INE el informe final del proyecto, incluyendo un resumen

ejecutivo para tomadores de decisiones y una presentación en power point, tanto en

español como en inglés.

4. Alcances y Consideraciones

La actualización de escenarios de cambio climático que se realizó en el marco del

presente proyecto se basó en información de algunas variables atmosféricas de superficie

de los 15 MCG utilizados en el experimento CMIP5. El análisis del desempeño de las

variables de estos modelos numéricos mediante métricas climáticas es una actividad

fundamental para establecer el alcance y limitaciones de los MCG y determinar qué tan

bien simulan el clima de México.

Debido a que el proyecto solo duró un año, no fue posible contestar algunas preguntas

fundamentales que soportarían los resultados de este trabajo. Por ejemplo, ¿Qué tan bien

simulan los modelos el Fenómeno del Niño/Oscilación del Sur (ENSO), la alberca de

agua caliente, la zona intertropical de convergencia, el jet de bajos niveles del Caribe, y

teleconexiones climáticas de gran escala? Estas preguntas y muchas más deben de

considerarse en estudios futuros de este tipo. Mención aparte merece la coherencia

espacial de los resultados usando REA. Es necesario profundizar en este tema, pues los

resultados de esta etapa serán utilizados por otros grupos de trabajo que pretenden


estimar la vulnerabilidad de diversos sectores y ecosistemas, así como realizar estudios

orientados a la adaptación en México.

También se debe de fomentar la autosuficiencia en la generación de resultados, como

llevar a cabo las regionalizaciones dinámicas de los escenarios de cambio climático,

continuar con la construcción de capacidades tanto individuales como institucionales, y

colaborar en equipos de trabajo con objetivos de mayor alcance y en forma coordinada.

Por último, la información actualizada de los escenarios de cambio climático que se

generó en el presente proyecto será un producto para la Quinta Comunicación Nacional

ante la Convención Marco de las Naciones Unidas ante el Cambio Climático

(CMNUCC). Por otra parte, en este proyecto se pretende también fortalecer las

capacidades técnicas nacionales en cuanto al manejo de información para la generación

de escenarios, su correcta interpretación y aplicación. Es de suma importancia que los

resultados y las proyecciones de cambio climático sean utilizados por otros grupos de

trabajo que contribuirán en el conocimiento del estado actual y futuro de la

vulnerabilidad en diversos sistemas y también en la creación de líneas estratégicas para la

adaptación que serán retomadas en la Quinta Comunicación Nacional ante la CMNUCC.


5. Metodología

5.1 Descarga de datos y métricas

Se descargaron los datos mensuales de 15 MCG (Tabla 5.1) que estaban disponibles en

los diferentes centro de bases de datos que coordina el IPCC, como por ejemplo el British

Atmospheric Data Center (BADC) en Gran Bretaña:

http://badc.nerc.ac.uk/browse/badc/cmip5/data.

Tabla 5.1. Modelos de circulación global utilizados para evaluar métricas climáticas y

generar el ensamble ponderado de modelos según la metodología REA.

Modelos de Circulación General (MCG)

1. Max-Plank Institute (MPI-ESM-LR)

6. Beijing Climate Center (BCC-CSM1-1)

12. Met Office Hadley (MOHC)

2. Institute for Numerical Mathematics (INM)

7. Institut Pierre-Simon Laplace (IPSL-cm5a-lr)

13. Meteorological Research Institute (MRI-CGCM3)

3. Norwegian Climate Center (NorESM1)

8. NASA Goddard Institute for Space Studies (GISS-E2-R)

14. Geophysical Fluid Dynamics Laboratory (GFDL-CM3)

4. Canadian Centre for Climate Modeling and Analysis (CanESM2)

9 y 10. Japan Agency for Marine-Earth Science and Technology (MIROC-esm-chem y MIROC-esm)

15. Australian Commonwealth Scientific and Industrial Research Organization (CSIRO-MK3-6)

5. Centre National de Recherches Meteorologiques (CNRM-CM5)

11. Atmosphere and Ocean Research Institute (MIROC5)

Las 3 instituciones descargaron los modelos de acuerdo a los términos de referencia del

proyecto y a la Tabla 5.2: el CICESE descargó 4 modelos, el CCA 5 modelos y el IMTA

6 modelos.

La lista de las variables que se descargaron se muestra en la Tabla 5.3, así como sus

nombres y unidades de acuerdo al CMIP5. También se indican los periodos y la ventana

espacial que se analizaron en el proyecto. Todas las variables se cortaron de acuerdo a los

periodos y ventana espacial propuestos en la Tabla 5.3. Se interpolaron bilinealmente a

medio grado (aproximadamente 50 km x 50 km) utilizando el paquete de herramientas

para manipular datos climáticos “cdo” disponible en

https://code.zmaw.de/projects/cdo/wiki/Cdo#Documentation.


Tabla 5.2. Descripción de los MCG que cada institución descargó y analizó

independientemente en las primeras 2 etapas del proyecto. En la tercera etapa se

evaluaron los 15 modelos juntos.

La malla de los datos interpolados de los modelos es la misma que la de los datos

observados del CRU, los cuales serán utilizados en el proceso de verificación/validación

de los MCG. Además, se cambió el calendario de “365 días” que tenían varios modelos

por el “calendario estándar” para que los archivos también sean transparentes en

diferentes plataformas, como GrADS. Por último, se transformaron las unidades de

(a) CICESE

Modelo (MCG) Experimento Frecuencia Corridas Variables

Histórico Mensual r1i1p1 Todas

RCP45, RCP60 Mensual r1 Todas

Histórico Mensual r1, r2, r3, r4, r5 Todas



RCP45, RCP85 Mensual r1, r2, r3, r4, r5 Todas

Histórico Mensual r10, r1, r2, r3 Todas

RCP45 Mensual r10, r1, r2, r3 Todas

(b) IMTA



RCP45, RCP85 Mensual r1, r2, r3, r4 Todas

RCP60 Mensual r1 Todas

Histórico Mensual r1, r2, r3, r4, r5, r6, r7, r8, r9 ,r10 Todas


RCP85 Mensual r1, r2, r4, r6, r10 Todas

Histórico Mensual r1, r2, r3, r4, r5, r6 Todas

RCP45 Mensual r1, r2, r3, r4, r5 Todas


Histórico Mensual r1 Todas


Histórico Mensual r1, r2, r3 Todas

RCP45, RCP60, RCP85 Mensual r1 Todas


RCP45,RCP60, RCP85 Mensual r1 Todas

(C) CCA-UNAM



RCP26, RCP45, RCP85 Mensual r1, r2, r3 Todas


RCP26, RCP60, RCP85 Mensual r1 Todas


RCP26, RCP45, RCP60, RCP85 Mensual r1 Todas


RCP26, RCP45, RCP60, RCP85 Mensual r1 Todas



RCP60 Mensual r1, r2, r3, r4 Todas


MPI-ESM-LR

GFDL-CM3

MIROC5

MIROC-ESM

HADGEM2-ES

NCC-NorESMI

IPSL-CM5a-lr

CNRM-CM5

NASA-GISS (GISS-E2-R)

BCC-csm1-1

INM

MIROC-ESM-CHEM

MRI-CGCM3

CanESM2

CSIRO-MK3-6-0


algunas variables para dejarlas en unidades más comunes (Tabla 5.3): (1) la precipitación

en kg/m2/s se cambió a mm/día multiplicando las salidas de los modelos por 86,400; (2)

la temperatura se cambió de oK a

oC, restando 273.15 a los datos originales; y (3) la

presión se dividió entre 100 para transformar los Pascales (Pa) a milibares (mb).

Tabla 5.3. Variables con sus nombres y unidades originales en paréntesis y algunas

variables con las nuevas unidades, así como los experimentos y ventana espacial a

analizar en el proyecto.

5.2 Métricas de validación

En el segundo y tercer reportes se evaluó el desempeño de los 15 MCG mediante

métricas climáticas (raíz del error cuadrático medio (RMSE), error absoluto medio

(MAE), desviación estándar (Std), correlación (r) y diagramas de Taylor) a escalas

anuales y estacionales, para las variables precipitación, temperatura promedio,

temperatura máxima y temperatura mínima y para las 4 regiones del país que se

muestran en la Figura 5.1. Las métricas que se muestran a continuación se evaluaron en

cada modelo individualmente, en cada punto de malla en el país y también con el

ensamble del REA de los 15 modelos. La evaluación completa de los 15 modelos junto

con el REA y el CRU se muestran en la Sección 6 de Resultados, y la metodología del

REA se describe en la Sección 5.3. Los datos observados son los datos del CRU.

Error cuadrático medio (RMSE):

Donde Dsim y Dobs, representan los datos simulados y observados, respectivamente, y n es

el número de observaciones en cada punto de malla.

Error medio absoluto (MAE):

∑ | |

(ec. 2)

Variables Originales Tmáx (tasmax; oK), Tmín (tasmin;

oK), T prom (tas;

oK), Precip (pr; kg/m2/s),

(nombre; unidad) P sup (psl; pa), HR sup (hurs; %), HumEsp sup (huss) y U y Vsup (was, vas; m/s)

Variables con nueva T máx (tasmax; oC), T mín (tasmin;

oC), T prom (tas;

oC), Precip (pr; mm/d),

unidad P sup (psl; mb)

Experimentos Histórico Escenarios Futuros

Periodos 1961-2000 2015-2039

2075-2099

Ventana Espacial Lat: 0 a 40 N Lon: -140 a -60 W

𝑅𝑀𝑆𝐸 √∑

(ec. 1)


Desviación estándar (Std):

√∑ ̅

(ec. 3)

Donde Xi y X representan el valor de una variable en un tiempo dado y X es el valor

promedio climatológico.

Correlación:

∑ ̅ ̅

√∑ ̅ ∑ ̅

(ec. 4)

Donde X e Y representan dos variables.

Figura 5.1. Regiones consideradas para la validación del REA y para el análisis de

métricas e índices climáticos: Noroeste (azul), Noreste (amarillo), Sur (rojo) y Sureste

(verde). Los límites de las regiones son: Noroeste (23 a 35°N; 106 a 117°W), Noreste (23

a 31°N; 97 a 106°W), Centro/Sur (15 a 23°N; 97 a 106°W) y Sureste (15 a 22°N; 87 a

97°W).


nmn

iD

m

iBi RRR

1

,,

5.3 Ensamble ponderado de los MCG: REA El método de ensamble ponderado fue propuesto y desarrollado por Giorgi y Mearns

(2001) con el objetivo de dar mayor peso a los MCG que contengan los errores y sesgos

más pequeños en comparación con las variables observadas en un punto de malla dado.

Este análisis fue desarrollado en cada punto de malla del dominio se utilizaron tanto los

modelos individuales como el ensamble del REA en la validación de métricas del periodo

histórico y en los análisis de los escenarios de cambio climático y de los índices

climáticos extremos. Los modelos se validaron con los datos observados del CRU para el

periodo 1961-2000.

El ensamble ponderado REA se calculó de la anomalía de los 15 modelos de la Tabla 5.1,

mediante la ec. 5; por ejemplo para la anomalía de temperatura (T):

(ec. 5)

Donde Ri es el peso de cada modelo (i) por punto de malla, definido por el producto de

dos criterios: el de tendencia (RB,i) y el de convergencia (RD,i), donde los parámetros m y

n pueden ser usados para darle más peso a un criterio que a otro:

(ec. 6)

El criterio de tendencia se refiere a qué tan diferente es el modelo “i” respecto a los

datos observados, en el periodo 1961-2000. Por lo tanto entre menor sea la diferencia de

las dos bases de datos, mayor es la confiabilidad de tal modelo. Para lo cual se requiere

tener datos históricos de los modelos a utilizar. Este factor se da por la ecuación:

(ec. 7)

El criterio de convergencia es la distancia del modelo “i” respecto al resto de los

modelos, es decir, del promedio REA. Este criterio es un método iterativo, en el que, en

la primera iteración se toma en cuenta el promedio simple para calcular la distancia

[ ] [ ̅̅ ̅̅ ], la cual se usa en las ecuaciones 1 y 2. Con lo anterior se recalcula la

distancia de cada modelo (iteración 2) con el promedio REA [ ] [ ̃]], y así

sucesivamente. El proceso iterativo se termina cuando se alcanza el criterio de

convergencia (que en este caso se consideró cuando [ ]). Entre menor

sea la distancia del modelo “i” mayor será el valor de éste criterio.

(ec. 8)

i

i

i

ii

R

TR

TAT~

~~~

m

i

iBB

R

,

n

i

iDD

R

,


En las ecuaciones 7 y 8 aparece el parámetro ε, el cual es una medida de la variabilidad

natural. Para calcular esta variabilidad se eliminó la tendencia del periodo 1961-2000 y se

calculó el promedio móvil de 30 años. Finalmente ε se definió como la diferencia entre

los valores máximos y mínimos de este promedio.

Para estimar el rango (delta) de incertidumbre del ensamble promedio del REA, se

calculó la raíz cuadrática media de la diferencia de los cambios utilizando los resultados

de las ecuaciones 5 (anomalía) y 6 (peso):

(ec. 9)

Por lo tanto los límites superior e inferior de la incertidumbre están definidos por:

(ec. 10)

5.4 Espaguetis, series de tiempo e índices climáticos extremos

Los 15 modelos se evaluaron para 4 experimentos (Tabla 5.3): uno histórico (1961-2000),

y 3 escenarios de radiación futura (en Watts/m2) RCP 4.5, RCP6.0 y RCP8.5, para 2015-

2039 y 2075-2099.

En la tercera etapa del proyecto se evaluaron nuevamente las métricas climáticas de la

Sección 5.1 durante el periodo observado, pero esta vez se incluyó el ensamble del REA

para evaluar su desempeño en las 4 regiones del país (Fig. 5.1).

Se obtuvieron espaguetis de los ciclos anuales para todos los modelos, el REA y el CRU

para hacer la comparación para cada una de las regiones. Los espaguetis sirven para dar

una estimación visual de la dispersión estacional de los modelos en cada región.

También se estimaron índices climáticos extremos de temperatura y precipitación

(Secciones 6.5 y 6.6 de Resutados). Se calcularon los umbrales de los percentiles 10 y 90

(P10 y P90, respectivamente) del CRU y del REA a escala anual y estacional. El cálculo

de los percentiles se realizó ordenando los datos de mayor a menor y el total de los datos

se dividió en 100 partes iguales. El 10% superior de los datos representó los extremos del

P90 y el 10% inferior, los extremos de P10. Es decir, los valores extremos fueron los

T

T

TT

TT

~~~

~~~

2/12

~~~

i

i

i

ii

T

R

TTR


valores de la variable que estaban por debajo del umbral de P10 o por arriba del umbral

de P90. Con estos umbrales se obtienen los límites de los años más secos o más fríos

(P10), y de los años más húmedos o más calientes (P90). Con esta información se

obtuvieron los mapas de los umbrales presentes y los cambios en el futuro (con respecto a

1961-2000) de acuerdo a los diferentes escenarios y periodos (2015-2039 y 2075-2099).

Se evaluaron otros índices climáticos extremos de temperatura a escala mensual y para

todo México, que son los primeros que se muestran en la Fig. 5.2. A diferencia de los

índices climáticos basados en P10 y P90, en los que los umbrales dependen del punto de

malla o región, estos otros índices de temperatura ya tienen un rango o umbral pre-

definido de acuerdo a un conocimiento previo de la climatología del país.

.

Figura 5.2. Lista de índices extremos climáticos desarrollados en el proyecto y que están

disponibles en el portal Web.


6. Resultados

En esta sección se muestran resultados a nivel nacional y otros con enfoque regional para

comparar en algunos casos con resultados de la literatura publicada.

6.1 Sur y Noreste de México

Dada la incertidumbre asociada a los modelos globales, no es recomendable utilizar

únicamente uno de ellos para estudios de impacto regional, por ello Giorgi y Mearns

(2001) recomiendan para generar las proyecciones utilizar información colectiva de un

ensamble de simulaciones de MCG, esto para minimizar los errores individuales. Por

ejemplo, en el AR4 del IPCC (2007) se utilizó el promedio aritmético de los modelos, el

cual le asigna el mismo peso a todos, incluso aquellos que tienen un desempeño bajo en

la región de interés, considerando el desempeño diferenciado por región de cada modelo.

En el IPCC (2007) se documenta que este método ayuda a cancelar algunos errores. Sin

embargo, Giorgi y Mearns (2001) consideran que es mejor darle un peso ponderado a los

modelos. Por lo tanto, en este proyecto se calculó el promedio ponderado utilizando el

método de “Fiabilidad del Ensamble ponderado” (REA, por sus siglas en inglés) en el

cual se le asigna un peso a cada modelo con base a dos criterios, 1) de tendencia

(diferencia con las observaciones) y 2) de convergencia (diferencia entre simulaciones).

Para validar los resultados del REA, se utilizaron la base del CRU y el promedio simple

(PS) de los 15 MCG en la climatología de 1961-2000. Dada la gran variabilidad espacial

en México, para facilitar dicha comparación se calcularon promedios sobre 4 grandes

regiones de México: Noroeste (NO), Noreste (NE), Sureste (SE) y Sur (S). Esta

validación se hizo con las variables de precipitación, temperatura media, mínima y

máxima.

6.1.1 Validación del REA y modelos en el Sur de México

En la Fig. 6.1.1 se muestra la comparación del ciclo anual del REA (línea negra) con el

CRU (línea azul) y el promedio simple (PS, línea roja), de la región sur para

precipitación, temperatura media, mínima y máxima. En el caso de la precipitación, en

invierno se observa una mejora en la simulación de esta variable por el REA, ya que el

PS tiende a sobrestimarla (~2mm/d, diciembre), sin embargo el REA también

sobrestima, aunque en menor medida (~0.6mm/d, diciembre). En verano, el REA

subestima la precipitación, mientras que el PS, tiene valores más cercanos al CRU.

Además la incertidumbre del REA en esta estación del año es considerablemente alta.

Respecto a la temperatura media, los valores de CRU se encuentran entre el PS y el

REA, siendo el REA el que simula las temperaturas más frías y el PS las más cálidas.

Por lo tanto en este caso no se observa un patrón claro para decidir el mejor ensamble.

Para el caso de la temperatura máxima, los dos ensambles son similares desde agosto

hasta diciembre, subestimando esta variable. Mientras que en la primavera (marzo-

junio) el REA se acerca más a los valores del CRU, aunque aún subestimando la


temperatura. La incertidumbre del REA es casi de 1°C para todos los meses. En

cambio, para la temperatura mínima el PS, posee valores mayores tanto respecto al

CRU como al REA, cercano a 2°C, teniendo el REA un desempeño mejor en esta

variable, con una incertidumbre aproximada de 1.5°C (Fig. 6.1.1).

Figura 6.1.1. Ciclo anual del Sur de México para las variables de (a) precipitación, (b)

temperatura media, (c) mínima y (d) máxima.

La cuantificación gráfica de las diferencias de los modelos respecto a las observaciones

se realiza mediante diagramas de Taylor, en el eje horizontal se observa la STD de las

observaciones (CRU) y se proyecta con la curva roja sobre el eje vertical, el cual

representa la STD de los modelos, las cuales a su vez se proyectan paralelas a la curva

roja cuando no tienen la misma STD que el CRU, y perpendiculares a una línea que se

proyecta con la curva exterior que representa la correlación (r), en este caso entre los

modelos y el CRU. La correlación varía de 0 (parte superior izquierda del arco exterior) a

1 (parte inferior derecha del mismo arco); el modelo con mejor desempeño estará más

cercano al eje horizontal, siendo éste el de mayor correlación con las observaciones,

mientras que el modelo con menor correlación se encontrará más cerca del eje vertical.

Para el caso de la precipitación en el sur de México, los modelos CNRM-CM5 y CSIRO-

Mk3-6-0 (correlaciones cercanas a 0.5), son los de mejor desempeño en la región (Fig.

6.1.2 a), el ensamble ponderado con REA, al integrar la información de todos los

modelos mejora el desempeño, incrementando su correlación a 0.85 y acercándose al

valor de la STD de las observaciones. En temperatura máxima se observa menor

dispersión de las STD (Fig. 6.1.2 b), acercándose los valores de STD de los modelos a las

observaciones, siendo el REA la mejor aproximación, con un valor de 0.7 en correlación.


Para la temperatura mínima la dispersión es aún menor, aglutinándose la mayoría de los

valores de STD de los modelos en la zona de menores valores que las observaciones, en

torno a una correlación de 0.75, por otra parte, nuevamente el REA presenta la mayor

correlación con las observaciones, con un valor de 0.8 (Fig. 6.1.2c).

Figura 6.1.2. Diagramas de Taylor de (a) precipitación anual, (b) temperatura máxima y

(c) temperatura mínima en el Sur de México del ensamble REA y 15 MCG comparados

con el CRU para el periodo 1961-2000. Se muestran la desviación estándar (Std) y la

correlación con respecto al CRU

El desempeño de los modelos para el sur de México en la precipitación, así como su

ensamble ponderado calculado con REA muestra una gran variabilidad (Fig. 6.1.3 a) los

modelos con mayor error medio absoluto (MAE) y error cuadrático medio (RMSE) son

BCC-CSM1-1, MIROC5 y MRI, mientras que los de mayor desviación estándar son

BCC-CSM1-1, CSIRO, HADGEM2-ES, para el resto de los modelos el MAE posee

valores similares entre sí, así como su RMSE. Aplicando el ensamble ponderado REA se

observa que disminuye el error medio absoluto (MAE) y error cuadrático medio (RMSE)

respecto a sus valores individuales y aumenta la correlación con las observaciones,

acercándose su STD a la de los datos CRU, siendo claro por ello que el REA es un

método adecuado que incorporar todos los modelos considerando de forma ponderada su

desempeño.


El desempeño para la misma región en temperatura máxima difiere respecto a

precipitación, el mayor MAE y RMSE lo poseen los modelos GFDL-CM3, HADGEM2-

ES, MRI y NorESM1-M, (Fig. 6.1.3b) por otra parte el comportamiento de las

desviaciones estándar es más homogéneo que en precipitación. El ensamble REA

disminuye significativamente el MAE y el RMSE, siendo su STD similar a los datos de

CRU, reflejando también una mejora su aplicación respecto a los modelos en forma

individual.

De igual forma, para la temperatura mínima difiere el desempeño individual de los

modelos, siendo los modelos MIROC, MIROC—ESM y MIROC5 los de mayor MAE y

RMSE, de igual forma, el REA disminuye el MAE y el RMSE, con STD similar a las

observaciones CRU. (Fig. 6.1.3c).

Figura 6.1.3. Comparación de errores en (a) precipitación anual, (b) temperatura máxima

y (c) temperatura mínima media anual del Sur de México, MAE (error medio absoluto,

mm/d), RMSE (raíz del error cuadrático medio, mm/d), correlación y desviación estándar

(mm/d).

6.1.2 Proyecciones futuras para el Sur de México

La variabilidad interanual histórica y su proyección futura de la precipitación para los tres

escenarios en el sur del país, se muestra en la Fig. 6.1.4. Donde se observa que la

variabilidad simulada por el REA tiene buena correlación con los datos del CRU, aunque

con una intensidad mucho menor, no obstante en promedio poseen el mismo valor, pero

claramente la desviación estándar (variabilidad interanual) del REA es menor que la

observada en el CRU. Al ver el ciclo anual (Fig. 6.1.1) se puede considerar que

estacionalmente el REA es bueno para estimar la precipitación de la región sur de


México, sin embargo tiene problemas con la variabilidad interanual. En cuanto a las

proyecciones futuras se observa que la precipitación podría disminuir aproximadamente

0.15 mm/d en promedio al año, para el futuro cercano. Mientras que en el futuro lejano

son mayores las discrepancias entre lo calculado por cada escenario, como era de

esperarse; el RCP8.5 proyecta que la precipitación podría disminuir aproximadamente

hasta 0.4 mm/d en promedio al año.

En la región Sur de México las lluvias más intensas se observan en las regiones costeras

tanto del Pacífico como del Atlántico (~4 mm/d, promedio anual del periodo 1961-2000),

mientras que en parte de la meseta central (San Luis Potosí, Guanajuato, Aguascalientes

y Zacatecas) se presentan en promedio las lluvias menos intensas (de 1 a 2 mm/d,

promedio anual del periodo 1961-2000), ver Fig. 6.1.4b. En las proyecciones de cambio

de la lluvia para el escenario RCP8.5 del periodo 2075-2099 se observa que en las zonas

costeras y parte de la región centro se podría disminuir la lluvia de 0.4 a 0.7 mm/d en

promedio anual, ver Fig. 6.1.4c.

Figura 6.1.4. (a) Variabilidad interanual de la precipitación (mm/día) del promedio

del CRU y del ensamble del REA en el Sur de México para el periodo observado

(1961-2000), y del ensamble del REA para el 2015-2039 y el 2075-2099 para los

tres escenarios de emisiones (RCP4.5, RCP6.0 y RCP8.5). Los mapas inferiores

muestran (b) la precipitación media anual (1961-2000) y (c) el cambio proyectado

por el RCP8.5 a finales de siglo en el Sur de México.


Por otro lado, la variabilidad interanual, pasada y futura de las temperaturas extremas

(máxima y mínima) para el sur de México se observa en la Fig. 6.1.5. La temperatura

máxima estimada por el REA es en promedio 2°C aproximadamente más fría que el CRU

(Fig. 6.1.5a), lo que concuerda con lo observado en el ciclo anual, donde el REA está por

debajo de los valores del CRU durante todo el año (Fig. 6.1.1b). Las proyecciones futuras

de la temperatura en el periodo 2015-2039 muestran una tendencia marcada en los tres

escenarios a incrementarse aproximadamente 1°C. Para el periodo 2075-2099 se observa

que el RCP8.5 se incrementa notoriamente respecto al resto de los escenarios, dando

incrementos hasta de más de 5°C, mientras que el RCP6.0 y el RCP4.5 tienen anomalías

aproximadas de 3 °C.

a)

b)

Fig. 6.1.5 Promedios anuales de a) temperatura máxima y b) temperatura mínima

durante el periodo observado (1961-2000) para el CRU y el ensamble del REA para

la región sur de México, y las proyecciones bajo 3 escenarios de emisiones para los

periodos 2015-2039 y 2075-2099.


En el caso de la temperatura mínima (Fig. 6.1.5b) el REA estima temperaturas más

cálidas (~0.7 °C) que el CRU, lo cual no es tan drástico ya que además la variabilidad

interanual se observa cualitativamente razonable (Fig. 6.1.1d). Similar a la variable

anterior, los tres escenarios proyectan una tendencia a incrementarse la temperatura

mínima para el periodo cercano de casi 1°C. Mientras que en el futuro lejano nuevamente

el escenario RCP8.5 se incrementa notoriamente del resto de los escenarios, con una

tendencia clara a que continúe el incremento, en cambio el RCP6.0 y RCP4.5, aunque

también proyectan aumento en la temperatura mínima la tendencia con que ésta lo hace

es mucho menor.

6.1.3 Validación del REA y modelos en el Noreste de México

En la Fig. 6.1.6 se muestra la climatología de 1961-2000 para la región Noreste y las 4

variables consideradas. En el caso de precipitación, se observa que el REA (línea negra)

es considerablemente mejor que el PS (línea roja) comparado con el CRU (línea azul), a

lo largo de todo el ciclo. Sin embargo, en invierno el REA simula valores hasta 0.5 mm/d

más que el CRU, mientras que en verano no observa la sequía intraestival. No obstante

sus valores son muy cercanos al CRU en los meses de abril, mayo, junio, agosto,

septiembre y octubre. Las líneas negras perpendiculares dan la incertidumbre del REA, la

cual para la precipitación en invierno es menor que en verano, donde la incertidumbre en

julio es hasta de + 0.7 mm/d.

Respecto a la temperatura media tanto el promedio simple como el REA tienen una muy

buena correlación con el CRU. Sin embargo los valores del REA son más cercanos a los

arrojados por el CRU, aunque ligeramente más cálidas. Un comportamiento semejante se

presenta en la temperatura máxima, siendo nuevamente el REA el más cercano al CRU.

En el caso de la temperatura mínima ambos promedios son casi idénticos a los valores del

CRU. En las tres temperaturas la incertidumbre del REA es ligeramente mayor (+2, +4 y

+3°C respectivamente) en inverno que en verano.

En cuanto a la región Noreste de México, la precipitación posee bajas correlaciones

respecto a las observaciones (Fig. 6.1.7a), con valores menores a 0.5 y STD mayores a las

observadas, el ensamble REA mejora significativamente el desempeño ya que alcanza

correlaciones de 0.85, con valores menores de STD respecto a las observaciones. En

temperatura máxima para la región Sur los modelos poseen mejor desempeño, con

correlaciones que oscilan entre 0.85 y 0.95, teniendo el REA las mayores correlaciones,

con valores cercanos a 0.95 (Fig. 6.1.7b). Finalmente, la precipitación mínima presenta

altas correlaciones (entre 0.8 y 0.95 y valores cercanos de STD a los observados (Fig.

6.1.7b) siendo esta variable la que mejor reproducen los modelos, como en el resto de los

ensambles REA posee correlaciones de 0.95, indicando una mejora sustancial respecto al

desempeño individual de cada modelo.


Figura 6.1.6. Región noreste de México para las variables de (a) precipitación, (b)

temperatura media, (c) mínima y (d) máxima.

En el Noreste de México, la precipitación posee menor correlación y también se observa

una gran variabilidad en el desempeño individual de los modelos; los modelos BCC-

CSM1-1, GFDL-CM3, MRI y NorESM1-M poseen el mayor MAE y RMSE (Fig. 6.1.7a

y Fig. 6.1.8a), en comparación con el sur de México (Fig. 6.1.3a); el primero mantiene su

bajo desempeño en ambas regiones. El ensamble REA disminuye el MAE y el RMSE,

con una STD similar a la de las observaciones de CRU, con ello se aportan más

elementos para afirmar que el REA en esta variable y región es adecuado para integrar la

información de todos los modelos.

Respecto a la temperatura máxima, el desempeño de los modelos mantiene su

comportamiento anterior: los modelos BCC-CSM1-1, GFDL-CM3, MRI y NorESM1-M

mantienen el mayor MAE y RMSE (Fig. 6.1.7b y Fig. 6.1.8b); de igual forma, el

ensamble del REA disminuye su MAE y su RMSE, siendo muy similar su STD respecto

a las observaciones de CRU.

Finalmente, para la temperatura mínima (Fig. 6.1.7c) el desempeño de los modelos

contrasta tanto respecto a la precipitación como a la temperatura máxima; los modelos

INM-CM4, IPSL-CM5A son los de mayor MAE y RMSE, mientras que el modelo MRI

el de mejor desempeño, con menor MAE y RMSE. De igual forma el ensamble

ponderado con REA posee los menores errores y STD similar a los datos de CRU, siendo

adecuada también para esta región y variable la integración de todos los modelos.


Figura 6.1.7. Diagramas de Taylor de (a) precipitación anual, (b) temperatura máxima y

c) temperatura mínima en el Noreste de México del ensamble REA y 15 MCG

comparados con el CRU para el periodo 1961-2000. Se muestran la desviación estándar

(Std) y la correlación con respecto al CRU.

Figura 6.1.8. Comparación de errores en (a) precipitación anual, (b) temperatura máxima

y (c) temperatura mínima media anual del Noreste de México, MAE (error medio

absoluto, mm/d), RMSE (raíz del error cuadrático medio, mm/d), correlación y

desviación estándar (mm/d).


6.1.4 Proyecciones futuras para el Noreste de México

Después de analizar el ciclo anual en la región Noreste, se calcularon los promedios

anuales tanto para el REA como para el CRU, del periodo histórico 1961-2000 y de las

proyecciones futuras (2015-2039 y 2075-2099) para los tres RCPs (Fig. 6.1.9). Se

observa que en el caso de la precipitación la variabilidad interanual del REA es menor

que la del CRU, no obstante la reproduce razonablemente bien, ya que el REA proviene

de un promedio de MCG y por ello no se espera que sean idénticas. En las proyecciones

futuras para el periodo 2015-2039 la precipitación decrece en promedio (de los tres

escenarios, ya que son muy parecidos) 0.2 mm/d promedio anual. Mientras que en el

periodo de 2075-2099 hay más discrepancias entre los escenarios, siendo el más

“drástico” el RCP8.5, con una disminución promedio de la precipitación de 0.3 mm/d,

promedio anual. Mientras que el RCP4.5 simula valores muy semejantes que el anterior.

Figura 6.1.9. (a) Variabilidad interanual de la precipitación (mm/día) del promedio del

CRU y del ensamble del REA en el Noreste de México para el periodo observado (1961-

2000), y del ensamble del REA para el 2015-2039 y el 2075-2099 para los tres escenarios

de emisiones (RCP4.5, RCP6.0 y RCP8.5). Los mapas inferiores muestran: (b) la

precipitación media anual (1961-2000) y (c) el cambio proyectado por el RCP8.5 a

finales de siglo en el Noreste de México.


En el Noreste de México las lluvias más intensas se observan en las regiones costeras (de

1.5 a 2.5 mm/d, promedio anual del periodo 1961-2000), mientras que en parte de la

mesa del Norte se presentan en promedio las lluvias menos intensas (de 0.5 a 1.5 mm/d),

ver Fig. 6.1.9b. En las proyecciones de cambio de la precipitación para el escenario

RCP8.5 del periodo 2075-2099 se observa que en las regiones costeras, Tampico, Nuevo

León y parte de Coahuila se tendrían posiblemente las mayores disminuciones de esta

variable (de 0.3 a 0.5mm/d).

En el caso de la temperatura máxima, a pesar de que el ciclo anual del REA es similar al

del CRU, la variabilidad interanual del REA es 1.5°C en promedio más frío que CRU en

el periodo histórico (Fig. 6.1.10a). En cuanto a las proyecciones futuras para el periodo

2015-2039, todos los escenarios de los RCPs son similares, con una tendencia positiva de

la temperatura de cerca de 1°C. En el periodo 2075-2099 la discrepancia entre los

escenarios es mayor, siendo el más drástico el RCP8.5, proyectando un incremento de la

temperatura promedio anual de 3.5°C y además con una tendencia marcada a que siga

este comportamiento. En cambio, el escenario menos drástico es el RCP4.5 con una

proyección de +1.5°C, además sin tendencia a que continúe este incremento.

a)

b)

Figura 6.1.10. Promedios anuales de (a) temperatura máxima y (b) temperatura mínima

para la región noreste de México del CRU y del REA durante el periodo observado

(1961-2000) y las proyecciones futuras bajo 3 escenarios de emisiones (RCP4.5, RCP6.0

y RCP8.5) para los periodos 2015-2039 y 2075-2099.

a)

b)


La correlación entre la variabilidad anual del CRU y el REA para la temperatura mínima

(Fig. 6.1.10b) es alta, simulando el REA tan solo 0.4°C en promedio más, como era

previsible al observar el comportamiento de estas bases de datos en su ciclo anual. En las

proyecciones futuras cercanas, al igual que con las variables anteriores los tres escenarios

son similares, mostrando una clara tendencia a incrementarse la temperatura mínima.

Mientras que en el futuro lejano (2075-2099) ya se observa una separación entre las

proyecciones de cada escenario, siendo el más extremo el RCP8.5, con un incremento de

casi 5°C para la temperatura mínima y además que seguirá con esta tendencia. Mientras

que los escenarios RCP6.0 y RCP4.5 aunque sí proyectan un incremento de

aproximadamente de 3 a 4°C, muestran una tendencia a que se quedará oscilando

alrededor de ese valor.


6.2 Noroeste de México

6.2.1 Validación en el Noroeste de México

La gran incertidumbre de la precipitación de los modelos del CMIP5 se observa en el

diagrama de Taylor de la Fig. 6.2.1, que muestra la comparación de la desviación

estándar (Std) y las correlaciones de los 15 modelos y del ensamble del REA con

respecto a los valores observados del CRU. El REA subestima la variabilidad (1 mm/día

del CRU vs 0.7 del REA), pero la correlación del REA con el CRU aumenta

considerablemente en comparación con cualquier modelo individual (r = 0.8). Esta es una

de las ventajas del ensamble REA, el cual le da mayor peso a los modelos de menor error

para mejorar la relación con los datos observados del CRU. Esta es una mejoría con

respecto al ensamble del CMIP3, el cual mostraba una correlación y Std bastante malas

comparadas con el CRU, especialmente en la precipitación (Cavazos y Arriaga-Ramirez

2012).

Figura 6.2.1. Diagramas de Taylor de la precipitación anual y las temperaturas máximas

y mínimas en el Noroeste de México de acuerdo al ensamble del REA y los 15 MCG en

comparación con el CRU para el periodo 1961-2000. Se muestran la desviación estándar

(Std) y la correlación con respecto al CRU.


Las temperaturas son mucho mejor simuladas por los modelos que la precipitación, la

cual tiende a ser de escala mucho más fina y por lo tanto más difícil de simular. Esto se

ve claramente en la cercanía de los modelos y el REA al valor del CRU en las dos figuras

inferiores de los diagramas de Taylor para Tmax y Tmin en la Fig. 6.2.1. Resultados

similares se observan en la Fig. 6.2.2 que muestra estos parámetros y dos tipos de errores

(MAE y RMSE).

Figura 6.2.2. Comparación de algunos parámetros de habilidad de la precipitación anual

y las temperaturas medias anuales en el Noroeste de México del ensamble del REA y los

15 MCG del CMIP5 utilizados con respecto al CRU durante 1961-2000: MAE (error

medio absoluto), RMSE (raíz del error cuadrático medio), Correl (correlación) y (Std)

desviación estándar. La correlación va de 0 a 1; las unidades del eje Y de los otros

parámetros son mm/día para la precipitación, y oC para las temperaturas.

El ciclo anual promedio de cada una de las 3 variables en el Noroeste de México se

muestra en la Fig. 6.2.3 para los datos observados del CRU y los simulados por el

ensamble del REA, incluyendo el promedio simple del ensamble (PS) y las barras de

error de la dispersión del ensamble del REA. La mayoría de los modelos tiene grandes

problemas para cerrar el ciclo de lluvias monzónicas de verano (ver PS en la Fig. 6.2.3),

pero el REA hace un buen papel ajustando adecuadamente el ciclo anual.


Las correlaciones de los modelos y el REA con las temperaturas del CRU son altas (Fig.

6.2.1 y 6.2.2), lo que significa que en promedio siguen adecuadamente el ciclo anual

como se ve en la Fig. 6.2.3; sin embargo, los modelos originales subestiman

(sobreestiman) fuertemente las temperaturas máximas (mínimas) observadas durante casi

todo el ciclo anual, como lo muestran los valores promedios (PS). Nuevamente, el REA

hace una buena aproximación a los datos observados. En la Sección 6.4.1 se discuten más

ampliamente las validaciones del ciclo anual del CMIP5 con las validaciones publicadas

para esta región con datos del CMIP3.

Figura 6.2.3 Validación del ciclo anual de (a) la precipitación, (b) temperatura media,

(c) temperatura máxima y (d) temperatura mínima en el Noroeste de México de los datos

derivados del ensamble del REA, el promedio simple de los 15 modelos del CMIP5 (PS),

con respecto a los datos observados del CRU. Se muestran con barras verticales las

incertidumbres del ensamble del REA.


6.2.2 Proyecciones futuras para el Noroeste de México

La variabilidad interanual de la precipitación en el Noroeste de México derivada de los

datos observados del CRU y del REA se observa en la Fig. 6.2.4. El REA es capaz de

detectar algunos de los picos de la precipitación anual, cosa que no lo hacía el ensamble

de downscaling estadístico regional utilizado por Cavazos y Arriaga-Ramirez (2012).

Esto es consistente con la mejora en la desviación estándar observada en el REA en las

Figs. 6.2.1 y 6.2.2, lo cual da una mayor certidumbre de los cambios futuros.

La Figura 6.2.4 también muestra la variabilidad interanual de la precipitación en dos

periodos futuros y bajo los 3 escenarios radiativos, así como el mapa de la precipitación

promedio anual observada del REA y la anomalía del cambio de acuerdo al escenario

RCP8.5 a finales del siglo. La precipitación interanual muestra una tendencia negativa,

con los cambios más grandes a finales del siglo XXI y con el escenario de altas

emisiones, RCP8.5.

Las proyecciones en la Fig. 6.2.4 indican que la precipitación de la región podría

disminuir de 0.91 mm/día hasta 0.72 mm/día en promedio; esto equivale a una reducción

aproximada de -21% anual, consistente con lo proyectado por el CMIP3 (Cavazos y

Arriaga-Ramirez, 2012), que se describe en la Sección 6.4.1 (ver Fig. 6.4.3); como se

observa en el mapa de la misma figura, los cambios proyectados más grandes son en la

zona del monzón (~-0.4 mm/d), lo cual es un poco diferente a lo que sugería el CMIP3.

Como veremos en la Sección 6.4.1, el CMIP5 muestra discrepancias con el CMIP3 en los

cambios espaciales y estacionales de precipitación. Los 3 escenarios radiativos también

son una fuente de incertidumbre en las proyecciones futuras, los cuales deben de tomarse

en cuenta en los análisis de impactos.

Los escenarios de cambio de temperatura del CMIP5 (Fig. 6.2.6) son del mismo orden

que los proyectados por el CMIP3 (Fig. 6.2.5), del orden de 1.5 hasta 5oC, en el escenario

más extremo (RCP8.5 del CMIP5 y A2 del CMIP3).

Como se verá en la Sección 6.4.1 la temperatura de los modelos del CMIP3 también

muestran un sesgo frío en el Noroeste de México como el ensamble del REA del CMIP5

(Fig. 6.2.6), esto puede tener un impacto fuerte en la dinámica del monzón. El sesgo del

REA es especialmente considerable en la temperatura máxima (2oC), como se observa en

la Fig. 6.2.6; mientras que el sesgo de la temperatura mínima del REA es +0.7oC más

caliente que el CRU. Esto en cierta forma compensa un poco los errores cuando solo se

analiza la temperatura promedio.


a)

b) c)

Figura 6.2.4. (a) Variabilidad interanual de la precipitación (mm/día) del promedio del

CRU y del ensamble del REA en el Noroeste de México para el periodo observado

(1961-2000), y del ensamble del REA para el 2015-2039 y el 2075-2099 para los tres

escenarios de emisiones (RCP4.5, RCP6.0 y RCP8.5). Los mapas de abajo muestran (b)

la precipitación media anual (1961-2000) y (c) el cambio proyectado por el RCP8.5 a

finales de siglo en el Noroeste de México en mm/día.


Figura 6.2.5. Cambio interanual de la temperatura promedio para la región del monzón

bajo los escenarios de altas (A2) y bajas (B1) emisiones con datos del CMIP3. Cambios

con respecto a 1961-1990; las bandas indican ± 1 Std con respecto a la mediana.

(Cavazos y Arriaga-Ramirez, 2012).

Figura 6.2.6. Variabilidad interanual de las temperaturas máximas y mínimas (

oC) del

promedio del CRU y del ensamble del REA en el Noroeste de México para el periodo

observado (1961-2000), y del ensamble del REA para el 2015-2039 y el 2075-2099 para

los tres escenarios de emisiones (RCP8.5, RCP6.0 y RCP4.5).


6.3 Sureste de México (SE)

6.3.1 Validación en el Sureste de México

El diagrama de Taylor y el histograma de métricas que se muestran en la Fig. 6.3.1

demuestran la gran incertidumbre de la precipitación de los modelos del CMIP5 en el

Sureste (SE) de México. El diagrama de Taylor muestra la comparación de la Std y las

correlaciones de los 14 modelos y del ensamble del REA con respecto al CRU. El REA

subestima en gran medida la variabilidad (4.2 mm/día del CRU vs 1.6 del REA), pero la

correlación del REA con el CRU es mayor que la de cualquier modelo individual (r =

0.8) y también se obtiene un menor error medio absoluto (MAE = 2.1). Esta es una de las

ventajas del ensamble REA, el cual le da mayor peso a los modelos de menor error para

mejorar la relación con los datos observados del CRU.

Figura 6.3.1. Comparación de errores en la precipitación anual del Sureste de México.

Izquierda: diagrama de Taylor del REA y los 14 MCG se comparan con el CRU.

Derecha: MAE (error medio absoluto), RMSE (raíz del error cuadrático medio),

correlación y desviación estándar.

En la Fig. 6.3.2 se muestran los errores para temperatura media, máxima y mínima en la

región SE. Los errores medios absolutos para la temperatura media sobrepasan los 3°C

para algunos modelos. El modelo MIROC es el que presenta los mayores errores, tanto en

la temperatura media (aproximadamente 3.5°C) como en la mínima (aproximadamente

5°C).


Figura 6.3.2. MAE (error medio absoluto), RMSE (raíz del error cuadrático medio),

correlación y desviación estándar para la temperatura median (panel superior),

temperatura máxima (panel intermedio) y temperatura mínima (panel inferior).


6.3.1 Ciclo anual histórico y proyecciones futuras para el SE

En la Fig. 6.3.3 se muestra la climatología de las cuatro variables consideradas en la

región SE para el periodo histórico (1961-2000). La característica principal de la

precipitación observada (CRU, línea azul) es una distribución bimodal. La distribución

anual de precipitación muestra dos valores máximos relativos, el primero en junio y el

segundo en septiembre, con un mínimo relativo en agosto. Este valor mínimo es conocido

como la sequía intraestival, sequía de medio verano, o simplemente se le conoce como la

canícula. La precipitación observada entre los meses de junio y septiembre es del orden

de 8-10 mm/d. Todos los modelos subestiman la precipitación de la región y por esta

razón la metodología REA (línea negra) utilizada no logra capturar la magnitud del ciclo

anual. Para una descripción de REA vea la Sección 5.2

Figura. 6.3.3. Validación del ciclo anual de (a) la precipitación, (b) temperatura media,

(c) temperatura máxima y (d) temperatura mínima en el Sureste de México de los datos

derivados del ensamble del REA, el promedio simple de los 15 modelos del CMIP5 (PS),

con respecto a los datos observados del CRU. Se muestran con barras verticales las

incertidumbres del ensamble del REA.

El REA tiene un mejor desempeño que el promedio simple de los modelos (PS, línea

roja) para reproducir los valores del CRU de mayo a septiembre. En los otros meses del


ciclo, el REA simula valores por abajo de PS. Las líneas negras perpendiculares dan la

incertidumbre del REA, la cual para la precipitación en invierno es mucho menor que en

verano, donde la incertidumbre en julio es cercana a los 6 mm/d.

Respecto a la temperatura media, tanto el promedio simple como el REA tienen una muy

buena correlación con el CRU. Los modelos son más fríos que el CRU de febrero a abril

y más cálidos de junio a diciembre. Tanto las temperaturas máximas del CRU, como las

mínimas, son subestimadas por todos los modelos.

En la región SE, se presenta un valor máximo de temperatura media mensual en el mes

de mayo (cercano a los 27oC, ocurre antes de la temporada de lluvias en la región; vea la

Fig. 6.3.4b); durante la época de lluvias, de junio a septiembre, la temperatura media

disminuye aproximadamente un grado centígrado, alcanzándose un valor de

aproximadamente 26oC.

a) b)

Figura 6.3.4. a) Ciclo anual de precipitación proveniente del CRU (línea negra sólida.

Valores obtenidos por el método REA combinando los 14 MCG. Línea negra punteada

corresponde al periodo histórico, 1961-2000. La línea azul corresponde a los valores

obtenidos para el periodo 2015-2039 y la roja a los del periodo 2075-2099. b) Ciclo anual

de temperatura media. Los colores se eligieron de igual manera que para precipitación. Se

muestran los valores correspondientes al escenario de emisiones RCP 4.5.

Es notoria la discrepancia entre los valores medios anuales observados de precipitación

(CRU, línea negra sólida) y lo obtenido aplicando la metodología REA (línea negra

punteada). La fase del ciclo anual es bien capturada. La baja resolución espacial de los

MCG utilizados en el CMIP5 puede ser el factor principal que lleva a la subestimación

del campo de precipitación. En la región SE existen grandes variaciones en el relieve que

los MCG son incapaces de resolver. De esta manera, todos aquellos procesos de

convección forzada que producen intensas precipitaciones están ausentes de la física

explícita usada en estos modelos. Es claro que si se tuviera un conjunto de modelos, en el

cual algunos sobrestimaran la precipitación observada y otros la subestimaran, se podría


ajustar la información disponible usando la metodología REA para encontrar una

combinación de modelos que en cada celda ajusten de la mejor manera a las

observaciones. En este caso, básicamente estaríamos resolviendo el problema de

encontrar los pesos ideales para que una combinación lineal de números nos arroje un

valor pedido, independientemente de cualquier consideración física.

Bajo el escenario de emisiones RCP 4.5, la lluvia disminuye en la región SE como

consecuencia del calentamiento global. El máximo relativo de junio disminuye más que

el observado en septiembre. Además de lo anterior, es notoria la intensificación de la

sequía de medio verano.

Con respecto a la temperatura media, los modelos capturan muy bien la fase y la

magnitud del ciclo anual, observándose un incremento de temperatura de

aproximadamente dos grados para finales del presente siglo.

a) b)

Figura 6.3.5. a) Ciclo anual de precipitación proveniente del CRU (línea negra sólida.

Valores obtenidos por el método REA combinando los 14 MCG. Línea negra punteada

corresponde al periodo histórico, 1961-2000. La línea azul corresponde a los valores

obtenidos para el periodo 2015-2039 y la roja a los del periodo 2075-2098. b) Ciclo anual

de temperatura media. Los colores se eligieron de igual manera que para precipitación. Se

muestran los valores correspondientes al escenario de emisiones RCP 6.0.

En las Figs. 6.3.5 y 6.3.6 se muestran los resultados para los escenarios de emisiones

RCP 6.0 y RCP 8.5, respectivamente. Bajo el primero de ellos, la disminución de la lluvia

de inicios de verano es similar al encontrado bajo el escenario RCP4.5, aunque el

incremento de la temperatura media alcanza valores cercanos a los tres grados

centígrados durante los meses de julio y agosto (aproximadamente un grado más que los

obtenidos bajo el escenario RCP4.5).


a) b)

Figura 6.3.6. a) Ciclo anual de

precipitación proveniente del CRU (línea negra sólida. Valores obtenidos por el método

REA combinando los 15 MCG. Línea negra punteada corresponde al periodo histórico,

1961-2000. La línea azul corresponde a los valores obtenidos para el periodo 2015-2039

y la roja a los del periodo 2075-2099. b) Ciclo anual de temperatura media. Los colores

se eligieron de igual manera que para precipitación. Se muestran los valores

correspondientes al escenario de emisiones RCP 8.5.

Bajo el escenario de emisiones RCP 8.5, la disminución de la precipitación mensual en la

época de lluvias se acentúa, observándose disminuciones de alrededor de los 30 mm/mes.

Esta disminución es más marcada en los meses de julio y agosto. En el mismo periodo,

los incrementos de temperatura son extremos, sobrepasando los cuatro grados en gran

parte del año.

En la Fig. 6.3.7 se muestran los resultados correspondientes a las temperaturas mínimas y

máximas para los tres escenarios de emisiones, así como las obtenidas del CRU. El

ensamble generado por medio del REA es incapaz de ajustar los valores observados en el

periodo histórico de estas variables. En general, las temperaturas mínimas simuladas

están 1.5°C por arriba de las observadas, mientras que las temperaturas máximas

simuladas subestiman a las observaciones por aproximadamente 0.5°C. En el peor de los

escenarios, las temperaturas mínimas durante los meses de verano se disparan a valores

que oscilan alrededor de los 26°C, con máximas por arriba de los 30°C durante todo el

año, sobrepasando los 36°C en abril y llegando casi a este valor en agosto.

Si bien los ciclos anuales simulados por los modelos nos indican una disminución de la

lluvia en la región SE, es conveniente enfatizar que estas simulaciones distan aún de

reproducir correctamente el campo de precipitación por variadas razones ya comentadas

anteriormente. En los paneles superiores de la Fig. 6.3.8 se muestra el promedio obtenido

del CRU para el periodo histórico (1961-2000) y el correspondiente simulado por los

modelos y el obtenido utilizando el REA. Para facilitar la comparación visual se utilizó la

misma escala. En grandes extensiones de Chiapas, Tabasco y Veracruz, los valores


observados (CRU) sobrepasan los 7 mm/d, mientras que los simulados, en el mejor de los

casos, alcanzan la mitad de esos valores.

Figura 6.3.7. Paneles superiores: Ciclo anual de temperatura mínima proveniente del

CRU (línea negra sólida y los obtenidos por el método REA combinando los 14 MCG.

Línea negra punteada corresponde al periodo histórico, 1961-2000. La línea azul

corresponde a los valores para el periodo 2015-2039 y la roja a los del periodo 2075-2099

(hasta el 2098 en el caso de RCP 6.0. En los paneles inferiores se muestran los gráficos

correspondientes para la temperatura máxima. Se muestran los valores correspondientes a

los escenarios RCP 4.5, RCP 6.0 y RCP 8.5, de izquierda a derecha, respectivamente

Una métrica importante que no se estimó por la falta de tiempo es la concordancia de la

tendencia observada de precipitación y la simulada por los modelos. En general, la

mayoría de los modelos simulan un decremento de precipitación sostenido a lo largo de

todo el Siglo XX, lo cual no concuerda con las observaciones disponibles. Esto amerita

un estudio detallado debido a la importancia que tiene el contar con información sólida

para la planeación de infraestructura hidráulica en el mediano y largo plazo. Por ejemplo,

si consideramos las anomalías de precipitación, obtenidas restando el promedio histórico

a los valores proyectados bajo el escenario RCP 8.5, obtenemos que en el mediano plazo

(horizonte 2015-2035), toda la región del SE tendría valores anuales menores a los

observados en el periodo 1961-2000. Esta situación empeoraría en el largo plazo

(horizonte 2075-2099), observándose en grandes extensiones del SE disminuciones por

arriba de 0.5 mm/d, equivalentes a 180 mm/año. Claramente, el considerar esta

información sin mayor ponderación, podría llevar a una decisión errónea en cuanto a

políticas hídricas se refiere, de ahí la necesidad de profundizar los alcances de este

estudio.


Figura 6.3.8. Paneles superiores: Promedio de precipitación para el periodo 1961-2000

obtenido del CRU (izquierda) y por el método REA combinando 14 MCG (derecha). En

los paneles inferiores se muestran las anomalías obtenidas del REA correspondientes al

escenario RCP 8.5 para el horizonte 2015-2039 (izquierda) y 2075-2099 (derecha). Las

unidades son mm/d.


6.4 Comparación del CMIP3 y el CMIP5 a escala regional

6.4.1 CMIP3 vs CMIP5 en el Noroeste de México

En esta sección se comparan los resultados de las métricas de los 15 MCG del CMIP5 y

del ensamble del REA para el Noroeste de México con los publicados por Cavazos y

Arriaga-Ramirez (2012) para el CMIP3. Para disminuir las incertidumbres, estas autoras

utilizaron 6 modelos (con 12 realizaciones) que según la literatura eran los que mejor

simulaban le clima del Noroeste de México. Las regiones utilizadas son ligeramente

diferentes en tamaño, pero los patrones climáticos son los mismos.

En la Fig. 6.4.1 se muestra el espagueti del ciclo anual de precipitación del Noroeste de

México para los 6 MCG del CMIP3 (con 12 realizaciones), incluyendo el ensamble

original de los 6 MCG (ens_GCM), el ensamble regionalizado en forma estadística

(ens_Donwsc) y el CRU. La Fig. 6.4.1 también se muestra el ciclo anual de los 15 MGC

del CMIP5, el ensamble del REA y el CRU para 1961-2000. Se observa que tanto los

modelos del CMIP3 como el CMIP5 sobrestiman fuertemente la precipitación de otoño e

invierno, pero subestiman el periodo principal de las lluvias monzónicas (julio-agosto).

Los modelos retrasan el pico principal de lluvia hasta agosto-septiembre y el fenómeno

no se retrae, sino que sigue en lluvia continua en el otoño e invierno. Si observamos el

ensamble de ambos grupos de modelos, vemos que hubo una mejora en el ensamble del

REA, ya que el sesgo de precipitación es más pequeño que el del CMIP3, incluso, la

subestimación de julio-agosto es menor.

Desde el punto de vista físico, el retraso del pico máximo del monzón en el CMIP3 y

CMIP5 podría deberse a un mecanismo de retroalimentación entre la tierra y la atmosfera

como lo sugieren Cavazos y Arriaga-Ramirez (2012); el exceso de lluvia de otoño-

invierno (Fig. 6.4.1) genera un enfriamiento generalizado en la región (Fig. 6.4.2). Este

enfriamiento a su vez retrasa las lluvias monzónicas principales ya que un mecanismo

importante en el desarrollo del monzón es el calentamiento continental (un contraste

térmico océano-continente positivo) que genera una baja térmica que favorece la entrada

de humedad hacia el continente (Turrent y Cavazos 2009). Si el continente está muy frío,

como lo simulan los modelos, no se genera una baja térmica lo suficientemente intensa, y

por lo tanto se retrasan las lluvias monzónicas.

Los modelos del CMIP5 tienen un sesgo frío, especialmente en la temperatura máxima,

en casi todo el país. Esto seguramente debe de afectar la evolución de otros fenómenos

regionales. Este es un resultado importante, porque es claro que del CMIP3 al CMIP5 no

hubo una mejora en ese sesgo.

De todos los modelos analizados, parece que el HadGem2ES es uno de los que mejor

simula el patrón de comportamiento de la precipitación estacional en la región del

monzón, especialmente en verano; esto también fue reportado en estudios del CMIP3

(p.ej., Cavazos y Arriaga-Ramirez 2012). Sin embargo, durante el otoño y principios del

invierno sobrestima más que el REA.


a) CMIP3

b) CMIP5

Figura 6.4.1. Comparación de espaguetis del ciclo anual de la precipitación en el Noroeste de

México durante el periodo histórico (1961-2000). (a): 6 modelos con 12 realizaciones del CMIP3

que mejor simularon el clima del Noroeste de México para el CRU, el ensamble de los modelos

globales (ens_GCM) y un ensamble de downscaling estadístico (ens_Downsc) (tomado de

Cavazos y Arriaga-Ramirez, 2012). (b): los 15 MCG del CMIP5, el ensamble del REA, el CRU

y en rojo el modelo HadGem2ES. La precipitación en CMIP3 está en mm/mes y en el CMIP5 en

mm/día (30mm corresponden aproximadamente a 1mm/día).


a) CMIP3

b) CMIP5

Figura 6.4.2. Comparación del ciclo anual de la temperatura (oC) en el Noroeste de México

durante el periodo histórico (1961-2000). (a): promedio de 6 modelos con 12 realizaciones del

CMIP3 (ens-GCM) que mejor simularon el clima del Noroeste de México, un ensamble de

downscaling estadístico (ens-Downsc) y el CRU (tomado de Cavazos y Arriaga-Ramirez, 2012).

(b): los 15 MCG del CMIP5, el ensamble del REA, el CRU y en rojo el modelo HadGem2ES.

HadGem2ES


Un gran número de estudios basados en los modelos del CMIP3 consistentemente

mostraron que las zonas semiáridas del Noroeste de México y el Suroeste de Estados

Unidos se podrían volver más áridas debido al calentamiento global. La razón de esto es

que los modelos mostraban que el calentamiento generaba una expansión de la celda de

Hadley hacia el norte, moviendo las zonas de subsidencia más al norte de los 30oN.

Durante el invierno, la corriente de chorro migraba al norte generando una aparente

sequía en invierno y primavera en el suroeste de Estados Unidos y el Noroeste de

México, pero más lluvia cerca de 40oN, como se muestra en la Fig. 6.4.3. Para el Suroeste

de Estados Unidos y Baja California (BC), este escenario era bastante negativo porque

implicaba menos precipitación invernal y de primavera en la zona del Río Colorado y

menos agua fluyendo hacia Baja California (BC) a principios del verano (50% del agua

superficial de BC proviene del Rio Colorado).

Sin embargo, los modelos del CMIP5 proyectan un escenario diferente a escala

estacional, como se puede ver en la Fig. 6.4.4. Las unidades de las Figs. 6.4.3 y 6.4.4 son

diferentes, pero se muestran para representar los patrones generales de cambio en forma

espacial y los cambios en los signos de la precipitación. El invierno y primavera en el

Suroeste de Estados Unidos no parece ser tan seco como lo proyectaba el CMIP3, ni

tampoco en BC. La razón es que según los modelos del CMIP5, la corriente de chorro

subtropical invernal no va a cambiar significativamente de posición (Fig. 6.4.5), en

contraste a la migración significativa hacia el norte que proyectaban los modelos del

CMIP3. Otro cambio interesante que se observa en el CMIP5 es que la región del

monzón muestra más reducción de precipitación que Baja California o el Suroeste de

Estados Unidos (Figs. 6.4.3 y 6.4.4). De acuerdo a la Fig. 6.4.1, en el verano (JJA)

llueven en promedio 1.7 mm/d en la zona del monzón, por lo que una reducción de 0.6

mm/d (Fig. 6.4.4) equivalen a -35% de lluvia comparada con un -15% que proyectaba el

CMIP3 (Fig. 6.4.3).

Figura 6.4.3. Proyecciones del escenario A2 del CMIP3 para el cambio en la

precipitación estacional (%) en el periodo 2080-2099 con respecto a 1961-2000 (Cavazos

y Arriaga-Ramirez 2012).


Figura 6.4.4. Proyecciones estacionales del escenario RCP8.5 del ensamble del REA del

CMIP5 para el cambio en la precipitación estacional (mm/día) en el Noroeste de México

y el Suroeste de Estados Unidos en el 2075-2099 con respecto a 1961-2000.

Figura 6.4.5. Circulación invernal de la corriente de chorro para un periodo histórico

(1979-2004) y para 2075-2099 bajo el escenario RCP8.5 utilizando los modelos

utilizados en Cavazos y Arriaga-Ramirez (2012). (Torres Alavez 2012).


6.4.2 CMIP3 vs CMIP5 en el Sureste de México

Un análisis detallado del desempeño de los modelos utilizados por el AR4 del IPCC

muestra que, precisamente en el Sureste de México, los modelos simulan muy mal los

patrones de lluvia y ya no se diga su evolución: mientras que las observaciones

disponibles muestran tendencias positivas de la precipitación anual acumulada, los

modelos muestran tendencias negativas. La situación no parece mejorar mucho al

analizar los resultados de los modelos que serán empleados en el próximo AR5 del IPCC.

Aquí es conveniente enfatizar que un modelo tiene básicamente dos utilidades:

simplificar algo complejo para entenderlo, o simular algo tan real como se pueda, de tal

manera que nos permita hacer estimaciones futuras de las variables de interés. Esta

segunda característica es la que se busca en los reportes del IPCC: los modelos deberían

de simular tan bien como se pueda al campo de lluvia para que las estimaciones futuras

que se realicen con ellos tengan un alto grado de confiabilidad. Claramente, los modelos

utilizados en el IPCC carecen de este atributo, al menos en lo que al sureste mexicano se

refiere.

Figura 6.4.6. Series de tiempo de la precipitación anual (mm*12/mes) obtenida de las

bases CRU y GPCC, y de dos modelos utilizados en el AR4 del IPCC: MIROC de alta

resolución (MIHR) y el modelo del Instituto Max Planck de Meteorología (MPEH5).

De la Fig. 6.4.6, es evidente que ninguno de los dos modelos considerados (alemán y

japonés) capturan las estadísticas de las observaciones (CRU y GPCC). Claramente, el

desempeño del modelo MPEH5 es mejor comparado con el MIHR.

En la Fig. 6.4.7 se muestran los ciclos anuales de la base CRU (línea negra sólida) y los

obtenidos por los modelos MPEH5 y MIHR (líneas negras punteadas), los cuales

pertenecen al CMIP3. Se grafican también los valores mensuales agregándoles (o

quitándoles) una desviación estándar (líneas azules y rojas, respectivamente), para las

observaciones y los modelos (líneas sólidas y punteadas, respectivamente).


Figura 6.4.7. Ciclos anuales de precipitación (mm/mes) del Sureste de México derivada

de varias realizaciones de dos modelos del CMIP3 y de la base observada del CRU.

También se grafican estimaciones de la variabilidad de los valores mensuales. Vea el

texto para más detalles.

De la Fig. 6.4.7 es evidente que los dos modelos subestiman la media anual, siendo esto

más evidente en MIHR. Este último tiene problemas para reproducir el incremento

pronunciado observado de abril a junio, así como para simular la fase correctamente,

pues simula un máximo absoluto de precipitación para octubre cuando las observaciones

lo muestran en septiembre. El modelo MPEH5 tiene un mejor desempeño, pues si bien no

simula correctamente la magnitud del ciclo anual si reproduce su fase. Los dos modelos,

sin embargo, subestiman la variabilidad observada, como lo indican las líneas azules y

rojas indicando los valores comprendidos entre la media y +/- una desviación estándar.

En la Fig. 6.4.8 se muestran los ciclos anuales de los modelos alemanes y japoneses

usados en CMIP3 y CMIP5, así como los provenientes de las bases CRU y GPCC. El

modelo alemán muestra un mejor desempeño en su versión usada en CMIP5, la

resolución espacial del modelo mejoró un poco con respecto a su versión usada en

CMIP3, pero también hubo mejoras en la representación de convección, en los esquemas

usados para simular la transferencia de radiación en la atmósfera y en los procesos de

interacción entre el suelo y la atmósfera. Determinar la causa principal de la mejoría va

más allá de los objetivos de este reporte, pero indudablemente es una interrogante que

merece ser respondida.


Figura 6.4.8. Ciclos anuales de precipitación (mm/d) de dos modelos alemanes (Izq.) y 2

japoneses (derecha) utilizados en CMIP3 (rojo) y CMIP5 (azul), y de las bases

observadas del CRU y del GPCC.

El modelo japonés también mejoró notablemente en su versión usada en el CMIP5, si

bien la mejora debería de ser asociada a una mejora en la representación de los procesos

físicos únicamente, pues la resolución espacial usada en la versión reciente se degradó un

poco con respecto a la usada en CMIP3. También se encuentran disponibles salidas de

corridas del modelo japonés Miroc a una resolución espacial mayor, pero esas corridas no

fueron consideradas en este reporte pues solo simularon periodos determinados para el

siglo XXI.

En la Fig. 6.4.9 se muestran las series de tiempo de la evolución de la precipitación anual

en la región SE como es calculada por el modelo alemán y el modelo japonés en sus

versiones usadas en CMIP3 y CMIP5. Una inspección visual revela que los campos

anuales integrados en la región SE simulados por el modelo alemán en CMIP3 y CMIP5

comparten las mismas estadísticas básicas. Al estimar la media y la desviación estándar

usando los valores mensuales de todo el periodo (1200 campos mensuales) se obtiene

una media mensual de 100.6 mm/mes y 102.2 para las versiones CMIP3 y CMIP5,

respectivamente. Los valores de las desviaciones estándar fueron 61.3 mm/mes y 64.0

mm/mes.

La mejoría del modelo japonés es obvia, tanto de la inspección visual de la Fig. 6.4.9

como del análisis de las series mensuales. En este caso, la media mensual de la versión

usada en CMIP3 fue de 72.8 mm/mes y se incrementó a 102.0 mm/mes en CMIP5. Las

correspondientes desviaciones estándar fueron 46.9 mm/mes y 58.1 mm/mes.


Figura 6.4.9. Series de precipitación anual observada (CRU y GPCC) y la simulada por

dos modelos usados en CMIP3 y CMIP5. Los valores están en unidades de mm/mes. Vea

el texto para más detalles.


6.5 Comparación del REA del CMIP3 con el del CMIP5 a nivel nacional

Montero y Pérez (2008) generaron un ensamble REA para las simulaciones del AR4

(CMIP3), para dos escenarios de emisiones: A2 y A1B. En ese REA se utilizaron las

simulaciones de 22 MCG. En esta sección se comparan esos escenarios con los RCP’s

4.5, 6.0 y 8.5 del presente proyecto, para las anomalías de temperatura y precipitación en

la climatología del periodo 2075-2098. Se seleccionó este periodo debido a que en el

2015-2039 por ser un futuro cercano, no se aprecian diferencias considerables entre los

escenarios.

En la Fig. 6.5.1 se observa la anomalía de precipitación proyectada para el verano de los

cinco escenarios (RCP4.5, RCP6.0, RCP8.5, A1B y A2) para toda la República; cabe

mencionar que los escenarios A1B (emisiones intermedias) y A2 (altas emisiones de

gases de efecto de invernadero) son aproximadamente comparables a los escenarios

RCP6.0 y RCP8.5, respectivamente. En la Península de Baja California y meseta central

del país, los cinco escenarios proyectan cambios relativamente pequeños en la

precipitación (entre 0 y -0.2 mm/d). Sin embargo en el sur del país todos los escenarios

proyectan una disminución en la precipitación, siendo el RCP8.5 el que proyecta la

mayor anomalía (<-1.4mm/d) en toda la región; A2 del CMIP3 también simula anomalías

negativas (de -0.8 a -1.4 mm/d); sin embargo, el RCP8.5 proyecta una disminución para

la zona del monzón mexicano (de -0.6 a -1 mm/d), consistente con la Fig. 6.4.4.

Figura 6.5.1. Proyección de precipitación para el verano climatológico del periodo 2075-

2098 para (a) RCP4.5, (b) RCP6.0, (c) RCP8.5, (d) A1B y (e) A2.


En la Fig. 6.5.2 se muestran las anomalías de precipitación climatológicas para la región

NE para el periodo 2075-2098, de 2 escenarios del CMIP3 (A1B y A2) con tres del AR5

(RCP 4.5, 6.0 y 8.5), no se aprecia un claro patrón que caracterice los escenarios. Sin

embargo se aprecia que el escenario RCP8.5 es más extremo que el resto, con una

proyección de hasta 0.5 mm/d menos en febrero y un aumento de 0.7 mm/d en

septiembre. En este mes los escenarios del CMIP3 son los que estiman el mayor déficit

de precipitación en septiembre octubre y diciembre.

Figura 6.5.2. Anomalías de precipitación proyectadas por los escenarios A1B, A2,

RCP4.5, RCP6.0 y RCP8.5, para la región NE de México. Anomalías con respecto a

1961-2000.

En el caso de la anomalía de temperatura (Fig. 6.5.3) en el verano climatológico (2075-

2098) se observa un claro patrón entre los escenarios, donde el escenario RCP4.5 es el

que proyecta anomalías “bajas” (< 3.5°C) en comparación con el RCP8.5 (>4°C) (Fig.

6.5.3). En este caso se observa que el escenario A1B proyecta anomalías entre las

proyectadas por el RCP4.5 y el RCP6.0, mientras que el A2 se encuentra entre el RCP6.0

y el RCP8.5, aunque más cercano a este último. Sin embargo el RCP8.5 es el escenario

con anomalías mayores a 4.5°C para todo el país. Todos los escenarios excepto el

RCP8.5, simulan anomalías menores a 3°C en la Península de Baja California,

posiblemente por el efecto modulante de la Corriente fría de California.


Figura 6.5.3. Proyección de temperatura para el verano climatológico del periodo 2075-

2098 para a) RCP4.5, b) RCP6.0, c) RCP8.5, d) A1B y e) A2.

Los contrastes entre los escenarios son más claros en las anomalías de temperatura (Fig.

6.5.4), que en los de precipitación. En los escenarios RCPs se observa que el escenario

más drástico es el RCP8.5 y el menos radiativo (RCP4.5) que muestra las menores

anomalías, como era de esperarse. Los escenarios A1B y A2, se encuentran entre las

anomalías proyectadas del RCP6.0 y el RCP8.5. Es decir, que este último proyecta un

incremento de temperatura incluso mayor al escenario A2, que en el CMIP3 era

considerado como el más drástico.

En esta comparación resalta que los nuevos escenarios (RCPs) en el caso de la

temperatura poseen menos dispersión entre sí, siendo el RCP4.5 el que tiene

proyecciones de incremento de temperatura menores, y el RCP8.5 el más drástico. Para el

caso de precipitación a pesar de que no se observó un patrón consistente, si se aprecia que

el escenario RCP8.5 posee los valores más extremos, ya sea de incremento o decremento

de la precipitación. No obstante se resalta que el REA que se está manejando para este

informe utiliza 15 modelos, mientras que el REA del CMIP3 considera 22.

En resumen, tanto los modelos del CMIP3 como los del CMIP5 proyectan un

calentamiento generalizado en México, con diferentes grados de intensidad (desde 1 hasta

5oC) según el periodo, el escenario y región, pero en general el escenario A2 y el RCP8.5

son los que proyectan mayores cambios. Los cambios en la precipitación proyectados


para el siglo XXI también son consistentes en ambos grupos de modelos, mostrando las

mayores reducciones en el sur y sureste Mexicano.

Figura 6.5.4. Anomalías de temperatura de los escenarios A1B, A2, RCP4.5, RCP6.0 y

RCP8.5, para la región NE de México.


6.6 Índices climáticos extremos (P90 y P10)

Como se explicó en Sección 5 (Metodología), se evaluaron los percentiles 10 (P10) y 90

(P90) de la precipitación (P), temperatura máxima (Tmax) y temperatura mínima (Tmin)

para determinar umbrales de años extremos en el periodo histórico y evaluar sus cambios

espaciales en el futuro. Esto es de suma importancia por su posible impacto en diferentes

sectores socio-económicos. Esto se hizo para las 4 regiones del país y a escala anual y

estacional; todos los resultados se encuentran en la página web.

6.6.1 P90 y P10 de las temperaturas extremas (presentes y futuros)

Para poder tener un marco de referencia de los índices climáticos extremos tanto en el

presente como en el futuro, primero se calcularon los valores promedio de las variables.

La Fig. 6.6.1 muestra la Tmax promedio de JJA y la Tmin promedio de DEF observadas

durante 1961-2000 de la base de datos del CRU, mientras que la Fig. 6.6.2 muestra las

temperaturas correspondientes del REA durante el periodo observado para una pequeña

región del Noroeste de México. El REA muestra que el rango promedio de la temperatura

invernal en la región va de -4 a 20oC en invierno y de 12 a 35

oC en verano. Sin embargo,

es necesario recordar que el REA subestima la temperatura máxima y esto se ve muy

claramente al comparar la Tmax de JJA del CRU (Fig. 6.6.1) con la histórica del REA

(Fig. 6.6.2). Por ejemplo en la zona de Mexicali, que es la más caliente, el REA muestra

temperaturas máximas > 35oC, mientras que el CRU muestra > 40

oC. Esto es importante

porque al analizar los extremos climáticos el REA subestima la Tmax promedio por

~5oC, lo cual es bastante desde el punto de vista de estudios de posibles impactos y

adaptación.

También se observa que la temperatura mínima del REA tiene un sesgo positivo con

respecto al CRU, como ya se había visto en la Fig. 6.2.4. La Tmin de invierno del REA

(Fig. 6.6.2) es mayor que la observada por el CRU (Fig. 6.6.1). El CRU muestra una

Tmin entre 0 y 4oC en las sierras de Baja California, mientras que el REA entre 4 y 8

oC.


Figura 6.6.1. Temperatura (oC) promedio máxima de verano y mínima de invierno del

CRU para el periodo histórico de 1961-2000.

Figura 6.6.2. Temperaturas máximas (oC) estacionales promedio de invierno y verano

derivadas del REA durante el periodo histórico.

De acuerdo a los índices climáticos extremos para México derivados del REA (Fig.

6.6.3), los inviernos más fríos (P10) se caracterizan por temperaturas mínimas por debajo

de 0oC en las zonas altas de la Sierra Madre Occidental y en la Altiplanicie Mexicana y

entre 0 y 5oC en gran parte del Norte de México.

La Tmax promedio observada del CRU durante JJA y su percentil 90 se muestran en la

Fig. 6.6.4, así como el P90 del REA. Los valores promedios máximos (35 a más de 40oC)

ocurren en la zona fronteriza de México-Estados Unidos, especialmente en la zona de

Mexicali, Baja California, mientras que los valores extremos de P90 expanden el área

cubierta por las isotermas de 25 y 40oC a una franja más ancha en la región fronteriza. De

acuerdo a las Figs. 6.5.5 y 6.5.6, esta región de clima semiárido es la más extremosa del

país, por lo tanto es la más susceptible a impactos negativos por aumentos en la

temperatura y a la posible reducción de precipitación en el futuro. Esta región también

fue detectada como un foco estratégico con los escenarios del CMIP3, por su clima


extremo y por sus posibles cambios en el futuro (Cavazos y Arriaga-Ramirez 2012), y

resalta en los índices climáticos de temperaturas tropicales muy cálidas (> 35oC) en la

Sección 6.7.

Es interesante observar que el patrón espacial de los veranos más calientes (P90) del REA

(Fig. 6.6.4) es muy similar al del CRU, aunque el REA subestimó casi por 5oC la Tmax

promedio de verano (Fig. 6.6.2).

Figura 6.6.3. Umbrales de temperaturas más extremas P10 de la temperatura mínima de

invierno, obtenidos con el ensamble del REA para 1961-2000.

La Fig. 6.6.5 muestra los cambios futuros de los umbrales de P90 y P10 de la Tmax y

Tmin de invierno bajo el escenario más extremo, RCP8.5, a finales del siglo XXI. Las

temperaturas mínimas extremas podrían ser de 3 a 5oC menos frías en México, pero en el

norte de Estados Unidos los aumentos podraín ser más significativos.

En el verano se proyecta un incremento de 5oC en el umbral de P90 en las partes altas de

las sierras de México (Fig. 6.6.5); el resto del país muestra aumentos de 3 a 5oC. Los

aumentos en los extremos de Tmax podrían ser particularmente críticos en las regiones

del Norte de México porque significaría un mayor uso de aires acondicionados y agua, y

posiblemente más enfermedades y muertes de niños y ancianos [y de trabajadores de los

campos agrícolas], como se ha reportado para Mexicali cuando experimenta temperaturas

por arriba de 45oC en el verano (García-Cueto et al. 2010; Garcia-Cueto et al. 2012).


Figura 6.6.4. Temperatura máxima (Tmax) promedio del CRU para JJA, y los umbrales

de P90 de Tmax para el CRU y los obtenidos con el ensamble del REA para 1961-2000.


Figura 6.6.5. Cambios en los umbrales de P10 de la temperatura mínima de invierno y de

P90 de la temperatura máxima de verano para 2075-2099, con respecto a 1961-2000, para

el escenario más extremo, RCP8.5.

El escenario de cambio de la Tmax promedio de primavera es del orden 4 a 5oC y mucho

más generalizado en todo México (Fig. 6.6.6) que el extremo P90 de la Tmax de verano

(Fig. 6.6.5). En el otoño también los aumentos son de 4 y 5oC, pero es más intenso el

cambio en el norte de México y el Suroeste de Estados Unidos. Los posibles aumentos

en la Tmax de primavera significan que los extremos superiores de Tmax (P90) podrían

ser del orden de 35oC o mayores en las zonas costeras de los dos golfos, mientras que en

el otoño los valores máximos ocurrirían en la zona del Golfo de California, con valores

hasta de 40oC, extendiendo por lo tanto la temporada cálida del verano hacia el otoño

(Fig. 6.6.7).


Figura 6.6.6. Escenarios de cambio RCP8.5 de la temperatura máxima promedio de

primavera (arriba) y otoño (abajo) para el 2075-2099.


Figura 6.6.7. Escenarios RCP8.5 de proyección total de la temperatura máxima

promedio de primavera (arriba) y otoño (abajo) para el 2075-2099.

6.6.2 P10 y P90 de la precipitación (presentes y futuros)

La precipitación estacional en el Noroeste de México ocurre principalmente en verano

(JJA) en la zona del monzón; mientras que en el noroeste de Baja California y California

que se caracterizan por un clima mediterráneo, casi no llueve en verano y las principales

lluvias son de invierno (Fig. 6.6.8). En el resto del país la principal estación de lluvia es

durante el verano como se observa en la Fig. 6.6.9, en donde se compara el patrón anual

de precipitación de acuerdo a la base de datos observados del CRU y la derivada del

ensamble promedio de los modelos globales (REA). Se utilizan diferentes escalas para

resaltar la precipitación en la mayor parte de México, que es del orden de 1 a 3 mm/día,

aunque hay regiones del Sureste Mexicano que llueven más de 8 mm/día, como se

observa en el patrón del CRU.


En la Fig. 6.6.9 el REA sobreestima la lluvia de las zonas áridas del Norte de México y el

Suroeste de Estados Unidos (comparar el contorno de 1 mm/día en ambos mapas), pero

subestima las lluvias más intensas (mayores a 3 mm/día).

Figura 6.6.8. Precipitación estacional en el Noroeste de México derivada del REA

durante 1961-2000.


Figura 6.6.9. Precipitación media anual (mm/día) observada de la base de datos del CRU

y la derivada del REA durante 1961-2000. La escala en la figura inferior va más arriba de

10 mm/día (como se ve en la figura superior), pero se acortó para resaltar los valores

típicos en la parte semiárida del país.

Las Figs. 6.6.10 y 6.6.11 muestran los umbrales críticos que definen los límites secos y

húmedos de los inviernos y veranos, respectivamente, de acuerdo al ensamble del REA.

Estos umbrales son la base para el cálculo de las anomalías de los escenarios futuros. El

umbral de P10 indica el límite por debajo del cual ocurren los eventos secos y el P90

muestra el límite por arriba del cual ocurren los eventos húmedos. En Baja California, por

ejemplo, inviernos con precipitaciones menores a 0.5 mm/día son considerados como

secos (Fig. 6.6.10), mientras que arriba de 1 o 1.5 mm/día, son húmedos. En la región del

monzón los inviernos húmedos se caracterizan por precipitaciones mayores a 1.5 mm/día

(Fig. 6.6.10), mientras que los veranos húmedos tienen más de 2 mm/día. Los veranos

más lluviosos ocurren en el Sureste Mexicano, donde las lluvias más intensas (P90)

pueden ser mayores a 8 mm/día (Fig. 6.6.11).


Figura 6.6.10. Umbrales críticos de precipitación (mm/día) extrema durante el invierno

derivados del REA durante 1961-2000. P10 representa el límite de inviernos secos y P90

el de inviernos húmedos.


Figura 6.6.11. Umbrales críticos de precipitación (mm/día) extrema para el verano

derivados del REA durante el periodo observado (1961-2000). P10 representa el límite

de veranos secos y P90 el de veranos húmedos.

El cambio más significativo que se espera para el invierno en los escenarios futuros (el

RCP8.5) es que el umbral seco (P10) va a ser más seco y el umbral húmedo (P90)

también va a ser más seco en casi todo México y Centro América a finales del siglo 21

(Fig. 6.6.12). Las excepciones podrían ser una pequeña región del Suroeste de Estados

Unidos y las partes altas de la Sierra Madre Occidental en donde se esperan extremos de

precipitación más altos (anomalías positivas), comparados con los observados del REA.


Figura 6.6.12. Anomalías de los umbrales críticos de precipitación (mm/día) extrema

inferior (P10) y superior (P90) para el invierno derivados del RCP 8.5 del REA durante

2075-2099, con respecto a 1961-2000.

La Figura 6.6.13 muestra el cambio en los umbrales secos (P10) y húmedos (P90) de la

precipitación del verano bajo el escenario más extremo (RCP8.5) a finales del siglo 21.

En casi todo México, con excepción de la región del monzón en el Noroeste de México,

en donde los veranos secos podrían ser ligeramente menos secos (de 0 - 1 mm/día). Sin

embargo, los veranos húmedos podrían ser menos húmedos que en los veranos del

periodo histórico (1961-2000). Las anomalías negativas más grandes (del orden de -3

mm/día) se esperan en las zonas costeras del sur y sureste de México.


Figura 6.6.13. Anomalías de los umbrales críticos de precipitación (mm/día) extrema

inferior (P10) y superior (P90) para el verano derivados del RCP 8.5 del REA durante

2075-2099, con respecto a 1961-2000.


6.7 Índices climáticos extremos de temperatura

En esta sección se presentan los siguientes índices climáticos para las temperaturas

máxima y mínima:

Se utilizó la base de datos climáticos observada del Climate Research Unit (CRU), con

una resolución espacial de 0.30° x 0.30°, para desarrollar los índices observados. Primero

se obtuvieron los indices del periodo base (1961-2000) del CRU y del ensamble de los 15

modelos del CMIP5 (REA) y posteriormente se obtuvieron los cambios del REA para

diferentes horizontes de tiempo en el siglo 21 y para diferentes escenarios radiativos.

6.7.1 Índices de Tmax para el escenario base 1961-2000

El Equipo de Expertos en Índices y Detección de Cambio Climático (The Expert Teamon

Climate Change Detection Monitoring and Indices ETCCDMI), auspiciado por la

Comisión Climatológica (CCl) de la Organización Meteorológica Mundial y el proyecto

CLIVAR, definió 27 índices base (Zhang y Yang, 2004), relacionados con temperatura y

precipitación.1

Los índices se pueden calcular con la ayuda del programa computacional RClimDex (R,

2006), el cual es un software libre (http://cccma.seos.uvic.ca/ETCCDI/software.shtml)

que funciona bajo una plataforma R (http://www.r-project.org/). RClimDex realiza el

cálculo de los índices utilizando generalmente datos diarios. Los índices aquí calculados

se denominan de manera similar, pero se han calculado con datos mensuales, no diarios.

Se produjeron los siguientes mapas, con sus respectivas bases de datos. Se contabilizaron

los meses del escenario base que cumplían con los criterios acordados. Se observó que en

1Zhang X. yYang F., 2004: RClimDex (1.0): Manual del Usuario. Traducción de Santos J.L, 22 pp.

Disponible en línea en : http://cccma.seos.uvic.ca/ETCCDMI/software.shtml.


el Sur y Norte del país se encontraron los valores más extremos de temperatura máxima,

decreciendo el área del país en la que se encuentran esos valores en la en la medida que el

umbral seleccionado fuera mayor (ver Figs. 6.7.1, 6.7.2 y 6.7.3):

1. “Número de meses de verano”, cuando Tmax 25°C.

2. “Número de meses tropicales”, cuando Tmax 30°C.

3. “Número de meses extra cálidos”, cuando Tmax 35°C.

Figura 6.7.1. Número de “meses de verano”con Tmax 25°C, considerando el escenario

base (1961-2000).

Figura 6.7.2. Número de “meses tropicales” con Tmax 30°C, considerando el escenario

base (1961-2000).


Figura 6.7.3. Número de “meses extra cálidos”con Tmax 35°C, considerando el

escenario base (1961-2000).

6.7.2 Índices de Tmin para el escenario base 1961-2000

Se produjeron los mapas de los índices extremos, con sus respectivas bases de datos para

ponerlas a disposición en la página Web. Se consideró que los índices seleccionados

corresponden a cálculos de índices que utilizan bases de datos diarias. Sin embargo, se

partió del supuesto de que si el promedio mensual de la Tmin es mayor que 25°C, es

posible que se presentaran con mayor frecuencia días con temperaturas mayores a esa

temperatura (Fig. 6.7.4). También es cierto que existe una reducida área del país en donde

la temperatura mínima promedio es mayor o igual que 25°C (en el norte y sur), pero esas

regiones serían las que más riesgo futuro presentarían en condiciones de cambio

climático.

También se consideró que difícilmente se podría obtener información útil para meses con

temperaturas mínima menores a 0°C, lo que sí se ilustraría con una base de datos diaria.

Por ello, se seleccionó el umbral de 10°C, considerando que éste umbral puede

determinar una helada agrícola, más que meteorológica (Fig. 6.7.5).

Como en el caso anterior, se contabilizaron los meses del escenario base que cumplían

con los criterios acordados. Posteriormente se desarrolló el mismo cálculo usando los

escenarios de cambio climático.

“Número de noches tropicales”, cuando Tmin 25°C.

“Número de meses con heladas agrícolas”, cuando Tmin 10°C.


Figura 6.7.4. Número de “meses de noches tropicales”con Tmin 25°C, considerando

el escenario base (1961-2000).

Figura 6.7.5. Número de “meses con heladas (agrícolas)” con Tmin 10°C,

considerando el escenario base (1961-2000).

6.7.3 Escenarios de cambio climático de los índices de Tmax

Se elaboraron los mapas y las bases de datos respectivas para los siguientes escenarios

generados con el método REA (promedio ponderado de 15 modelos de circulación

general), y para los horizontes 2015-2039 y 2075 -2099. Para el horizonte 2015 al 2039,

y para el índice “número de meses extra cálidos”, cuando Tmax 35°C, se muestran

como ejemplo los casos de RCP4.5 y RCP8.5 (Figs. 6.7.6a y 6.7.7a), por considerarse

contrastantes, aunque se realizaron también los mapas para el caso RCP6.0.

Para evidenciar las diferencias entre estos escenarios y el escenario base, se sustrajeron

los valores del escenario base de cada uno de los escenarios de cambio climático. Con lo

anterior, se construyeron mapas que sólo muestran el aumento en el número de meses

según los umbrales establecidos (Figs. 6.7.6b y Figs. 6.7.7b). Esto es, se contabilizan para

el periodo 2015 al 2939 (promedio de 25 años) cuántos meses más (de 1 hasta 12) se

tendrían por encima del valor umbral De forma similar, se construyeron los mapas para

el horizonte 2075 a 2099 (Figs. 6.7.8a y 8b, y Fig. 6.7.9a y 9b).


Tabla 6.7.1. Escenarios de cambio climático construidos para 3 índices de Tmax.

Índice Escenario REA (15 modelos) y horizontes 2015-2039 y

2075-2099 Ejemplos

Tmax 25°C. RCP4.5 RCP6.0 RCP8.5 Tmax 30°C. RCP4.5 RCP6.0 RCP8.5 Tmax 35°C. RCP4.5 RCP6.0 RCP8.5 Figs 6.7.6a y

6.7.7a

Diferencias escenarios y escenario base Tmax 25°C. RCP4.5 RCP6.0 RCP8.5 Tmax 30°C. RCP4.5 RCP6.0 RCP8.5 Tmax 35°C. RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.6b y

6.7.7b

Escenarios 2015-2039

Figura 6.7.6a. Escenario RCP4.5, para el horizonte 2015-2039, considerando el número

de meses extra cálidos, con Tmax 35°C.


Figura 6.7.6b. Escenario RCP4.5, para el horizonte 2015-2039, considerando la

diferencia entre el escenario base y el de cambio climático, para el índice “número de

meses extra cálidos”, con Tmax 35°C.

Figura 6.7.7a. Escenario RCP8.5, para el horizonte 2015-2039, considerando el número de

meses extra cálidos, con Tmax 35°C.


Figura 6.7.7b. Escenario RCP8.5, para el horizonte 2015-2039, considerando la diferencia

entre el escenario base y el de cambio climático, para el índice “número de meses extra

cálidos”, con Tmax 35°C.

Escenarios 2075 a 2099

De forma similar, se construyeron los mapas para el horizonte 2075 a 2099 (Figs. 6.7.8a,

6.7.8b, 6.7.9a y 6.7.9b).

Figura 6.7.8a. Escenario RCP4.5, para el horizonte 2075-2099, considerando el número

de meses extra cálidos, con Tmax 35°C.


Figura 6.7.6b. Escenario RCP4.5, para el horizonte 2075-2099, considerando la

diferencia entre el escenario base y el de cambio climático, para el índice “número de

meses extra cálidos”, con Tmax 35°C.


meses extra cálidos, con Tmax 35°C.



entre el escenario base y el de cambio climático, para el índice “número de meses extra

cálidos”, con Tmax 35°C.


6.7.4 Escenarios de cambio climático del índice de Tmin para “noches tropicales”

Se elaboraron los mapas y las bases de datos respectivas para los escenarios generados

con el método REA para los horizontes 2015-2039 y 2075-2099 para los índices

mostrados en la Tabla 6.7.2.

Para el horizonte 2015 al 2039, y para el índice “número de noches tropicales”, cuando

Tmin 25°C, se muestran como ejemplo los casos de RCP4.5 y RCP8.5 (Figs. 6.78a y

9a), por considerarse contrastantes, aunque se realizaron también los mapas para el caso

RCP6.0 (ver Tabla 6.7.2).

Para hacer más claras las diferencias entre estos escenarios y el escenario base, se

sustrajeron los valores del escenario base de cada uno de los escenarios, para mostrar el

incremento del número de meses según los umbrales establecidos (Figs. 6.7.8b y 6.7.9b).

De forma similar, se construyeron los mapas para el horizonte 2075 a 2099. Se muestran

como ejemplo los casos de RCP4.5 y RCP8.5 (Figs. 6.7.10a y 6.7.11a), por considerarse

contrastantes, aunque se realizaron también los mapas para el caso RCP6.0. Las

diferencias entre estos escenarios y el escenario base se muestran en las Figs. 6.7.10b y

6.7.11b.

Tabla 6.7.2. Escenarios de cambio climático construidos para el índice de Tmin para el

numero de meses con noches tropicales, cuando Tmin 25°C.

Índice Escenario REA (15 modelos) y 2 horizontes Ejemplos

Tmin 25°C.

2015-2039

RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.8a y

6.7.9a

Tmin 25°C.

2075-2099

RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.10a

y 6.7.11a

Diferencias escenarios y escenario base

Tmin 25°C.

2015-2039

RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.8b y

6.7.9b

Tmin 25°C.

2075-2099

RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.10b

y 6.7.11b




meses de “noches tropicales”, con Tmin 25°C.


entre el escenario base y el de cambio climático, para el índice número de meses de “noches

tropicales”, con Tmin 25°C.




Figura 6.7.9b. Escenario RCP8.5, para el horizonte 2015-2039, considerando la diferencia entre

el escenario base y el de cambio climático, para el índice “número de meses de “noches



De forma similar, se construyeron los mapas para el horizonte 2075 a 2099 (figuras

6.7.10a, 6.7.10b, 6.7.11a y 6.7.11b) para el índice “número de meses de “noches





Figura 6.7.10b. Escenario RCP4.5, para el horizonte 2015-2039, considerando la diferencia entre el

escenario base y el de cambio climático, para el índice “número de meses de “noches tropicales”, con

Tmin 25°C.




Figura 11b. Escenario RCP8.5, para el horizonte 2015-2039, considerando la diferencia

entre el escenario base y el de cambio climático, para el índice “número de meses de

“noches tropicales”, con Tmin 25°C.

6.7.5 Escenarios de cambio climático del índice de Tmin para heladas agrícolas

El índice extremo que determina el número de meses con posibles heladas agrícolas se

define cuando la Tmin < 10oC; la Tabla 6.7.3 muestra los análisis realizados.

Tabla 6.7.3. Escenarios de cambio climático construidos para el índice de Tmin para el

número de meses con heladas agrícolas (Tmin < 10°C).

Índice Escenario REA (15 modelos) y horizontes 2015-2039 y

2075-2099 Ejemplos

Tmin 10°C 2015-2039


y 6.7.13 a

Tmin 10°C 2075-2099


y 6.7.15a

Diferencias escenarios y escenario base

Tmin 10°C 2015-2039

RCP4.5 RCP6.0 RCP8.5 Figs. 6.7.12b

y 6.7.13b

Tmin 10°C 2075-2099

RCP4.5 RCP6.0 RCP8.5 Figuras

6.7.14b y

6.7.15b



Figura 6.7.12a. Escenario RCP4.5, para el horizonte 2015-2039, considerando el “número de

meses con heladas agrícolas”, cuando Tmin 10°C.


entre el escenario base y el de cambio climático, para el índice ““número de meses con heladas

agrícolas”, cuando Tmin 10°C.





entre el escenario base y el de cambio climático, para el índice “número de meses con heladas



Escenarios 2075 a 2099




entre el escenario base y el de cambio climático, para el índice ““número de meses con heladas






entre el escenario base y el de cambio climático, para el índice “número de meses con heladas



6.7.6 Cambio en los índices de temperaturas extremas por región

Cambios en los índices de Tmax

En esta sección se describen los cambios mensuales de los índices de temperatura

máxima para las 4 zonas geográficas para México seleccionadas en este reporte: Noroeste

(23 a 35°N; 106 a 117°W), Noreste (23 a 31°N; 97 a 106°W), Centro/Sur (15 a 23°N; 97

a 106°W) y Sureste (15 a 22°N; 87 a 97°W).

En la Tabla 6.7.4 se presentan los cambios para los índices de temperatura máxima entre

el escenario base y los correspondientes escenarios de cambio climático (RCP4.5,

RCP6.0; RCP8.5), para el horizonte 2075 a 2099, por considerar que son los más

sobresalientes.

Para el caso del índice “Número de meses de verano” (Tmax 25°C), la región más

afectada sería la región Noreste, con un aumento promedio en el número de meses entre

1.6 y 2.5 (Tabla 6.7.3), para los 3 escenarios RCP. Esto significaría que alrededor de 2

meses durante el año estarían en la clasificación de mes de verano.

Para el caso del índice “Número de meses tropicales” (Tmax 30°C), en la misma región

Noreste el número de meses que en promedio tendrían meses tropicales aumentarían

entre 1.7 y 2.9.

Finalmente, para el índice “Número de meses extra cálidos” (Tmax 30°C) en la región

Noreste y Sureste se presentarían, en promedio, entre 1 y 3 meses más extra cálidos.

Tabla 6.7.4. Cambios en los índices climáticos para Tmax para el horizonte 2075-2099,

con respecto al periodo observado de 1961-2000.

No de Meses de

verano

Tmax 25°C

No de Meses

tropicales

Tmax 30°C

No de Meses extra

cálidos

Tmax 35°C

Latitud

(°N)

Longitud

(°W)

RCP

4.5

RCP

6.0

RCP

8.5

RCP

4.5

RCP

6.0

RCP

8.5

RCP

4.5

RCP

6.0

RCP

8.5

Noreste de

México

23 a 35 117 a 106 1.6 1.8 2.5 1.7 2.0 2.9 1.8 2.2 2.9

Noroeste de

México

23 a 31 106 a 97 1.3 1.5 2.2 1.4 1.7 2.3 1.6 2.0 2.6

Centro/Sur de

México

15 a 23 106 a 97 1.0 1.1 1.3 1.4 1.5 2.5 1.2 1.3 2.3

Sureste de

México

15 a 22 97 a 87 0.2 0.2 0.3 1.4 1.6 2 1.5 1.8 2.8


Cambios en los índices de Tmin

Para las mismas 4 regiones se obtuvieron los cambios en los índices de temperatura

mínima, considerando el escenario base, los 3 RCP y el horizonte 2075 a 2099 (Tabla

6.7.5).

Para el índice de “Número de noches tropicales” (Tmin 25°C), los escenarios indican

que en promedio los meses con Tmin que rebasa ese umbral serán hasta 2.5 para el

noreste de México. El cambio es menos apreciable en el Sureste.

En cuanto al índice “Número de meses con heladas agrícolas” (Tmin 10°C), el cambio

indicado en la tabla representa el número de meses menos que estarán por debajo de ese

umbral. Así, en el noreste, habrá 2.5 meses menos con temperaturas mínimas por debajo

de los 10°C, lo que puede tener impactos negativos en diversos sectores, particularmente

la agricultura (algunos cultivos, como el trigo, requieren de horas frío). La región sureste

es también la que menos cambios presenta.

Tabla 6.7.5. Cambios en los índices climáticos de Tmin para el horizonte 2075-2099, con

respecto a 1961-2000.

No de noches tropicales

Tmin 25°C

No de Meses con heladas

Tmin 10°C

Latitud

(°N)

Longitud

(°W)

RCP 4.5

RCP 6.0

RCP 8.5

RCP 4.5

RCP 6.0

RCP 8.5

Noreste de México 23 a 35 117 a 106 +0.7 +0.8 +1.3 -1.5 -1.8 -2.5

Noroeste de México 23 a 31 106 a 97 +0.6 +0.8 +1.4 -0.9 -1.0 -1.5

Centro/Sur de

México

15 a 23 106 a 97 +0.3 +0.4 +0.8 -0.7 -0.8 -1.0

Sureste de México 15 a 22 97 a 87 +0.5 +0.8 +2.1 -0.1 -0.1 -0.1


7. Desarrollo de la página web del proyecto

Los resultados relevantes del proyecto se podrán consultar en una página WEB dinámica,

la cual está organizada de la siguiente manera: encabezado, menú principal, y submenús.

El encabezado contiene los logos de las 6 instituciones que participaron en este proyecto:

Secretaría de Medio Ambiente y Recursos Naturales (SEMARNAT), Programa de las

Naciones Unidas para el Desarrollo, México (PNUD), Instituto Nacional de Ecología

(INE), Centro de Investigación Científica y de Educación Superior de Ensenada, Baja

California (CICESE), Instituto Mexicano de Tecnología del Agua (IMTA), Centro de

Ciencias de la Atmósfera (CCA).

En la sección baja del encabezado se encuentra el menú principal que contiene: inicio,

métricas, escenarios, índices extremos, enlaces de interés y contacto (Figura 7.1). Dentro

de cada módulo existen diferentes tipos de información, como documentación técnica de

las bases de datos utilizadas, algunos cálculos para medir el desempeño de los modelos o

descarga de gráficos y datos. En las secciones siguientes se describirá cada uno de los

módulos mostrados en la Fig. 7.1 con mayor detalle.

Figura 7.1. Esquematización de la página web del proyecto.


Inicio

En este apartado aparece información general referente al proyecto. En la parte izquierda

se encuentra un submenú del cual se pueden seleccionar tópicos referentes a la página y

en la sección derecha son descritos brevemente (Fig. 7.2). Los temas y submenús disponibles son los siguientes:

o Introducción

o Información general

CMIP5

Escenarios

Conceptos

Escenarios de emisiones

Modelos de Circulación General

Métricas

Diagramas de Taylor

Errores

Ciclo Anual

CRU

REA

Índices Climáticos

AR4 y AR5

NARCAPP

Siglas

Figura 7.2. Página principal; Menú ‘inicio’ – submenú Información general.


Métricas

En esta sección se puede acceder a los resultados del desempeño de 15 MCG

participantes del CMIP5 y el promedio ponderado de éstos (REA) mediante la aplicación

de métricas para el período histórico de 1961 a 2000 en las variables: precipitación,

temperatura, máxima y mínima, comparando los resultados con los datos históricos del

CRU.

Por la ubicación geográfica y la abrupta orografía de México, los fenómenos

meteorológicos que impactan al norte o sur del país son diferentes, así como sus efectos.

Debido a lo mencionado anteriormente se calcularon las métricas en cuatro zonas:

Noreste, Noroeste, Sur y Sureste. Las gráficas de las métricas a consultar en la página

son: diagramas de Taylor, ciclo anual y errores.

La sección de métricas se encuentra organizada en base al diagrama de la Fig. 7.3; Dicho

diagrama fue utilizado para elaborar la interfaz gráfica (Fig. 7.4). En la cual se pueden

seleccionar las métricas, las variables y las zonas, las dos primeras mediante “cajas de

selección” y las últimas (previamente dibujadas en el mapa) mediante un clic sobre la

imagen.

Figura 7.3. Diagrama estructural de métricas.

Ciclo Anual Errores

Métricas (Periodo 1961-2000)

Diagrama de Taylor

Temp. media

Temp. Max.

Temp. Mín.

Precipitación

Regiones

Noroeste

Noreste

Sur

Sureste


Figura 7.4. Áreas de evaluación de las métricas climáticas.

En las Figs. 7.5, 7.6 y 7.7 se muestran ejemplos de los gráficos que se pueden descargar

(elaborados previamente) para cada métrica y variable.

Figura 7.5. Ejemplo de Diagrama de Taylor para la variable de temperatura media en el

periodo de 1961-2000 para la zona noroeste de México.


Figura 7.6. Ejemplo de ciclo anual para la variable de temperatura mínima en el periodo

de 1961-2000 para la zona sur de México

Figura 7.7. Ejemplo de Errores para la variable de precipitación para la zona noreste de

México.

Escenarios

En esta sección se encuentran los datos generados por el método REA para cuatro

variables (Temperatura media, temperatura máxima, temperatura mínima y precipitación)

en simulaciones históricas (1961-2000) y proyecciones futuras (2015-2039 y 2075-2099)

en tres escenarios de forzamientos de radiación: RCP4.5, RCP6.0 y RCP8.5. Las

proyecciones se pueden visualizar de tres modos: proy(cambio) y proy (total) (histórico +

cambio).

La consulta en este módulo se realiza en tres secciones: 1) Consulta, donde se

seleccionan las variables, el escenario y el periodo, 2) las opciones de gráfico, si se quiere


una gráfica lineal (plot) o un mapa (con colores o contornos) y 3) selección de la zona

(coordenadas), donde el usuario puede agregar las coordenadas, o en su caso, trazar el

área en el mapa (con ayuda de mouse). La estructura del módulo de escenarios se muestra

en la Fig. 7.8 y en la Fig. 7.9 las opciones de gráfico (complemento de la Fig. 7.8).

La interfaz gráfica del módulo de escenarios se muestra en la Fig. 7.10. Este módulo se

encuentra basado en los diagramas mostrados en las Figs. 7.8 y 7.9.

Figura 7.8. Esquematización y funcionamiento del módulo de ‘escenarios’

Figura 7.9. Opciones de gráfico (complemento de la Fig. 9.8).


Figura 7.10. Módulo de escenarios.

Índices extremos

La sección de índices climáticos permite consultar e identificar cambios en la frecuencia,

intensidad y en los umbrales de los eventos extremos, los cuales son importantes para la

sociedad humana y los diferentes ecosistemas ya que pueden presentarse fuera de los

rangos de adaptabilidad habitual y producir un fuerte impacto en diferentes sectores.

Los índices disponibles en la página web son los listados en la Tabla 7.1. Los índices se

calcularon primero para el REA y el CRU del periodo histórico (1961-2000).

Posteriormente se hicieron los mismos cálculos para las proyecciones climáticas con la

finalidad de cuantificar los cambios entre el pasado y futuro.


Tabla 7.1. Índices utilizados para cuantificar los cambios en los extremos tanto de

temperatura como de precipitación. Los índices calculados son: número de meses

extremos y umbrales de percentiles extremos.

Índices extremos

Variable Índice Rango

Temperatura

Núm. de meses de verano Tmax > 25°C

Núm. de meses tropicales Tmax > 30°C

Núm. de meses extra cálidos Tmax > 35°C

Núm. de noches tropicales Tmin > 25°C

Núm. de meses con heladas Tmin < 10°C

Umbral de P10 (oC) 10% de años más fríos

Umbral de P90 (oC) 10% de años más cálidos

Precipitación Umbral de P10 (mm/d) 10% de años más secos

Umbral de P90 (mm/d) 10% de años más húmedos

La interfaz gráfica del módulo de índices se muestra en la Fig. 7.11, donde en la parte

izquierda se encuentran “cajas de selección” para escoger el tipo de escenario, variable e

índice. En la sección derecha aparecen las opciones a elegir.

Figura 7.11. Módulo de índices extremos


Enlaces de Interés

En el módulo ‘enlaces de interés’ se encuentran además de las instituciones involucradas

para la elaboración de este proyecto, otros sitios de crucial interés en el ámbito de cambio

climático, como la página del CMIP5, del IPCC entre otras (Fig. 7.12).

Figura 7.12. Módulo de ‘Enlaces de interés’.

Contacto

El módulo ‘contacto’ fue diseñado para mostrar datos de las personas participantes del

proyecto. Por razones de seguridad sólo son mostrados: el nombre, dirección electrónica

y nombre del instituto que representa cada persona.


Figura 7.13. Módulo ‘contacto’.

A continuación se detallan las características sobresalientes de la interfaz de usuario de la

página WEB, así como su arquitectura, el flujo de información de la misma y su la

relación entre sus componentes.

Arquitectura

Desde el punto de vista de la interfaz al usuario, se diseñó un sistema que se muestra en

la Fig. 7.14, y cuyos componentes se describen a continuación.


Figura 7.14. Arquitectura de la interfaz de consulta.

El usuario típico de la aplicación es uno que cuenta con un navegador Web que tenga

acceso a la dirección IP en la que se instalará el sistema. El sistema se podrá instalar

localmente en una Intranet o en una computadora personal, para su uso privado, o bien

podrá instalarse en un servidor Internet, para su uso público.

Interfaz Web

Para el desarrollo de la página WEB se emplearon herramientas del dominio público

combinadas de acuerdo a la funcionalidad requerida tales como PHP, python y

Javascript, ello en las proporciones 20%, 30% y 50% aproximadamente. Dentro de esta

última, se encuentran contenidas el API de google y jquery.

La interfaz Web posee elementos gráficos y de texto que le permiten al usuario formular

una consulta (o query, si se usa la terminología de las bases de datos). La apariencia del

sitio en alguno de los momentos de la interacción es como se muestra en la Fig. 7.15.


Figura 7.15. Apariencia de la interfaz Web.

La formulación de la consulta, la hace el usuario por medio de su interacción con la

interfaz. Esto es, la selección de elementos en los menús, la especificación de algún área

en un mapa, el oprimir algún botón, etc., todo ello constituye la construcción o

formulación de una consulta.

La interfaz Web verifica la integridad de la consulta y de traducirla a un conjunto de

variables y términos que son recogidos por el motor de procesamiento, de donde se

obtiene una salida que le es presentada al usuario, como respuesta a su consulta y que

puede consistir de gráficos, tablas, textos, etc.

El motor de procesamiento es la parte del sistema que se encarga de ejecutar las acciones

necesarias para satisfacer la consulta del usuario. Para cumplir con eso, el motor tiene que

invocar la ejecución de procesos especializados que consultan y manipulan los datos

provenientes de las fuentes de información generadas a lo largo del presente proyecto.

Una vez ejecutados los procesos necesarios, el motor integra como su salida la respuesta

que finalmente le será presentada al usuario por medio de la interfaz Web. La Fig. 7.16

muestra una salida típica del sistema.


Figura 7.16. Ejemplo de respuesta a una consulta del usuario.

Los procesos pertenecen a un conjunto de programas, que en la Fig. 7.14 se han

etiquetado como p1, p2, p3,… p_n, que se encargan de consultar la información de las

distintas fuentes elaboradas a lo largo de este proyecto y de transformar esa información

en una respuesta que satisfaga la consulta del usuario. El sistema se ha planteado de una

manera versátil, de tal forma que los procesos pueden estar escritos en distintos lenguajes

de programación tales como grads, python, php, etc.

La interfaz al usuario se ha desarrollado como un sitio Web; esto es, como un conjunto de

páginas Web que le brindan al usuario la posibilidad de introducir sus consultas y de

visualizar y/o recuperar la información correspondiente a las respuestas a esas consultas.

La descripción de la estructura y la funcionalidad de tal sitio se desarrolla en las

siguientes secciones, y para ello se utilizará la herramienta gráfica de los mapas

conceptuales desarrollados por el Institute for Human & Machine Cognition2 .

Los mapas conceptuales son grafos que consisten básicamente de dos elementos, a saber:

nodos y aristas dirigidas. Tanto los nodos como las aristas van etiquetados y estas últimas

además pueden ser múltiples, es decir, pueden tener varios orígenes y varios destinos. En

la presente descripción, además del valor semántico de las etiquetas, se atribuirá de

significado a todo elemento gráfico o visual, tales como la forma de los nodos, los

colores empleados, los colores y tipografía de los textos, etc., esos significados están

relacionados con la disposición de los elementos gráficos en el sitio Web, así como de las

acciones que se ejecutan al interactuar, el usuario, con dichos elementos. Para explicar la

simbología utilizada nos serviremos de una sección completa de la interfaz, a saber, la

correspondiente a Escenarios, cuyo mapa conceptual se muestra en la Fig. 7.18, en la Fig.

7.17, se incluye un resumen de la principal simbología utilizada.

2 http://cmap.ihmc.us


Figura 7.17. Estructura y funcionalidad de “Escenarios”.

En los párrafos siguientes, se describen las principales características de la simbología

que se utiliza para describir la estructura y funcionalidad del sitio.

El Nodo de entrada es el nodo inicial del grafo, simbolizado como se muestra en la Fig.

7.19 y representa la página de entrada a alguna sección del sitio Web. En el ejemplo que

se está considerando y que se muestra en la Fig. 7.17, este nodo es el que está etiquetado

como “Escenarios”, el cual representa la página Web que se muestra en la Fig. 7.19.

Subdivisión geométrica y transferencia directa.

En la Fig. 7.19 se muestra la página correspondiente al nodo inicial de la estructura

mostrada en la Fig. 7.18. En la figura, adicionalmente se ha subdividido la página en

secciones rectangulares que se han numerado así: 00, 01, 20, 21, 22 y 23. Esta

numeración corresponde a una subdivisión geométrica que se ha hecho de la página en

cuestión. La subdivisión puede ser arbitraria o corresponder en alguna medida con la

funcionalidad.


En el gráfico de la Fig. 7.17, la subdivisión geométrica se representa mediante una arista

múltiple, de un solo origen y varios destinos, etiquetada con la letra “G”. Para una mayor

comprensión de este concepto, en la Fig. 7.20 se muestra una ampliación de la sección

correspondiente a la subdivisión geométrica de la página Web mostrada en la Fig. 7.19.

Otra característica de la estructura de subdivisión geométrica, es lo que se denomina

transferencia directa en este documento tal como se muestra en la Fig. 7.18. Se ha

denominado de esta manera, porque los elementos de la subdivisión geométrica, son

directamente visibles y accesibles desde la página representada por el nodo de origen,

esto es, “Escenarios”, en el caso del ejemplo mostrado.

Los nodos de subdivisión, que en el caso de la Fig. 7.20 son los etiquetados con 00, 01,

20, 21, 22 y 23, si no tienen mayor información tendrán el aspecto que se muestra en

dicha Figura, pero pueden ser diferentes en otros casos, como el nodo etiquetado como

“Mapa Mx Div Política”, mostrado en la Fig. 7.17, y que es un nodo verde y que

representa un sector de la página con información geográfica, en este caso.

Figura 7.18. Los principales elementos de la simbología utilizada.


Figura 7.19. Página de entrada a “Escenarios” y su subdivisión geométrica.

Figura 7.20. La estructura de la subdivisión geométrica de la página mostrada en la Fig.

7.16.


Dado que los diagramas que representan la estructura del sitio pueden resultar bastante

complejos, es conveniente introducir referencias a nodos que se han definido en alguna

otra parte del mismo diagrama o incluso en alguna otra parte. En la Fig. 7.20, los nodos

etiquetados con 00 y 01, tienen un borde azul diferente que los otros nodos. Ello indica

que, como también se señala en la simbología de la Fig. 7.18, la definición de esos nodos

se encuentra en otra parte; en otro diagrama, en el caso del ejemplo presentado.

Las interfaces al usuario proveen diversas formas para agrupar opciones, entre las cuáles

pueda seleccionar el usuario alguna para asignársela a alguna variable o categoría. Entre

éstas formas se encuentran, por ejemplo, los combo-boxes, los sub-menús, los radio-

buttons, etc. Un ejemplo de esto se muestra en la Fig 7.21, donde al oprimir en el ítem

“Escenario” del menú izquierdo de la página de ejemplo, se despliega un combo-box con

una secuencia de opciones entre las que se puede elegir una. Esto se ha resaltado en color

rojo en la figura.

Figura 7.21. Desplegado de opciones.

En el diagrama de estructura, esta situación se simboliza por medio de lo que en la

simbología de la Fig. 7.18 se ha denominado como “Grupo n de opciones de A”, y que


para el caso mostrado en la Fig. 7.21, se ilustra en la Fig. 7.22. Debe notarse que la

Figura muestra dos grupos de opciones, a saber, el grupo G-1 y el grupo G-2, y que es

este último al que corresponde lo desplegado en la Fig. 7.21. El que en un ítem se

despliegue uno u otro grupo de opciones, depende de consideraciones que se detallan más

adelante, en la siguiente sección.

Figura 7.22. Grupos de opciones (detalle de Fig. 7.17).

A continuación se describen las interacciones entre elementos, como a las acciones que

recíprocamente tienen algunos elementos de la estructura con otros de la misma: esto es

con nodos o con aristas del grafo. En la simbología de la Fig. 7.18, los gráficos que

representan esto, son los que tienen aristas etiquetadas “opts” y “retro” y que

corresponden con los dos tipos de interacciones que se describen en seguida.

Definición de opciones

En ocasiones, la selección de algún elemento u opción por parte del usuario puede,

habilitar o inhibir las opciones que aparezcan como parte de otro ítem particular en la

página. Siguiendo con el ejemplo mostrado en la Fig. 7.22, es notorio que el nodo

“Escenario” tiene dos grupos de opciones, a saber: el grupo G-1 y el grupo G-2. Sin

embargo, en el desplegado de la Fig. 7.21, se muestran únicamente las opciones

correspondientes al grupo G-2, esto es, RPC4.5, RPC6.0 y RPC8.5. Esto se debe a que,

previamente el usuario ha elegido en el menú correspondiente al ítem “Tipo”, el valor

“Proy (total)”, y esta acción ha habilitado el grupo de opciones G-2, por una parte, y por

otra, ha inhibido el grupo G-1, ambos del nodo “Escenario”. El acercamiento de la

estructura que se muestra en la Fig. 7.23 ilustra lo que se ha explicado aquí.


Figura 7.23. Habilitación de opciones.

La retroalimentación se realiza durante la construcción de una consulta. La información

correspondiente a esa consulta se colecta de los distintos elementos gráficos de la

interfaz, simbolizados por nodos en el grafo que representa la estructura, y se usa para

alimentar como datos de entrada, a algún otro nodo, que representa la construcción del

resultado deseado por el usuario y que se elabora mediante los procesos de consulta

referidos. La Fig. 7.24 muestra la mecánica del proceso que se ha descrito en este párrafo.

Figura 7.24. El proceso de retroalimentación de información.

En la Fig. 7.24, el nodo etiquetado como “23”, representa el área geométrica “23”

mostrada en la Fig. 7.19. Esta área contiene un único botón “Enviar”, que al ser aplastado

ejecuta una “transferencia interactiva”, marcada por la arista etiquetada con “T”, en la


Fig. 7.24, y que desemboca en una página terminal con resultados, que, en el ejemplo,

está etiquetada como “Info Escenarios” y cuya apariencia puede ser como la mostrada en

la Fig. 7.25. El asunto es que, el armado de dicha página requiere de información, parte

de la cuál es provista o retroalimentada por lo colectado en “Latitud Max”, “Longitud

Max”, “Latitud Min”, y “Longitud Min”, tal como se muestra en la Fig. 7.24.

Figura 7.25. Una página terminal típica de “Escenarios”.

La estructura y funcionalidad: página de inicio se muestra en la Fig. 7.26 muestra

gráficamente la estructura y la funcionalidad de la página de inicio, a la que se ha

denominado “AdeccMex” (Actualización de Escenarios de Cambio Climático para

México). En la Fig. 7.26 se muestra la apariencia y la subdivisión geométrica de dicha

página.


Figura 7.26. Apariencia de la página inicial y su subdivisión geométrica.


Figura 7.27. Estructura y funcionalidad de la página inicial.

La nota con referencia a esta página es que todas las selecciones de ítems en el menú de

la izquierda desembocan en la retroalimentación del área de desplegado de información,

que básicamente es un sitio en el que se da información introductoria de todos los

conceptos manejados en el sistema.

La estructura y funcionalidad de “Métricas” se muestra en la Fig. 7.28 se detalla

gráficamente la estructura y la funcionalidad de Métricas; la subdivisión geométrica de la

página correspondiente se muestra en la Fig. 7.29.


Figura 7.28. Estructura y funcionalidad de “Métricas”.

Figura 7.29. Página de entrada a “Métricas” y su subdivisión geométrica.


La estructura y funcionalidad de “Escenarios” es la componente que se eligió para

ejemplificar la simbología que se está utilizando a lo largo de estas notas

Estructura y funcionalidad de “Enlaces” y “Contacto”

La estructura y funcionalidad de “Enlaces” y “Contacto” es muy simple y por ello se ha

incluido directamente en el diagrama de la Fig. 7.26. La única función de estos ítems es

proporcionar información de ligas que son de interés para la temática del sitio, en el

primer caso, y de información para contacta a los responsables del sitio, en el segundo

caso.


8. Conclusiones

En el presente trabajo se desarrollaron los nuevos escenarios de cambio climático para

México y para 4 grandes regiones del país utilizando los datos de los nuevos modelos del

CMIP5. Los 15 modelos individuales y el ensamble de estos mediante la técnica REA se

validaron durante el periodo observado de 1961-2000 con datos del CRU y se hicieron

proyecciones del ensamble bajo 3 escenarios radiativos en el siglo 21. También se hizo

una comparación de los resultados publicados en la literatura del CMIP3 para varias

regiones de México y los datos del CMIP5 analizados en este proyecto. Esto es útil para

reportar las mejoras o cambios en los modelos del CMIP5. Los modelos siguen teniendo

un sesgo frío en casi todo México, que se observa en los datos anuales, estacionales y que

también afecta los umbrales de los índices climáticos extremos. En el caso del Noroeste

de México, este sesgo parece influir en el desarrollo de las lluvias máximas monzónicas,

las cuales se ven retrasadas por el enfriamiento continental. Sin embargo, el ensamble de

los modelos del CMIP5 simula un poco mejor las lluvias monzónicas de verano que el

CMIP3. Sin embargo, en el Sureste de México, los modelos subestiman fuertemente la

precipitación.

Un cambio importante es que el CMIP5 no produce disminuciones de la precipitación de

invierno y primavera en el Norte de México tan fuertes como las que sugería el CMIP3.

Aparentemente, la causa es que la corriente de chorro invernal proyectada por el CMIP5

no cambiará significativamente de posición en el futuro. Va a ser importante investigar

por qué los nuevos modelos produjeron este cambio tan drástico en la dinámica invernal,

en comparación con los modelos del CMIP3.

La comparación del REA del CMIP3 (Montero y Pérez 2008) con el REA del CMIP5

para el periodo 2075-2098 no muestra cambios significativos en los escenarios de

temperatura entre los dos grupos de modelos. Tanto CMIP3 como CMIP5 indican

incrementos entre 2 y 5oC en el transcurso de este siglo. Además, el CMIP5 también

muestra aumentos en las temperaturas extremas (P90 y P10) del mismo orden que las

temperaturas promedio (5oC con el escenario RCP8.5 para fínales del siglo).

Se requiere diseñar y ejecutar un experimento numérico de regionalización dinámica de

gran envergadura para estimar los impactos asociados a cambio climático a escalas

regionales más finas que la malla de los modelos globales. Este experimento deberá ser

inter-institucional y formar recursos humanos durante su desarrollo.

También será importante participar en las actividades de CORDEX (Coordinated

Dynamical Experiment) para México y Centro América, evaluando las salidas de sus

modelos regionales, haciendo estudios de los cambios en la dinámica de los procesos y

fenómenos importantes para el clima de México y comparando esos resultados con los

del presente reporte y posiblemente con salidas de otros modelos dinámicos regionales

como el WRF o el RegCM.


9. Lecciones aprendidas y pasos a seguir

Los resultados más relevantes del proyecto son: Los modelos globales y el ensamble del

REA aun presentan sesgos importantes con respecto a los datos observados del CRU. Por

lo tanto, es importante fomentar el estudio de los procesos dinámicos asociados a los

fenómenos y sus cambios para poder entender las causas, efectos e incertidumbre de los

modelos. Por ejemplo, es muy probable que el sesgo húmedo que tienen la gran mayoría

de los modelos y también el ensamble del REA sea una de las causas del retraso de las

lluvias monzónicas en el Noroeste de México. Además, muchos de los modelos generan

demasiada lluvia en el sureste Mexicano durante el periodo observado y además

presentan un sesgo frío; es muy posible que esto se deba a que los modelos no simulan

adecuadamente la zona de convergencia intertropical o no son capaces de simular otros

procesos regionales. Por lo tanto, para reducir la incertidumbre en los escenarios futuros,

es importante que los grupos académicos investiguen cuáles son los modelos que mejor

simulan el clima de una región y por qué otros modelos presentan sesgos grandes. Para

esto es necesario investigar otras métricas climáticas asociadas a procesos climáticos

regionales, incluyendo variables termo-dinámicas como la convergencia, la presión a

nivel del mar, la temperatura superficial del océano, la estabilidad, la humedad específica

y las alturas geopotenciales a diferentes niveles. Esto se podría hacer desde el punto de

vista de los modelos globales o mediante modelos regionales como el WRF, el RegCM, y

las salidas de algunos modelos de escala fina utilizados en la Iniciativa CORDEX. Se

podría diseñar un prototipo de proyecto de regionalización dinámica utilizando el modelo

WRF forzado con alguno de los modelos con mejor desempeño según las métricas y

región. Se podrían comparar por ejemplo las salidas de CORDEX con el WRF.

Es importante estudiar los procesos típicos de cada región, por ejemplo es este reporte

avanzamos un poco en el monzón del Noroeste de México, pero también se podrían

investigar otros fenómenos que son importantes para el clima de México como las ondas

de calor, los frentes fríos, la canícula, las ondas del este, etc. También es de importancia

iniciar estudios de escala diaria para poder hacer estudios de eventos extremos regionales,

validar los extremos observados con los que producen algunos modelos que reproduzcan

bien el clima regional.

Se debe fomentar la autosuficiencia en la generación de resultados, como la

regionalización dinámica de los escenarios de cambio climático, continuar con la

construcción de capacidades tanto individuales como institucionales, y colaborar en

equipos de trabajo con objetivos de mayor alcance y en forma coordinada.

Los resultados de los alcances y limitaciones de los escenarios de cambio climático

generados con modelos globales serán utilizados por grupos de trabajo de diversas áreas

del conocimiento para que aporten elementos de estudios del impacto y la vulnerabilidad

en diversos sistemas y también en la creación de líneas estratégicas para la adaptación en

México.

Se sugiere en proyectos futuros aplicar el método REA a 22 modelos, ya que cuando se

comenzó este proyecto solo estaban disponibles 15 MCG.


Se propone diseñar un prototipo de proyecto de regionalización dinámica utilizando el

modelo WRF al seleccionar los modelos con mejor desempeño según las métricas.

Para contribuir a la formación de recursos humanos es importante impartir talleres a la

comunidad estudiantil y a los usuarios de los datos actuales, para fomentar tanto el

conocimiento aprendido en este proyecto como el asociado a la generación de escenarios

de cambio climático.


10. Bibliografía

Allan R., Soden B., 2008: Atmospheric warming and the amplification of precipitation

extremes. Science 321:1481–1484.

Cavazos, T. y S. Arriaga-Ramirez, 2012: Regional climate change scenarios for Baja

California and the North American monsoon. Journal of Climate, 25, 5904-5915.

CRU (2012) http://www.cru.uea.ac.uk, revisada en agosto de 2012.

Di Luca A., de Elia R., Laprise R., 2012: Potential for added value in precipitation

simulated by high-resolution nested Regional Climate Models and observations.

Clim Dyn 38:1229–1247. doi: 10.1007/s00382-011-1068-3.

Garcia-Cueto, O. R. y N. Santillan-Soto, 2012: Modeling extreme climate events: Two

case studies in México. In Druyan M. L. (Ed) Climate Models. Intech Publishing,

Croatia, pp 137-160.

Garcia-Cueto, O. R., A. Tejeda-Martinez A. y E. Jauregui, 2010: Heat waves and heat

days in an arid city in the northwest of México: current trends and in climate

change scenarios. Int. Biometeorol., 54, 335-345.

Giorgi, F. y Mearns, L., 2001: Calculation of Average, Uncertainty Range, and

Reliability of Regional Climate Changes from AOGCM simulations via the

“Reliability Ensemble Averaging” (REA) Method. Journal of Climate, Vol. 15, pp.

1141-1158.

Held I., Soden B., 2006: Robust responses of the hydrological cycle to global warming.

Journal of Climate, 19:5686–5699.

IPCC, 2007: Contribution of Working Group I to the Fourth Assessment Report of the

Intergovernmental Panel on Climate Change, 2007.

Karl T.R., J. M. Mellilo, T. C. Peterson (eds), 2009: Global climate change impacts in the

United States: a state of knowledge report, Cambridge [England], Cambridge

University Press (disponible en www.globalchange.gov).

Marsland S. J., H. Haak, J. H. Jungclaus, M. Latif, F. Roeske, 2003: The Max-Planck-

Institute global ocean/sea ice model with orthogonal curvilinear coordinates.

Ocean Modelling, 5, 91-127.

Maurer E.P., A. W. Wood, J. C. Adam, D. P. Lettenmaier, B. Nijssen, 2002: A long-term

hydrologically-based data set of land surface fluxes and states for the Conterminous

United States, J Clim 15, 3237–3251 (base de datos disponible en

http://www.engr.scu.edu/*emaurer/data.shtml).

Martinez et al., 2012: Tercer Reporte, Parte III del Proyecto “Participación del CICESE,

el IMTA y el CCA-UNAM en el desarrollo del proyecto de actualización de

escenarios de cambio climático para México como parte de los productos de la

Quinta Comunicación Nacional”. CCA, INE, 50 pp.

Mitchel, T.D. y P.D. Jones, 2005: An improved method of constructing a database of

monthly climate observations and associated high-resolution Grids”. Journal of

Climate. Vol. 25, pp. 693–712

Montero Martínez, M.J. y J.L. Pérez López, 2008: Regionalización de proyecciones de

precipitación y temperatura en superficie aplicando el método REA para México,

en Efectos del cambio climático en los recursos hídricos de México, Volumen II.

Eds. P.F. Martínez Austria y A. Aguilar Chávez, 118 pp., IMTA, México, pp. 11-

21.


Moss, R.H., J. A. Edmonds, K. A. Hibbard, M. R. Manning, S. K. Rose, D. P. Vuuren,

Carter, T.R., Emori, S., Kainuma, M., Kram, T., Meehl, G.A., Mitchell, J.F.,

Nakicenovic, N., Riahi, K., Smith, S.J., Stouffer, R.J., Thomson, A.M., Weyant,

J.P. y Wilbancks, T.J., 2010:. Thenextgeneration of scenarios for climate change

research and assessment. Nature, Vol. 463.

Murphy J., D. M. H. Sexton, D. N. Barnett, G. S. Jones, M. J. Webb, M. Collins y D. A.

Stainforth, 2004: Quantification of modeling uncertainties in a large ensemble of

climate change simulations. Nature 430, 768-772.

O’Gorman P., Schneider T., 2009: The physical basis for increases in precipitation

extremes in simulations of 21st-century climate change. Proc Natl Acad Sci

106:14773–14777.

Roeckner E, and Coauthors (2003) The atmospheric general circulation model ECHAM5.

Part I: Model description. Max Planck Institute for Meteorology Rep. 349, 127 pp.

[Available from MPI for Meteorology, Bundesstr. 53, 20146 Hamburg, Germany.].

Rudolf, B., C. Beck, J. Grieser, U. Schneider, 2005: Global Precipitation Analysis

Products. Global Precipitation Climatology Centre (GPCC), DWD, Internet

publication, 1-8.

Rudolf, B., et al., 2010: GPCC Status Report December 2010 (On the most recent

gridded global data set issued in fall 2010 by the Global Precipitation Climatology

Centre (GPCC)).

Salinas, J. A., et al., 2012: Escenarios del REA, Productos de la Pagina Web y Revisión

NARCCAP. Tercer Reporte, Parte I: Participación del CICESE, el IMTA y el

CCA-UNAM en el desarrollo del proyecto de actualización de escenarios de

cambio climático para México como parte de los productos de la Quinta

Comunicación Nacional. IMTA, CICESE, INE, 72 pp.

Taylor, K.E., Stouffer, R.J. y Meehl, G.A., 2011: A summary of the CMIP5 Experiment

Design. Submitted to Bulletin of the American Meteorological Society.

Torres Alavez, A., 2012: Respuesta dinámica del monzón de América del Norte ante

condiciones de calentamiento global. Tesis de Maestría en Oceanografía Física,

CICESE.

Turrent, C., y T. Cavazos, 2009: Role of the land-sea thermal contrast in the interannual

modulation of the North American Monsoon, Geophys. Res. Lett., 36, L02808,

doi:10.1029/2008GL036299.

Wehner M.F., Smith R., Duffy P., Bala G., 2010: The effect of horizontal resolution on

simulation of very extreme US precipitation events in a global atmosphere model.

Clim Dyn 32:241–247. doi:10.1007/s00382-009-0656-y.

Wehner M.F., 2012: Very extreme seasonal precipitation in the NARCCAP ensemble:

model performance and projections. Clim Dyn 32:241–247. doi: 10.1007/s00382-

012-1393-1.

Wilks, D. S., 2011: Statistical Methods in the Atmospheric Sciences. Academic Press.


11. Anexo 1: NARCCAP

Se realizó un resumen y discusión de los resultados del Programa de Evaluación de

Cambio Climático Regional de Norteamérica (NARCCAP, por sus siglas en inglés), así

como un diagnóstico de validación de las salidas de varios de los modelos del

NARCCAP en México.

11.1 ¿Qué es el NARCCAP?

El Programa de Evaluación de Cambio Climático Regional de Norteamérica

(NARCCAP, por sus siglas en inglés), es un programa internacional para producir

simulaciones de cambio climático con una resolución espacial alta y con la finalidad de:

(1) investigar las incertidumbres asociadas a proyecciones climáticas en escala regional

del clima futuro, y

(2) generar escenarios de cambio climático para usarse en la estimación de los impactos

del cambio climático.

En NARCCAP se realizaron una serie de simulaciones numéricas utilizando varios

modelos climáticos regionales, cuyas condiciones de contorno se obtuvieron de modelos

acoplados océano-atmosfera de circulación general (AOGCMs). Estas simulaciones

climáticas regionales emplearon un dominio limitado, que cubre a los Estados Unidos de

Norteamérica (Fig. 11.1.1), gran parte de Canadá y el norte de México. Los AOGCMs

fueron forzados con el escenario de emisiones SRES A2 y simularon todo el siglo XXI.

Además, se realizaron simulaciones de la evolución del periodo histórico (siglo XX). Los

modelos climáticos regionales obtienen sus condiciones de contorno de las salidas de los

AOGCMs para el periodo “actual”, 1971-2000, y para el periodo futuro, 2041-2070.

Todos los modelos climáticos regionales utilizaron una resolución espacial de 50 km.

NARCCAP incluye los modelos regionales del programa europeo PRUDENCE: modelos

HadRM3 y RegCM, el modelo regional Canadiense (CRCM) y el modelo espectral

regional de NCEP llamado RSM, además del modelo MM5 y WRF. Los modelos

globales son HadCM3, el NCAR (National Center for Atmospheric Research), y el

modelo CCSM, (CGCM3 y GFDL).

Es importante incluir las propiedades del tipo de uso de suelo y la orografía a alta

resolución que afectan la dinámica atmosférica local, ya que poseen una variabilidad

espacial de menor escala. Adicionalmente, las bases de datos de uso de suelo han

incrementado su resolución espacial, lo que debe incluirse para mejorar las simulaciones

numéricas a escala regional, las aportaciones de una reducción de escala se observa en la

Fig. 11.1.2.


Figura 11.1.1. Dominio computacional del NARCCAP (http://www.narccap.ucar.edu/).

En la figura superior se muestra el dominio con la topografía y en la inferior se muestra el

dominio utilizado por diferentes modelos.


Figura 11.1.2. Esquema de la información local aportada por el aumento de resolución

espacial de uso de suelo.

11.1.1 Desempeño de NARCCAP

Un estudio (Wehner et al., 2010), basado en las salidas de los modelos regionales del

NARCCAP con resoluciones horizontales más gruesas que 50 km, encuentra que se

subestima significativamente la precipitación sobre Estados Unidos y regiones contiguas.

Es natural esperar que simulaciones con baja resolución horizontal (y vertical ya que

existe un requerimiento dinámico ligando ambas resoluciones en coordenadas sigma que

se manifiesta de manera importante en pendientes orográficas fuertes) tengan sesgos en la

precipitación y en la temperatura en superficie en regiones con terreno complejo, como es

el caso de buena parte del territorio en México que, dicho sea de paso, no es cubierto en

su totalidad por las simulaciones de los modelos utilizados en el NARCCAP (Fig.

11.1.1).

Wehner (2012) examinó los resultados de ocho modelos regionales forzados con

condiciones iniciales y de frontera provenientes del reanalisis de NCEP (NCEP-2) y de

modelos globales acoplados océano-atmósfera para dos periodos según el protocolo

establecido en el proyecto NARCCAP (http://www.narccap.ucar.edu). La habilidad de

los modelos regionales se basó en las estadísticas que los modelos arrojan tanto de

precipitación como de eventos extremos de precipitación. Se utilizaron las salidas de los

modelos regionales aproximadamente a 50 km de resolución espacial en dos periodos.

Para el primer periodo histórico de 1968 a 1999, se utilizó la base de datos globales del

reanálisis de NCEP-2, fuertemente restringidas por datos observacionales mediante un

esquema de asimilación utilizando filtros de Kalman, el cual permite la asimilación de

datos provenientes de distintas plataformas observacionales localizadas en espacio y en


tiempo de forma heterogénea. Hay que notar que pese a que los datos de NCEP-2 podrían

tomarse como un proxy de datos observacionales donde no los hay, a final de cuentas se

trata de un conjunto de salidas de un modelo que puede contener sesgos importantes.

Estos sesgos son particularmente serios en superficie cuando se comparan los datos del

reanálisis con observaciones de una red climatológica de alta calidad, vea, por ejemplo

Maurer et al. (2002).

Para el segundo periodo se remplazaron las salidas de NCEP-2 con las salidas de cuatro

modelos globales acoplados. Desafortunadamente, por limitación computacional, cada

modelo regional de los grupos que contribuyeron a NARCCAP fue forzado con la salida

de un solo modelo global acoplado, además de la requerida para la simulación del clima

histórico (1968-1999) con NCEP-2, lo cual complica substancialmente la comparación

entre los ocho modelos regionales y debilita las conclusiones. Aun con esas limitaciones

presentes, los resultados del estudio de Wehner (2012) sugieren que:

(1) Las simulaciones de los ocho modelos regionales en NARCCAP exhiben una fuerte

variabilidad (que depende de la estación) en la estadística de eventos extremos de

precipitación que no puede ser correlacionada con la habilidad de los modelos para

pronosticar promedios estacionales de precipitación.

(2) El promedio del ensamble mejora los valores de retorno a 20 años para eventos

extremos de precipitación y para el promedio estacional.

No es claro, sin embargo, que un promedio pesado del ensamble funcione en las

proyecciones de escenarios futuros. Por ejemplo, en las simulaciones para el periodo

histórico realizadas con el modelo WRF utilizando la parametrizacion de Grell (WRFG),

el desempeño del mismo fue muy pobre. Por ello, no es justificable utilizar una

metodología de ensamble más sofisticada que la de simplemente rechazar los miembros

del ensamble con el peor desempeño.

(3) Comparaciones entre proyecciones de escenarios futuros y las simulaciones del

periodo histórico refuerzan resultados previos del CMIP3 (Karl et al., 2009) en los que

las regiones húmedas del norte se hacen más húmedas en el invierno, en tanto que

regiones más secas del sur se secan aún más en el verano.

En las escalas de tiempo de las simulaciones de NARCCAP un forzamiento radiativo

desacelera la celda de Hadley debido a un incremento en vapor de agua. Held y Soden

(2008) así explican los cambios en precipitación máxima estacional observados en

CMIP3.

(4) Las comparaciones de eventos de precipitación máxima estacional y los de eventos

más extremos en los valores de retorno a 20 años muestran también una similitud

geográfica con los mostrados por Karl et al. (2009).

Existen dos hipótesis diferentes a la postulada por Held y Soden (2008): la primera es la

limitación de vapor de agua vía la relación de Clasius-Clapeyron, que expresa la presión


de vapor de agua como función de la temperatura solamente. De esta forma, los cambios

en precipitación extrema estarían controlados por los cambios en la temperatura de la

atmósfera (Allan y Soden, 2008). Otro posible mecanismo ha sido propuesto por

O’Gorman y Schneider (2009) en el que dichos eventos estarían controlados por

movimientos ascendentes convectivos lo cual cambiaría la estructura del vapor de agua

en la atmósfera de una manera complicada. Por si solos, estos mecanismos no podrían

explicar eventos individuales. Por ejemplo en condiciones de mayor temperatura aún es

posible obtener en las simulaciones de NARCCAP una disminución de eventos de

precipitación extrema, aun cuando hay mayor disponibilidad de vapor de agua en la

atmósfera. Por otra parte, cambios en precipitación extrema no ocurrirían en invierno de

tener solamente control convectivo del vapor de agua en latitudes medias, ya que los

sistemas en esta estación se rigen por sistemas frontales que no incluyen eventos

convectivos profundos. Una tercera propuesta, que en realidad no es una hipótesis de

principios básicos, es la disponibilidad de vapor de agua transportado por la gran escala.

Esta tercera propuesta se ve sugerida por el hecho de que el ensamble de NARCCAP

prevé, como escenario futuro, una reducción en precipitación media, máxima y extrema

en la región suroeste de Estados Unidos y noroeste de México. Se concluye que

dependiendo de la localidad y de la estación, estos tres mecanismos entran en juego para

modificar la estadística de precipitación extrema. La importancia relativa de cada

mecanismo propuesto es un tema de investigación actual.

La confianza que se tiene en los escenarios climáticos generados por NARCCAP se ve

limitada principalmente por el conjunto relativamente pequeño de miembros en el

ensamble de simulaciones diseñado para NARCCAP. Por ejemplo, solo un número

pequeño de realizaciones de modelos globales está disponible para alimentar los modelos

regionales que permitan muestrear adecuadamente el rango de incertidumbre a cambios

en la circulación de la celda de Hadley. La consistencia con resultados de CMIP3 no debe

llevar necesariamente a la conclusión de que estos resultados son robustos. Por otra parte,

la habilidad en replicar la estadística de la precipitación media y extrema respecto del

reanálisis en el periodo histórico, no superan al mismo reanálisis (Di Luca et al., 2012).

Antes bien, los modelos generan sus propios errores al interior del dominio

computacional haciendo que las soluciones difieran substancialmente de las condiciones

iniciales y de frontera de los modelos globales. Esto indica que es necesario tener mucho

cuidado en extraer conclusiones del downscaling sin hacer previamente un análisis

detallado del desempeño de los modelos utilizados, de la calidad de los campos forzantes

y de las bases de datos contra las que se deberían de evaluar los resultados.

11.1.2 Discusión y Recomendaciones

La resolución utilizada por los modelos regionales de NARCCAP es insuficiente, pues

produce sesgos importantes en precipitación y temperatura en superficie. La mínima

resolución espacial horizontal aceptable sería 32 km (Prof. Robert Oglesby,

comunicación personal; note que esta es la resolución espacial del Análisis Regional de

Norteamérica de Alta Resolución). Además, es necesario enfatizar que NARCCAP utiliza

modelos regionales en modo atmosférico, es decir, el estado superficial del mar es


prescrito como una condición de frontera. Esta simplificación es debida a una carencia de

capacidad de cómputo, puesto que los requerimientos para realizar NARCCAP utilizando

modelos regionales de alta resolución y acoplados al océano tendrían un altísimo costo

computacional. Este problema, observado en NARCCAP, se podría resolver si los

esfuerzos tuvieran un carácter nacional, como en algunos países europeos.

Para los Estados Unidos de Norteamérica, el usar modelos en modo atmosférico quizás

no sea tan relevante, dado su carácter continental. Es decir, como los dos océanos que

flanquean su territorio son tan distantes entre sí, su efecto sobre grandes porciones de su

territorio se podría considerar “constante”, es decir estacionario. Esta suposición, elimina

modos acoplados de variabilidad que son fundamentales para la evolución del tiempo

atmosférico y el clima y, si bien práctica, no es adecuada. Por ejemplo, en la Fig. 11.1.3

se muestran las condiciones atmosféricas promedio observadas en el mes de julio del

2011. Claramente, la configuración del anticiclón subtropical del Atlántico es tal que

induce flujos de humedad del Golfo de México y del Mar Caribe hacia gran parte del

territorio continental de los Estados Unidos. Con los modelos actuales globales es

imposible decir si estas configuraciones serán más frecuentes o no en los próximos años o

décadas. La razón principal es su inhabilidad para reproducir la variabilidad observada de

los fenómenos ondulatorios de latitudes medias. De esta manera, además de que

NARCCAP elimina modos acoplados de variabilidad océano-atmósfera, cuya

importancia es evidente en la Fig. 11.1.3, el utilizar condiciones de frontera provenientes

de modelos globales limita seriamente el desempeño del modelo para simular

correctamente la magnitud y la frecuencia de situaciones como la que se observó en julio

de 2011. En otras palabras, la variabilidad de estructuras del tipo mostradas en la Fig.

11.1.3 no está presente en las condiciones de frontera utilizadas para forzar los modelos

regionales.

Además de lo anterior, los modelos globales son aun incapaces de simular la ubicación

geográfica y la estadística mensual de la Zona Intertropical de Convergencia, lo cual

provoca sesgos muy importantes en la precipitación en las regiones tropicales.

En México se podría pensar en utilizar algo similar a NARCCAP pero tendría que ser

financiado en gran parte por el Gobierno Federal y analizar muy bien la conveniencia de

entablar un acuerdo de largo alcance con algún país desarrollado para compartir su

infraestructura, tanto material como humana. Además, algunas cosas a considerar serían

los siguientes puntos:

(1) Utilizar modelos acoplados climáticos regionales

Existen dos tipos de modelos regionales que pueden ser utilizados. En la década de los

ochentas y noventas se usaron mucho las simulaciones numéricas de la atmósfera en

modo único, es decir, se simulaba la evolución del estado de la atmósfera prescribiendo la

temperatura superficial del mar como una condición de frontera. Este enfoque, si bien

práctico y sencillo de realizar, tiene el gran inconveniente de eliminar modos acoplados

de variabilidad. Algunos de estos modos acoplados de variabilidad son de suma

importancia para nuestro país; por ejemplo el Fenómeno El Niño-Oscilación del Sur


(ENSO), la Oscilación Decadal del Pacífico (PDO), la Oscilación del Atlántico del Norte,

etc. Actualmente, no existen razones técnicas ni académicas para insistir en simular la

atmósfera como un ente separado del océano. Así que cualquier estudio orientado a

simular realísticamente el clima de nuestro país, tanto actual como futuro, debería de

incluir un modelo acoplado océano-atmósfera de alta resolución. Esfuerzos notables en

esta dirección se están haciendo en el Instituto de Meteorología Max Planck de

Hamburgo, Alemania.

(2) Explorar la conveniencia de correr los modelos atmosféricos globales utilizando una

resolución espacial alta y prescribiendo la temperatura superficial del mar para ciertas

décadas en el futuro (“time-slice experiments”).

Esta aproximación, si bien debería de simular correctamente las estadísticas de los

fenómenos ondulatorios de latitudes medias, eliminaría los modos acoplados de

variabilidad. Note que al menos estos modos sí contribuirían en el cálculo de la

temperatura superficial del mar que se prescribe, pues los campos prescritos provienen de

simulaciones de modelos acoplados océano-atmósfera; si bien la resolución espacial

empleada en ellos es tal que no permite la correcta estimación de las estadísticas en

latitudes medias.

Figura 11.1.3. Promedio mensual de a) altura geopotencial (m) a 925 mb, b) razón de

vapor de agua (g/kg) y viento horizontal (ms-1

) y c) altura geopotencial (m) y viento

horizontal (m s-1

) a 300 mb para el mes de julio de 2011.


11.2 Regionalización dinámica en NARCCAP

Una de las herramientas para incorporar los procesos de escalas menores es la reducción

de escala dinámica, ello mediante modelos numéricos regionales anidados en modelos

globales, como se realizó en el experimento NARCCAP (Fig. 11.2.1).

Figura 11.2.1. Integración de capacidades de modelos globales y regionales.

Utilizando una resolución de 2.5° (lat) x 3.75˚(lon), que corresponde ~ 280 km, como la

del modelo Hadley Centre (HadCM3), la morfología costera sería observada como en la

Fig. 13.2.2, donde la península de Baja California no existiría y el detalle de las costas

mexicanas se eliminaría.

Figura 11.2.2. Configuración costera con resolución de 280 Km (izquierda) y con 50 Km

(derecha).


La resolución de los modelos globales es adecuada para describir eventos de gran escala,

de más de 500 Km, sin embargo, los eventos de menor escala no son reproducidos con

estas resoluciones, ello se logra con anidamientos de modelos regionales en modelos

globales (Fig. 11.2.3).

Figura 11.2.3. Incorporación de procesos de menor escala mediante anidamientos de

modelos regionales en modelo globales.

Los modelos globales no reproducen fenómenos de menor escala para determinar la

ocurrencia de eventos hidrometeorológicos extremos como ondas del este, huracanes,

frentes fríos, los cuales impactan en la precipitación y temperatura, entre otros (Fig.

11.2.4). Por lo que es necesario utilizar modelos regionales dinámicos para simular estos

fenómenos.

Figura 11.2.4. Eventos meteorológicos de menor escala que no son capturados por los

modelos globales.

El modelo HadCM3 tiene una resolución de 280 km, para aumentar la resolución a 50

km, se requiere (280/50)3 = 175 veces el poder de cómputo original, la solución aplicada

es utilizar la resolución más fina únicamente sobre las regiones de interés. Los modelos

regionales resaltan regiones con masas continentales irregulares, topografía compleja,

líneas de costa complejas, tipos de suelo heterogéneos (Fig. 11.2.5)


Figura 11.2.5. Topografía representada en una malla de alta resolución.

Figura 11.2.6. Modelos globales (centro) y regionales (abajo) utilizados en NARCCAP.

Los cuatro modelos globales utilizados y su uso para inicializar 6 modelos regionales se

observa en la Fig. 11.2.6, donde se aprecia la combinación de éstos tanto para períodos

históricos como a futuro.

Los cortes de tiempo en los modelos globales se hicieron conforme a la Fig. 11.2.7,

donde éstos se ejecutaron a una resolución de 50 Km igual que los modelos regionales

para conocer las mejoras al anidar los modelos.


Figura 11.2.7. Cortes de tiempo de modelos globales.

Los acoplamientos entre modelos regionales y globales se hicieron de acuerdo a la Fig.

11.2.8, donde se aprecian dos fases, la primera utilizando la base de datos reanalizados

del NCEP y en la segunda fase se incorporan los modelos globales para forzar los

modelos regionales.

Figura 11.2.8. Acoplamiento de modelos regionales con globales.

11.2.1 Acceso a bases de datos NARCCAP

Los resultados del proyecto NARCCAP son del dominio público y están accesibles en la

página WEB:www.narccap.ucar.edu, donde el usuario se registra y elige las bases de

datos que requiere (Fig. 11.2.9 y 11.2.10).


Figura 11.2.9. Menú inicial de la página de registro de NARCCAP.

Figura 11.2.10. Menú de selección de macros para descargar datos.


11.3 Evaluación de algunas salidas de NARCCAP para el norte de México

A continuación se muestran algunos análisis de regionalizaciones dinámicas realizadas en

el experimento NARCCAP. Dado que una de las limitaciones para usuarios en México es

que el dominio de NARCCAP abarca solamente la parte norte de México (Fig. 11.1.1), se

utilizaron solamente las dos regiones del norte (Fig. 11.3.1) previamente analizadas en el

desempeño de los modelos globales participantes en CMIP5.

La metodología consistió en utilizar las salidas de varios modelos disponibles en la

página de NARCCAP (Fig. 11.2.1 y 11.2.2), las cuales se compararon con los datos

observados del CRU para las dos regiones del Norte de México que se muestran en la

Fig. 11.3.1.

Figura 11.3.1. Regiones seleccionadas para comparar resultados de NARCCAP con

observaciones (CRU).

De las simulaciones numéricas realizadas con el modelo WRF (disponibles en la página

de NARCCAP) se utilizó un período de 4 años (1996-1999), considerando que su

resolución temporal es de una hora, se tiene un total de 24x365x4=35,040 registros por

variable por nivel para este período. Para realizar las comparaciones con las

observaciones de CRU, se calcularon promedios mensuales para reproducir el ciclo

anual. Estos cálculos se realizaron tanto para la precipitación, como para la temperatura

media, máxima y mínima en ambas regiones del norte. En el caso de la precipitación, en

el ciclo anual en el noreste se observa una distribución bimodal (Fig. 11.3.2), con

máximos en junio y agosto y un mínimo relativo en julio, esta distribución temporal no es

reproducida por ninguna combinación de modelos regionales forzados con globales, sin

embargo, cuantitativamente, la combinación de los modelos WRF-CGCM3, sobre todo,

de agosto a noviembre, la combinación WRF-CCSM y WRF-NCEP subestiman y sobre-

estiman la precipitación respectivamente entre mayo y octubre, período de mayor

precipitación en la región.


Figura 11.3.2. Ciclo anual de precipitación en la región noreste del CRU y las salidas de

la regionalización dinámica del modelo WRF forzado con CCSM, CGCM3 y NCEP.

Por otra parte, las tres combinaciones de modelos subestiman la temperatura máxima del

noreste, siendo similar en todos los casos la distribución temporal, con máximos entre

mayo y agosto (Fig. 11.3.3). La fuerte subestimación en la temperatura máxima ha sido

persistente tanto en los modelos del CMIP3 como en los del CMIP5 en todo México, y

por lo visto, los modelos regionales no pueden mejorar este sesgo.

Figura 11.3.3. Ciclo anual de la temperatura máxima en la región noreste del CRU y las

salidas de la regionalización dinámica del modelo WRF forzado con CCSM, CGCM3 y

NCEP.

Para la temperatura mínima, existe menos dispersión entre las combinaciones de modelos

(Fig. 11.3.4), mostrando de igual forma una distribución unimodal, con máximos entre

junio y agosto, siendo WRF-CGCM3 los modelos que más se aproximan a las

observaciones.


Figura 11.3.4. Ciclo anual de la temperatura mínima en la región noreste del CRU y las


NCEP.

Para la temperatura media (Fig. 11.3.5) en la misma región el desempeño de las

combinaciones de modelos es similar a los anteriores: los modelos subestiman la

temperatura.

Figura 11.3.5. Ciclo anual de la temperatura media en la región noreste del CRU y las


NCEP.

Para la región noroeste, la distribución temporal de precipitación alcanza un único

máximo entre julio y agosto (Fig. 11.3.6), comportamiento típico del ciclo anual del

monzón; sin embargo, ninguna de las tres combinaciones de modelos se aproxima ni

cualitativa ni cuantitativamente a las observaciones, en todos los casos subestiman la

precipitación, observándose que los modelos globales de CMIP5 poseen mejor

desempeño que los de CMIP3 regionalizados dinámicamente con WRF. Esto puede

deberse a que los efectos estacionales del monzón son una suma de procesos de escalas

regionales y locales cuyos efectos no son capturados por los modelos globales que están

forzando al modelo regional WRF, el cual tampoco es capaz de generarlos a escala fina.

La subestimación en la precipitación puede deberse a que los modelos globales están

demasiado fríos (Figs. 11.3.7-11.3.9), lo cual podría generar un retraso en el monzón,

como lo han sugerido Cavazos y Arriaga-Ramirez (2012).


Figura 11.3.6. Ciclo anual de precipitación en la región noroeste utilizando

regionalización dinámica con el modelo WRF forzado con modelos globales.

En cuanto a la temperatura media para la misma región noroeste, el ciclo anual muestra

un máximo único entre mayo y septiembre, este máximo es reproducido cualitativamente

por todas las combinaciones de modelos (Fig. 11.3.7), sin embargo son subestimadas en

todas las combinaciones de modelos, para el invierno (diciembre a marzo) la

combinación de modelos WRF-CCSM sobre-estima la precipitación, representando el

peor desempeño de todas las combinaciones.

Figura 11.3.7. Ciclo anual de la temperatura máxima en la región noroeste utilizando


Por otra parte, la temperatura mínima en el noroeste es mejor reproducida por el modelo

WRF en todas sus combinaciones con modelos globales (Fig. 11.3.8), aunque también

subestiman en los meses de mayores valores (agosto a octubre).


Figura 11.3.8. Ciclo anual de temperatura mínima en la región noroeste utilizando


Finalmente, para la temperatura media en el noroeste, los modelos la subestiman de igual

forma (Fig. 11.3.9), no obstante reproducen cualitativamente la distribución unimodal

observada.

Figura 11.3.9. Ciclo anual de la temperatura media en la región noroeste utilizando


Los errores de la reducción de escala aplicada en NARCCAP para las dos zonas del norte

de México se estimaron utilizando las mismas métricas aplicadas en este proyecto

(desviación estándar: std, error cuadrático medio: RMSE, error medio absoluto: MAE y

correlación en tiempo: r), esto se calculó a cada una de las combinaciones de modelos

global-regional. Para el noroeste se observa que la combinación con mayor variabilidad

es WRF-CCSM (barra azul) y la menor para WRF-NCEP, las observaciones poseen una

desviación estándar que está numéricamente entre ambas (Fig. 11.3.10). Respecto al error

cuadrático medio, el menor valor lo tiene WRF-NCEP y el mayor WRF-CCSM, esta

relación se refleja en el error medio absoluto y la correlación, que es mayor con WRF-

NCEP. Para el noreste a pesar de que la desviación estándar de WRF-NCEP es mayor, se

conserva cualitativamente el desempeño relativo de las tres combinaciones de modelos,

siendo en ambas regiones, la combinación de los modelos WRF-NCEP la de mejor

desempeño.


Figura 11.3.10. Errores calculados mediante métricas entre simulaciones regionalizadas

y observaciones.

Para la temperatura máxima, media y mínima se mantiene la misma relación entre el

desempeño de los modelos y las observaciones (Figs. 11.3.11 a 11.3.12), los menores

errores se mantienen en la combinación WRF-NCEP, como en precipitación, aunque en

esta variable el desempeño del resto de las combinaciones son mejores, acercándose al

valor de la correlación siendo muy similares en los tres casos.


y observaciones para la temperatura máxima.



y observaciones para la temperatura media.


y observaciones para la temperatura mínima.

Respecto a lo que espera en el futuro con el escenario A2 en la temperatura media para la

región de NARCCAP con el modelo global CCSM, en la Fig. 11.3.15 se presenta la

diferencia del período a futuro 2041-2070 respecto el período histórico 1971-2000,

notándose que tanto para el verano como el invierno todos los valores sobre la región son

positivos, sobre México se observan regiones con valores positivos en el futuro cercanas

a 2.5°C y en verano de 2 a 2.5°C, únicamente se observa una diferencia de cero en una

pequeña región sobre el Pacífico del Este.


Figura 11.3.16. Cambio estacional de la temperatura media estimado con el modelo

CCSM, a) Invierno: DEF, b) Verano: JJA

Para estimar los efectos de la regionalización dinámica utilizando la combinación de

modelo MM5 forzado con CCSM, se calculó la diferencia entre el período 2041-2070

respecto al período histórico 1971-2000. Se observan temperaturas más cálidas en el

futuro pero menores que las estimadas con el modelo CCSM sin regionalizar, de menor

intensidad en verano, mientras que para el invierno en la porción sureste de la región se

estima menor calentamiento respecto al período histórico (comparar Fig. 11.3.15b con

Fig. 11.3.16b).


Figura 11.3.16. Cambio estacional de la temperatura media estimado con el modelo

MM5 forzado con el modelo CCSM, a) DEF, b) JJA.

Para el caso de la precipitación invernal, el modelo CCSM estima menor cantidad para el

período 2041-2070 respecto al período 1971-2000 para la zona de México y sur de

Estados Unidos, (Fig. 11.3.17) mientras que para verano se estima mayor precipitación

que respecto al período histórico indicado.

Figura 11.3.17. Cambio estacional de la precipitación media proyectada por el modelo

CCSM, a) DEF, b) JJA.


Utilizando resultados de la regionalización con el modelo WRF forzado con el modelo

CGCM3, tanto para el invierno como el verano se estima una menor precipitación sobre

el territorio mexicano desde el 30% hasta el 50% en regiones del noroeste mexicano,

sobre todo la zona del monzón de Norteamérica. Este último resultado (Fig. 11.3.18b) se

contrapone con lo que lo estimado sin regionalizar dinámicamente (Fig. 11.3.17b), donde

se estima mayor precipitación de verano en la zona mexicana. Este es un ejemplo, en

donde la regionalización puede cambiar drásticamente los resultados del modelo con el

cual fue forzado.

Figura 11.3.18. Cambio estacional de precipitación media estimado con el modelo WRF

forzado con el modelo CGCM3, a) DEF, b) JJA.


12. Anexo 2. Colaboraciones internacionales

Uno de los objetivos del proyecto fue la capacitación en modelación numérica regional;

por lo tanto, se organizaron dos talleres. El primer taller titulado Conocimientos básicos

sobre el modelo climático regional de alta resolución (REMO) se realizó en agosto de

2012 en el Centro de Ciencias de la Atmósfera; fue impartido por el Dr. William David

Cabos Narvaez, del departamento de Física de la Universidad de Alcalá de Henares y el

Dr. Dmitry Sein, del Instituto Max Planck de Meteorología. Participaron 8 investigadores

y estudiantes.

El segundo taller, coordinado por el IMTA y el CICESE, se llevó a cabo en las

instalaciones del IMTA en septiembre de 2012 con la participación de 20 estudiantes e

investigadores Mexicanos. El taller se tituló Regionalización Dinámica de Escenarios de

Cambio Climático utilizando el modelo atmosférico WRF, el cual fue impartido por los

Dres. Robert Oglesby y Clint Rowe, investigadores de la Universidad de Nebraska-

Lincoln.

12.1 Taller: Conocimientos básicos sobre el modelo climático regional de alta resolución (REMO)

Desde hace varios años se han fortalecido los lazos con el Instituto Max Planck de

Meteorología de Hamburgo, Alemania. Con la finalidad de proporcionar a

investigadores, técnicos y estudiantes mexicanos la posibilidad de familiarizarse con el

modelo climático regional de alta resolución (REMO) desarrollado en dicha institución,

se organizó un taller, coordinado por el Dr. Benjamín Martínez López, para tal efecto.

Los instructores del taller fueron el Dr. William David Cabos Narvaez, del departamento

de Física de la Universidad de Alcalá de Henares, y el Dr. Dmitry Sein, del Instituto Max

Planck de Meteorología y se impartió en el Centro de Ciencias de la Atmósfera de la

UNAM del 14 al 16 de agosto del presente.

El contenido del taller abarcó los puntos siguientes:

Introducción al REMO

Preparación de las librerías de suelo

Preparación de las librerías de las condiciones de frontera

Corrida del modelo

Post-procesado y visualización (CDO, Ncview, NCL)

Discusión

En este taller los investigadores, técnicos y alumnos participantes aprendieron lo básico

para entender y poder realizar simulaciones utilizando un modelo climático regional. A

cada participante del taller se le creó una cuenta en cluster Ometéotl del Centro de

Ciencias de la Atmósfera. En este cluster se instaló previamente el modelo REMO usado

en el Instituto Max Planck de Meteorología y se realizó el procesamiento de los campos


necesarios para inicializar el modelo, la compilación del mismo, así como su ejecución y

procesamiento de los resultados. Este procedimiento se les explicó a los asistentes en

detalle durante los tres días que duró el taller y ellos mismos eligieron el dominio para

realizar sus ejercicios.

Se decidió utilizar el dominio ilustrado en la Fig. 12.1.1 (Izq.) y como primer paso

estamos corriendo en nuestro cluster el modelo REMO en modo atmosférico utilizando

tres resoluciones espaciales: un grado, medio grado y un cuarto de grado. Un campo

resultante (temperatura superficial) se muestra como un ejemplo (panel inferior de la Fig.

10). La meta en el corto plazo es correr este modelo acoplado al modelo oceánico global

(MPI-OM) desarrollado por el Dr. Ernst Maier-Reimer y el Dr. Uwe Mikolajewicz del

Instituto Max Planck de Meteorología de Hamburgo. Para ello es necesario configurar el

modelo oceánico para que se tenga una mayor resolución espacial en nuestra región de

interés y se simule de una manera adecuada la interacción de anomalías de temperatura

superficial del mar y la atmósfera. Lo anterior es de gran importancia en el Golfo de

México, pues es bien sabido que los remolinos anticiclónicos que se desprenden de la

Corriente de Lazo son capaces de intensificar y modificar la trayectoria de huracanes que

pasan sobre ellos.

Es importante mencionar que no existe a la fecha un artículo científico que haya

analizado el papel de los modos acoplados de variabilidad océano-atmosfera en la

evolución del clima en nuestro país utilizando un modelo climático regional acoplado a

un modelo oceánico. Como resultado de esta colaboración, se tiene ya la base para

realizar un estudio con estas características en el corto plazo y ampliar las bases de

colaboración en el marco de la red de simulación del clima propuesta por el INE.

De este taller y de la asistencia a la Tercera Conferencia Internacional de Modelación del

Sistema Tierra, efectuada en Hamburgo, Alemania del 17 al 21 de septiembre del

presente, quedó claro que la comunidad mexicana enfocada a la modelación del clima

debe de tener mayor presencia internacional. Por ejemplo, en NARCCAP (vea la sección

correspondiente) el dominio considerado excluye prácticamente la mitad de nuestro

territorio y en CORDEX (Coordinated Regional Climate Downscalling Experiment), se

eligió un dominio que excluye una región del noroeste de nuestro territorio. Es pertinente

preguntar las razones por las que no se trató de modificar ese dominio.


Figura 12.1.1. (Izq.): Dominio elegido para realizar simulaciones con el modelo

oceánico global (MPI-OM) acoplado a un modelo atmosférico regional de alta

resolución (REMO). Ambos modelos pertenecen a lo más avanzado disponible en los

centros mundiales vanguardistas de simulación del clima. (Der.): campo simulado de

temperatura superficial para un día arbitrario de invierno.

12.2 Taller: Regionalización dinámica de escenarios de cambio climático usando WRF

En las instalaciones del IMTA (Centro de Capacitación) del 24 al 27 de septiembre 2012

se llevó a cabo un curso-taller para usuarios del modelo WRF consistente en simular

numéricamente la dinámica regional utilizando escenarios de cambio climático derivados

del experimento de intercomparación llamado CMIP5.

Instructores: Dr. Robert Oglesby (Universidad de Nebraska, Lincoln)

Dr. Clinton Rowe (Universidad de Nebraska, Lincoln)

Número de participantes: 24.

Objetivos del taller

Ofrecer a los participantes una introducción a:

1) La configuración y ejecución del modelo regional WRF para hacer reducciones de

escala a partir de simulaciones de escenarios de cambio climático derivada de

información de los modelos de circulación general.

2) El procesamiento y análisis de resultados de la reducción de escala dinámica en

regiones específicas.

3) El uso de resultados conjuntamente con la evaluación de impactos (IAM, por sus

siglas en inglés) y otras herramientas para entender y establecer medidas de

adaptación en la región de estudio.

Metas del taller

Ofrecer un entrenamiento práctico en el uso de modelos climáticos regionales para

reducir la escala dinámica a las proyecciones de cambio climático para México.


Descripción del taller

Los modelos de circulación general (MCG) son la mejor herramienta con que se cuenta

en la actualidad para entender y generar escenarios de cambio climático para las

siguientes décadas. Debido a la gran cantidad de cálculos que se deben hacer en cada

punto de malla, se requieren computadoras de alto rendimiento para ejecutar modelos

adecuadamente, a pesar de ello, los modelos globales tienen una resolución burda, de

aproximadamente 150 km. Esta resolución es útil para describir patrones de circulación

global, pero es insuficiente para describir los procesos locales que puedan ser importantes

para México, como los efectos de su orografía abrupta, o procesos atmosféricos de menor

escala de 100 km. Para describir estos procesos, se han desarrollado herramientas para la

reducción de escala, basadas tanto en métodos estadísticos, como dinámicos, estos

últimos se utilizan en modelos numéricos y serán abordados en este taller.

La reducción de escala dinámica requiere de modelos climáticos regionales, los cuales

pueden ejecutarse a muy altas resoluciones espaciales (12 km, aproximadamente),

simulando la dinámica del clima regional en zonas limitadas por las mallas seleccionadas.

Dado que el clima posee una naturaleza global, estos modelos regiones deben forzarse

con condiciones iniciales y de frontera provenientes de modelos globales. A pesar de que

los modelos globales puedan representar el clima de siglos, los regionales solamente

pueden simular algunos años.

En este taller se utilizó el modelo regional WRF (Weather Research and Forecasting), ya

que es el más utilizado y mejor documentado del mundo. Los participantes

experimentaron con la configuración de este modelo para genera los dominios de interés,

balanceando resoluciones con el tamaño de la malla generada. Se mostró cómo generar

simulaciones de control forzadas con observaciones (datos de Reanálisis de NCEP) para

evaluar el desempeño del modelo en la región seleccionada para el clima presente. El

participante obtuvo herramientas para seleccionar simulaciones derivadas de modelos

globales para forzar el modelo regional bajo escenarios de cambio climático de su interés,

ejecutar el modelo y tareas cruciales del procesamiento y análisis de los voluminosos

archivos generados con el modelo WRF.

El taller se basó en entrenamientos prácticos del uso de modelos, análisis e interpretación

de resultados, particularmente en el uso de los nuevos resultados derivados de los

modelos del CMIP5 que serán utilizados en el AR5 del IPCC. Además, se analizaron las

herramientas para el análisis de los resultados del modelo WRF mediante ejemplos

reales.

La componente práctica se complementó con clases teóricas que brindaron elementos de

ciencia básica y técnicos tanto de los modelos como de la dinámica del clima.

Índice temático del taller

1. Descripción de los modelos climáticos regionales y globales.

2. Selección de dominios y configuración de ejecuciones de control para reproducir

el clima regional actual.

3. Desarrollo de simulaciones bajo escenarios de cambio climático:


a) Selección del modelo global.

b) Determinación del período de tiempo de interés.

c) Simulaciones de control y experimentales y comparaciones.

4. Procesamiento y análisis de simulaciones regionales

5. Uso de simulaciones regionales para evaluación de impactos.

Alcances

Al completar el taller, los participantes adquirieron habilidades para:

1. Entender cómo configurar y ejecutar el modelo WRF para el dominio seleccionado.

2. Analizar y procesar las simulaciones regionales.

3. Integrar los resultados de simulaciones regionales con la evaluación de impactos

Figura 12.2.1. El instructor define los alcances y limitaciones del taller.

Figura 12.2.2. Participantes del taller y trabajo en equipos.


Figura 12.2.3. Analizando resultados y trabajo en equipos.

Justificación e importancia del taller

Por sus resoluciones espaciales, los modelos numéricos globales no describen

adecuadamente el clima regional actual o el asociado a diferentes escenarios de cambio

climático, siendo además fundamental incluir procesos atmosféricos locales, esto se

logra con las reducciones de escala dinámica utilizando modelos climáticos regionales.

Para Norteamérica. El proyecto NARCCAP regionalizó dinámicamente escenarios de

cambio climático, pero tiene dos desventajas para México: la primera es que el dominio

no incluye el sur y sureste de México y la segunda es que solamente se utilizó el

escenario A2, existiendo más y nuevos escenarios, siendo ambas limitantes para que sea

de utilidad en México. Además, algunos de los MCG utilizados para forzar los modelos

regionales no son los más adecuados para simular los mecanismos sinópticos y

estacionales que afectan a México, como el monzón (Figs. 11.3.7 a 11.3.10).

De ello se desprende claramente la necesidad de construir capacidades en México para

realizar regionalizaciones de acuerdo a necesidades locales, seleccionar regiones,

escenarios, modelos, configuraciones, etc., que detonarán en más y mejor información

para evaluar impactos.

La información (datos de modelos globales forzados bajo diferentes escenarios y

programas para correr el modelo WRF, así como el modelo WRF) quedó almacenado en

el equipo de cómputo de alto rendimiento del IMTA, donde podrán reproducirse los

ejercicios realizados durante el taller, no obstante este ejercicio requiere de una

planeación del uso del equipo de alto rendimiento, ya que se requiere de gran capacidad

de poder de cómputo y de almacenamiento masivo de información.

Síntesis de la discusión final entre todos los participantes.

Al concluir el taller se abrió una discusión final con duración aproximada de dos horas,

donde se abordó el tema de la capacidad de cómputo insuficiente para México y de la

necesidad de optimizar los recursos disponibles, se propuso elaborar una “pregunta

clave” como la incertidumbre inherente al uso de modelos numéricos y su aplicación a


estudios de cambio climático, se sugirió además elaborar un diagnóstico de las fortalezas

y debilidades en cuanto a la capacidad de realizar un gran proyecto de regionalización

dinámica tanto enfocado a cambio climático como conocer mejor la dinámica atmosférica

local intentando reducir las incertidumbres asociada a los modelos.

Se habló también de orientar los experimentos numéricos a evaluar la capacidad de

reproducción de eventos atmosféricos conocidos y de alto impacto, como la migración

estacional de la zona de convergencia intertropical, el Niño, las ondas del este, los

huracanes, los frentes fríos y sus nortes asociados, sequías, etc.

Se abordó la pobre contribución que tuvo NARCCAP para la región mexicana, siendo

importante un diseño de experimento orientado a México aprovechando el avance en

ciencia y tecnología, como el modelo WRF, excelentemente documentado, en México

hay varios grupos usuarios de este modelo y debe aprovecharse.

Se habló de la posibilidad de realizar un segundo taller en 2013, dándole seguimiento a

los avances que puedan lograr los participantes para entonces, remarcando las habilidades

del modelo WRF y sus debilidades para reproducir la dinámica atmosférica sobre

México. Se mencionó que una de las debilidades mayores en México es la falta de

recursos humanos tanto en actividades científicas como operativas y se invitó a los

representantes de las universidades en este taller (UNAM, U de G, UV, CICESE) a

involucrarse con su alumnos, acercándolos a este tipo de proyectos para entrenamientos

específicos. Los instructores resaltaron la motivación identificada en este grupo y los

invitó a aprovecharlo en proyectos futuros. Se mencionó explorar la posibilidad de

utilizar a REDESClim, la Red Mexicana de Modelación del Clima y al INE como

promotores de relaciones inter-institucionales para lograr este proyecto de

regionalización dinámica buscando opciones de financiamiento tanto nacional como

internacional. Se acordó explorar la escritura de un borrador de propuesta de proyecto de

regionalización dinámica identificando opciones de financiamiento.

INFORME FINAL · Informe Final, 15 de enero de 2013 4 i. Resumen Ejecutivo Las instituciones de la...

Documents

Transcript of INFORME FINAL · Informe Final, 15 de enero de 2013 4 i. Resumen Ejecutivo Las instituciones de la...