Está en la página 1de 70

......................................................................................................................................................

Plataforma de Información de cambio climático y
biodiversidad para el fomento de políticas públicas de
conservación y adaptación en la región de los Andes
Tropicales
.........................................................................................................................................
Combinación de Proyecciones de
Modelos de Cambio Climático Y
ANDES QC: Control de calidad de datos
para grupos de estaciones meteorológicas

1

Plataforma de Información de cambio
climático y biodiversidad para el fomento de
políticas públicas de conservación y
adaptación en la región de los Andes
Tropicales
Combinación de Proyecciones de Modelos
de Cambio Climático
Y
ANDES QC: Control de calidad de datos para grupos de
estaciones meteorológicas

Por William Cabos y Enric Aguilar

1

.

1er piso Esta publicación ha sido realizada por el Centro Internacional para la Investigación Teléfono: + (593 4) 2514770 del Fenómeno de El Niño en el marco del proyecto ATN/OC-12439-RG “Información Fax: + (593 4) 2514771 de cambio climático y biodiversidad para el fomento de políticas públicas de conser- Casilla #09014237 vación y adaptación en la región de los Andes Tropicales”. Perú y Bolivia.Arturo Torres Impresión Digital Center Para citar el documento: CIIFEN 2014. Escobedo #1204 y 9 de Octubre Edificio Fundación El Universo. Centro Internacional para la Investigación del Fenómeno de El Niño (2014) Se permite reproducir y comunicar esta obra siempre y cuando se cite la fuente de manera correcta y no se utilice para fines comerciales.org/licenses/by-nc/3. BID. 3 .0/ Diagramación Belén Mendoza . bajo la iniciativa de Bienes Públicos Regionales (2012). Algunos derechos reservados http://creativecommons. financiado por el Banco Guayaquil-Ecuador Interamericano de Desarrollo. DEL FENÓMENO DE EL NIÑO p 1-67. Metodología para la Estimación de Vulnerabilidad en Ecuador. Proyecto Información de cambio climático y biodiversidad para el fomento de CENTRO INTERNACIONAL PARA LA INVESTIGACIÓN políticas públicas de conservación y adaptación en la región de los Andes Tropicales.

.

Información de cambio climático y biodiversidad para el fomento de políticas públicas de conservación y adaptación en la región de los Andes Tropicales PROYECTO ATN/OC-12439-RG Financiado por: Banco Interamericano de Desarrollo Los Servicios Meteorológicos Nacionales de Bolivia. Ecuador y Perú CENTRO INTERNACIONAL PARA LA INVESTIGACIÓN DEL FENÓMENO DE EL NIÑO 2014 5 . Bienes Públicos Regionales Ecuador y Perú Agencia Ejecutora: Y Los Ministerios del Ambiente de Bolivia.

DIRECCIÓN GENERAL DIGITADORES DE DATOS CLIMÁTICOS: Director Internacional Coordinador Científico INAMHI ECUADOR SENAHMI PERÚ SENAHMI BOLIVIA Dr. Rodney Martínez Güingla Álvaro Moreno Gerardo Jácome Ana Mendoza Moreno Vergaray Calderón Dayanira Castro Lenin Suca Huallata José Paz Cortez EQUIPO DE PROYECTO Zambrano Coordinador Consultora Consultor en Modelación DIGITADORES DE DATOS BIODIVERSIDAD: Juan José Administrativa Nieto López Financiera y Climática Adquisiciones William Cabos MINISTERIO DEL MINISTERIO DEL MINISTERIO DE MEDIO Jessica Díaz Cabezas Narváez AMBIENTE DE EECUADOR AMBIENTE DE PERÚ AMBIENTE Y AGUA DE María Cristina Argudo Cynthia Sánchez BOLIVIA Consultor en Consultor en Sistemas Asistente en Sistemas Pazmiño Figueroa Shiara Pereira Climatología de Información de Información Karina Molina Diego Guevara Torres Gutiérrez Geográfica Tarapués Naira Durán Nogales Enric Aguilar Anfrons Geográfica Alejandro Chamizo de Antonio Julián Castro Hernández Cotrina Asistente en Sistemas de Consultor para el Desarrollo Coordinador Juan José Nieto PERSONAL DE CIIFEN . José Daniel Pabón Caicedo Oc.CONTRAPARTE Información de la Plataforma López DEL PROYECTO Geográfica Informática César Quishpe Juan Ignacio Varela SISTEMAS DE INFORMACIÓN ADMINISTRACIÓN Vásquez GEOGRÁFICA Cinthya García Arias Asistente para el Consultora para el Consultor en Pilar Icaza Olvera Evelyn Ortiz Sánchez Desarrollo de la Desarrollo Climatología Plataforma Informática de Material Educativo Enric Aguilar Anfrons Guillermo Armenta Abigail Alvarado Porras Almeida .

la vulnerabilidad estimada de los ecosistemas andinos y los da- NAMIENTO EN CAMBIO CLIMÁTICO Y BIODIVERSIDAD PARA tos e información de la biodiversidad existente en dichos ecosistemas para su uso por parte de los gestores y tomadores decisiones de los LOS ANDES TROPICALES. discusión y consenso de los Andes Tropicales. de la vulnerabilidad de los ecosistemas andinos. (ii) sistema de información geográfi- ca para la estimación de la vulnerabilidad de los ecosistemas andinos. derechos sobre la propiedad intelectual y conocimientos desarrolló un kit educativo para impartir Talleres de Entrenamiento a tradicionales. vulnerabilidad de ecosistemas an- políticas públicas y la inserción de la conservación de la biodiversidad dinos y bases de datos de biodiversidad-cambio climático. nal. Además. cada uno de los cuales tiene sus Tropicales (vi) implementación de la plataforma tecnológica que integre propios resultados: los productos iii. se anía nacional. (i)  Taller Regional para la definición y el consenso de la metodología 7 . análisis y despliegue de los escenarios de cambio climático en los Andes tropi- • COMPONENTE II: MÓDULO DE EDUCACIÓN Y ENTRE- cales. Este Sistema Regional de Información comple- mentará los esfuerzos realizados a nivel de la Comunidad Andina de El objetivo de este componente era desarrollar un módulo de educación Naciones y constituirá el componente (cambio climático-biodiversidad) y entrenamiento de fácil acceso y sostenibilidad que contase con un del Sistema Regional de Biodiversidad. aspectos sistema de aprendizaje virtual sobre todos los resultados del proyecto relevantes sobre principios de manejo de la información. andina de los países beneficiarios. Fruto de estas actividades se cuenta con los siguientes productos: • COMPONENTE I: IMPLEMENTACIÓN DEL SISTEMA RE.y la provisión de todo el material educacional de soporte. (v) fortalecimiento de las bases regionales de biodiversidad y cambio climático de los Andes El proyecto incluye tres componentes. como sober. Su finalidad es contribuir en la generación de de: escenarios e índices climáticos. países participantes. ANTECEDENTES DEL PROYECTO Esta iniciativa regional tiene como propósito la implementación de un a aplicarse en el proyecto en los distintos componentes. Considera. (i) proyecciones regionales integradas de cambio climático en la zona GIONAL DE INFORMACIÓN DE CAMBIO CLIMÁTICO Y BIODI. (iv) estimación Perú. iv y v.acceso público. VERSIDAD EN LOS ANDES. Ecuador y lación de escenarios y estimación de índices climáticos. (iii)  integración de bases de datos de biodiversidad disponibles para los Andes Tropicales. humana y tecnológica que permita la sistematización. (ii) 3 Talleres itinerantes para la definición. (iii) compi- en los Planes Nacionales de cambio climático en Bolivia. además. nivel nacional con instructores nacionales que puedan ser replicados Para lograr ese objetivo se llevaron a cabo las siguientes actividades: conforme a las necesidades de cada país. y (iv) sistema digital de información en línea con El objetivo del componente era el desarrollo de la plataforma institucio. su imple- Sistema Público Regional de Información de Cambio Climático y su mentación a nivel nacional y el rol de cada una de las instituciones en el potencial impacto en la conservación de la biodiversidad para la región mismo.

la operación genere los siguientes resultados intermedios: diversidad andina. humana y tecnológica el contexto del cambio climático. climático en funcionamiento. (ii)  diseño y elaboración de los kits educativos. capacitación y entrenamien- Para lograr ese objetivo se llevaron a cabo las siguientes actividades: to a nivel nacional en biodiversidad-cambio (i) organización de foros públicos y paneles dirigidos a autoridades políti. FOMENTO A LA INSERCIÓN DEL TEMA nacionales que provee información de esce- CAMBIO CLIMÁTICO-BIODIVERSIDAD EN LAS POLÍTICAS narios de cambio climático integrados.Para lograr ese objetivo se realizaron las siguientes actividades: (i) de. El objetivo de este componente era fomentar el uso de los productos y servicios de información generados por el proyecto como insumos para los planes y estrategias y la generación de políticas regionales y a nivel nacional en cuanto al manejo y conservación de la biodiversidad. (ii) 12 Talleres Nacionales de Trabajo para la revisión de estrategias de inserción del tema biodiversidad en los planes de adaptación. Fruto El sistema contribuirá en la elaboración de es- de estas actividades se cuenta con estos productos. Estas actividades permitieron desarrollar los siguientes impacto en la biodiversidad para la región de los Andes. en Plataforma institucional. Resultados esperados sarrollo del sistema virtual de educación. Plataforma tecnológica regional con nodos • COMPONENTE III. andina. (ii)  kit educacional para capacitadores en cambio climático y biodiversidad andina. (ii) documentos en los Planes. y (iii) esquemas de uso y aplicación de los nodos del sistema en cada país. planes o políticas de los incluyan la conservación de la biodiversidad países en cuanto a cambio climático y biodiversidad. y (iii)  un Taller itinerante para la discusión sobre El principal resultado esperado es la implementación de un Sistema el uso y la aplicación de los nodos nacionales del sistema regional de Público Regional de Información de Cambio Climático y su potencial información. cas y ambientales. eco- PÚBLICAS NACIONALES. (i) aplicaciones trategia regional y estrategias nacionales que de los productos del proyecto en estrategias. y (iii) alianzas formalizadas con otros organismos internaciona- les y agencias de cooperación. para educación. y (iii) articulación del sistema regional con otras iniciativas. Programas o Estrategias de resumen para políticos en materia de cambio climático y biodiversidad adaptación al cambio climático. . sistemas andinos vulnerables definidos e información de biodiversidad y clima comple- mentaria sistematizada para cada país. proyectos y agencias de cooperación que los países decidieren. en la región de los Andes Tropicales. Se espera que productos: (i) sistema de educación virtual en cambio climático y bio.

2006).. 2° Norte hasta de los mayores componentes de la circulación en esta estación. pero no solo cumple el papel de barrera climática. Existen ingentes esfuerzos en como orográficas. a la conservación de la biodiversidad dentro de estrategias factibles y que se extiende paralela a la costa del océano Pacífico. se caracteriza por dor y Perú. dando lugar a condiciones A inicios de 2011. El Cambio climático se suma a las intensas 9 . sin la necesaria interacción. de Proyecciones de Modelos de Cambio Climático en Ecuador. incluyendo climas de tipo tropical y subtropical.” bajo el programa de La migración estacional de la zona de convergencia intertropical (ITCZ. América del sur (Vera et al. Bienes Públicos Regionales del Banco Interamericano de Desarrollo. al de Información de Cambio Climático y su potencial impacto en la las células anticiclónicas subtropicales sobre los océanos Pacífico y biodiversidad para la región de los Andes Tropicales. en la zona de Puna de Bolivia (departamento de región al este de los andes tropicales. la circulación de larga escala en altura. y Servicios Meteorológicos e Hidrológicos Nacionales de Bolivia. Uno esta iniciativa regional se extiendes desde el ecuador. ATN/OC-12439-RG. Ecua- ano austral. La cordillera eficientes para la adaptación al cambio climático. con la finalidad Atlántico dominan la circulación de larga escala. tanto por forzamientos lo. Perú y te de los andes. en la los 24° de latitud sur. que representa la principal fuente de cambio climático en Bolivia. Bolivia y la herramienta ANDES QC (programado sobre R) para control de calidad de datos climáticos. “Información de Cambio Climático y Bio- que también influye en la interacción entre trópicos y extra-trópicos. tanto por sus características climáticas mas alto andinos ya están percibiendo. La zona de estudio de humedad en el sur de Brasil y las planicies del sur del continente. junto a los Ministerios de Ambiente estacionalidad de la precipitación en la región andina. constituye una barrera estrecha que canaliza el flujo del aire. la célula anticiclónica Esta guía técnica presenta la Metodología usada para la Combinación subtropical sobre el océano Pacífico es el factor más importante al oes. La más importante mo para el diseño de políticas públicas y planes de acción conducentes característica geográfica de la región es la Cordillera de los Andes. El por sus siglas en inglés) es el factor más importante que controla la proyecto fue ejecutado por CIIFEN. es el sistema de Monzones de Potosí). se dio paso a la implementación del proyecto region- secas en la vertiente del Pacífico y condiciones húmedas en el este sino al No. Durante el ver. PRESENTACIÓN La región andina presenta un reto para los modelos climáticos actuales. Ecuador y Perú. la zona de Puna de Perú y la zona de Páramos de Ecuador. una zona de baja presión que se extiende desde el noroeste de Brasil hacia el Atlántico Tropical y El Objetivo del proyecto fue implementar un Sistema Público Region- vientos del este sobre las latitudes subtropicales. considerable extensión meridional y diversos patrones de tiempo y cli. los cales. y variadas presiones que las especies como elementos de los ecosiste- ya sean globales o regionales. para generar información integrada que pueda convertirse en un insu- ma. como por otros remotos y regionales. un centro de alta presión sobre el altiplano. Los vientos del este de contribuir en la generación de políticas públicas y la inserción de la procedentes del Atlántico son desviados hacia el sur por la cordillera conservación de la biodiversidad dentro de los Planes Nacionales de andina hacia la baja del Chaco. La región presenta una cuales han avanzado en forma individual. cuanto al tema de biodiversidad y de cambio climático en la región. Los Andes Tropicales presentan áreas críticas en cuanto a la conser- vación de la biodiversidad. En los niveles bajos. Su clima es afectado. diversidad para el Fomento de Políticas Públicas de Conservación y Adaptación en la Región de los Andes Tropicales. En invierno.

..........................................................................................................................................................16 Corrección de Desviaciones..21 Resultados........5................................................................................5....12 Escenarios de consensos de cambio climático............................................................................................................................................ 12 1.....15 Validación...14 Modelos Regionales..............24 1...........................28 ..................................16 Región de Estudio..........2 Cambio de las Variables Climáticas para el Período 2020-2039..........................26 Precipitación.......................................................12 Modelos Globales...................................0.................12 Datos utilizados.................21 Índices Climáticos..............20 RCP 4.............28 Temperaturas diarias máximas y mínimas..18 RCP 2.......21 RCP 8..................16 Escenarios.............................................Indice 1 Cambio Climático y Combinación de Proyecciones de Modelos de Cambio Climático ...............................20 RCP 6..........6........................1 Combinación de Proyecciones de Modelos de CC..........................................................................

...............34 3 OUTLIERS POR MESES│fourboxes()...36 TMAX < = TMIN│tmaxmim().35 Anexos OUTLIERS ESPACIALES │ ............................................................................................57 2 2...........30 2..............62 ...........................................37 Bibliografía ...............8 Aplicación y Futuro de ANDESQC.......................................................31 2...................1 Tests incluídos en ANDES QC.....2 Funciones Adicionales........... Función auxiliar percentcor()...............30 2......................... 33 2....41 Precipitación.........................36 VALORES FUERA RANGO│humongous().... VALORES CONSECUTIVOS│flatline ().............................34 OUTLIERS PENTADALES│pentauts()........................................39 REDONDEO│tableround()....................42 Recomendaciones metodológicas...............5 Contenido Output por Períodos de cinco años..............3 Introducción del Control de Temperatura....................................... 1................38 CADENAS DE PRECIPITACIÓN│ chainprecip().............................................................................31 Decisión Integrado en Ficheros HTML....................38 PRECIP....................40 Validación............................................................................................................35 OUTLIERS GAMMA│precipouts ().....................................................3 Conclusiones.65 Introducción.................................................................37 DIFERENCIAS INTERDIARIAS│jumps()......6 Ficheros MASTERQC.................33 2...7 Formas de trabajo para Ejecutar para grupos de estaciones meteorológicas ANDESQC.......................31 2......4 Output Gráfico y Numérico de Ayuda a la Proyecciones........38 CADENAS DE MARKOV│markovchain().........35 66 Recomendaciones metodológicas... ACUMULADA│ 67 suspectacumprec()......................................................................61 ANDES QC: Control de calidad de datos 2.......................................37 4 VALORES DUPLICADOS│duplicals()........................................................30 Calidad Espacial.....................................................39 11 ....

aerosoles provenientes de erupciones volcánicas. Las masas de aire Atlánticas.ch/pub/reports. para la que se ha incluido su variación interanual. que dividen las masas de aire del Pacífico toma de decisiones. son uno de los factores que determinan la gran varie.Cambio Climático y Combinación de • Datos utilizados Proyecciones de Modelos de El estudio de diagnóstico y proyección de cambio climático en la región Cambio Climático Por William Cabos indicada se basa en el análisis de tres tipos de datos claramente difer- enciados: Combinación de Proyecciones de Modelos de a Datos de modelos globales proporcionados en el marco del proyecto CMIP5 Cambio Climático (CC) b Datos del modelo regional REMO generados en el marco del proyecto CORDEX • Región de Estudio c Datos del modelo MRI-AGCM El área de estudio cubre tres países andinos: Bolivia. 2º Norte hasta unos 24º de latitud sur. de origen antropogénico y natural (gases de efecto gran variedad climática. proporcionado por el informe especial sobre escenarios de emisiones dad climática característica de la región. los Andes (a través de sus gradientes alti. Los Andes. el accidente geográfico Las proyecciones climáticas son un elemento crucial en el proceso de más importante. quema de biomasa o contaminación). La conjunción de estos factores: el océano Pacífico (a través de sus El principal forzamiento de los AOGCM utilizados en el Quinto Informe corrientes y masas de aire). se incluye el forzamiento por cambios de uso de suelo.ipcc. La herramienta básica para re- manera relevante en el clima de Bolivia. . influyen principalmente culación general acoplados océano-atmósfera (AOGCM.htm). siendo la Cordillera de los An- des. es la radiación solar. Para este Quinto Informe. El otro factor importante es elaborado por el IPCC y con los informes de evaluación del IPCC el océano Pacífico que baña las costas de Ecuador y Perú e influye de (http://www. invernadero. que debe ser consistente con el marco general y del Atlántico. • Modelos Globales La orografía de la zona es accidentada. alizar estimaciones de proyecciones climáticas son los modelos de cir- también importantes para el clima de la región. en inglés). tudinales y su influencia en la dinámica y termodinámica de las masas Todos los modelos son también forzados por concentraciones de gas- de aire del Pacífico y Atlánticas) y el océano Atlántico dan lugar a una es atmosféricos. Ecuador y Perú y se extiende desde el ecuador. también. por sus siglas en las regiones al este de los Andes. que recorre longitudinalmente la región.

Estados Unidos mayoría tiene una resolución 2.85 1. 2.8125 China Meteorological Administration Pekín.0 número de modelos a utilizar en el proyecto a los modelos incluidos en (NOAA-GFDL). Climate Modelling and mente desarrollo industrial) y cambios en el uso de suelo (desarrollo de Analysis. Pekín. Nombre Modelo Acrónimo Modelo Resolución Resolución atmósfera Lat.8125 Physics Chinese Acad.8125 escenarios de emisiones de gases de efecto invernadero (principal. L40 1. NASA Goddard GISS giss-e2-r 144 _ 90. L31 ~1. de los AGCM estas concentraciones son calculadas por modelos bio. Beijing Climate Center BCC bcc-csm1-1 128 _ 64. Toulouse.1 (Parte 1/2) China Modelos globales acoplados de CMIP5 utilizados. Estados Unidos Institute of Atmospheric IAP fgoals-g2 128 _ 60. m2m 2. Tabla 1. usando como criterio la capaci. sis previo de los modelos disponibles. L26 2.5 Institute 2. como submodelos en algunos AOGCM. que se incluyen Meteorologiques. L18 ~1.13 emy of Science. la ton. (CSIRO-QCCCE). en tanto que para la mayoría CNRM & CERFACS.4 grados.40625 Recherches se calculan con ayuda de modelos de ciclo de carbono.0 for Space Studies (NASA-GISS). 6.875 Scientific and Industrial mk3-6-0 En el proyecto “Información de cambio climático y biodiversidad para Research Organization el fomento de políticas públicas de conservación y adaptación en la – Queensland Climate región de los Andes Tropicales” se utilizaron modelos de la base de Change Centre of Excellence datos CMIP5 (http://pcmdi9. Francia geoquímicos externos.Prince- la Tabla 1. 13 .5 .2. Australia dad de los modelos de simular la climatología del período 1961-1990 Geophysical Fluid GFDL gfdl-es. Commonwealth CSIRO csiro. L35 ~2.New York. se decidió reducir el Dynamics Laboratory. La resolución de los modelos varía entre 1 . Después de un análi.8 2. 144 _ 90. Las concentraciones de gases de efecto invernadero Centre National de CNRM cnrm-cm5 256 _ 128. Victoria.5. Nuestro desconocimiento de la evolución socioeconómica se traduce China en el uso de las vías de concentración representativa que proporcionan Canadian Centre for CCCMA anesm2 128 _ 64.llnl.7 grados.5. 2. L24 1.7 2. L40 ~2. Lon. 192 _ 96.5 y los principales fenómenos climáticos globales. Canadá agricultura) de acuerdo a distintos escenarios plausibles de desarrollo socioeconómico.gov/esgfweb-fe/).8 – 2.4 1.

París. estos Meteorology (MPI-M). Japón AORI&NIES&JAMSTEC. Japón recomendaciones de los tomadores de decisiones y científicos que tra- NCAR Community bajan en el ámbito de la mitigación.85 1. Estos escenarios son distintos de los usa- Unido dos en el Cuarto Informe del IPCC y fueron desarrollados por la “Inte- Max Planck Institute for MPIM mpi-esm-lr 192 _ 96.85 1.192 _ 96. Exeter. France mr (IPSL). MIROC miroc5 256 _ 128. Alemania sarrolladores de escenarios socioeconómicos. Japón Los escenarios actuales representan los forzamientos más impor- tantes. permiten asociar directamente una Norwegian Climate Cen. mr nuevos escenarios. principalmente. CO2 en la atmósfera.87 cos.4 escenarios eran bastante sencillos y se basaban en modelos que eran search Inst. Oslo Noruega -m evaluar los costos y beneficios de distintas estrategias. L39 1.Nombre Modelo Acrónimo Modelo Resolución Resolución Tabla 1. Inst. 96 _ 96.85 2. distintas estrategias y políticas climáticas de mitigación Estados Unidos y de adaptación. La elaboración de estos escenarios está basada. Centro Euro-Mediter- raneo sui Cambiamenti INGV cmcc-cm 480 _ 240.5 cierta respuesta climática a una cierta estrategia de mitigación y así tre NCC. De esta manera.875 Centre cos y económicos) y las posibles respuestas que ayuden a la toma gem2-es MOHC.943 1.75 Laplace. L38 1.8 • Escenarios de consensos de cambio climático Climatici (CMCC). incluyendo análogos espaciales y temporales de climas futuros y escenarios basados en modelos de escenarios. Lon. científico que incluye representantes de las comunidades de de- Hamburgo. Los escenarios describen líneas evolutivas plausibles de las condiciones cm5a-lr París. Francia (IPSL). Éste es un panel Meteorology (MPI-M). Italia Institut Pierre-Simon IPSL ipsl. MRI mri-cgcm3 320 _ 160. (Univ. L26 ~1. for representaciones estilizadas de incrementos en la concentración de Environmental Studies. Los primeros Atm.894 3. Estos nuevos escenarios evalúan. modeladores climáti- Max Planck Institute for MPIMm mpi-esm. Reino de decisiones políticas. L47 ~1.25 1.144 _ 143.125 1. Estos primeros escenarios permitían responder a and Japan Agency for preguntas del tipo “¿qué pasaría si la concentración CO2 aumentara en Marine-Earth Science dos (cuatro) veces? ¿Cómo respondería el sistema climático?” and Technology. Hamburgo. NCAR ccsm4 288 _ 192. Francia de técnicas. L39 1. and Ocean Re. ecológi- Met Office Hadley MOHC had. Lat. los posibles impactos (físicos. los procesos asociados.894 3.125 search Institute (MRI).87 grated Assessment Modelling Community (IAMC)”. L95 ~1. mitigación y adaptación que desarrollan. .4 1.75 nadero y aerosoles asociadas. explícitamente. en las Tsukuba. L31 ~0. 192 _ 145. L26 0. L40 ~1. L48 1. NCC noresm1 144 _ 96. Alemania Meteorological Re. principalmente relacionadas con aspectos socio-económicos y las emisiones de gases de efecto inver- Institut Pierre-Simon IPSLm ipsl-cm5a.8 0.25 Climate System Model.1 (Parte 2/2) atmósfera Modelos globales acoplados de CMIP5 utilizados. conjuntamente. Nat. Para construirlos se utiliza un número Laplace. of Tokyo). Francia climáticas y otros aspectos del futuro.

Las escalas grandes vienen da. de los GEI más detallada de la que ofrecían los de reproducir. (descenso de las escalas grandes a las escalas pequeñas) con (2012) que llevaron a cabo simulaciones globales de alta resolución modelos climáticos de área limitada. regionales. de forma bastante fiable. la adaptación regional. También. (60 km y 20 km) con el modelo atmosférico MRI-AGCM de la agencia das por los modelos globales acoplados océano-atmósfera y el au. componente oceánica del modelo acoplado global. resulta más costoso desde el punto de vista computacional.. aproximación hidrostática). y los modelos climáticos regionales añaden. 2010). a esta ra et al. señal. en África y número de gases (aerosoles sobre todo) y la elaboración de escenarios Suramérica (proyecto CORDEX). El modelo climático de alta resolución. Desarrollado por el Instituto Max Planck de Meteorología tualmente submodelos de vegetación interactiva. 2011) y el Mediterráneo. a resolu- una mejor representación de las escalas sinópticas. que proporciona el detalle local. En el marco de esta metodología. REMO. de cambio de uso de suelos (Richard et al. se puede siste en conseguir proyecciones de cambio climático en una región de. es uno de esos modelos lución de los modelos climáticos. aunque timaciones de proyecciones regionalizadas de cambio climático con. También es necesaria la inclusión de un mayor gionales en el continente europeo (proyecto ENSEMBLE). La resolución horizontal de este mod- mento de la resolución... muchos de los cuales incluyen ac. Esta metodología de es. los fenómenos relacionados con una orografía más detallada y También se utilizarán datos proporcionados por este modelo. Bangladesh (Rahman et al. Los resultados la hipótesis de que los fenómenos a escala pequeña se fundamentan obtenidos con MRI-AGCM han sido utilizados para investigar el cambio en las grandes escalas que son las que realmente se predicen con los climático en diferentes regiones de América Latina y el Caribe (Verga- modelos globales. En esta técnica se parte de utilizados en estudios de cambio climático recientes. los patrones climáticos re- escenarios anteriores. La información solamente fluye desde las escalas grandes (modelos globales) a las escalas regionales (modelos regionales). Primero. llevar a cabo la bajada de escala utilizando un modelo con alta reso- terminada con resolución espacial más alta que los modelos globales lución de malla uniforme. la aproximación estándar a las proyecciones regionalizadas consta normalmente de dos pasos. se realiza con elo es comparable a las resoluciones de modelos climáticos regionales ayuda de modelos climáticos regionales. ción de 20 km y 60 km. Estas dimensional que resuelve las ecuaciones primitivas discreteadas (con mejoras en los modelos requieren información sobre la distribución. 15 . ciclo de carbono e de Hamburgo. la integración del modelo global y después. El modelo REMO ha demostrado ser capaz espacial y temporal.En la elaboración de los nuevos escenarios se tuvo en cuenta la evo. Este es el camino seguido en Mizuta et al. forzándolos con los datos oceánicos proporcionados por la climático se utiliza el downscaling dinámico. Un procedimiento alternativo de regionalización dinámica consiste en • Modelos Regionales llevar a cabo simulaciones con modelos atmosféricos que utilizan una rejilla no uniforme con mayor densidad de puntos sobre la zona de Para las estimaciones de proyecciones regionalizadas de cambio interés. Meteorológica Japonesa (JMA). 2010). Los modelos regionales cubren un dominio de área limitada con una malla más fina que la del modelo global y son forzados en sus fronteras late- rales y en la superficie oceánica por los datos del modelo global. REMO es un modelo de circulación atmosférica [10] tri- incorporan una mejor representación de la química atmosférica.

• Validación

Las incertidumbres procedentes de los modelos globales varían mucho Se ha realizado un número de análisis con fin de evaluar la ca-
dependiendo de la variable, de la región y de la estación considerados. pacidad del conjunto de modelos globales en CMIP5 y los modelos
Es muy importante evaluar los distintos AOGCM, tanto en períodos regionales REMO y MRI-AGCM de simular el clima actual en los países
instrumentales como preinstrumentales, para estimar la capacidad de andinos. Para validar los campos de precipitación y temperatura del
los distintos modelos de simular un amplio abanico de forzamientos. aire, a dos metros, utilizamos la base de datos de la Universidad de
Delawere.
Las incertidumbres provenientes de las distintas técnicas de re-
gionalización, bien sea basadas en métodos empíricos o en modelos Las temperaturas de esta base de datos se proporcionan en una malla
regionales, se han explorado ampliamente en el contexto europeo en el regular de 0,5 grados tanto en longitud como latitud. Los datos ob-
marco de proyectos del FP5 EU: STARDEX (http://www.cru.uea.ac.uk/ servados, desde los que han sido interpoladas estas temperaturas,
projects/stardex/) y PRUDENCE (http://prudence.dmi.dk/). provienen de diversas fuentes, incluyendo la Red Climatológica Históri-
ca Global (GHCN2), la Red Global de Climatología Sinóptica (Dataset
En el contexto de PRUDENCE, se ha estudiado la dispersión de los 9290c de NCDC de EEUU y el Resumen Global Diario de Superficie
distintos GCM (modelos climáticos globales) y RCM (modelos climáti- (GSOD).
cos regionales) alrededor de su centroide medida por la desviación es-
tándar intermodelos que permite explorar el grado de acuerdo de los Los promedios mensuales de temperatura y precipitación de las esta-
diferentes modelos y, por lo tanto, explorar la incertidumbre asociada ciones se interpolan a la malla con ayuda de una combinación de méto-
a los GCM y RCM (DEQUÉ et al., 2005). Se ha visto que la dispersión dos de interpolación espacial: Modelo Digital de Elevación (DEM), inter-
de los GCM es mayor que la de los RCM (forzados por el mismo GCM) polación asistida (Willmott y Matsuura, 1995); interpolación tradicional
para el caso de la temperatura, tanto en verano como en invierno. Esto (Willmott et al., 1985) e interpolación ayudada climatológicamente (CAI)
es consistente con la ligadura adicional de los RCM por las condiciones (Willmott y Robeson, 1995). 
de contorno.
En el caso de la precipitación, el comportamiento es distinto, los RCM Para la validación se utiliza el periodo 1980-1999. Éste es el período de
muestran mayor dispersión que los GCM en el verano. Esto puede referencia usado en el Quinto Informe como período base para estudiar
explicarse por el hecho de que los GCM poseen una resolución más la señal de cambio climático. Además, del modelo MRI-AM solo se dis-
baja que los RCM y pierden algunos forzamientos orográficos. pone del periodo 1979-2003 en las simulaciones de clima actual, lo que
En este proyecto no se analizó la dispersión, sin embargo hay que no permite el uso del otro período de referencia habitual 1961-1990.
tenerla en cuenta al interpretar los resultados que se obtendrán en los
análisis. Para cuantificar las incertidumbres se utiliza algunas herra-
mientas sencillas que permiten comparar integraciones, en períodos
de control, con bases de datos observacionales y estimar la diver-
gencia entre las estimaciones de las proyecciones futuras de distintos
modelos globales.

• Corrección de Desviaciones las desviaciones de la precipitación. Al aplicar la corrección de desvia-
ciones, suponemos que la dependencia espacial y temporal de las
variables climáticas puede ser descrita por procesos aleatorios esta-
Figura 1.1 cionarios en el tiempo y, por tanto, la densidad marginal de probabili-
Esquema de la corrección de desviaciones por el método de cuantiles.
dad de las variables no cambia a lo largo del tiempo o la posición. En
este método, la corrección de las desviaciones durante el post-proceso
se aplica a la distribución marginal de los datos del modelo, de modo
que se corrigen los errores sin que la dependencia espacio temporal
sea alterada explícitamente.

Para llevar a cabo el mapeo de cuantiles se trata de hallar una transfor-
mación de la distribución de probabilidad de la variable modelada Pm
tal que la nueva distribución se ajuste lo más posible a la distribución
de la variable observada Pm.
Esta transformación suele ser paramétrica, habiéndose explorado en la
literatura distintas expresiones:

Po = f(Pm)

a Po = bPm

b Po = a + bPm
Las variables climáticas simuladas por los modelos climáticos con
frecuencia muestran una desviación sistemática con respecto a las c Po = Pmc
observaciones, limitando su utilidad para estudios de impacto (Chris- Po = b(Pm -X)
c
tensen et al., 2008). Por ello, es habitual hacer un post-proceso de la d
salida de los modelos con el objetivo de corregirlos para mejorar su e Po = (a + bPm)(1 - e-(Pm - X)/τ )
correspondencia con los datos observados. Los métodos más sen-
cillos de corrección de estas desviaciones (bias correction) consisten
en sustraer la diferencia entre las climatologías de los modelos y las Donde Po es la mejor estimación de Po. El escalado simple (a) es normal-
observaciones. Métodos más elaborados también corrigen la varian- mente usado para el mapeo de la precipitación (Maraun et al., 2010).
cia, que suele ser menor en los modelos que en las observaciones. El Las expresiones (b)-(e) han sido utilizadas por otros autores (Piani et al.,
método de mapeo de cuantiles (Panofsky et al., 1968) es un desarrollo 2009; Dosio and Parulo, 2011).
más sofisticado, en el que se corrigen las desviaciones en cada cuan- Todas estos algoritmos de mapeo están realizados en el programa
til. Themeßl et al. (2011) compararon varios métodos de corrección, qmap (Gudmundsson et al., 2012), que se utilizaron para la corrección
llegando a la conclusión de que este método es el que mejor corrige de las desviaciones.

17

• Escenarios Los tipos más importantes de escenarios son:

a) Escenarios de emisión: Describen posibles emisiones futuras de
Como se indicó en la sección anterior, los escenarios describen líneas GEI, aerosoles y usos de suelo. Incluyen también otros factores de cam-
evolutivas plausibles de las condiciones climáticas y otros aspectos del bio: patrones y ritmo de crecimiento económico, cambio demográfico,
futuro, principalmente relacionadas con aspectos socio-económicos y tecnología, política y otros factores importantes para la evaluación de
las emisiones de gases de efecto invernadero y aerosoles asociadas. impactos. Los escenarios de emisión no son predicciones o pronósti-
Los primeros modelos eran muy sencillos y, básicamente, consideraban cos: reflejan la opinión de expertos con respecto a posibles emisiones
los incrementos en los contenidos de CO2. En cambio los escenarios en el futuro basados en las tendencias socioeconómicas, ambientales
acturales tratan de incorporar los forzamientos más importantes, los y tecnológicas. Estos escenarios no reflejan fluctuaciones a ‘corto pla-
procesos asociados, los posibles impactos y las posibles respuestas zo’, tales como ciclos económicos o ciclos de mercado; el énfasis, en
que ayuden a tomar decisiones políticas. el largo plazo, es importante para evaluar la respuesta lenta del sistema
En la siguiente figura se esquematiza el proceso de desarrollo de esce- climático.
narios y luego se presentan los tipos de escenarios más importantes.
b) Escenarios climáticos: Son representaciones de posibles esta-
dos futuros del clima (temperatura, precipitación y otros fenómenos
Figura 1.2 climatológicos). Los escenarios climáticos se pueden generar con dis-
Proceso de desarrollo de escenarios a partir del segundo informe IPCC tintas técnicas:

- Incrementales, cuando elementos climáticos son aumenta-
dos en magnitudes plausibles;
- Análogos espaciales y temporales, en los que regímenes
climáticos conocidos que pueden ser parecidos al clima futuro
son utilizados para estudiar el clima futuro;
- Extrapolación y evaluaciones de expertos;
- Técnicas que usan modelos físicos y climáticos, incluyendo
modelos climáticos regionales.

Los modelos climáticos proporcionan la mayor parte de la información
utilizada en estudios de impacto. Debido a la importancia de los im-
pactos regionales y locales, se presta especial interés a los escenarios
regionales.

5 W/m2.3.6 W/m2.desarrollar escenarios su impacto la literatura publicada y basados en políticas climático en el largo res geológicos. El nuevo escenario RCP2. de origen antropogénico. Las líneas grises representan los escenarios SRES. a) Proveen información b) Representan c) Son compatibles cial de un escenario climático dado requiere escenarios ambientales detallada a las comuni. y el escenario de los diferentes AOCGM integrados con escenarios alternativos de RCP8. vías de concentración representativas).. En gris se representa el percentil 98 de los esce- narios SRES utilizados en el Cuarto Informe. variaciones en el nivel del mar debido a facto.0 W/m2 y RCP 8. Las características más d) Escenarios de vulnerabilidad: El Quinto Informe del IPCC se basa importantes de estos escenarios se ilustran en la Figura 1. 2010. características del suelo y su uso y condiciones locales revisada por pares. RCP 6. que cualquiera de los escenarios utilizados en el Cuarto Informe.” La representan en la figura 1. por primera vez.forzamientos radiativos con todo el rango de con información.6 (o “required información primaria sobre posibles cambios climáticos debido al au. Figura 1. procede de los escenario SRES utilizados en el Cuarto Informe.3 Vías de concentración representativas definidas para el Quinto Informe Los nuevos escenarios de emisiones presentan las siguientes características (Moss et al.c) Escenarios medioambientales: El estudio del impacto poten. van Vuuren et al.by science”) tiene concentraciones mucho más bajas que cualquiera mento de la concentración de GEI. 19 . plazo. Los escenarios ambientales hacen hincapié en facto. futuras. no se puede entender los Estos nuevos escenarios son cuatro y son nombrados de acuerdo al posibles impactos ni la efectividad de las medidas de mitigación. RCP 4.4.dades de adaptación y lo suficientemente escenarios de emis- res ambientales distintos del clima que pueden ser independientes del desarrollo socio. diferentes como para iones. de la atmósfera que influyen en la calidad del aire. económico para poder diferenciar mitigación existente en idad a nivel de cuencas. estabilización y cambio climático. exploran estrategias de mitigación lución temporal de las radiaciones y emisiones correspondientes se en adición a los escenarios tradicionales “sin políticas climáticas. Figura 1.5 llega a fines de siglo con concentraciones de CO2 más altas emisión RCP (en español. Esos factores son la disponibilidad de agua y su cal. ya que si no se tienen en cuenta.4 Evolución temporal del forzamiento radiativo (izquierda) y emisiones (derecha) en los RCP usados en el Quinto Informe del IPCC..5 W/m2. Estos factores son importantes. 2011). forzamiento radiativo que producen al año 2100: RCP 2. la evo- en escenarios que.

Este es un escenario de estabilización. que la industria eléctrica llega a ser un sumidero neto de carbón. año 2040. petróleo y carbono a partir del año 2020. Las líneas grises representan los escenarios SRES. En este escenario. la tecnología de de 2.5 muestra la trayectoria de la línea base y las trayectorias re- queridas para alcanzar los 2. la población mundial llega a nueve mil en este RCP se ha supuesto que. resultados del modelo integrado de evaluación IMAGE mues. luego comienzan a bajar hasta el año 2080. El PIB mundial crece hasta alcanzar un valor de 3. Figura 1. En gris se representa el percentil 98 de los escenarios SRES del cuarto informe. gas natural.1W/m2 a mediados de siglo. cuando crece un orden de magnitud. captura y almacenamiento de carbón (CCS) se desarrolla de manera Esto hace necesaria una reducción bastante drástica de las emisiones. Para lograr este objetivo. La realización de este escenar- io requiere de tecnologías de almacenamiento y captura de carbono (“Carbon Capture and Storage”. Figura 1.5 Evolución temporal de la población (izquierda) y producto interior bruto (derecha) en los RCP usados en el Quinto Informe del IPCC. población mundial. las emisiones de GEI llegan a su máximo alrededor del embargo. en el que para el año 2100. 2011b). CCS) y disminución de emisiones de bío-energías.6 • RCP 4. y la necesidad energética en 3 órdenes comienza a reducirse hasta que hacia el final de siglo alcanza un valor de magnitud. Por esto. sin haber excedido este val- °C a fin de siglo. gación cuyo objetivo es limitar el calentamiento global a menos de 2 el forzamiento radiativo es de 4. el forzamiento radiativo millones en 2065 y se reduce a 8.5 Esta vía de concentraciones es representativa de escenarios de miti.4).7 mil millones en 2100. En que algunos sugieren no son posibles (van Vuuren et al.. se ha or antes (Thomson et al. Aunque existen importantes incertidumbres.6W/m2. consumo de combustibes fósiles (centro) y el uso primario de energía (izquierda) en los RCP usados en el Quinto Informe del IPCC.6 Evolución temporal del consumo de energía (derecha). que en este caso incluyen la penalización del uso diativo hacia el año 2100 alcanza valores menores a 3W/m2. Además de imponer precios al carbón. La figura 1.• RCP 2. de carbono. 2011). Las líneas grises representan los escenarios SRES ..5 W/m2. Producto Interno Bruto (PIB) e intensidad de emis- iones (emisiones/PIB) (ver Figura 1. Sin este escenario. En gris se representa el percentil 98 y 90 (gris claro/oscuro) de los escenarios SRES del Cuarto Informe. cuando se esta- tra que alcanzar este objetivo es posible para valores de crecimiento de bilizan. inicialmente. políticas climáticas.6 W/m2 de forzamiento de este escenario. se suponen determinado que este objetivo se puede alcanzar si el forzamiento ra.

El ETCCDI depende de la Comisión emisión: RCP2. es decir.2%/año antes de 2060 a un ritmo de 1. aplicando una metodología idéntica para garantizar que los resultados En este capítulo solamente se han considerado tres escenarios de puedan analizarse globalmente. que se logran a través la imposición de políticas ra sencilla procesos complejos que incluyen tendencias y progresión climáticas.4). ilustrar y comunicar de mane- 2060 (ver figura 1.2.ca/ETCCDI/indices. con tasas modestas de cambios tecnológicos y de eficiencia reflejen las estimaciones más precisas de las tendencias climáticas en energética.• RCP 6.0 • Índices Climáticos En esta vía representiva de concentraciones. Sus principales supuestos socio económicos sado la concepción de herramientas de detección del cambio climático incluyen alto crecimiento poblacional. el Grupo de Exper- muestran los forzamientos socio económicos (población y producto tos en Detección de Cambio Climático e Índices (Expert Team on Cli- interno bruto). las emisiones de gases de efecto invernadero y cambios en el uso de suelo se traducen en un Las tendencias climáticas en una región del globo se pueden moni- forzamiento radiativo de 6 W/m2 al año 2100 (Masui et al. La población mundial crece hasta 9. En concreto. parte del Programa Mundial de In- vestigaciones Climáticas (PMIC). fundamentalmente. de Climatología (CCl) de la OMM.prensible y simple. este escenario tiene valores mayores a los otros un conjunto de índices para analizar situaciones climáticas extremas tres. salvo en PIB. el cálculo de índices climáticos es una herra- mienta útil para caracterizar el clima. la OMM ha impul- concertaciones son altas. ETCCDI) ha formulado y definido aspecto.sht- ml.seos.6 a todo el mundo y facilitar su cálculo.5 y RCP8.6. expertos de distintos países han compartido cuente emisiones de gases de efecto invernadero.8 billones al año 2100.5. Esto lleva a una importante demanda energética y conse. 2011). 21 . Los indicadores nos permiten. torizar mediante el seguimiento de un conjunto de indicadores climáti- cos definidos a escala internacional.Información adicional sobre el ETCCDI se puede encontrar en: http://cccma.3 y 1.todo el mundo. en las variables de tem- peratura y precipitación. Tal como establece la Organización Meteo- • RCP 8.6% anualmente durante 2000–2060 descripción de la metodología y de las fórmulas utilizadas) y ser com- y entre 1. que limiten las emisiones vía precios y tecnología a lo largo del tiempo. Las figuras 1. usos energéticos y emisiones para esta vía.5%/año Los índices climáticos son indicadores de seguimiento del cambio entre 2060-2100.4% durante 2060–2100.5 y 1. En cada mate Change Detection and Indices. La intensidad energética dis. En este escenario conocimientos y esfuerzos para establecer índices comunes aplicables no se implementan políticas de cambio climático. minuye a un ritmo de 1.5 rológica Mundial (OMM). Con tal objetivo. Los 27 índices definidos por este grupo de expertos y que se utili- zan en este proyecto se muestran en la tabla 1. RCP4. que se basan. Esto requiere disminuciones significativas de emisiones a partir del año generalmente de manera cuantitativa. Para que un indicador sea válido debe cumplir de CCS.5 representa una vía en la que las emisiones y las históricos y detectar los cambios. El dos condiciones: tener una buena base conceptual (debe hacerse una PIB per cápita global crece un 1. relativamente bajo crecimiento y la programación de un software específico para calcular índices que de PIB. presentar los patrones climáticos El escenario RCP8. climático. De hecho.uvic. y de la Comisión Mixta sobre Ocean- ografía y Meteorología Marina (Joint Comission for Oceanography and Marine Meteorology o JCOMM).

que son los factores físicos de los riesgos con. diaria Tabla 1. gos de desastre también dependen de algo más que peligros físicos. de TX TX la temperatura máxima haciendo difícil su estudio. TNn TNn Mínima de Minimum Valor mínimo anual de °C Índice Nombre Definición Unidad TN TN la temperatura mínima Castellano Inglés Castellano Inglés diaria DHe0 FD0 Días de Frost days Número de días en 1 días TN10p TN10p Noches Cold nights Porcentaje de días en % helada año en que TN < 0°C frias que TN < percentil 10 DV25 SU25 Días de Summer Número de días en 1 días TX10p TX10p Días frios Cold days Porcentaje de días en % verano days año en que TX > 25°C que TX < percentil 10 TN90p TN90p Noches Warm Porcentaje de días en % DGa0 ID0 Día glacial Ice days Número de días en 1 días cálidas nights que TN > percentil 90 año en que TX < 0°C TX90p TX90p Días Warm days Porcentaje de días en % NT20 TR20 Noches Tropical Número de días en 1 días cálidos que TX > percentil 90 tropicales nights año en que TN > 20°C IDRC WSDI Indicador de Warm spell Número de días en 1 año días duración de duration que.2 TXn TXn Mínima de Minimum Valor mínimo anual de °C Índices climáticos definidos por el ETCCDI. diaria centiles. Pero los ries. TX la TX TX la temperatura máxima temperatura máxima. el cálculo de per. donde TN es la temperatura mínima. Las consecuencias de los even- TXx TXx Máxima Maximum Valor máximo anual de °C tos extremos son el resultado de la combinación de estos factores. la estación de season entre la primera racha de. 6 días con Los riesgos de desastres son el resultado de la interacción de eventos TG > 5°C y la primera racha después de 1 de julio climáticos o meteorológicos. 6 días de desastre con la exposición y la vulnerabilidad. el estudio de Castellano Inglés Castellano Inglés los extremos climáticos es importante. que son los factores con TG < 5°C con los que contribuye la sociedad. TG la temperatura media y PPT la precipitación. como mínimo. como indicador mín- racha cálida imo. un adecuado entendimiento diaria de los riesgos naturales es un importante requisito para la valoración de los riesgos de exposición y la vulnerabilidad de ecosistemas y co. hay 6 días consecuti- vos con TX > percentil 90 . Sin embargo.Aunque la evolución del clima puede ser entendida a través de los va. TNx TNx Máxima de Maximum Valor máximo anual de °C TN TN la temperatura mínima munidades a esos extremos climáticos y meteorológicos. ya que los extremos son una de DEC GSL Duración de Growing Número de días en 1 año días las causas más importantes de los desastres naturales. crecimiento length como mínimo. Índice Nombre Definición Unidad lores medios y la variabilidad de las variables climáticas.

Índice Nombre Definición Unidad Índice Nombre Definición Unidad Castellano Inglés Castellano Inglés Castellano Inglés Castellano Inglés IDRF CSDI Indicador Cold spell Número de días en 1 días LMRS CDD Longitud Maximum Máximo número en 1 año días de duración duration año que. day when es superior al percentil simple de daily entre el número de días damente > 99th 99 intensidad intensity con PPT ≥ 1 mm lluviosos percentile diaria index PTOT PRCPTOT PPT total Annual PPT total anual precip. °C máxima de length of año de días consecuti- térmica tempera. como indica. precipitación en 1 día días muy on a wet la PPT diaria cumulada en un día cipitation lluviosos day when es superior al percentil amount > 95th 95 percentile PX5dia RX5day Máximo Maximum Máxima anual de la PPT mm de PPT 5-day registrada en 5 días P99pTOT R99pTOT PPT total Annual total PPT total anual (en días mm en 5 días precipitation consecutivos anual en precipitation en que ≥ 1 mm) cuando consecutivos amount los días on a wet la PPT diaria cumulada ISID SDII Índice Simple PPT total anual dividida mm/día extrema. máxima length of de días consecutivos con de racha fría dor mínimo. hay 6 días de la racha dry spell PPT < 1 mm consecutivos con TN < seca percentil 10 LMRH CWD Longitud Maximum Máximo número en 1 días ATA DTR Amplitud Diurnal Media anual de la difer. mm DP10 R10 Días de Annual Número anual de días en días anual en total itación en días en que PPT ≥ count of que PPT ≥ 10 mm los días wet-day PPT ≥ 1 mm 10 mm days when lluviosos precipitation ≥ 10 mm DP20 R20 Días de Annual Número anual de días en días PPT count of que PPT ≥ 20 mm abundante days when precipitation ≥ 20 mm DP50 R50 Días de Annual Número anual de días en días PPT muy count of que PPT ≥ 50 mm abundante days when precipitation ≥ 50 mm 23 . encia entre TX y TN la racha wet spell vos con PPT ≥ 1 mm tura anual lluviosa range P95pTOT R95pTOT PPT total Annual total PPT total anual (en días mm PX1dia RX1day Máximo Maximum Valor máximo anual de mm anual en los precipitation en que ≥ 1 mm) cuando de PPT 1-day pre.

20 km.• Resultados verano austral.. REMO simula una precipitación menor que la VALIDACIÓN DE REMO Y MRI-AGCM observada. 50 km de resolución (tercera fila) y MRI-AGCM. 1995).5. incluyendo la Red Climatológica Histórica Global (GHCN2).zmaw. temperatura mínima.ucar. a dos metros. interpolación tradicional (Willmott et al.7 se representa la climatología de precipitaciones en la base de datos de la Universidad de Delawere en la región andina para las cuatro estaciones. A continuación se presentan los cambios de temperatura media y pre- cipitación para el escenario A1B para el modelo MRI-AGCM y de temperatura media. en el norte de Perú y el este de Ecuador.5 grados tanto en longitud como latitud. Los promedios mensuales de temperatura y precipitación de las esta- ciones se interpolan a la malla con ayuda de una combinación de méto- dos de interpolación espacial: Modelo Digital de Elevación (DEM). en tanto que en MRI_AGCM. el “bias” es positivo. RCP4. temperatura máxima y precipitación para REMO en las tres vías de concentración represen- tativas RCP2. la Red Global de Climatología Sinóptica (Dataset 9290c de NCDC de EEUU) y el Resumen Global Diario de Superficie (GSOD). https://code. Se puede observar que los tres modelos muestran una buena representación Figura 1. Para el cálculo de las climatologías y los índices se ha utilizado el programa Climate Data Operators (CDO. otoño (cuarta cercano a las observaciones.edu/). y especialmente REMO. Para validar los campos de precipitación y temperatura del aire.de/projects/cdo) y para la representación gráfica. inter- polación asistida (Willmott y Matsuura.5 y RCP8. tienen un exceso de precipitación sobre los Andes. verano (tercera columna). se ha utilizado NCL (http://www. sobre todo en el MRI-AGCM. así como los “bias” de REMO y MRI-AGCM. REMO con 50 km de resolución (segunda fila).7 de la precipitación.ncl. Los tres modelos. También cabe destacar que en invierno. primavera (segunda columna). columna)) y los errores de los modelos.6. 1985) e interpolación ayudada climatológicamente (CAI) (Willmott y Robeson. 1995). siendo MRI-AGCM con resolución de 20 km el más Precipitación estacional (mm/mes) en la base de datos de Delawere (fila superior: invierno (primera columna). En la figura 1. se utiliza la base de datos de la Universidad de Delawere. (cuarta fila) . Las temperaturas de esta base de datos se proporcionan en una malla regu- lar de 0. Los datos observados desde los que han sido interpoladas estas temperaturas provienen de diversas fuentes.

otoño (cuarta columna)) y los errores de los modelos. primavera (segunda columna). tanto en distribución espacial como en magnitud. en general.8 Temperatura a 2m (grados centígrados) estacional en la base de datos Delawere (fila superior: invierno (primera columna). MRI-AGCM. Figura 1.Las temperaturas simuladas por REMO y MRI-AGCM muestran pa- trones de error muy semejantes. verano (tercera co- lumna). La discrep- ancias entre modelos y observaciones en la región costera se puede explicar en parte por el hecho de que. 20 km (cuarta fila) 25 . excepto MRI-AGCM a 20 km. REMO con 50 km de reso- lución (segunda fila). 50 km de resolución (tercera fila) y MRI-AGCM. para el cual los errores positivos en la costa están restringidos a una banda más delgada. la estrecha franja costera no está bien resuelta ni por las observaciones ni los modelos. Se pueden ver como todos los modelos muestran errores positivos en la costa y negativos en las zonas montañosas.

RCP4. otoño (derecha). Las proyecciones para REMO y los modelos globales corresponden a los escenarios RCP2.5 y dos intermedios. para el cual se disponían datos de todos los mod- elos.5 y SRES A1B. Adicionalmente. Se incorporaron a la base de datos las temperaturas medias y pre- cipitación diarias de todos los modelos utilizados para el período de interés 2020-2039.9 Cambios estacionales en la temperatura a 2m (grados centígrados) con respecto al período 1980-1999 (fila superior: verano austral (izquierda). Figura 1.5 del Quinto Informe del IPCC. En tanto que las simulaciones con el modelo MRI-AGCM.6 y RCP8. RCP4. primavera (derecha). extendiéndose la base de datos para estas variables hasta 2100 sin el modelo MRI-AGCM.5 y RCP8. Fila inferior: invierno (izquierda). se llevaron a cabo utilizando como forzamiento el escenario SRES A1B. Cambio de las Variables Climáticas para el Temperatura media diaria Período 2020-2039. Se representa el promedio de todos los modelos utilizados en el proyecto. De esta manera.6. RCP2. cubriéndose todo el siglo XXI. . se añadieron las variables de temperatura mínima y temperatura máxima diarias para los modelos globales y el modelo regional REMO. en la proyección de consenso se utilizaron dos escenarios ex- tremos.

5-2. Los cambios en temperatura media más fuertes se observan durante el otoño. especialmente en los valles interandinos.En la Figura 1. los cambios son más fuertes que en la región costera.9. En el verano austral se observa un contraste este-oeste. los cambios alcanzan su valor máximo de 1. En primavera se observa un patrón de cambio semejante a verano. Todos los cambios son positivos y varían entre 0. alcanzando valores de hasta 2 grados centígrados. Se representa el promedio de todos los modelos utilizados en el proyecto.5 grados. alcanzando valores de hasta 1. En Ecuador el patrón es inverso. primavera (derecha). aunque ahora en el oeste de Bolivia. El patrón de cambios de temperatura media para el invierno.0 grados centígrados.10 Cambios estacionales en la precipitación (mm/año) con respecto al período 1980-1999 (fila superior: verano austral (izquierda). También se observa una marcada dependencia geográfica. experimentando los cambios más fuertes y las regiones amazónicas los más débiles para Perú y Bolivia.5 – 2. Fila inferior: invierno (izquierda). aunque se mantiene el patrón espacial de cambios del verano. aunque ahora no se observa el contraste este-oeste en Ecuador. otoño (derecha). Figura 1. dependiendo este cambio de la estación. 27 . es muy semejante al del verano. estación para la cual los cambios son menores. Los valores más altos de cambio de temperatura se observan en la región del altiplano peruano y el este de Bolivia.0 grados centígrados. con la cordille- ra andina. se representan los cambios de temperatura media di- aria del período 2020–2039 con respecto al período 1980–1999 para la región que cubre el proyecto. en la región amazóni- ca.

mayores cambios positivos se dan en la vertiente oriental de los Andes dependiendo este cambio de la estación.12 se representan los cambios de temperatura y +50 mm/año. los valores ahora son más Perú y es sureste de Bolivia. La distribución geográfica del cambio. especialmente en Ecuador. los cambios son más fuertes invierno. la Cordillera de los Andes experimenta los cambios más fuertes fuerzan las tendencias negativas de la precipitación en la región de los y las regiones amazónicas los más débiles.5 – 2. también observamos para ambas variables un contraste tivos más débiles. como en el caso 1980–1999 para la región que cubre el proyecto. En el norte de la región de estudio. Tanto para la temperatura máxima como la en el noreste de Bolivia. En el ver- andes. En Perú y peratura media. con la costa y región amazónica presentando los cambios posi. con cambios negativos máxima en otoño se observan al este de la región de estudio.• Precipitación En la Figura 1. los valores del cambio varían con la geografía. El patrón de cambios de temperatura media para el patrón de cambio es inverso al de verano. jante al del verano. donde distintas estaciones. valles interandinos ecuatorianos y. los rio estudiado y sus valores varían entre 0. aunque ahora no se observa el contraste este-oeste en Ecuador para las temperaturas máximas. En Perú y Bolivia también se observa un to que durante la primavera. mínima.0 grados centígrados. aunque prácticamente se mantiene cierto para la temperatura máxima en los Andes en la región sur del el patrón espacial de cambios del verano. aunque de valores mucho más pequeños. El verano austral es la temperatura mínima como máxima son positivos en todo el territo- estación con mayores cambios. los cambios más altos se producen en el contraste este-oeste en los cambios.11 y 1. de signo similar a los cambios en oeste. en tanto que para las temperaturas mínimas. El patrón de cambios de presión para el in. especialmente en Ecuador y el sur del Perú. aunque los patrones espaciales de cambios son distintos para las al de las dos estaciones anteriores. Esto es. donde los cambios alcanzan su valor débiles. es muy distinto vera. Durante el otoño. . estación para la cual los cambios son menores. Aparte de los valles interandinos en Ecuador. los cambios mayores se producen durante el otoño y la prima- vierno. Como en el caso de la tem- con cambios negativos en la región de valles interandinos. esta dependencia es menor. es muy seme- y se proyecta un aumento de precipitación en la región andina. también este-oeste. En ambas vari- Bolivia y en partes de la Amazonía peruana. Tanto los cambios de de la temperatura media. Los valores más altos de cambio de temperatura ahora se observa un claro contraste este-oeste. • Temperaturas diarias máximas y mínimas lada del período 2020–2039 con respecto al período 1980–1999 para la región que cubre el proyecto.10 se representan los cambios de precipitación acumu. ables. La tendencia es positiva en la mayor parte de la región y. estación para la cual los cambios son menores. apareciendo una tendencia a la disminución de la precipitación máximo para esta estación. el patrón espacial Ecuador. el es más uniforme. se re. especialmente. ano austral. observándose una fuerte dependencia estacional de diaria mínima y máxima del período 2020–2039 con respecto al período este cambio. es también marcada. los cambios más fuertes se dan en la vertiente occidental de los para la temperatura mínima. En primavera. en todas las estaciones de estudio. en tan- al este y positivos al oeste. aunque los cambios para la temperatura mínima son más se proyectan disminuciones de precipitación en la región suroriental de uniformes. aunque Bolivia. varían entre -30 En la Figuras 1.

11 Figura 1. 29 . Fila to al período 1980-1999 (fila superior: verano austral (izquierda).Figura 1. otoño (derecha). Cambios estacionales en la temperatura máxima diaria (grados centígrados) con respec- to al período 1980-1999 (fila superior: verano austral (izquierda). primavera (derecha). Fila inferior: invierno (izquierda).12 Cambios estacionales en la temperatura mínima diaria (grados centígrados) con respec. otoño (derecha). Se representa el promedio de todos los modelos globales y REMO. modelos globales y REMO. Se representa el promedio de todos los inferior: invierno (izquierda) y primavera (derecha).

espacialmente. en este proyecto se utilizaron tanto modelos climáticos te. Las que este sesgo sistemático desaparece al evaluar la diferencia de la proyecciones de temperatura muestran un desigual reparto del cambio variable entre dos periodos.5-1 oC más bajos para este mismo período. simulan correctamente los ciclos la comunidad. tanto los modelos globales. Esta colección de proyecciones satisface la demanda de anuales de temperatura y precipitación en la región. Esta incertidumbre debe ser tomada en cuenta y cuantificada de la manera más rigurosa posible en cualquier estudio de impacto de cambio climático que se quiera llevar a En el presente documento se han discutido dos aspectos. También se han considerado los comportamien. Estos modelos tienen una resolución relati- en software libre que permite la validación de modelos regionales y vamente baja por lo que la información climática que proporcionan no globales. Nótese aproximadamente de 0. a los invernales. en la región andina climáticas más importantes así como el de índices de extremo climáti.5 unas horquil- las de variación aproximada de 1-2 oC para el período 2020-2039 y para Los modelos globales tienen importantes sesgos sistemáticos positi- las zonas del interior de la Región Andina. Por ello. con las limitaciones ya mencionadas. que muestran mayores cam- vos en las temperaturas. alta resolución. La trayectoria de concentración representativa muestra valores ulan bien la disminución de temperaturas sobre la Cordillera. se ha expuesto el aspecto tener proyecciones más robustas. que se pone a disposición de resolución espacial de 18-50 km. como los modelos regionales. se ha realizado un desarrollo de metodologías nuevas y adaptación globales como regionales para formar un ENSEMBLE que permita ob- de metodologías existentes y. establece para Temperatura la trayectoria de concentración representativa alta RCP8. que se caracteriza por accidentes geográficos con una variación es- cos para un ensemble que puede consistir tanto de modelos climáticos pacial muy marcada y se hace necesario contar simulaciones de más globales como regionales. Por una par. en el marco de este proyecto. Los resultados presentados han confirmado la relativa robustez de las proyecciones de temperatura que. Validación tos de extremos a través de los índices climáticos. con una resolución espa- Como resultado del proyecto se ha generado una base de datos de cial promedio de 1-3 grados. por otro lado. Esto se debe. con una proyecciones regionalizadas de impactos. se climático de las proyecciones regionales estudiadas. correspondiendo los valores de mayor cambio a los meses estivales y los de menor cambio. probablemente. Gracias a la actividad del IPCC. se presenta los primeros resultados de alta resolución. • Los modelos regionales representan mejor la distribución espa- El modelado del sistema climático está inherentemente asociado a cial de temperatura que los modelos globales . La discusión se ha centrado sobre todo en la comparación de los valores medios obtenidos con los modelos globales y regionales. a que no sim- bios. el cálculo de proyecciones de consenso de las variables está suficientemente diferenciada. de temperatura por estaciones. se utilizó un sistema de cálculo basado para varios escenarios. En general. prontitud en cuanto a disponibilidad de proyecciones. cabo. por lo que la utilización de modelos climáticos re- de las proyecciones regionalizadas para el siglo XXI que se estudiaron gionales se hace imprescindible. La limitación de recursos informáticos no permite la re- alización del número suficiente de simulaciones con modelos globales En el aspecto puramente climático.• Conclusiones diversas incertidumbres. disponen de un gran número de simulaciones con modelos globales En cuanto a la metodología.

0 grados la altura observada pueden llegar a ser muy importantes. Para que esas proyecciones sean robustas. los resultados fuera de serie. la región de valles interandinos. a utilizar en las proyec- otoño. interanual e interdecadal para la región. patrón es inverso: en la región amazónica. especialmente en los globales.5 – 2. La falta de resolución espacial no permite diferenciar la costa precipitación para el invierno. En Ecuador. experimentaría los cambios más fuertes y las re- tener proyecciones robustas. es muy semejante al del verano. ación de la Zona de Convergencia Intertropical. estación para la cual los cambios son y las regiones de la cordillera en los modelos globales.5 grados. Por ejemplo. estación nal. suficientemente. la Oscilación Decadal del Pacífico. amplio de dichos modelos. en general. el eliminar de la proyección de consenso. También se observa una marcada dependencia geográfica. gionales y zonas con topografía compleja. También se proyectan disminuciones de precipitación en la región suroriental de • Los modelos globales tienden a subestimar la precipitación en Bolivia y en partes de la Amazonía peruana. En Perú y Bolivia también se observa • Los modelos regionales tienden a sobreestimar la precipitación. junto. las vari- ables simuladas. el Fenómeno ENSO y aunque ahora no se observa el contraste este-oeste en Ecuador. observándose una fuerte dependencia estacional y espacial de nales. Un procedimiento adecuado sería el de giones amazónicas los más débiles para Perú y Bolivia. Las simulaciones En el norte de la región de estudio. El verano austral es la estación con mayores cambios. en especial la de los modelos globales se deben som- eter a algunos ajustes. de signo similar a los cambios Este es un resultado que. dependiendo de la estación. en Ecuador. los cambios son más fuertes o “outliers”. ocurre en todos los modelos re. Los cambios en temperatura media más fuertes se observan durante el • Otro criterio de selección de modelos. en especial la represent- para la cual los cambios son menores. El patrón de cambios de altura. centígrados para el periodo 2020-2039. es importante usar criterios estadísticos que permitan ob- valles interandinos. aunque de valores mucho más pequeños. sería la bondad de la representación de la variabilidad estacio- El patrón de cambios de temperatura media para el invierno. las correcciones de las tempera- • El promedio de las simulaciones globales como regionales turas debidas a las diferencias de altura entre la orografía del modelo y proyectan aumento de temperaturas que varía entre 0. los mayores cambios positivos se necesarias se deben hacer en un marco de colaboración internacion- dan en la vertiente oriental de los Andes y con cambios negativos en 31 . con un • Al usar un ENSEMBLE de modelos. menores muestra un claro contraste este-oeste. los cambios más Precipitación fuertes se dan en la vertiente occidental de los Andes. tanto regionales como contraste este-oeste. Recomendaciones metodológicas Proyecciones • Debido a la presencia de fuertes gradientes espaciales. aunque se mantiene el patrón espacial de cambios del verano. con cambios negati- vos al este y positivos al oeste. Los cambios en precipitación son positivos en la mayor parte de la • La necesidad de resolver las escalas espaciales típicas de la región y en todas las estaciones de estudio varían entre -30 y +50 mm/ región en las proyecciones hace necesario el uso de modelos regio- año. se necesita un con- este cambio. alcanzando valores de hasta 1. que en la región costera. La Cordillera de los Andes. En Perú y Bolivia. ciones. No se puede cuantificar esta sobreestimación por no existir información climática en altura. un contraste este-oeste en los cambios.

en parte. excepto MRI-AGCM a 20 km. Proyectos como Cordex – Sudamérica trones de error muy semejantes. La región andina presenta un reto para los modelos climáticos actuales. a escala regional. que habitualmente necesitan información climática que re- suelva los detalles regionales. Se pueden ver como todos los modelos muestran errores or resolución (alrededor de 10 km) también son necesarias. siendo MRI-AGCM con resolución de 20 km el más cer- cano a las observaciones. tanto globales como regionales. Estos modelos proporcionan las características de gran escala de las proyecciones climáticas. REMO simula una precipitación menor que la observada. en el norte de Perú y el este de Ecuador. sobre todo en el verano austral. . y especialmente REMO. en general. aunque simulaciones a may. tanto en distribución espacial como pueden proporcionar el marco adecuado. para el cual los errores positivos en la costa están restringidos a una banda más delgada.La herramienta básica para realizar estimaciones de proyecciones climáticas son los modelos de circulación general acoplados océano-atmósfera. tanto para diagnosticar cambios como para validar modelos. por el hecho de que. pero la escasa resolución espacial de las proyecciones limita su utilidad para los distintos tipos de modelos de impacto. en magnitud. Los tres modelos. También cabe destacar que en invierno.al debido al alto costo computacional y las necesidades de personal Las temperaturas simuladas por REMO y MRI-AGCM muestran pa- científico experto en el tema. tanto por sus características climáticas como orográficas. positivos en la costa y negativos en las zonas montañosas. en tanto que en MRI_AGCM el “bias” es positivo. la estrecha franja precipitación especialmente en altura para la región es imprescindible. En Resumen: Las proyecciones climáticas son un elemento crucial en el proceso de toma de decisiones. Los tres modelos utilizados muestran una buena representación de la precipitación. costera no está bien resuelta ni por las observaciones ni los modelos. La discrep- ancias entre modelos y observaciones en la región costera se puede • La generación de una buena base de datos de temperatura y explicar. que debe ser consistente con el marco general proporcionado por el informe especial sobre escenarios de emisiones elaborado por el IPCC y sus informes de evaluación. tienen un exceso de precipitación sobre los Andes. con la mayor resolución espacial posible. Es por ello que los estudios de impacto. hacen ineludible el estudio de escenarios regionaliza- dos de cambio climático.

No usado. Abajo se muestra la rutina jumps. radica que. en la cual la agilidad del proceso es de vital importancia.chungo+1))) 35 en la columna de temperatura máxima.na(mister[. (sustituye jumps_tx y jumps_tn) #################################################### • Introducción jumps = function(station. temperatura máxima. Se distribuye utilizadas bajo licencia GNU Lesser GPL 3. rm(list=ls(pattern=’[^mister]’)) torios meteorológicos. Por ello. se producen inevitablemente # mister: datos + columnas de qc. Ejemplo de rutina simplificada y documentada.donde]<-1} cambio de emplazamiento. Aquellos errores que se in. entorno o instrumentación de los observa. como también lo es la reducción del código datos para grupos de estaciones (esto facilita su documentación y su posterior mantenimiento). if(hay > 0) { diffy<-diff(mister[. se ha realizado una mejora. donde<-ncol(mister)+1 tentan detectar y ajustar mediante los procesos de homogeneización mister[. durante el proceso de obser. nyunyu<-gc() return(mister) } } #################################################### 33 . a partir de RClimdex-extraqc y # station: nombre de la estacion.maxjump. El enfoque de ANDESQC está previsto para el control de calidad si- ANDES QC: Control de calidad de multáneo de una red de estaciones.element=6) { # OBJETIVO: etiquetar diferencias interdiarias excesivas # INPUT: ANDESQC se ha programado sobre R.element]))) los usados con los procesos de homogeneización. detectar principalmente errores de carácter no sistemático. Además. distintos a hay<-length(which(!is. simplificación y documentación de algunas meteorológicas Por Enric Aguilar rutinas.element]) Los problemas que se intenta detectar con Andes QC son (entre otros) chungo<-which(abs(diffy)>maxjump) errores relacionados a la digitalización: 53 fue digitalizado en lugar de chungo<-unique(sort(c(chungo. ha sido realizado bajo el # mister: fichero que contiene datos + columnas de qc 0/1 ya contrato CCI-009-ATN/OC-12439-RG-2012 para CIIFEN. 6 = temperatura mínima) idad en los datos climáticos.mister. # RETORNA: vación y recolección de series de datos. con el qc correspondiente errores de distinta naturaleza. el control de calidad pretende actualizado.donde]<-0 son siempre de carácter sistemático y responden a fenómenos como el if(length(chungo)!=0){mister[chungo.0 # maxjump: diferencia máxima entre valores diarios # element: columna del elemento sobre el que se trabaja (5 = La importancia del desarrollo de esta herramienta para control de cal.

fourboxes() Parámetros Características Ejemplo de Configurables parametrización Estratifica cada una de las variables TX. Numérico. Iden. por meses y produce diagramas de caja (boxplot) de las mismas. Acumulada X Cadenas de Markov X X X Cadena Precip. TN y precipitación distinta de 0 Numérico.n RIC para outiliers de precipitación . X Redondeo X X X OUTLIERS POR MESES . número de RIC Outrangeprec 7 Se encuentren por debajo del percentil 25 .Tesis Incluidas en ANDES QC TEST FECHA PRECIP TX TN DTR Outliers por meses X X X X Outliers Pentadales X X Outliers Gamma X Outliers Espaciales X X X Tmax < Tmin X X Valores fuera de rango X X X Valores Duplicados X ! ! ! ! Diferencias Interdiarios X X Valores Consecutivos X X X Precip. Outrange número de RIC 4 tifica como outliers aquellos valores que para outiliers de temperatura Se encuentren por encima del percentil 75 + n rangos intercuartílicos (RIC).

Identifica como outliers para el día central de cada ventana.Función auxiliar percentcor() Parámetros Características Ejemplo de Configurables parametrización Posiblemente. considerada la más generalizada para describir paramétricamente las distribuciones de precipitación acumulada diaria. Calcula la matriz de correlación para todas las series dis rangepent 4 número de RIC ponibles de temperatura y precipitación. Se encuentren por debajo del percentil 25 . probabilidad gamma. sea el test más complejo incluido en este paquete. Dicha función: Numérico. 35 . una distribución de probabilidad. dicho filtro mediante LOESS. Para cada una de ellas Función precipouts para detección de outliers de precipitación: (5 x 30 valores). Utili- za una función previa configurable.precipouts () Utilizando los datos del periodo de referencia Estratifica los datos en péntadas móviles. aquellos valores que Parámetros Características Ejemplo de Configurables parametrización Se encuentren por encima del percentil 75 + n RIC Numérico. Se utiliza un periodo para outiliers de temperatura de referencia (a ser posible.n RIC gaquant 0. OUTLIERS GAMMA . Entendemos que para la finalidad de este test (etiquetar posibles outli- OUTLIERS PENTADALES . se que actúa como encentran suavizados mediante una media móvil de 11 puntos. se extrae la distribución empírica de esta función ajusta. Existe límite a valores la posibilidad de modificar la parametrización de la función para realizar cutliers. 30 años) y la primera diferencia para evitar el impacto de posibles inhomogeneidades y del cic lo anual.99 cuantil de la distribución gamma Los valores de referencia para cada uno de los 365 días julianos. separadamente a cada mes. percentcor(). El valor de cada día de toda la serie es transformado en el No se ha incluido – en la presente versión – la posibilidad de ajustar percentil que representa en la ECDF correspondiente. otras distribuciones y valorar la bondad del ajuste mediante criterios objetivos como el habitual AIC. OUTLIERS ESPACIALES .pentauts() ers cuyos valores superan el cuantil especificado en la parametrización) el enfoque utilizado es suficiente. TN por ventanas móviles de 5 días. Test de nueva implementación el cual estratifica cada una de las vari- ables TX.

50 tos outliers.tmaxmim() Configurables parametrización Dada la definición OMM de temperatura máxima diaria y temperatura mínima diaria.4. entre los cuantiles entre la estación candidata y sus referencias percentcor () Parámetros Características Ejemplo de TMAX < = TMIN . De no existir suficientes datos en el periodo de ref- erencia o menos de dos estaciones con r > 0. los outliers espaciales Parámetros Características Ejemplo de no son computados. Configurables parametrización Si la diferencia supera el valor configurado. año Configurables parametrización ref2 1990 final del periodo de referencia para el cómputo de correlaciones Carece de . referencia para cómputo de correlaciones Parámetros Características Ejemplo de Numérico. Numérico. la observación queda mar- cada como un outlier. Dada la complejidad en la configuración de es. - parámetros configurables . la primera debe ser mayor a la segunda Se identifican Numérico. solamente se retienen aquellos outliers espaciales que han diferencia máxima fallado otro test. perdiff 0.Se seleccionan series bien correlacionadas (referencias) y se compara el percentil de la estación candidata con la mediana de los percentiles spatialouts () de las referencias. primer como erróneos aquellos valores para los que la anterior afirmación no ref1 1961 año periodo se cumple.

como la precipitación Configurables parametrización negativa o temperaturas de 100ºC.jumps() smalltx Valor demasiado bajo de -60 TX Test que identifica valores de TX y TN cuya diferencia con la siguiente smalltn Valor demasiado bajo de -80 observación es considerada excesiva. - parámetros configurables Parámetros Características Ejemplo de Configurables parametrización DIFERENCIAS INTERDIARIAS . carece de RORES. según valor parametrizado por TN el usuario.VALORES FUERA RANGO . .humongous() Parámetros Características Ejemplo de Identifica valores que se consideran imposibles. Los valores etiquetados por este test no son considerados outliers o valores sospechosos sino ERRORES. 37 . Los valores etiquetados por este test no son considerados outliers o valores sospechosos sino ER. bigtx Valor demasiado alto de 60 TX Parámetros Características Ejemplo de bigtn Valor demasiado alto de 40 Configurables parametrización TN bigprecip Valor demasiado alto de 800 maxjump Máxima 20 PREC diferencia permitida entre observaciones VALORES DUPLICADOS .duplicals() consecutivas Identifica fechas repetidas.

(Seco = 0. húmedo = distinto de cero) y rango 1 Las series de precipitación se estratifican por ventanas móviles de 11 días. Se basa en ca- Identifica valores de precipitación elevados precedidos de una racha de denas de Markov de dos estados valores 0 o en ausencia de valores previos. limit Valor de 100 vos iguales para TX. Se evalúan las probabilidades transicionales de una observación a la siguiente: P0 = probabilidad de día lluvioso. días 10 previos a maxflat Máxima ocurrencia del 10 valor definido racha permitida de valores por limit iguales idénticos a 0 o no consecutivos disponibles CADENAS DE MARKOV .markovchain() PRECIP. ACUMULADA . TN y precipitación distinta de 0. Parámetros Características Ejemplo de VALORES CONSECUTIVOS .flatline () Configurables parametrización Identifica rachas consideradas demasiado largas de valores consecuti. precipitación a partir del cual se empieza a inspeccionar Parámetros Características Ejemplo de Configurables parametrización tolerance Núm. P1 = probabilidad de día seco P00 = probabilidad día seco tras día seco. P01 probabilidad día lluvioso tras día seco .suspectacumprec() Se trata de un test de notable complejidad estadística.

Se aplica a TX.025 cuantil de la REDONDEO . 7 máximo de observaciones 39 . TN y precipitación distinta de 0. siendo n configurable. se utiliza la distribución geométrica para extraer de la misma la racha que representa un determinado cuan. 0). chapa Número 275 máximo de observaciones idénticas (pre- Parámetros Características Ejemplo de sumiblemente 0) Configurables parametrización permitidas targetquant Valor para el 0.0 Todos los valores im- CADENAS DE PRECIPITACIÓN .chainprecip() plicados en dicha racha son etiquetados. se ofrece un test que etiqueta valores sospechosos. Se basa en determinar el número máximo de observaciones que se permiten con el mismo valor tras el punto decimal (. Se trata de una versión simplificada del anterior test. Parámetros Características Ejemplo de miblemente.Con las probabilidades obtenidas. De encontrarse una racha que exceda Configurables parametrización la determinada anteriormente. Configurables parametrización La parametrización de esta función debe tener en cuenta la existencia maxround Número de una estación seca. Se expresa Adicionalmente a la salida gráfica para evaluación cualitativa ya pre- como 1-q sente en extraqc.0 a .9).tableround() distribución geométrica a uti- lizar. se etiquetarán como sospechosos todos los días que la componen más el anterior y el posterior. Parámetros Características Ejemplo de til (configurable por el usuario). que simplemente analiza la existencia de rachas superiores a n valores idénticos (presu.

sin duda.-4. 6=tn).5) su control de calidad es más complejo y en ocasiones se reduce a rep. Por ejemplo. Los más comunes son. la solución óptima no es siempre determinar la inexistencia del valor y la respuesta adecuada levcorr nivel de corrección 1. Corrige a -88.1 mm y la indicación de valor -88. bunny valores a ser sustituídos c(-1.9. -1 para indicar traza).5.vectorial resentaciones de la información. errores lando. 4.-999.4. Contrariamente a lo que sucede con los valores perdidos.8 sólo varía caso a caso y en función del banco de datos que se está contro. Dado que también consigna – de anterior más los outliers forma vectorial – la columna del elemento al que se refiere. puesto que terior más aquellos que dicho software no utiliza valores de precipitación inferioes a 1 mm. Configurables parametrización ción no gaussiana. De forma similar a los valores perdidos. rápida de correlación espacial) fudd elemento sobre el que actuar c(4.0 de ANDESQC incluye tres novedades importantes. Funciones Adicionales Parámetros Características Ejemplo de Dadas las características inherentes a la variable precipitación (distribu. gran variabilidad interdiaria e interanual. La fallan algún test y tienen rutina preclean permite al usuario indicar aquellos códigos que conoce confirmación espacial 3.8 cual- quier valor etiquetado . puede ser y saltos interdiarios también utilizado para las variables de temperatura. los cuales no deben ser leídos como un valor regular ya Parámetros Características Ejemplo de que inducirían a error o – en el caso de ser alfabéticos – a errores en Configurables parametrización aquellas rutinas que requieran cómputos matemáticos.-99.8 aquellas valores que no hayan pasado determinados test (config- acumulado. duck valores que les c(0. las cuales amplían sus capacidades y fa.-99. La versión 3. Corrige a -88. los valores traza de un banco de datos destinado 2.8 lo an- a ser analizado con RClimdex deben ser igualados a cero.9) reemplazarán · Función preclean para sustitución de códigos específicos: · Función smartcorrection es frecuente que muchos bancos de datos incorporen códigos espe- ciales para indicar determinadas circunstancias asociadas con la me- dida de precipitación. esta consigna uti. limitada por la izquierda y con claro sesgo positivo.urable) liza valores imposibles de la variable en cuestión (por ejemplo. (4=pc.9) cilitan su conexión con otras herramientas como HOMER o RClimdex . 5=tx. Corrige a -88. Corrige a -88.8 todo lo y el valor por los que desea sustituirlo.9.0.-999. la marca de para generar un nuevo fichero de datos para cada serie etiquetando a traza de precipitación o valor inferior a 0.

ya que se apoyará en los valores de los tests anteriores y aborda el problema a través de distintos pasos. se computa in- estaciones diarias dependientemente para cada día juliano incluyendo el mismo día y los dos días adyacentes anteriores y posteriores). el control de calidad espacial no puede (ni mensuales debe) realizarse. la función que se introduce. Si bien estos contrastes pueden sionalmente que se trata de un outlier espacial . Si existen al menos tres series que cumplan maxyear último año sobre el que se 2014 con la correlación mínima exigida (configurable) se procede a los sigui- computarán los valores entes pasos. spatialouts. se determina provi- que se producen por distintos errores. realizados por funciones subsidiarias: que genera. series de va- lores mensuales y ficheros de estación en el formato requerido por HO- MER. serie sometida al control de calidad y sus cuantiles de referencia. se 41 . diferencia mediana. Dada la naturaleza de las series temporales diarias de temperatura y precipitación. La primera diferencia se utiliza al objeto de desestacionalizar los valores y evitar las correlaciones fictici- Parámetros Características Ejemplo de amente elevadas introducidas por el ciclo anual. De lo contrario.· Función makemonthly realiza al final del proceso de control de calidad. den con valores extremos pero legítimos de una estación y aquellos De superar el límite configurado por el usuario. a partir de los datos controlados de calidad. Generación de una matriz de correlación entre las primeras diferencias de los datos diarios. Finalmente se ha optado por la última. realizarse a través de la inspección visual de valores o mediante con- trastes climatográficos. Se han explorado tres opciones para este cálculo: ponderación por coeficiente de correlación. diferencia mínima. percent máximo porcentaje de valores 5 faltantes en un mes permitido Generación de series temporales en las que el valor de cada para calcular el valor mensual día es sustituido por el cuantil que representa en la ECDF que le corre- sponde. minyear primer año sobre el que se 1901 computarán los valores Determinación para cada serie de estaciones suficiente- mensuales mente correlacionadas. Configurables parametrización Cálculo de la distribución empírica de densidad acumulada dailystats nombre del fichero de stations.txt (ECDF) estratificada por péntadas móviles (es decir. Cómputo de cuantiles de referencia para cada día a partir de Introducción del Control de Calidad Espacial las series correlacionadas. la comparación con valores de estaciones adyacentes se Generación de series de diferencia entre los cuantiles de la demuestra vital para insistir en discernir entre outliers que se correspon.

La Figura muestra un ejemplo de la información gráfica que se ofrece en los ficheros de salida en formato html. . Output Gráfico y Numérico de Ayuda a la Decisión Integrado en Ficheros HTML ANDESQC incluye una rutina que genera automáticamente series en formato RClimdex con aquellos valores que no han pasado el control de calidad convenientemente sustituidos por el código de valor perdi- do. Ofrece una confirmación adicional de que el valor que se había identificado previamente con otro test es. Se estudia el resto de tests aplicados a las observaciones que han sido marcadas como outliers espaciales provisionales. Sin descartar la necesidad de una decisión experta al final de proce- so. se ofrece una output gráfico integrado en un solo fichero por estación que nos permite. aunque las comparaciones se hacían de forma enteramente manual. efectivamente erróneo. De haber fallado otro tests. de forma visual. inspeccionar los valores etiquetados. la automatización ofrecida por esta función acelera notablemente el proceso de control de calidad. dado que difícilmente ningún proceso de control de calidad será perfecto. El enfoque utilizado es muy conservador e intenta evitar el etiquetado de un excesivo número de valores. No obstante. se registra como outlier espacial definitivo. Este razonamiento es el mismo que se ha utilizado en los procesos de control de calidad de Rclimdex y extraqc.

Salida gráfica y texto en formato html: Un fichero por estación que se ubica en el mismo directorio de datos y cuyo nombre es el mismo del fichero de datos.html Visión de Conjunto del Output General VISIÓN GENERAL DE LA SERIE: TX 43 .txt ==> ra00000001. cambiando su extensión a html: ra00000001.

VISIÓN GENERAL DE LA SERIE: TN .

VISIÓN GENERAL DE LA SERIE: DTR 45 .

VISIÓN GENERAL DE LA SERIE: PRECIP .

GRÁFICO OUTLIERS MENSUALES: PRECIP 47 .

GRÁFICO OUTLIERS MENSUALES: TX .

GRÁFICO OUTLIERS MENSUALES: TN 49 .

GRÁFICO OUTLIERS MENSUALES: DTR .

GRÁFICO VALORES AUSENTES PRECIPITACIÓN 51 .

GRÁFICO VALORES AUSENTES TX .

GRÁFICO VALORES AUSENTES TN 53 .

GRÁFICO CONTROL DE REDONDEO: TX .

GRÁFICO CONTROL DE REDONDEO: TN 55 .

GRAFICO CONTROL DE REDONDEO: PRECIP .

en comparación con otros que también han sido explorados y que quizás permiten un mejor formato del output. TN y precipitación. html puede ser visionado por cualquier navegador a modo pasado el control de calidad espacial descrito en el apartado anterior. y por tanto. Gráficos de redondeo Gráficos de secuencia de datos con valores etiquetados mediante códigos de colores Listado de valores etiquetados 57 . mientras que las que han fallado más de un control de calidad. Técnicamente. Finalmente. El output ofrece igualmente los valores involucrados para su inspección. el fichero se genera en El output por períodos de cinco años presenta en detalle la información html a través del lenguaje Markdown y su implementación en R R-mark. naranja. salidad. Contenido Output por Períodos de cinco años Para cada período de 5 años. rojo y púrpura. pero de Para cada uno de los parámetros TX. extraída por el control de calidad y ayuda tomar decisiones respecto a down. los valores etiquetados. como laTeX. se representan progresivamente en amarillo. presentan una mayor probabilidad cualitativa de ser erróneas. Los outliers están identificados en forma de puntos de col- ores. Se ha seleccionado este formato por su facilidad y su univer. aquellos valores detectados en cualquier test y que no han En cambio. se grafican los datos de la estación en cuestión. se incluyen: mayor complejidad y que requieren la instalación de lectores expresos. de página web en modo local. Los colores están escogidos de forma que aquellas observaciones que han sido tan solo identificadas por un único test aparecen en verde. se inscriben en un circulo negro.

GRÁFICO REDONDEO POR PERIODOS .

GRÁFICO-RESUMEN QC POR PERIODOS DE 5 AÑOS 59 .

9 24.6 1899 1 30 2.6 Spatial Outlier year month day pc tx tn 1898 12 16 2.1899 ra00047407.0 -3.4 0 • Número de Test Fallados 1897 2 8 0. Upper Threshold Outpassed year month day pc tx tn 1895 12 26 0.9 0 Difference between consecutive days is too large year month day pc tx tn 1899 1 28 0.3 1896 7 17 0.1 18.0 1899 1 29 1.6 -10.4 -4.3 1895 12 30 0.0 -27.0 -14.6 Monthly-based Outliers.0 27.0 -1.0 1899 1 29 1.3 -2.0 -9.9 0.0 1898 12 16 2.6 .6 TX smaller or equal than TN year month day pc tx tn 1896 1 8 0.6 -10.4 0 1896 3 6 1.1 18.6 1899 1 29 1.9 24.0 1899 1 29 1.1 18. Upper Threshold Outpassed year month day pc tx tn 1898 12 16 2.0 -9.9 1895 12 28 27.0 -9.0 -9.9 24.5 -1.txt TX Pentadal-based Outliers.1 18.3 0 1896 2 7 0.3 0.3 28.5 -23.0 -3.1 0 1896 12 5 0.0 -1.6 -10 DTR Monthly-based Outliers.0 1896 8 7 1.0 -3. Upper Threshold Outpassed year month day pc tx tn 1898 12 16 2.6 -10.4 5.2 -9.9 24.0 -29.7 2. Listado de Valores Etiquetados por el • Control de Calidad por Periodos Control de Calidad QC OUTPUT FOR 1895 .

los ficheros pueden combinarse y/o integrarse en una base de datos. año. se pueden inspeccionar y comparar los valores etiquetados. sino en el conjunto de las estaciones analizadas. Dado que cada registro (fila) es único no solo en el fichero. 61 . año. mes y día. que se detalla en la figura siguiente. por estar etiquetado por estación. mes. día. tx. Las celdas correspondientes a los distintos tests pueden albergar sólo dos valores: 0 : el valor ha pasado dicho test 1: el valor no ha pasado dicho test Mediante el uso de funciones de filtrado de cualquier hoja de cálculo. tn + una columna para cada uno de los controles de calidad realizados. precip. que se abrevian con un código de cu- atro letras. Ficheros MASTERQC • Formato El fichero masterqc contiene un las siguientes columnas: nombre fiche- ro.

así a los que deberemos responder según las opciones que se nos ofrez. Este fichero y fichero que contiene el listado los de datos deben estar en el de estaciones como 2 Cargar R directorio del trabajo “estaciones.9? submenú de introducción de 1 = SI.Más saltos y más recomendable para QC X automático. Solo puedes girse 1 si estas no existen o si License 3. estación en formato HOMER? ciones mensuales de PC.-Duro(reduce falsos positivos).Solo ficheros de salida. TM. las siguientes Cargando R y ANDESQC option: 1-English.txt“ Indica si queremos usar la Quieres reemplazar códigos función preclean(1) o no(2). ficheros medias mensuales de como directorio de trabajo y cargar el código fuente.8 en los X X Entra nivel corrección: 1. aparecerán una serie de mensajes en pantalla. se producirán el prompt de R.0 saltarte el paso si ya las has quieren renovarse. 3 Establecer como directorio de trabajo aquél en el que tenemos especiales conocidos y De elegir 1. 3. suales y preparar ficheros de TX. 3. teclear QC() desde Si indicamos 1. Interacción con la Función QC() Formas de trabajo para Ejecutar ANDESQC PREGUNTA RESPUESTA Opción de Lenguaje / Language Introduciendo 2.R Computar correlaciones? Indicar si se desea computar Tomará 5 minutos adicionales las correlaciones. 2-Spanish preguntas y opciones parecerán en español 1 Preparar los datos y el fichero de estaciones en el formato Introduce el número del fichero Se nos requieres el nombre del indicado de estaciones. entraremos en un los datos distintos a -99.-Más espacialmente Configurable en confirmados. Se entra al calculado submenú si se elige 1 Características QC() qclist() Selecciona nivel QC: Esta opción correrá uno de los 1. simplemente. 1 =SI . La opción Código 1 sólo eliminará errores y es la errores. 2 = NO valores 4 Cargar el código fuente de andesqc_vx.Suave(reduce pre-configurados. 2 = NO como ficheros de estación can..x. 2. 4.-Medio.. siempre después de establecer el directorio de datos Quieres calcular valores men. utilizables por HOMER . tres conjuntos de parámetros Interactiva X 2... Configurable en falsos negativos) X Pantalla Seleecionará que valores serán Configurable desde convertidos en -88. TN.Todo lo etiquetado gran cantidad de valores y es la • FUNCIÓN QC() más recomendable si queremos revisar manualmente el QC Para cargar la función QC(). Debe ele- 5 El código se ofrece bajo licencia GNU Lesser General Public por elemento. DTR y acumula- Inmediatamente. la 4 etiquetará una Llamada outliers.

999. 63 .gaquant=0.gaquant=0.75.rangpent=3.max- flat=3.- 2 Localizar la siguiente sección bigtn=40.bigprecip=1000.codelist=NA.levcorr=levcorr.25. maxround=5.mode=1.limit=75.smalltx=-20.smalltn=-50.perdif- f=0.3) diff=0.tolerance=7.per- Cargar de nuevo el código fuente y ejecutar QC() diff=0.per- los niveles predeterminados (1.Modificando los Valores Predefinidos 1 Localizar en el código la función QC() if(nivelqc==1){ allqc(master=phil[i. se corresponde con uno de maxround=20.sumvaltn=2.chapa=365) } 4 Modificar en el nivel deseado los parámetros que figuran en la ! if(nivelqc==2){ misma y que han sido descritos en allqc(master=phil[i.gaquant=0.- bigtn=35.codelist=NA.kapar=11.kapar=11. maxround=10.chapa=180)} Este símbolo implica modificar el código.limit=300.smalltx=-40.tolerance=3.bigtx=60.targetquant=0.outrange=4.levcorr=levcorr.tolerance=5. y en este caso se recomienda guardar la copia original.sumvaltn=3.targetquant=0.kapar=11.sumvalpc=2.max- 5 La primera parte de esta presentación flat=7.mode=1.smalltn=-30.outrangeprec=5.990.50.smalltx=-30.995.sumvalpc=4.mode=1.bigtx=45.maxjump=20.1].03.chapa=275) } ! if(nivelqc==3){ allqc(master=phil[i.smalltn=-70.1].codelist=NA.maxjump=30.- sumvaltx=4. 3 Cada valor de la variable nivelqc().- bigtn=30.sumvaltn=4.02.- sumvaltx=2.- 6 sumvaltx=3.bigprecip=800.maxjump=15.01.2.targetquant=0.outrangeprec=9.1].sumvalpc=3.outrange=5.rangpent=4.maxf- lat=15.levcorr=levcorr.bigtx=55.5.limit=150.outrangeprec=7.outrange=3.bigprecip=500.rangpent=3.

(execpt 0. bien here or when calling qclist(). must have the same length than fudd and applies to the element defined by fudd which is in the same position duck=c(0). # computes correlations ref1=1961. # values for • Utilizará los valores por defecto que contiene la función en su aberrant dat.envir=globalenv()) ############################################ . # precleans the series (0 no. kapar is the window for smoothing (pentaouts function) gaquant=0. kapar = 5. # duck is the values which replace the codes. bien mediante el uso de valores predeterminados. # for makemonthly sumvaltx=3.bigtx=50.percent=3) (function precipouts) perdiff=0. 4 for precip.txt’.sumvalpc=3. # last year of the reference period for the correlations dailystats=’stations.0 precip) (rounded function) Opción 2: uno o varios parámetros pueden modificarse al llamar la rangpent = 3. Values can be changed sin interacción. # Limit for values with the same 1/10th of degree or mm. # fudd is list of elements for preclean. tolerance = 10. Same conditions apply sicorr=1. mode=0. # Value for the number of maximum consecutive days with the same • Los mismos pueden ser modificados y usados tras cargar de value in temp and non zeor precip.bigprecip=800. outrange=3. (humongous functions) maxjump=20.pattern=’^[0-9]{6}. 5 for tx and 6 for tn bunny=c(-1). If changed here. outrangeprec=7. # 1-target quantile in of the geometric distribution for markovian chains (function markovprecip) levcorr=3.1. # difference in percentiles for between candidate and refernce stations for the spatial outliers (spatialouts) targetquant=0. # values for smartocorrection = 5. tolerance the max number of leading 0 or NA (function suspectacumprec) maxround = 10.smalltx=-40. # first year of the reference period for the correlations ref2=1990. ! # THIS IS THE PARAMETRIZATION SECTION FOR QCLIST. chapa=275. # Suspected acumm.30. colnum=1.bigtn=40.01.txt’. based on correcting errors + multiple fails. # IQR for monthly based outliers.sumvaltn=3.outputpath=’/extraqc/’. yes 1) fudd=c(4).txt’. # level of correction for smartcorrection precy=1.smalltn=-60. # cut value for interdiurnal differences (jumps function) código y que figuran en la siguiente diapositiva maxflat = 7.txt’. Outrange is temp. prec: limit is the value to start look- nuevo el código fuente ing.path=getwd(). # for makemonthly maxyear=2014. hazmes=1. # quantile for of the gamma distributtion to flag outliers of precip qclist(station=‘nombredelarchivo. don’t mediante la parametrización en tiempo de ejecución # forget to re-source the code.Uso de qclist() La función qclist() ejecuta el control de calidad de forma automática qclist=function(filename=’stations. # bunny is codes for preclean. # rangpent is the IQR for pentadal based outliers función of temperature. outrangeprec is precip (fourboxes function) Opción 1: simple ejecución de qclist() desde el prompt de R bigtx=60.999.codelist=NA.(flatline function) limit= 100. # for makemonthly minyear=1880.modo=0){ ! #### END######################################## ! # ASSIGNATION OF GLOBAL VARIABLES #################################################################### ########################## assign(“lang”. # for makemonthly percent=5.

la experimentación es clave en los procesos de QC y. especialmente los ligados a los Talleres para índices ETCCDI. No obstante. por ello. Durante el proceso de elaboración se ha testado inten- sivamente con distintos bancos de datos y eliminado errores. A mayor número de series y datos. ANDESQC es un código complejo que ha requerido muchas horas de programación. especialmente el control de calidad espacial. a los cuales debe las ideas iniciales. En resumen: ANDESQC está pensado para automatizar las tareas de QC incluí- das en RClimdex y RClimdex-extraqc. sino que tam- bién una aportación del mismo a la comunidad científica en general. Lamentablemente. Se espera una evolución que lo reduzca. más de 2000 líneas de código. se sugiere una ejecución inicial beta para ajustar los mismos. debido a los múltiples procesos que se realizan para cada estación. más fiables son algunos procesos. Como se menciona en el párrafo anterior.• Aplicación y Futuro de ANDESQC Esta herramienta no debe sólo constituir una solución de control de calidad para las series involucradas en este proyecto. Reconoce la importancia en su elaboración de la família “Climdex” para QC y reconoce la necesi- dad de inspección humana de los procesos de QC. Se ha parametrizado pensando en la región en la que se va aplicar inicialmente. en su última versión. a pesar de las opciones automáticas ofrecidas. El código es plenamente funcional y ha sido probado con redes con distinto número de series (15 a 60) y con longitudes muy distintas (de 40 a 120 años). ANDESQC puede ser utilizado en muchos otros procesos de control de calidad. La diversidad climática hace difícil la parametrización universal de ANDESQC. el código requiere un elevado tiempo de com- putación. 65 . Contiene. Se espera que este producto continúe evolucionando. el ajuste fino de ANDESQC y su evolución debe basarse en utilizar sus primeras aplicaciones para el ajuste fino de los parámetros de entrada y la reducción de falsos positivos.

Anexos Abreviaciones y Acrónimos AOGCM Atmosphere-Ocean General Circulation Model BID Banco Interamericano de Desarrollo CC Cambio Climático CIIFEN Centro Internacional para la Investigación del Fenómeno de El Niño FAO Food and Agriculture Organization of the United Nations GEI Gases de Efecto Invernadero IPCC Panel Intergubernamental de Cambio Climático (por sus siglas en inglés) .

”Reviews of Geophysics.. H. 347–355.S. C.. G. Chou. and J. J. 2010. M. Themeßl. 7–10. J. pp. G. “Pe- sent-day South American climate. W. 2009 67 . pp. 25 116.. 99. “Projected precipitation changes in South al future climate change scenarios in South America using the Eta America: a dynamical downscaling within CLARIS. & Engen-Skau- gen. pp. 2011. Coppola (2009). and M. 58. 1968. Cabré.. Appl. “Development of region- uelsson.” Climate Dynamics.. D. Res. doi:10. and Paruolo. C. M.”Palaeogeography Palaeoclima- tology. 1081–1095. Haugen. A.. M. “Regional climate change change projections of temperature and precipitation. E. W. vol. C.. no. A.5194/hess-16-3383-2012. 175–183. Alves. D. 2009.35. Sauter. Rev. Statistical bias cor- tion scale using statistical transformations . 9-10. P. B. vol. Hydrology and Earth System Sciences.Christensen. I. 6189 F. narios in the late twenty-first century. Mearns. Lucas-Pich- er. M. Wetterhall. T. 3-4. and Thiele-Eich. F. Vrac. Solman. C. 6189. Geo- phys. Ruscica. Meteorology. T. F.. C. 187–192. S. Compagnucci. Kendon. R. experiments over southern South America.” CLIVAR Exchanges. L. 4. K. pp. Kay et al. pp. 6187. Dosio. 2009. ods. São Francisco and the Paraná River basins. 6186 Gudmundsson.. J. 15. no. Rust.. E. Alexander. 6186. Res. doi:10. L. 2012. Goodess. Palaeoecology.. 2241–2255. no. Chandler. 2010 gional analyses for the Amazon. II: climate change sce- Lett. and G. and Brier.. Sam. Nuñez. 2012. 191–216. 3383-3390. 32.. Gentile.. Marengo. and M. O. Brienen. Geophys. 3. R. 1829–1848. Geophys. no. Marengo. O. 16. Sörensson. 2008: On the need for bias correction of regional climate M. O. Garreaud.. The Pennsylvania State University Press. 2009.: Some Applications of Statistics to rological Organization Buletin. Bremnes. no.. and E. doi:10. J. C.”In- anistic to a systemic approach. Theor. R. A. F. and U. doi:10. Jones.1029/2008GL035694. 2011. R.: Precipitation els: Evaluation on the present climate. Onof. P. R. 16. 29. “Addressing climate information needs at the regional level: the CORDEX framework. Menéndez.. 6186. 48. J. R. Panofsky..Bibliografía J. pp... no. A. Philadelphia. Technical Note: Downscaling RCM precipitation to the sta. M. vol. 29.. J. Asrar. no. Boulanger. and P. G.. A.” World Meteo. no. Valverde. ca as derived from the precis regional climate modeling system. V. 2. Chun. RG3003.a comparison of meth. “Approaches to the simulation of regional climate change: a review. 7-8. Giorgi and L. P. vol. vol. G. C. Jones. downscaling under climate change: Recent developments to bridge D16106. Ireson. 38. Venema. B.” Meteorologische CPTEC/HadCM3 climate change projections: climatology and re- Zeitschrift. J. Piani. “Future J. A. 1991. P. Widmann.. Schlindwein. S. pp. 57. rection for daily precipitation in regional climate models over Europe. C.1029/2009RG000314. H. vol. Boberg. H. vol. E. S. 180–195. A. 19. P. pp. Giorgi.. M. Jones. 281.. Climatol. Christensen. Marengo.” Climate Dynamics. K. F.1029/2011JD015934. vol. Vuille.: Bias correction of the ENSEMBLES high-resolution climate change projections for use by impact mod. Haerter. ternational Journal of Climatology. Maraun. “CLARIS LPB WP1: change of temperature and precipitation extremes in south ameri- metamorphosis of the CLARIS LPB European project: from a mech. and E.L20709. 6190 the gap between dynamical models and the end user. M. W. Willén.

http://geoportal.org/ info-ciifen@ciifen.Ecuador .ciifen.Fax: (593) 4 2514771 Guayaquil .org (593) 4 2514770 .