EL JUEGO DE LA GENERACIÓN DEL CLIMA: UNA

REVISIÓN DE LOS MODELOS CLIMÁTICOS

ESTOCÁSTICOS

Abstracto
Este artículo revisa el desarrollo histórico de los modelos estadísticos del clima, desde análisis simples de
corridas de días lluviosos y secos consecutivos en sitios únicos, hasta modelos de precipitación diaria en varios
sitios. Los generadores meteorológicos se han utilizado ampliamente en el diseño de ingeniería del agua y en
estudios de impacto agrícola, ecosistémico e hidrológico como un medio para completar los datos faltantes o
para producir series meteorológicas sintéticas indefinidamente largas a partir de registros de estaciones finitas.
Comenzamos describiendo las propiedades estadísticas de los procesos de ocurrencia de lluvia y cantidad que
son precursores necesarios para la simulación de otras variables meteorológicas (dependientes). La relación
entre estos modelos meteorológicos diarios y las variaciones de frecuencia más baja en las estadísticas
climáticas se considera a continuación, señalando que las técnicas convencionales de generador de clima a
menudo no logran capturar la variabilidad totalmente interanual. Se discuten las posibles soluciones a esta
deficiencia, como el uso de mezclas de variables condicionantes que varían lenta y rápidamente. Luego se
describen las aplicaciones comunes de los generadores meteorológicos. Estos incluyen el modelado de sistemas
sensibles al clima, la simulación de datos meteorológicos faltantes y la reducción de escala estadística de
escenarios regionales de cambio climático. Finalmente, concluimos considerando los avances en curso en la
simulación de series meteorológicas espacialmente correlacionadas en múltiples sitios, la reducción de la
variabilidad climática interanual y el alcance para usar técnicas no paramétricas para sintetizar series climáticas.

I. Introducción
Los modelos de secuencias meteorológicas diarias observadas se utilizan con frecuencia en el diseño de
ingeniería del agua y en simulaciones agrícolas, de ecosistemas o de cambio climático porque los datos
meteorológicos terrestres observados a menudo son inadecuados en términos de su longitud, integridad o
cobertura espacial. Estos modelos estadísticos también se conocen como 'generadores meteorológicos' ya que
pueden completar datos faltantes o producir series meteorológicas sintéticas indefinidamente largas mediante
la simulación de propiedades clave de registros meteorológicos observados (es decir, medios diarios, variaciones
y covarianzas, frecuencias, extremos, etc.) Los simuladores meteorológicos diarios son, con mucho, los más
comunes, tanto por la amplia disponibilidad de datos climáticos en esta escala de tiempo como (en relación) por
la abundancia de modelos de impacto que son impulsados por las entradas meteorológicas diarias. Hasta la
fecha, la mayoría de los generadores meteorológicos se han centrado en el proceso de precipitación en
reconocimiento del control dominante ejercido por la lluvia en muchos procesos ambientales, y debido a la
complejidad de construir modelos multivariables internamente consistentes (Hutchinson, 1995). Sin embargo,
los algoritmos complementarios que simulan otras variables meteorológicas también se usan de manera
rutinaria.
 Hay dos formas complementarias de ver estos modelos. En primera instancia, son modelos estocásticos para las
variaciones del clima en el día a día (y, por extensión, en períodos más largos). Desde esta perspectiva, los
parámetros de un modelo de clima estocástico comprenden una destilación concisa de ciertos aspectos del
clima local. En segundo lugar, cuando estos modelos se usan para la simulación de Montecarlo (es decir,
"generación del clima"), pueden considerarse como generadores de números aleatorios elaborados cuyas
salidas se asemejan estadísticamente a los datos meteorológicos diarios en una ubicación. Es importante tener
en cuenta que los generadores meteorológicos no son algoritmos de pronóstico del tiempo y, por lo tanto, son
bastante diferentes de los modelos meteorológicos deterministas, que funcionan integrando numéricamente las
ecuaciones diferenciales parciales que describen los flujos de fluidos. Una implicación importante de esta
distinción es que, si bien los resultados del modelo estocástico se comportan estadísticamente como datos
meteorológicos, no se espera que ninguna secuencia meteorológica simulada en particular se duplique en las
observaciones climáticas en un momento dado, ya sea en el pasado o en el futuro.

En este artículo proporcionamos una breve historia de los generadores meteorológicos: desde descripciones
simples de "corridas" de días húmedos y secos en sitios únicos, hasta modelos multivariados, y hasta las
relaciones entre las simulaciones diarias y el clima a más largo plazo. Luego esbozamos algunas de las
aplicaciones de los modelos climáticos estocásticos que se han realizado en agricultura, ecología, hidrología y
simulaciones del cambio climático regional. Finalmente, especulamos sobre direcciones futuras en técnicas de
generación de clima.

II. Una breve historia y exposición.

Como se mencionó en la introducción, la mayor parte del esfuerzo en la construcción de generadores
meteorológicos se ha dedicado a los procesos de precipitación. La precipitación no solo es la variable
meteorológica más crítica para muchas aplicaciones, sino que la presencia o ausencia de precipitación también
afecta típicamente las estadísticas de muchas variables de no precipitación que se simularán. Los datos de
precipitación exhiben características distintivas y difíciles que complican los modelos estadísticos necesarios
para describirlos. Además de exhibir la correlación entre valores en períodos de tiempo sucesivos que es típica
de todas las variables climáticas, la precipitación es única en su carácter mixto como una variable discreta y
continua. Es decir, la precipitación es muy a menudo exactamente cero y, por lo tanto, hay una discontinuidad
en la distribución de probabilidad de los datos de precipitación entre las observaciones cero y no nulas.

En consecuencia, la mayoría de los generadores meteorológicos contienen tratamientos separados de los

procesos de ocurrencia e intensidad de precipitación. El proceso de ocurrencia de precipitación se manifiesta en
dos estados climáticos, húmedo o seco. Un aspecto clave de los modelos climáticos estocásticos es su
representación de la tendencia de los días húmedos y secos a exhibir persistencia, o correlación positiva en serie
(es decir, auto-), de modo que las corridas húmedas y secas tienden a agruparse en el tiempo con más fuerza de
lo que podría ser. esperado por casualidad. El proceso de intensidad de precipitación pertenece al modelado y la
simulación de las cantidades de precipitación distintas de cero. Por lo general, estos están fuertemente sesgados
a la derecha, con muchos valores pequeños y pocas, pero grandes cantidades de precipitación bastante
importantes. Aunque estos conceptos parecen sencillos, ha llevado más de un siglo formalizar muchos de los
procesos dentro de los modelos estocásticos de precipitación.
1. El proceso de ocurrencia de precipitación

Aparentemente, el primer trabajo publicado sobre modelos probabilísticos de ocurrencia de precipitación fue el
de Quetelet, quien informó en 1852 (véase Katz, 1985) que los períodos de lluvia y días secos consecutivos en
Bruselas durante 1833-1850 exhibieron persistencia. Newnham (1916), que utilizó registros diarios de lluvia en
Kew, Aberdeen, Valencia y Greenwich, Reino Unido, para demostrar que la probabilidad de un "día de lluvia" es
mayor si Newnham (1916) presenta otra expresión de esta tendencia a la persistencia del clima húmedo y seco.
El día anterior fue húmedo en lugar de seco. Besson (1924), Gold (1929) y Cochran (1938) siguieron estos dos
enfoques, considerando la duración de las corridas y la dependencia estadística del día a día, para describir la
dependencia temporal de las precipitaciones. Williams (1952) utilizó series geométricas para modelar longitudes
de períodos secos y húmedos (es decir, series consecutivas de días secos o húmedos) en la estación
experimental Rothamsted, Harpenden, Reino Unido (ver Figura 1). La mayor probabilidad de períodos largos de
sequía (en lugar de húmedos) es claramente evidente en la Figura 1. Longley (1953) posteriormente mejoró los
ajustes de las series geométricas a las longitudes observadas de períodos secos y húmedos en cinco ciudades
canadienses al diferenciar entre los meses en que los hechizos cayeron.

A Gabriel y Neumann (1962) se les atribuye generalmente la presentación del primer modelo estadístico de
ocurrencia diaria de lluvia. En su trabajo seminal utilizando datos de lluvia para Tel Aviv, Israel, los autores
reconocieron que las distribuciones de frecuencia para la longitud del período húmedo y seco de los tipos
identificados por Williams (1952) y Longley (1953) pueden surgir de un modelo de cadena de Markov simple. En
particular, Gabriel y Neumann (1962) propusieron el uso de una cadena de Markov de primer orden para la
ocurrencia de precipitación, suponiendo que la probabilidad de lluvia en cualquier día depende solo de si el día
anterior fue húmedo o seco. Este modelo puede ser completamente definido por las dos probabilidades
condicionales

que se llaman probabilidades de transición. Aquí el símbolo de barra vertical "|" se lee como "dado" o
"condicional". Dado que solo hay dos estados posibles en un día determinado, las dos probabilidades de
transición complementarias son p00 = 1 - p01 (día seco después de un día seco) y p10 = 1 - p11 (día seco
después de un día húmedo).