Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Diferentes indicadores utilizados para evaluar el estado del fenómeno El Niño-Oscilación Sur (ENSO), como así
también otros índices climáticos vinculados a la ocurrencia de lluvia se utilizaron para analizar y anticipar el
comportamiento estacional de las lluvias (PP) en la Provincia de Córdoba, Argentina. Para un periodo extendido entre
1959 y 2008 y empleando el análisis de componentes principales (ACP) se evaluó la capacidad de predicción de
información atmosférica y oceánica en términos de su vinculación con el fenómeno pluviométrico agregado
estacionalmente (lluvia del semestre cálido entre octubre y marzo). Los indicadores utilizados muestran una señal que
incrementa su intensidad a medida que son considerados más próximos al periodo objeto de la predicción, en tanto
algunas de las variables no presentan una vinculación directa con la lluvia posterior, lo que permitió reducir la
dimensión del problema multivariado y contribuyó a interpretar el fenómeno. El factor principal (CP1) que se extrae de
ACP a partir de la matriz de datos reducida explica alrededor de 40 % de la variabilidad general de las variables
predictoras y se presenta ligado al comportamiento posterior de la lluvia estacional en Córdoba. Los modelos de
regresión lineal que se obtiene para cada localidad haciendo uso exclusivo de CP1, explican entre 9 y 30 % de la
variabilidad de la lluvia de acuerdo a la localidad considerada
Different indicators used to assess the state of the El Niño-Southern Oscillation (ENSO), as well as other climatic
indicators linked to the occurrence of rain were used to analyze and anticipate the seasonal pattern of rainfall (PP) in the
Province of Cordoba , Argentina. For an extended period between 1959 and 2008 and using principal component
analysis (PCA) the ability to predict the warm semester rain between October and March of different atmospheric and
oceanic indicators was assessed. Some indicators show a signal that increases in intensity as they are considered closer
to the period covered by the prediction, while others do not show a direct link to the post-rain. The main factor (PC1),
extracted from the PCA reduced data matrix, explains about 40% of the overall variability of the seasonal rainfall in
Córdoba. The linear regression models for each location obtained using only the main factor CP1, account for between
9 and 30% of the rainfall variability according to location.
1
Autor para correspondencia
0.60
0.40
Coeficiente de correlación
0.20
0.00
A ay
M _en
M ar
ay
N e
O ar
PD y
I_ r
A _jn
M j
O n
M jl
N b
N jn
ag
O fma
SO ja
SO _en
M e
M _ef
A se
N j
SO jl
PD jja
A ab
I_ f
A _fe
A _ag
N fe
PD _jl
_m
am
O de
SO ma
a
_m
_
_s
_s
I_
a
PD _e
A _m
I_
PD _m
I_
_m
_m
M
I_
I_
O
I_
I_
EI
SO
O
O
EI
I_
M
O
M
O
EI
I_
O
I
O
I_
M
EI
O
M
M
M
N
M
N
N
M
O
O
A
A
-0.20
-0.40
CO LB VMRS VD PI RC MJ
Figura 1: Valores significativos (P < 0,05) de la correlación entre distintos indicadores climáticos del periodo de
nueve meses inmediatamente anterior y la precipitación del semestre cálido en diferentes localidades de la
provincia de Córdoba, Argentina.
El ACP se realizó no sólo sobre el total de lluvia a otro conjunto con el segundo. El primer componente o
semestral (PP), sino también sobre los valores de Factor 1, asociado a los indicadores del ENSO y NOI,
anomalía de lluvia (PP-Tendencias), considerando que la también se presenta relacionado a la precipitación
fluctuación de la Tendencia a lo largo del tiempo puede acumulada del semestre cálido posterior. El otro
modificar la vinculación entre los indicadores climáticos componente o Factor 2, por su parte, está ligado a los
y la lluvia (Sierra et al., 2001). Esta técnica se presenta indicadores climáticos AMO y AMM que, congruente con
necesaria de implementar en estudios climáticos con la Figura 1, no muestra indicios de estar asociados con la
series de tiempo no estacionarias, y se utiliza para lluvia en la Provincia de Córdoba.
descomponer la variabilidad de corto y largo plazo. La Figura 2 revela que es absolutamente indistinto
A fin de mostrar la relevancia predictiva de las examinar valores de precipitación de manera directa (PP)
variables, la Figura 2 presenta los resultados gráficos del o de sus anomalías (APP) utilizando 1 punto de quiebre,
ACP para la matriz de datos reducida correspondientes a es decir considerando las variaciones temporales de
los indicadores, a la lluvia semestral y la anomalía de tendencias parciales de menor frecuencia. Esto significa
lluvia, considerando la variación de la tendencia a lo largo que la dinámica de la variación que ha presentado la
del periodo que se produce con 1 punto de quiebre. La lluvia a lo largo del tiempo no alcanzó a modificar en la
Figura 2 corresponde al plano factorial determinado por la región su relación o grado de dependencia con el
primera y segunda componente principal y, de manera fenómeno atmosférico/oceánico o los indicadores
superpuesta, presenta las variables pluviométricas que climáticos considerados.
constituyen el objeto de la predicción. En la Figura 3 se muestra, con respecto al plano
La representación cartesiana de los dos primeros determinado por los dos factores principales, los casos
factores ortogonales o componentes principales, que en (años) clasificados como El Niño (o), La Niña (a) y
conjunto explican más de 62% de la variabilidad asociada Neutro (n) (de acuerdo al criterio para el valor medio de
al conjunto de 35 variables analizadas, muestra a un grupo MEI de los 4 meses previos a octubre, MEI<-0,5: La
de indicadores más vinculado con el primer componente y Niña; MEI>0,5: El Niño).
*VD MEI_AM
PDO_Jl
SOI_ag 8
SOI_jn NOI_jn
SOI_may ONI_AMJ
MEI_MJ
PDO n
NOI_jl
NOI_ag *PI*RC
*CO *LBPDO_AgONI_MJJ
ONI 6 n
0.0 MEI_JJ
NOI_may *MJ ONI_JJA
MEI_JA n
*VMRS PDO_Se ONI_JAS
MEI_AS n
4 o
a nn
o
o
Factor 2: 22.19%
a n n n
2 aa nn a n n
n o o
-0.5
a n nn o
SOI 0
n a
o
a n o
NOI -2
a n n o o
n o
o oo o
o
a
Indicadores -4
-1.0
Lluvia a
-6 o
-1.0 -0.5 0.0 0.5 1.0
Factor 1 : 40.53% -8
(b) -10
-15 -10 -5 0 5 10 15
1.0 AMO_jn Factor 1: 40.53%
AMO_jl
AMO_may
AMM_ag
AMO_ag
AMM_se
AMM_jl
AMM_jn
AMO_se
Figura 3: Diagrama de casos (años) clasificados como
AMM_may
El Niño (o), La Niña (a) o Neutro (n) de acuerdo al
0.5 PDO_May
PDO_Jn MEI superpuestos al plano factorial.
SOI_jl
SOI_se NOI_se ONI_MAM
MEI_AM
Factor 2 : 22.19%
SOI_ag
SOI_jn NOI_jn *APP 1q VD PDO_Jl
SOI_may
NOI_jl *APP 1q RC
ONI_AMJ
MEI_MJ TABLA 2: Coeficientes de regresión (a: ordenada; b:
*APP 1q PI
0.0 NOI_ag
NOI_may
*APP *APP
1q
*APP
*APP 1q VMRS
1q LB
1q MJPDO_Ag
CO
ONI_MJJ
MEI_JJ
ONI_JJA
MEI_JA
pendiente), determinación (R2) y probabilidad para la
ONI_JAS
MEI_AS
PDO_Se relación lineal entre el primer componente obtenido
(CP1) y la precipitación del semestre cálido posterior
-0.5 en distintas localidades (Id) de Córdoba.
Id a b R2 p
CO 656,4 13,6 0,13 0,0097
Indicadores
-1.0
Anomalía de lluvia LB 665,9 24,2 0,30 0,00005
-1.0 -0.5 0.0 0.5 1.0 VMRS 663,5 11,3 0,09 0,0300
Factor 1 : 40.53%
VD 525,5 9,0 0,09 0,0356
Figura 2: Diagrama de variables (indicadores) en el PI 652,6 17,3 0,15 0,0054
primer plano factorial y variables suplementarias RC 683,2 16,7 0,22 0,0005
superpuestas: (a) lluvia del semestre cálido posterior
MJ 674,1 20,0 0,12 0,0013
(PP) en las distintas localidades de Córdoba,
Argentina; (b) anomalía de PP (PP-Tendencia).
IV. CONCLUSIONES
En esta figura se observa el ordenamiento
característico con respecto al primer factor o componente Los indicadores del ENSO (MEI, SOI, ONI),
principal. Es decir, los valores positivos vinculados a los como así también PDO y NOI poseen capacidad
años El Niño (con lluvias por encima del valor medio), moderada para predecir la ocurrencia de la lluvia del
los valores negativos con los años La Niña (con lluvias semestre cálido en el territorio de la Provincia de
por debajo del valor medio), como así también un rango Córdoba. El periodo entre mayo y setiembre es cuando
próximo al valor nulo mostrando una confusión o mezcla estos indicadores están más ligados a la ocurrencia de
considerable entre los años Neutros (n) y La Niña (a) o lluvia estacional posterior.
Neutros (n) y El Niño (o). A partir del primer factor extraído del análisis de
A partir de la información obtenida del ACP, se componentes principales se puede estimar la tendencia de
utilizó como variable independiente del modelo predictivo la precipitación del semestre cálido posterior, resultando
de la precipitación del semestre cálido para distintas en funciones predictivas que explican entre 9 y 30 % de la
localidades de Córdoba (Argentina) al primer factor variabilidad de la lluvia de acuerdo a la localidad
obtenido y que representa al conjunto de las variables considerada.
analizadas con influencia sobre el fenómeno. En general Al analizar la lluvia o sus anomalías se obtuvieron
se observó, como se muestra en la Tabla 2, una tendencia los mismos resultados, esto es una evidencia acerca de
positiva entre las variables. Si bien las rectas resultan que las fluctuaciones y cambios que ha experimentado la
estadísticamente aceptables (p<0,05), la dispersión es lluvia en los últimos 50 años no alteraron la capacidad de
considerable y, en el mejor de los casos, permite explicar predicción de los indicadores. Asimismo, esto demuestra
el 30% de la variabilidad existente. que la limitada capacidad predictiva de estos indicadores
A modo de ejemplo, la Figura 4 muestra las no sería una consecuencia de las variaciones que presenta
curvas de ajuste obtenidas por correlación y regresión el régimen de lluvias a lo largo del tiempo.
para dos localidades de la región (Laboulaye y Villa
900
Nery, J.T., M.L. Orsini Fernandes Martins, e M.C. Baldo.
800
2002. Correlaçao da precipitaçao do estado do Paraná
700
com a anomalia da temperatura da superfície do mar
600 no Pacífico Equatorial. Rev. Bras. Agrometeorol.
500 10:305-316.
400 Nicholls, N. 1986. Use of the Southern Oscillation to
300 LB predict Australian sorghum yield. Agric. For.
200
VD
Meteorol. 38:9-15.
-10 -8 -6 -4 -2 0 2 4 6 8 10 12 Nnaji, A.O. 2001. Forecasting seasonal rainfall for
CP1
agricultural decision-making in northern Nigeria.
Figura 4: Diagrama de dispersión y curvas de ajuste Agric. For. Meteorol. 107:193-205.
para la relación lineal entre el Primer componente Pascale A.J., E.A. Damario y C. Bustos, 1997. Aumento
principal (CP1) y la precipitación acumulada del de las temperaturas mínimas invernales en el Alto
semestre cálido posterior en 2 localidades de Córdoba Valle de Río Negro en los últimos 90 años. Actas de
(LB: Laboulaye; VD: Villa Dolores). 7ª Reunión Argentina y 1ª Latinoamericana de
Agrometeorología. Bs.As., Argentina.
V. BIBLIOGRAFÍA Phillips, J.G., M.A. Cane, and C. Rosenzweig. 1998.
Castañeda M.E. y Barros V. (1994) “Las tendencias de la ENSO, seasonal rainfall patterns and simulated maize
precipitación en el Cono Sur de América al este de yield variability in Zimbabwe. Agric. For. Meteorol.
los Andes” Meteorológica 19 (1y2) 23-32 90:39-50.
Chiang, J.C.H., and D.J. Vimont, 2004. Analagous Sachs, L. 1978. Estadística aplicada. 567 p. Ed. Labor
meridional modes of atmosphere-ocean variability in S.A., Barcelona, España.
the tropical Pacific and tropical Atlantic. J. Climate, Salinger, M.J., C.J. Stigter, and H.P. Das. 2000.
17(21):4143-4158. Agrometeorological adaptation strategies to
de la Casa, A., y G. Ovando. 2006. Influencia de increasing climate variability and climate change.
episodios El Niño-Oscilación Sur (ENSO) sobre la Agric. For. Meteorol. 103:167-184.
precipitación y el rendimiento de maíz en la Schwing, F.B., T. Murphree, and P.M. Green, 2002. The
provincia de Córdoba, Argentina. Agric. Téc. (Chile) Northern Oscillation Index (NOI): a new climate
66:80-89. index for the northeast Pacific. Progress in
de la Casa A., Nasello O., 2010. Breakpoints in annual Oceanography 53:115-139.
rainfall trends over Córdoba, Argentina. Atmospheric Seiler, R.A., and F. Kogan. 2002. Monitoring ENSO
Research 95, 419-427. cycles and their impacts on crops in Argentina from
Enfield, D.B., A.M. Mestas-Nunez, and P.J. Trimble, NOAA-AVHRR satellite data. Adv. Space Res.
2001. The Atlantic multidecadal oscillation and it's 30:2489-2493.
relation to rainfall and river flows in the continental Sierra, E.M., S. Pérez, G. Casagrande, y G. Vergara.
U.S. Geophysical Research Letters 28:2077-2080. 2001. Efectos del ENSO sobre las precipitaciones del
Ferreyra, R.A., G.P. Podestá, C.D. Messina, D. Letson, J. trimestre noviembre-enero (1921/1998) en el centro-
Dardanelli, E. Guevara, and S. Meira. 2001. A este de la provincia de la Pampa (Argentina). Rev.
linked-modeling framework to estimate maize Arg. Agrometorol. 1:83-87.
production risk associated with ENSO-related climate Sierra, E.M., y S.P. Pérez. 2001. Efectos del ENSO sobre
variability in Argentina. Agric. For. Meteorol. el régimen de lluvias en Junín, norte de la provincia
107:177-192. de Buenos Aires, Argentina. Rev. Arg.
Hill, H.S.J., J. Park, W. Mjelde, W. Rosenthal, H.A. Agrometeorol. 1:51-57.
Love, and S.W. Fuller. 2000. Comparing the value of Tomé, A.R., Miranda, P.M.A., 2004. Piecewise linear
Southern Oscillation Index-based climate forecast fitting and trend changing points of climate
methods for Canadian and US wheat producers. parameters. Geophys. Res. Lett. 31, L02207,
Agric. For. Meteorol. 100:261-272. doi:10.1029/2003GL019100
Landsea, C., W. Gray, M. Mielke, P.W. Berry, and R. Trenberth, K. 1997. Short-term climate variations: recent
Taft. 1998. Forecasting seasonal Sahelian rainfall by accomplishments and issues for future progress. Bull.
1 December of the previous year. NOAA Hurricane Am. Meteorol. Soc. 78:1081-1096.
Research Division, Colorado State University, Fort Troup, A.J. 1965. The Southern Oscillation. Q. J. Roy.
Collins, Colorado, USA. Meteorol. Soc. 91:490-506.
Li, Z., and M. Kafatos. 2000. Interanual variability of Wolter, K., and M.S. Timlin, 1998. Measuring the
vegetation in the United States and its relation to El strength of ENSO-How does 1997/98 rank? Weather
Niño/Southern Oscillation. Remote Sens. Environ. 53:315-324.
71:239-247. Zhang, Y., J.M. Wallace, and D.S. Battisti, 1997. ENSO-
like interdecadal variability: 1900-93. J. Climate
10:1004-102.