Variabilidad de los eventos extremos de temperatura observados y modelados en el sudeste de Sudamérica, y sus proyecciones ante un escenario de cambio climático Tencer, Bárbara 2010 Tesis Doctoral Facultad de Ciencias Exactas y Naturales Universidad de Buenos Aires www.digital.bl.fcen.uba.ar Contacto: [email protected] Este documento forma parte de la colección de tesis doctorales de la Biblioteca Central Dr. Luis Federico Leloir. Su utilización debe ser acompañada por la cita bibliográfica con reconocimiento de la fuente. This document is part of the doctoral theses collection of the Central Library Dr. Luis Federico Leloir. It should be used accompanied by the corresponding citation acknowledging the source. Fuente / source: Biblioteca Digital de la Facultad de Ciencias Exactas y Naturales - Universidad de Buenos Aires Universidad de Buenos Aires Facult ad de Ciencias Exact as y Nat urales Depart ament o de Ciencias de la At mósfera y los Océanos VARIABILIDAD DE LOS EVENTOS EXTREMOS DE TEMPERATURA OBSERVADOS Y MODELADOS EN EL SUDESTE DE SUDAMÉRICA, Y SUS PROYECCIONES ANTE UN ESCENARIO DE CAMBIO CLIMÁTICO Tesis present ada para opt ar al t ít ulo de Doct or de la Universidad de Buenos Aires en el área Ciencias de la At mósfera y los Océanos Bárbara Tencer Direct or de Tesis y Consej ero de Est udios: Dra. Mat ilde Rust icucci Buenos Aires, 2010 Variabilidad de los Eventos Extremos de Temperatura Observados y Modelados en el Sudeste de Sudamérica, y sus Proyecciones ante un Escenario de Cambio Climático RESUMEN En este trabajo se estudia la variabilidad de los eventos extremos de temperatura observados y modelados en el Sudeste de Sudamérica, y sus proyecciones ante un escenario de cambio climático. Los eventos extremos del tiempo y del clima afectan severamente los ecosistemas y la sociedad. La existencia de un cambio climático que produzca una pequeña variación en los valores medios de temperatura puede ocasionar grandes cambios en las temperaturas extremas. El objetivo general que se desea alcanzar en este trabajo es el de encontrar una aproximación que permita estimar los valores extremos de temperatura que ocurrirán en los próximos años en el Sudeste de Sudamérica ante la presencia de un cambio climático, reduciendo la incertidumbre propia de este tipo de proyecciones. Para ello, se exploran distintas metodologías que permiten estudiar la intensidad y la frecuencia de los eventos extremos de temperatura observados y simulados en el pasado, como así también proyectados para el clima futuro. En particular, se aplica la Teoría de Valores Extremos para estudiar la variabilidad observada en los eventos extremos de temperatura durante el siglo XX en estaciones que pertenecen a distintas regiones climáticas de Argentina. Además, se estudian distintas metodologías de downscaling (estadístico y dinámico) que permiten evaluar el impacto del cambio climático en las distribuciones de los extremos de temperatura a escala regional. Palabras clave: extremos de temperatura, Sudeste de Sudamérica, cambio climático, variabilidad, reducción de escala, valor de retorno Variability of Observed and Simulated Extreme Temperature Events in Southeastern South America, and their Projections in a Climate Change Scenario ABSTRACT In this study variability of observed and simulated temperature extreme events are analysed in Southeastern South America, as well as their projections in a climate change scenario. Climate and weather extreme events severely affect the ecosystems and society. The existence of a climate change that induces small variations in mean temperature values can produce big changes in temperature extremes. The general objective of this study is to found an appropriate estimation of the temperature extreme values that will happen in the near future in Southeastern South America under the assumption of a climate change, reducing the typical uncertainty of this kind of projections. Therefore, different methodologies are explored in order to study the intensity and frequency of observed and simulated temperature extreme events in the past, as well as their projections for the future. In particular, the Extreme Value Theory is applied to study the observed variability of temperature extreme events during the XX century in meteorological stations belonging to different climate regimes in Argentina. Different downscaling techniques (statistical and dynamical) that allow to evaluate the impact of a climate change in extreme value distributions on a regional scale are also analysed. Key words: temperature extremes, Southeastern South America, climate change, variability, downscaling, return value Agradecimientos Quiero agradecer especialmente a la Dra. Matilde Rusticucci por sus valiosas enseñanzas, su confianza en mí y su apoyo permanente. También quiero agradecer a: Dr. Phil Jones, Dr. Malcolm Haylock, Lic. Ariel D’Onofrio y Dr. Claudio Menéndez por su colaboración en distintas instancias de este trabajo. A las instituciones que me facilitaron los medios y el lugar para desarrollar mi formación: Departamento de Ciencias de la Atmósfera y los Océanos de la Facultad de Ciencias Exactas y Naturales de la Universidad de Buenos Aires, Consejo Nacional de Investigaciones Científicas y Tecnológicas, Climatic Research Unit (CRU) de la Universidad de East Anglia (Reino Unido), y al Servicio Meteorológico Nacional por proveer los datos observados. A los proyectos UBACYT 2004/ 2007 (X135), UBACYT 2008/ 2010 (X170), PICT05 (7/ 38273), CLARIS - A Europe-South America Network for Climate Change Assessment and Impact Studies y CLARIS LPB - A Europe-South America Network For Climate Change Assessment and Impact Studies in La Plata Basin. Y a mi familia y amigos que me brindan su apoyo y afecto día a día. Diciembre 2010 A Alejandro Í NDI CE TOMO I I NTRODUCCI ÓN ................................................................................... 1 CAPÍ TULO 1: DATOS UTI LI ZADOS ....................................................... 5 1.1. I NTRODUCCIÓN..................................................................................... 5 1.2. DATOS OBSERVADOS EN ESTACIONES METEOROLÓGICAS ................................... 5 1.3. DATOS OBSERVADOS EN PUNTOS DE GRILLA .................................................. 6 1.4. SIMULACIONES DEL CLIMA A PARTI R DE MODELOS DE CIRCULACIÓN GENERAL ......... 7 1.5. SIMULACIONES DEL CLIMA A PARTI R DE MODELOS DE CLIMA REGIONAL ................. 8 1.6. OTROS DATOS UTILI ZADOS....................................................................... 8 CAPÍ TULO 2: GRI LLADO DE DATOS DI ARI OS OBSERVADOS DE TEMPERATURA MÍ NI MA Y MÁXI MA DE SUPERFI CI E EN EL SUDESTE DE SUDAMÉRI CA PARA EL PERÍ ODO 1961-2000 ............................... 10 2.1. I NTRODUCCIÓN................................................................................... 10 2.2. DATOS Y METODOLOGÍA ........................................................................ 12 2.3. COMPARACIÓN DE LOS VALORES OBSERVADOS EN PUNTOS DE ESTACIÓN CON LOS VALORES I NTERPOLADOS .............................................................................. 14 2.3.a. Valores medios mensuales ......................................................... 14 2.3.b. Índices de habilidad .................................................................. 16 2.3.c. Aumento de resolución .............................................................. 16 2.3.d. Validación de los eventos extremos............................................. 18 2.3.e. Comparación con otras bases de datos........................................ 20 2.4. CONCLUSIONES................................................................................... 21 CAPÍ TULO 3: VARI ABI LI DAD I NTERDECÁDI CA DE EVENTOS EXTREMOS ANUALES DE TEMPERATURA EN ARGENTI NA.................. 24 3.1. I NTRODUCCIÓN................................................................................... 24 3.2. DATOS Y METODOLOGÍA ........................................................................ 27 3.3. CARACTERÍSTICAS DE LOS EXTREMOS ANUALES............................................. 30 3.4. AJUSTE DE LA DI STRI BUCIÓN GEV A LOS EXTREMOS ANUALES........................... 31 3.5. VARIABILIDAD INTERDECÁDICA OBSERVADA EN LOS EXTREMOS ANUALES .............. 32 3.5.a. Variabilidad en los parámetros de la distribución .......................... 32 3.5.b. Variabilidad en los valores de retorno.......................................... 36 3.6. I NFLUENCIA DEL SALTO CLIMÁTICO DE 1976-77 EN LOS EXTREMOS ANUALES DE TEMPERATURA........................................................................................... 38 3.7. CONCLUSIONES................................................................................... 41 CAPÍ TULO 4: VARI ABI LI DAD I NTERDECÁDI CA DE EVENTOS EXTREMOS DI ARI OS DE TEMPERATURA EN ARGENTI NA .................. 44 4.1. I NTRODUCCIÓN................................................................................... 44 4.2. DATOS Y METODOLOGÍA ........................................................................ 45 4.3. CARACTERÍSTICAS DE LAS ANOMALÍAS DIARIAS............................................. 50 4.4. VARIABI LIDAD DE LA INTENSIDAD DE LOS EVENTOS EXTREMOS DIARIOS ............... 50 4.5. AJUSTE DE LA DI STRI BUCIÓN GP A LOS EXTREMOS DIARIOS ............................. 52 4.6. VARIABI LIDAD DE LA FRECUENCIA DE OCURRENCIA DE LOS EVENTOS EXTREMOS DIARIOS.................................................................................................. 53 4.7. CONCLUSIONES................................................................................... 56 CAPÍ TULO 5: ANÁLI SI S DE EVENTOS EXTREMOS DE TEMPERATURA SI MULADOS POR MODELOS DE CI RCULACI ÓN GENERAL.................. 58 5.1. I NTRODUCCIÓN................................................................................... 58 5.2. DATOS Y METODOLOGÍA ........................................................................ 60 5.3. SIMULACIONES DEL CLIMA MEDIANTE MODELOS DE CIRCULACIÓN GENERAL .......... 63 5.3.a. Validación de las simulaciones de temperatura............................. 63 5.3.b. Cambios en la intensidad y la frecuencia de los extremos anuales ante un escenario de cambio climático ................................................. 65 5.4. DOWNSCALING DE LAS SIMULACIONES DEL CLIMA REALIZADAS CON MODELOS DE CIRCULACIÓN GENERAL ............................................................................... 69 5.4.a. Influencia de la metodología CHAC en las distribuciones de temperatura....................................................................................... 70 5.4.b. Ajuste de la distribución GEV a los extremos anuales obtenidos con la metodología de downscaling ............................................................ 71 5.5. CONCLUSIONES................................................................................... 72 CAPÍ TULO 6: COMPARACI ÓN DE EVENTOS EXTREMOS DE TEMPERATURA OBSERVADOS EN EL SUDESTE DE SUDAMÉRI CA CON SI MULACI ONES DE MODELOS DE CLI MA REGI ONAL ......................... 75 6.1. I NTRODUCCIÓN................................................................................... 75 6.2. DATOS Y METODOLOGÍA ........................................................................ 78 6.3. COMPARACIÓN DE LAS DISTRIBUCIONES OBSERVADAS Y SI MULADAS.................... 79 6.3.a. Comparación de los valores medios y la variabilidad estacional ..... 79 6.3.b. Comparación de los extremos cálidos.......................................... 81 6.3.c. Comparación de los extremos fríos.............................................. 82 6.4. CONCLUSIONES................................................................................... 83 CONCLUSI ONES ................................................................................. 85 REFERENCI AS .................................................................................... 90 TOMO I I FI GURAS DEL CAPÍ TULO 1 ................................................................... 1 FI GURAS DEL CAPÍ TULO 2 ................................................................... 4 FI GURAS DEL CAPÍ TULO 3 ................................................................. 21 FI GURAS DEL CAPÍ TULO 4 ................................................................. 39 FI GURAS DEL CAPÍ TULO 5 ................................................................. 50 FI GURAS DEL CAPÍ TULO 6 ................................................................. 84 ANEXO................................................................................................ 96 I NTRODUCCI ÓN El estudio de los valores históricos de temperatura ha mostrado que la frecuencia e intensidad de los valores extremos ha cambiado en los últimos años en todo el mundo (Bonsal et al., 2001; Collins et al., 2000; Frich et al., 2002; Manton et al., 2001; Vincent et al., 2005; Klein-Tank y Können, 2003) y también en Argentina (Barrucand y Rusticucci, 2001; Rusticucci y Barrucand, 2004; Vargas y Naumann, 2008). En general, la temperatura mínima presenta tendencias positivas significativas a lo largo del tiempo, mientras que la temperatura máxima ha disminuido, provocando una disminución en la amplitud térmica diaria. En particular, en Argentina, los extremos anuales cálidos de la temperatura máxima presentan tendencias negativas significativas en el centro y este del país en la segunda mitad del siglo XX, mientras que los extremos anuales fríos muestran tendencias positivas (no significativas). En cuanto a la temperatura mínima, los extremos anuales cálidos presentan tendencias negativas en la región central del país y positivas en el resto de las regiones, mientras que los extremos fríos tienen tendencia positiva en casi todo el país. A su vez, los cambios en los valores de retorno indican una disminución en la frecuencia de ocurrencia de eventos extremos cálidos de la temperatura máxima, y un aumento en la temperatura mínima, consistente con los cambios observados en las tendencias (Rusticucci y Tencer, 2005). Para estudiar la variabilidad de los extremos a largo plazo, al contar con series limitadas, es necesario estimar los períodos de retorno, a través de simulaciones estadísticas. Von Storch y Zwiers (1999) y Coles (2001) presentan los conceptos necesarios para una introducción al modelado de extremos climáticos. La Teoría de Valores Extremos es única como disciplina estadística en la cual se desarrollan técnicas y modelos para describir lo inusual más que lo usual. Por definición, los valores extremos son pocos. Esto implica que la estimación de la probabilidad de eventos que son más extremos que ningún otro observado previamente requiere la extrapolación de información de niveles TOMO I 1 INTRODUCCIÓN observados a niveles no observados. La teoría de valores extremos estudia la clase de modelos que permiten dicha extrapolación. En esta Tesis Doctoral se aplica la Teoría de Valores Extremos para estudiar la variabilidad observada en los eventos extremos de temperatura durante el siglo XX en estaciones que pertenecen a distintas regiones climáticas de Argentina. Los cambios en las temperaturas extremas que se pueden presentar ante un aumento de CO2 pueden ocasionar impactos severos, especialmente si no se está preparado para ellos (Zwiers y Kharin, 1998; Schubert y HendersonSellers, 1997). Factores ambientales y sociales como la calidad del aire, la calidad y disponibilidad de agua, los cambios en el uso del suelo y la expansión de la urbanización, están afectando la salud humana y el bienestar, la agricultura y los ecosistemas naturales. A lo largo de los últimos años estas tensiones se verán exacerbadas por los cambios climáticos resultantes de las actividades humanas. Es esencial que las decisiones políticas tendientes a preservar el bienestar de una región se encuentren bien informadas sobre el clima de esa región, cómo el clima puede cambiar y cuál es la incertidumbre inherente a las proyecciones futuras. Las proyecciones del clima futuro se realizan mediante Modelos de Circulación General (GCM, por sus siglas en inglés), los cuales incluyen, entre otros elementos, las variaciones proyectadas en el contenido de gases en la atmósfera. El programa internacional Program for Climate Model Diagnosis and Intercomparison (PCMDI) tiene por objetivo realizar comparaciones de distintas salidas de GCM que han sido compatibilizados para simular los mismos períodos de tiempo pasado y futuro, para los distintos escenarios SRES propuestos por el IPCC ( Coupled Model Intercomparison Project , CMIP). Estas simulaciones del clima llevadas a cabo en el contexto del Fourth Assessment Report del IPCC (2007), que se encuentran disponibles a la comunidad científica, ofrecen un material de primer nivel para el estudio del clima del futuro. En particular, algunos de ellos ofrecen como salida valores de índices de extremos de temperatura, además de los valores diarios. TOMO I 2 INTRODUCCIÓN Sin embargo, estos modelos presentan una resolución espacial poco apta para el estudio de las proyecciones a nivel regional. Por lo tanto se deben aplicar ciertas metodologías para el traslado de estos resultados a menores escalas (metodologías de downscaling). El problema se puede abordar desde la estadística (Palutikof et al., 2002; Schubert y Henderson-Sellers, 1997; Solman y Núñez, 1999; D’Onofrio et al., 2010), o desde la dinámica (Menéndez et al., 2010; Solman et al., 2008), o una combinación de ambas. Para el abordaje estadístico, por ejemplo, se estudia la relación entre la ocurrencia de extremos y la circulación en el presente, y esto se proyecta en los escenarios futuros. Para el abordaje dinámico, se utilizan Modelos de Clima Regional (RCM, por sus siglas en inglés), inicializados con GCM (Wuebbles y Hayhoe, 2004; Räisanen et al., 2004; Böhm et al., 2004; Bell et al., 2004) que permiten simular el clima de una región determinada con una resolución mayor que la utilizada por los GCM. En esta Tesis Doctoral se estudian los resultados producidos por distintas metodologías de downscaling que permiten evaluar el impacto del cambio climático en las distribuciones de los extremos de temperatura a escala regional. Por un lado, se estudian los valores extremos de las series de temperaturas surgidas de la aplicación de métodos de downscaling estadístico a las salidas de los GCM que permiten evaluar los eventos extremos simulados en el clima pasado y los cambios proyectados en escenarios de clima futuro. Por otro lado, se estudia la capacidad de los RCM para reproducir eventos extremos de temperatura. A su vez, se genera una base de datos diarios de temperaturas mínima y máxima observadas en superficie que represente promedios areales en puntos de grilla de forma tal que las observaciones y las simulaciones sean comparables en forma directa. El objetivo general que se desea alcanzar en esta Tesis Doctoral es el de encontrar una aproximación que permita estimar los valores extremos de temperatura que ocurrirán en los próximos años en el Sudeste de Sudamérica ante la presencia de un cambio climático, reduciendo la incertidumbre propia de este tipo de proyecciones. Para ello, se exploran distintas metodologías que TOMO I 3 INTRODUCCIÓN permiten estudiar la intensidad y la frecuencia de los eventos extremos de temperatura observados y simulados en el pasado, como así también proyectados para el clima futuro. El objetivo específico de esta Tesis Doctoral es estudiar la variabilidad temporal de la distribución de los extremos de temperatura de la región, partiendo del modelado de los datos históricos del clima observado, en escalas interanuales a interdecadales. La estimación de los valores de retorno de los extremos de temperatura y los cambios observados en su distribución de frecuencias permite una estimación del cambio climático observado en el clima pasado. Las proyecciones de los extremos de temperatura para escenarios de clima futuro permiten determinar el impacto del cambio climático en la intensidad y frecuencia de estos extremos. Mediante la aplicación de métodos de downscaling (estadístico y dinámico) se intenta estimar los valores de retorno de los eventos extremos de temperatura en el Sudeste de Sudamérica para los escenarios futuros del clima, ante la presencia de un cambio climático antropogénico. TOMO I 4 CAPÍ TULO 1: Datos utilizados 1.1. I ntroducción Los eventos extremos de temperatura pueden ser analizados desde distintos puntos de vista, dependiendo de cómo se los defina y de los datos a partir de los cuales se realice el análisis. En esta Tesis Doctoral se proponen distintas definiciones de eventos extremos basadas en bases de datos diferentes, con el objetivo de estudiar diversos aspectos del comportamiento de los eventos extremos de temperatura en el Sudeste de Sudamérica. Especial énfasis se dará al análisis de eventos extremos observados durante el siglo XX en Argentina ya que es la región con mayor cantidad de datos observados disponibles. En el Capítulo 3 se analiza la variabilidad observada de los extremos anuales de temperatura. Se define un extremo cálido de temperatura como el valor más alto de temperatura alcanzado en el año, y un extremo frío como el valor más bajo del año, partiendo de las series diarias de temperatura mínima y máxima observadas en estaciones de superficie de Argentina. En el Capítulo 4 se repite el análisis de los eventos extremos en las mismas series de temperatura, pero ahora definiendo los eventos extremos cálidos como aquéllos días en que la temperatura supera un determinado umbral, y eventos extremos fríos a los días en los que la temperatura no alcanza un determinado valor fijado previamente. En los capítulos siguientes se utilizan las simulaciones de clima pasado y futuro obtenidas a partir de Modelos de Circulación General y de Modelos de Clima Regional a partir de los cuales es posible describir los eventos extremos simulados y sus proyecciones en escenarios de clima futuro. 1.2. Datos observados en estaciones meteorológicas En los capítulos 3 y 4 en los que se analiza la variabilidad interdecádica observada en los eventos extremos de temperatura se utilizaron series de temperatura mínima y máxima diarias observadas en estaciones meteorológicas TOMO I 5 CAPÍTULO 1 de Argentina. Para poder capturar los cambios en escala interdecadal es necesario contar con los registros más extensos posibles. Es por ello que se seleccionaron las estaciones que contaran con los registros de mayor longitud disponibles. En la Tabla 1.1 se muestra la información (ubicación y período disponible) de las seis estaciones seleccionadas, cuyos datos fueron provistos por el Servicio Meteorológico Nacional. En el mapa de la Figura 1.1 muestra la ubicación de dichas estaciones dentro de la Argentina. 1.3. Datos observados en puntos de grilla Existen muchas aplicaciones en las que es de vital importancia tener datos observados homogéneamente distribuidos en el espacio, como ser por ejemplo la validación de RCM. Esto no ocurre cuando se cuenta con una base de datos observados en estaciones meteorológicas, ya que las mismas cubren el espacio en forma irregular. A su vez, los valores observados en estaciones representan el valor de la variable observada en ese punto, a diferencia de los modelos climáticos, tanto globales como regionales, que representan los valores de las variables simuladas en pequeñas regiones llamadas puntos de grilla. Por lo tanto, es necesario aplicar técnicas de interpolación que permitan transformar las series de variables meteorológicas, observadas en puntos distribuidos en forma irregular en una determinada región, en bases de datos observados que correspondan a promedios de pequeñas áreas igualmente distribuidas en el espacio, equivalentes a las simuladas por los RCM. Hasta el momento no existe una base de datos grillados de temperatura observada en escala diaria. En esta Tesis Doctoral se desarrolló una base de datos grillados en escala diaria de temperatura mínima y máxima a partir de series de datos diarios de temperatura mínima y máxima observadas en estaciones meteorológicas de superficie de Argentina, Brasil, Paraguay y Uruguay en el período 1961-2000. Estos datos fueron compilados durante el proyecto CLARIS - A Europe-South America Network for Climate Change Assessment and Impact Studies del 6to Programa Marco de la Unión Europea. A su vez, se incorporaron algunas series de temperatura de Uruguay y Brasil que TOMO I 6 CAPÍTULO 1 estuvieron disponibles con posterioridad a la finalización del proyecto. La Figura 1.2a muestra la región en la cual se realizó la interpolación (20º -40º S, 45º 70º W) y las estaciones utilizadas para llevar a cabo la metodología (ver listado de las estaciones en el Anexo). Los detalles y resultados de esta interpolación se detallan en el Capítulo 2. 1.4. Simulaciones del clima a partir de Modelos de Circulación General Los GCM permiten simular el clima observado en el pasado como así también realizar proyecciones del clima futuro para distintos escenarios posibles. El programa internacional Program for Climate Model Diagnosis and Intercomparison (PCMDI) llevado a cabo en el contexto del Fourth Assessment Report del IPCC tiene por objetivo realizar comparaciones de distintas salidas de GCM que han sido compatibilizados para simular los mismos períodos de tiempo pasado y futuro, en los distintos escenarios SRES propuestos ( Coupled Model Intercomparison Project , CMIP). En el Capítulo 5 de esta Tesis Doctoral se utilizaron las simulaciones del clima pasado y futuro de tres modelos acoplados océano-atmósfera participantes de este proyecto: • • • ECHAM5/ MPI-OM, Max Planck Institute for Meteorology, Alemania IPSL-CM4, Institut Pierre Simon Laplace (IPSL), Francia Hadley Centre Global Environmental Model (HadGEM1), versión 1, Hadley Centre for Climate Prediction and Research, Met Office, Reino Unido De cada uno de estos modelos se obtuvieron las simulaciones del clima pasado correspondientes al experimento 20C3M (simulación del clima del siglo XX) en el período 1981-1999, y las proyecciones del clima futuro para el escenario SRES A1B en el período 2010-2040. Los datos fueron obtenidos del sitio web del PCMDI (http:/ / www-pcmdi.llnl.gov/) y del sitio web del World Data Center for Climate (http:/ / cera-www.dkrz.de/ CERA/ index.html), donde puede encontrarse más documentación sobre los modelos. La familia de escenarios futuros SRES A1 describe un mundo futuro con un crecimiento económico muy rápido, una población global que alcanza su pico máximo a mitad del siglo XXI y luego disminuye, y la rápida incorporación de tecnología nueva y más eficiente. TOMO I 7 CAPÍTULO 1 En particular, el escenario SRES A1B perteneciente a esta familia propone un uso balanceado de todas las fuentes de energía del sistema, con un incremento continuo en la concentración de dióxido de carbono (CO2) que alcanza 720 ppm en el año 2100. 1.5. Simulaciones del clima a partir de Modelos de Clima Regional En el marco del proyecto CLARIS - A Europe-South America Network for Climate Change Assessment and Impact Studies in South America del 6to Programa Marco de la Unión Europea, distintos grupos de modelado regional coordinaron simulaciones del clima presente de Sudamérica en el período 19922000: • • • • PROMES, Universidad de Castilla-La Mancha, España RCA3, Rossby Centre/SMHI , Suecia REMO, Max Planck Institute for Meteorology, Alemania LMDZ, Laboratoire de Météorologie Dynamique, Francia En particular, el modelo LMDZ es un GCM con una resolución horizontal incrementada en Sudamérica, equivalente a la resolución utilizada por los RCM, que es aproximadamente 50km. Cada modelo utiliza un dominio diferente, pero todos incluyen el sur de Sudamérica y los océanos adyacentes. Todas las simulaciones están forzadas con condiciones de borde de los reanálisis ERA-40 del European Centre for Medium-Range Weather Forecasts (ECMWF, Uppala et al., 2005). En la Tabla 1.2, adaptada de Menéndez et al. (2010), pueden encontrarse más detalles sobre las simulaciones realizadas con los distintos modelos. 1.6. Otros datos utilizados En el Capítulo 2 se utiliza la base de datos CRU TS2.0 del Climatic Research Unit (CRU) de la Universidad de East Anglia (Mitchell y Jones, 2005). Esta base de datos grillados basada en series de temperatura observada en estaciones meteorológicas tiene una resolución espacial de 0.5º de latitud por 0.5º de longitud, y provee datos mensuales. TOMO I 8 CAPÍTULO 1 En el Capítulo 5 se utilizan datos del reanálisis ERA-40 del ECMWF (Uppala et al., 2005) para describir la circulación de la atmósfera en altura. TOMO I 9 CAPÍ TULO 2: Grillado de datos diarios observados de temperatura mínima y máxima de superficie en el Sudeste de Sudamérica para el período 1961- 2000 2.1. I ntroducción Una base de datos grillados es de gran importancia para muchas aplicaciones, como por ejemplo la validación de RCM. Debido a que las observaciones realizadas en estaciones meteorológicas representan valores de las variables en ubicaciones específicas mientras que los modelos climáticos representan valores de variables para pequeñas regiones ( grid box), la comparación entre datos observados y simulados no es simple ni directa. Por lo tanto, es importante desarrollar técnicas de interpolación que transformen las series de variables meteorológicas, observadas en puntos distribuidos de forma irregular en una determinada región, en bases de datos observados que correspondan a promedios de pequeñas áreas igualmente distribuidas en el espacio, equivalentes a las simuladas por los RCM. Además, una base de datos grillados es capaz de proveer estimaciones confiables de ciertas variables meteorológicas en pequeñas regiones para las que no se cuenta con valores observados en forma directa, permitiendo así estudios climáticos en zonas con escasa cantidad de estaciones meteorológicas. La red observacional de Sudamérica presenta serias deficiencias en la cobertura espacial y la calidad de los datos. El proyecto CLARIS del 6to Programa Marco de la Unión Europea permitió la creación de una base de datos meteorológicos de alta calidad para la región, así como también el desarrollo de técnicas para la mejora y automatización de los controles de calidad de los datos (Boulanger et al., 2010). La base de datos obtenida en el proyecto CLARIS reúne series de estaciones de Argentina, Brasil, Uruguay y Chile, aunque con una cobertura espacial relativamente baja, ya que sólo las instituciones gubernamentales aportaron información para esta base de datos. Sin embargo, en la región de la cuenca del Río de la Plata existen numerosas TOMO I 10 CAPÍTULO 2 instituciones no gubernamentales que poseen sus propias redes de medición de variables meteorológicas y que pueden proveer datos de alta calidad. Durante el proyecto ENSEMBLE- based Predictions of Climate Changes and their Impacts del 6to Programa Marco de la Unión Europea, la Universidad de East Anglia (UEA) desarrolló un procedimiento de interpolación para Europa con el objetivo de generar una base de datos grillados de precipitación diaria y temperatura mínima, media y máxima diarias, principalmente para su comparación con las simulaciones de distintos RCM (Haylock et al., 2008). En esta Tesis Doctoral se presenta una base de datos grillados en alta resolución de temperaturas mínima y máxima diarias observadas en superficie para el Sudeste de Sudamérica en el período 1961-2000. A su vez, se presentan distintos tipos de evaluación que permiten determinar la influencia de distintos factores en el proceso de interpolación. Esta base de datos novedosa para la región fue desarrollada como parte de los objetivos del proyecto CLARIS LPB del 7mo Programa Marco de la Unión Europea, con el objetivo de utilizarla para validar las simulaciones del clima de la región provistas por los RCM. Tanto el proceso de interpolación como las metodologías de evaluación de los resultados obtenidos fueron tomados del proyecto ENSEMBLES y adaptados para su uso en la región de Sudamérica. Sin embargo, la densidad de observaciones diarias disponibles en la cuenca del Río de la Plata es mucho menor a la red de observaciones disponible en Europa, por lo que la resolución propuesta para la base de datos de Sudamérica es de 0.5º de latitud por 0.5º de longitud, a diferencia de la resolución de 0.1º por 0.1º utilizada en Europa. En la región existen otras bases de datos grillados observados de temperatura. Sin embargo, ninguna puede compararse con la que se presenta en esta Tesis en términos de la longitud del período cubierto, y la resolución temporal y espacial propuestas. La base de datos desarrollada en Climatic Research Unit (CRU, Universidad de East Anglia, Reino Unido) por Mitchell y Jones (2005) consiste en datos observados de temperatura de todo el globo, pero sólo en escala mensual. Caesar et al. (2006) desarrollaron una base de datos diarios grillados de temperatura mínima y máxima para el período 19462000, pero con una cobertura espacial muy pobre en Sudamérica debido a la TOMO I 11 CAPÍTULO 2 falta de datos disponibles en ese momento. Liebmann y Allured (2005) desarrollaron una base de datos diarios grillados para Sudamérica, pero cuenta únicamente con datos de precipitación. Las series de datos diarios grillados serán utilizados en capítulos posteriores de esta Tesis con el objetivo de validar las simulaciones del clima de Sudamérica obtenidas a partir de la integración de RCM. 2.2. Datos y metodología Como se mencionó en el Capítulo 1, la base de datos grillados que se presenta en esta Tesis fue desarrollada a partir de series de datos diarios de temperatura mínima y máxima observadas en estaciones meteorológicas de superficie de Argentina, Brasil, Paraguay y Uruguay. Estos datos fueron compilados durante el proyecto CLARIS del 6to Programa Marco de la Unión Europea. A su vez, se incorporaron algunas series de temperatura de Uruguay y Brasil, provistas por los Servicios Meteorológicos Nacionales de cada uno de esos países con posterioridad a la finalización del proyecto. La Figura 1.2a muestra la región en la cual se realizó la interpolación (20º -40º S, 45º -70º W) y las estaciones utilizadas para llevar a cabo la metodología (ver listado de las estaciones en el Anexo). Tanto el proceso de interpolación como las metodologías de evaluación de los resultados obtenidos fueron tomados del proyecto ENSEMBLES y adaptados para su uso en la región de Sudamérica. La metodología y los programas computacionales utilizados para desarrollar esta base de datos fueron adquiridos durante una visita al Climatic Research Centre (CRU) de la Universidad de East Anglia, durante la cual se trabajó bajo la dirección del Dr Phil Jones y en colaboración con David Lister y Malcolm Haylock, quien desarrolló los programas computacionales. A su vez, una visita a The Royal Netherlands Meteorological Institute (KNMI) permitió la interacción con el Dr Albert Klein-Tank y Else van den Besselaar, quienes estuvieron a cargo del mantenimiento y actualización de la base de datos grillados de Europa. TOMO I 12 CAPÍTULO 2 Para cada mes, sólo se utilizan las estaciones que presentan menos de 20% de datos faltantes en ese mes. Por lo tanto, la cantidad de estaciones consideradas en cada mes para realizar la interpolación es variable. La Figura 1.2b muestra en promedio la cantidad real de estaciones utilizadas. Si bien el número total de estaciones es muy bajo, las estaciones están distribuidas de forma tal de cubrir toda la región, aunque no homogéneamente. En particular, sólo hay tres estaciones disponibles en Paraguay y muy pocas en el sur de Brasil. Sin embargo, Argentina y Uruguay están bastante bien representadas. En la Figura 2.1 se muestra con detalle la cantidad de estaciones utilizadas en cada mes. Puede observarse un incremento en la cantidad de estaciones disponibles hasta 1976, seguida por un descenso continuo hasta el final del período, con un una abrupta disminución en noviembre de 1994. La cantidad de estaciones con al menos una observación por mes (mostrada en la Figura 2.1 como la cantidad de estaciones con menos de 99% de datos faltantes) también muestra una disminución luego de 1976, sugiriendo que la disminución en la cantidad de datos disponibles se debe a una reducción en el número de estaciones meteorológicas en funcionamiento más que a un aumento en la cantidad de datos faltantes. Estos resultados son consistentes con Boulanger et al. (2010), quienes describen que durante la década de 1970 se perdió más del 40% de la red de estaciones argentinas. Como resultado del criterio utilizado respecto de los datos faltantes, sólo un máximo de 194 estaciones son utilizadas cada mes de las 265 estaciones originales con al menos un registro en todo el período. La metodología utilizada para convertir la base de datos de temperatura observada en estaciones irregularmente distribuidas en el espacio en una base de datos en puntos de grilla regulares fue desarrollada durante el proyecto ENSEMBLES del 6to Programa Marco de la Unión Europea, y consiste en un proceso de tres etapas. En primer lugar, se estiman los valores medios mensuales en los puntos de grilla interpolando con el método de thin-plate splines en tres dimensiones, teniendo en cuenta la altura de las estaciones. Luego, se utiliza el método de kriging para estimar las anomalías diarias respecto de la media mensual en los puntos de grilla, incorporando la altura de TOMO I 13 CAPÍTULO 2 las estaciones como variable externa. Por último, la combinación de ambos resultados permite obtener el producto final: series de temperatura mínima y máxima diarias en puntos de grilla regulares. Para más detalles sobre la metodología se puede consultar Haylock et al. (2008). Este proceso de tres etapas tiene como ventaja la utilización de distintas técnicas de interpolación para valores mensuales y diarios. Hofstra et al. (2008) realizaron un estudio de comparación de seis métodos de interpolación distintos que les permitió determinar que kriging es la metodología más adecuada para la estimación de valores diarios. Un estudio similar de validación cruzada entre distintos métodos mostró que el método de thin-plate splines es el más apropiado para la interpolación de valores mensuales. Los métodos de interpolación elegidos fueron ajustados para representar lo mejor posible las observaciones en lugares puntuales. Sin embargo, dado que el objetivo principal de crear una base de datos grillados es estimar valores que representen promedios areales, resulta más conveniente producir series en puntos de grilla que representen promedios areales y no puntuales. La mejor forma de lograr este objetivo es interpolar en una grilla de alta resolución en la que cada punto de grilla presente una distribución de ocurrencia de temperatura similar a la observada en una estación meteorológica, y luego promediar estos puntos para crear una grilla de menor resolución. Es por ello que tanto los valores medios mensuales como las anomalías diarias fueron interpolados en una primera instancia a una grilla de alta resolución, para luego estimar los valores de una grilla de menor resolución a través del cálculo de promedios areales. Más detalles sobre las resoluciones empleadas serán dados en la Sección 2.3.c. 2.3. Comparación de los valores observados en puntos de estación con los valores interpolados 2.3.a. Valores medios mensuales TOMO I 14 CAPÍTULO 2 En primera instancia, se realizó la interpolación de los valores diarios de temperatura mínima y máxima observados para el período 1961-2000 en la región 20º -40º S, 45º -70º W con una resolución alta de 0.5º de latitud por 0.5º de longitud para luego promediar arealmente a una resolución menor de 1º de latitud por 1º de longitud (en la Sección 2.3.c. se muestran las diferencias obtenidas con una versión de mayor resolución). Esta resolución fue elegida a partir de un cálculo estimativo sencillo que indica que existe en promedio al menos una estación disponible por cada punto de grilla. Con el fin de evaluar la metodología de interpolación en la región, se comparan las climatologías obtenidas a partir de los puntos de estación con las obtenidas en los puntos de grilla. Para ello, se calculan los valores medios mensuales del período de estudio y la desviación estándar media en cada una de las bases de datos. Las Figuras 2.2 y 2.3 muestran los valores medios mensuales de enero, abril, julio y octubre de la temperatura mínima y máxima respectivamente, tanto en las estaciones como en la base de datos grillados. En aquellas regiones que presentan un número aceptable –aunque no óptimo- de estaciones, los valores medios mensuales de la base de datos grillados representan bastante bien los valores en puntos de estación, tanto para la temperatura mínima como para la máxima. En las regiones en las que la cantidad de estaciones disponibles alrededor de un punto de grilla no es suficiente, el método de interpolación no estima un valor interpolado para evitar grandes incertidumbres en la base de datos grillados. Estas regiones están siempre ubicadas en los bordes del dominio y varían de mes a mes por el criterio de datos faltantes utilizado para descartar estaciones. Las Figuras 2.4 y 2.5 muestran mapas de desviación estándar media calculados en puntos de estación y puntos de grilla para los meses de enero, abril, julio y octubre y para la temperatura mínima y máxima, respectivamente. Cada mapa representa la desviación diaria respecto de la media mensual, promediada a lo largo de todo el período. Ambas figuras muestran que los datos grillados subestiman la variabilidad diaria que presentan las series observadas en las estaciones. Esta subestimación es razonable ya que la interpolación espacial implica el cálculo de promedios areales que suavizan las series observadas originales. El análisis de TOMO I 15 CAPÍTULO 2 la desviación estándar muestra que, incluso en regiones con poca densidad de estaciones, el método es capaz de estimar valores en puntos de grilla a partir de la interpolación de valores cercanos, sin producir diferencias significativas respecto de regiones con mayor densidad de datos. 2.3.b. Í ndices de habilidad Dado que el producto final es una base de datos diarios, es de especial interés evaluar la habilidad del método de interpolación para representar los valores diarios observados. Por lo tanto, se computaron distintos índices de habilidad ( skill scores) calculados en base a las diferencias entre los valores diarios observados en cada estación y los estimados en el punto de grilla más cercano. Las Figuras 2.6 y 2.7 muestran los resultados obtenidos con tres índices distintos: error cuadrático medio (RMSE, por sus siglas en inglés), error relativo compuesto (CRE) y el error medio absoluto (MAE). La descripción de cada uno de los índices se encuentra en la Tabla 2.1 (para más detalles sobre estos índices, ver Hofstra et al., 2008). En las figuras también se muestran los valores globales de cada uno de los índices, es decir, el valor de cada índice promediado en toda la región. La temperatura mínima (máxima) presenta un RMSE global de 2.06º C (1.48º C), indicando que la temperatura máxima está mejor estimada que la mínima. Valores más altos de los índices, indicando estimaciones menos precisas, se encuentran cerca de la Cordillera de los Andes, donde la complejidad de la topografía introduce mayor incertidumbre en el método de interpolación. 2.3.c. Aumento de resolución La resolución utilizada en primera instancia (1º x1º ) resulta menor que la resolución propuesta por los modelos regionales disponibles en Sudamérica. Por lo tanto, se intenta aumentar esta resolución utilizando la misma cantidad de datos, ya que no se cuenta con series adicionales. Para ello, se vuelven a interpolar los datos de temperatura mínima y máxima diarias con la misma metodología de interpolación descripta anteriormente, utilizando ahora una TOMO I 16 CAPÍTULO 2 resolución fina de 0.25º x0.25º y una resolución final de 0.5º x0.5º , que coincide con la resolución utilizada por los RCM en las simulaciones hechas para Sudamérica. Valores medios mensuales, desviaciones estándar e índices de habilidad fueron recalculados para esta nueva versión de la base de datos (Figuras 2.8 a 2.13). En este caso, se obtuvo un RMSE global de 1.77º C (1.13º C) para la temperatura mínima (máxima), indicando una marcada mejoría en la estimación de ambas variables. El patrón espacial de incertidumbre es muy similar al obtenido con menor resolución, con mayores incertidumbres en la región occidental del dominio, cerca de la Cordillera de los Andes. El coeficiente de correlación de Pearson entre la serie de valores diarios de temperatura en cada estación y el punto de grilla más cercano (no se muestra) dio como resultado correlaciones mayores a 0.9 en casi toda la región y valores globales mayores a 0.97, tanto para la temperatura mínima como para la máxima. Los índices de habilidad obtenidos para el Sudeste de Sudamérica con esta nueva resolución son del mismo orden de magnitud que los obtenidos para Europa (Hoftsra et al., 2008), indicando que la metodología de interpolación aplicada con la resolución propuesta es adecuada para nuestra región. Se llevó a cabo además un análisis de validación cruzada, removiendo de a una algunas estaciones clave y utilizando las estaciones vecinas para estimar el valor de temperatura de cada día en la estación removida. Este análisis se realizó tanto en regiones con gran densidad de estaciones disponibles, como en regiones con menor cantidad de información, y permitió determinar que la adición de una mayor cantidad de estaciones permitiría mejorar la habilidad del método de interpolación utilizado, especialmente en regiones con una baja cantidad de estaciones disponibles. A partir de los resultados obtenidos con la nueva resolución, se realizó un nuevo intento de aumentar la resolución. Sin embargo, la cantidad de datos disponibles en la región impone un límite para la resolución final a partir del cual la incertidumbre en las estimaciones hace que la confianza en el producto final sea muy baja. TOMO I 17 CAPÍTULO 2 2.3.d. Validación de los eventos extremos Debido a que esta base de datos grillados será utilizada posteriormente para el análisis de eventos extremos de temperatura, es de particular interés estudiar la influencia que la metodología de interpolación tiene sobre los valores extremos. Es esperable que los extremos se vean suavizados tanto por el proceso de interpolación ( kriging y splines) como por el cálculo de promedios areales. La comparación de los extremos observados en puntos de estación con los estimados en puntos de grilla permite una cuantificación de la influencia de la metodología en los extremos grillados. Esta comparación se realizó utilizando la base de datos grillados con resolución final de 0.5º x0.5º descripta en la Sección 2.3.c. y se basa en las diferencias entre los percentiles mensuales obtenidos en cada estación respecto de los estimados en el punto de grilla más cercano (ver Figuras 2.14 y 2.15). Las diferencias fueron calculadas como el percentil en la estación menos el percentil en el punto de grilla de forma tal que valores positivos indican una subestimación de los percentiles en la base de datos grillados comparado con lo observado en puntos de estación. Como era de esperar, el percentil 5 muestra una sobreestimación de los valores estimados, mientras que el percentil 95 muestra una subestimación de los mismos, tanto en la temperatura mínima como en la máxima, en la mayor parte de la región. Estas diferencias implican una subestimación de los extremos fríos y cálidos. En general, las diferencias son mayores para la mínima que para la máxima, en consistencia con los resultados encontrados al comparar las series de datos diarios. Promediadas a lo largo de toda la región, las diferencias en los extremos cálidos son positivas del orden de 1.2º C para la temperatura mínima y 0.7º C para temperatura máxima. Para los extremos fríos, al promediar en toda la región las diferencias son prácticamente nulas ya que si bien se encuentran diferencias negativas (sobreestimación del percentil 5, es decir, subestimación de los extremos fríos) en casi toda la región, las diferencias en la zona de la Cordillera de los Andes son siempre positivas. Es decir que en esta región en particular se subestiman los extremos cálidos, pero se sobreestiman los extremos fríos. Además, las diferencias encontradas en esta zona son las más altas de la región, con diferencias mayores a 3.0º C en la TOMO I 18 CAPÍTULO 2 mayoría de los casos. Dado que la distancia entre cada estación y su punto de grilla más cercano puede ser de hasta 50km por la resolución espacial utilizada para la interpolación, la altura de la estación puede diferir considerablemente con la altura del punto de grilla más cercano, especialmente en zonas de relieve alto e irregular como la porción occidental del dominio. Estas diferencias en la altura pueden explicar las grandes diferencias encontradas tanto en los valores diarios estimados como en los extremos al hacer la comparación de las estaciones con los puntos de grilla en zonas montañosas. La Figura 2.16 indica que la altura de las estaciones tiende a ser menor que la altura del punto de grilla más cercano, sobre todo para las estaciones que se encuentran en zonas altas. Esto se debe a que, en general, las estaciones están ubicadas en valles y no en las zonas de mayor altura de cada región. En la Figura 2.14 se observan también grandes diferencias entre los extremos fríos de la temperatura mínima de la ciudad de Buenos Aires (34.58º S-58.48º W) y su punto de grilla más cercano. Estas diferencias se deben a que para la estimación de los valores interpolados se utilizan todas las estaciones disponibles en un radio de 500km alrededor de cada punto de grilla. Sin embargo, debido al efecto de la isla urbana de calor, la temperatura mínima en la ciudad de Buenos Aires es mayor que en los alrededores (Rusticucci y Vargas, 1991; Rusticucci y Vargas, 1995; Camilloni y Barros, 1997), y por lo tanto, al comparar esta serie con la obtenida a partir de todas las series de la zona se observan diferencias importantes. Es por ello que para estudios locales es recomendable utilizar los datos originales y no las series de datos interpolados. Por otro lado, se analizó la variabilidad temporal de los extremos comparando las series temporales de los percentiles calculados en base estacional en cada estación con los del punto de grilla más cercano. La Figura 2.17 muestra el percentil 95 de la temperatura máxima en verano (diciembre, enero, febrero) y el percentil 5 de la temperatura mínima en invierno (junio julio, agosto) en tres estaciones distintas: la primera ubicada en 22.02S, 60.6W, 181m, la segunda en 36.57S, 64.27W, 191m y la tercera, 29.38S, 66.82W, 429m (indicadas con estrellas en la Figura 1.2b). Ambos extremos muestran un TOMO I 19 CAPÍTULO 2 gran nivel de similitud entre lo observado y lo estimado, excepto en el caso de la Figura 2.17c en la que se observa que los valores de los percentiles calculados en la estación están siempre varios grados por encima de los calculados en el punto de grilla más cercano a dicha estación. Esta diferencia se explica por la diferencia de altura de más de 1000m entre la estación y el punto de grilla, siendo éste último el que presenta la mayor altura y por lo tanto los valores de temperatura más bajos. A pesar de las diferencias en los valores absolutos de los extremos, las variaciones interanuales son bien captadas por la estimación. 2.3.e. Comparación con otras bases de datos Los valores medios mensuales obtenidos a partir de la base de datos diarios grillados presentada en esta Tesis fueron comparados con los datos mensuales grillados de la base de datos del Climatic Research Unit CRU TS3.0 (Mitchell y Jones, 2005) para el período común a ambas bases de datos: 19612000. Las Figuras 2.18 y 2.19 muestran las diferencias en la temperatura mínima y máxima mensual promediada a lo largo de todo el período. Dado que la resolución es la misma en ambas bases de datos y los puntos de grilla coinciden en latitud y longitud, la comparación se realiza en forma directa como la diferencia entre el valor medio mensual en el punto de grilla de la base de datos de CRU menos el valor medio mensual en la base de datos presentada en esta Tesis. En general, las diferencias encontradas entre ambas bases de datos son menores a 2º C, excepto cerca de la Cordillera de los Andes donde se observan diferencias más altas y negativas (positivas) para la temperatura máxima (mínima). Estas diferencias se deben a los diferentes métodos de interpolación utilizados en cada base de datos y a la influencia de la variabilidad espacial y temporal en la densidad de estaciones consideradas en cada caso, sumado al efecto que la topografía tiene sobre el proceso de interpolación. A su vez la falta de datos diarios de estaciones de Bolivia hace que la base de datos grillados presentada en esta Tesis pueda tener un mayor bias en zonas linderas con Bolivia respecto de la base de datos de CRU que sí cuenta con observaciones mensuales de dicho país. TOMO I 20 CAPÍTULO 2 Dado que la distancia de decaimiento de correlación es menor en escala diaria, el radio de influencia utilizado para interpolar valores diarios es menor que el que se utiliza para valores mensuales. De hecho, el radio de búsqueda de estaciones alrededor de cada punto de grilla es más del doble en la base de datos de CRU, y esto hace que el campo de temperaturas en puntos de grilla sea más suave. En regiones de relieve irregular, este efecto se ve incrementado, especialmente cuando las estaciones de altura son escasas y las estaciones disponibles en la región se encuentran mayormente ubicadas en valles o cerca del borde del radio de influencia, en zonas más bajas. En particular, la mayor parte de las estaciones de altura ubicadas a lo largo de los Andes fueron cerradas durante la década de 1970, introduciendo un bias en los datos interpolados en esa región. 2.4. Conclusiones En este capítulo se presentó una base de datos diarios grillados de temperatura mínima y máxima observada en superficie para el Sudeste de Sudamérica en el período 1961-2000. La metodología de interpolación fue adaptada a nuestra región a partir del procedimiento de grillado desarrollado para Europa por Haylock et al. (2008). La evaluación de los resultados obtenidos permite confirmar que la metodología elegida es adecuada para su utilización en la cuenca del Río de la Plata (LPB, por sus siglas en inglés), obteniéndose índices de habilidad similares a los obtenidos en Europa, que muestran que la estimación de la temperatura máxima es levemente mejor que la de temperatura mínima. La cuenca del Río de la Plata ubicada en el Sudeste de Sudamérica es una región que involucra cinco países: Argentina, Bolivia, Brasil, Paraguay y Uruguay, y en la que la economía regional depende fuertemente de la agricultura y la producción hidroeléctrica. Por lo tanto, el desarrollo de una base de datos de alta resolución de variables hidroclimáticas observadas para el análisis de eventos extremos y de la variabilidad decádica a interdecádica es de vital importancia para la región. En este contexto, esta base de datos forma TOMO I 21 CAPÍTULO 2 parte de los objetivos establecidos por el proyecto CLARIS LPB del 7mo Programa Marco de la Unión Europea. En particular, el desarrollo de una base de datos grillados de temperatura diaria observada en superficie en la región LPB es de suma importancia ya que permite una comparación directa con las salidas de RCMs, o incluso con los datos de reanálisis, en una región que siempre estuvo caracterizada por la falta de disponibilidad de datos de buena calidad. Estudios previos sobre grillado de datos observados se focalizaron en datos de precipitación o en escalas mensuales. Otros autores han intentado producir una base de datos diarios de temperatura grillados, sin resultados de interés para Sudamérica debido a la poca disponibilidad de datos diarios observados (Caesar et al., 2006). Dado que las series de índices de extremos se encuentran disponibles en forma global, éstos fueron grillados para el estudio de eventos extremos (Alexander et al., 2006). Sin embargo, si bien estos índices se basan en datos diarios, los mismos son calculados en base mensual o anual, y por lo tanto no se pueden obtener inferencias sobre la variabilidad diaria de los extremos de temperatura. Al comparar los resultados obtenidos con bases de datos grillados previamente existentes, como ser la base de datos de CRU TS3.0, se puede ver que, en escala mensual, ambas bases de datos arrojan estimaciones muy similares en toda la región, excepto en la zona de la Cordillera de los Andes, donde la gran complejidad de la topografía y la falta de estaciones de altura con datos de buena calidad afectan en forma negativa la habilidad del método de interpolación. Es por ello que debe prestarse especial atención al análisis de los datos en zonas montañosas, especialmente en períodos posteriores a la década de 1970, cuando gran cantidad de estaciones de altura fueron cerradas. El grillado de los datos históricos también es de suma utilidad en estudios de variabilidad decádica e interdecádica y en el estudio del cambio climático observado. Además, permitirá una mejor interpretación de los cambios en la frecuencia de ocurrencia y la intensidad de eventos extremos simulados por modelos de circulación general o de clima regional ante escenarios de clima futuro, para su uso en estrategias de adaptación. La base de datos grillados TOMO I 22 CAPÍTULO 2 presentada en esta Tesis tiene una resolución óptima para la validación de RCM, que son la base de estudios de cambio climático basados en simulaciones de distintos escenarios de clima futuro. En la medida en que se disponga de mayor cantidad y calidad de series de temperatura en la región de LPB, se podrá generar una base de datos grillados en una región más extensa, tanto temporal como espacialmente. A su vez, la disponibilidad de series homogeneizadas en estaciones de la región permitirá que la base de datos también cuente con series homogéneas en puntos de grilla. El proyecto CLARIS LPB tiene como objetivo generar una base de datos observados en estaciones de la región lo más extensa posible en el tiempo, como así también la aplicación de distintos métodos de homogeneización de los mismos. Es por ello que una vez que esos objetivos estén cumplidos, se procederá a realizar una nueva versión de la base de datos grillados. TOMO I 23 CAPÍ TULO 3: Variabilidad interdecádica de eventos extremos anuales de temperatura en Argentina 3.1. I ntroducción La frecuencia de ocurrencia de eventos extremos de temperatura ha sufrido cambios a lo largo del último siglo: las noches cálidas muestran tendencias significativas positivas, mientras que las noches frías han disminuido prácticamente en todo el mundo (Alexander et al., 2006). Los cambios observados en índices relacionados con la temperatura máxima muestran tendencias negativas en los días fríos y positivas en los días cálidos, pero de menor magnitud. Sin embargo, los cambios en la temperatura mínima y máxima no pueden ser representados simplemente por un salto en la distribución hacia valores más altos, ya que los extremos fríos han sufrido cambios más importantes que los extremos cálidos en los últimos 50 años (Trenberth et al., 2007). Según Solomon et al. (2007) en un clima futuro más cálido habrá un riesgo mayor de olas de calor más intensas, más frecuentes y de mayor duración. Si bien los eventos extremos de temperatura ocurren durante todo el año, los impactos sobre el ecosistema son distintos. Durante la segunda mitad del siglo XX, se registraron temperaturas típicas de verano a lo largo de todo el año en Argentina, llevando a anomalías extremadamente altas respecto de los valores medios diarios históricos (Rusticucci y Barrucand, 2004). Sin embargo, también se registraron temperaturas significativamente más bajas que lo normal durante la temporada cálida. Estos cambios son consecuencia de la combinación de las tendencias observadas en las series de temperatura y la variabilidad decádica. Barrucand et al. (2008) encontraron distintos modos de variabilidad decadal en los eventos extremos de temperatura en Argentina asociados con patrones de variabilidad de la circulación de gran escala en latitudes altas y de la temperatura de superficie de los océanos adyacentes (SST, por sus siglas en inglés). Según los autores, la frecuencia de ocurrencia de eventos cálidos (especialmente noches cálidas) está altamente asociada con TOMO I 24 CAPÍTULO 3 la SST en zonas costeras entre los meses de marzo y junio. Un análisis wavelet muestra que el modo principal de variabilidad en escala estacional de las noches frías, las SSTs de los Océanos Atlántico y Pacífico y el Modo Anular del Sur (SAM, por sus siglas en inglés) es una onda de 8 años presente en primavera que permanece activa hasta mediados de la década de 1990. Un análisis cross-wavelet permite ver que esta señal es un modo de variabilidad común, con la fase positiva del SAM y condiciones cálidas en la zona costera del Océano Atlántico asociadas con una menor cantidad de noches frías en distintas estaciones meteorológicas de Argentina. Estudios previos habían mostrado una periodicidad de 8 años en las ondas baroclínicas del Hemisferio Sur, que refuerza la importancia de la señal de 8 años (Rao et al., 2003). Rusticucci y Renom (2008) mostraron que esta variabilidad decadal en los eventos extremos de temperatura implica importantes cambios en las teleconexiones con la SST en el Pacífico Ecuatorial, antes y después del salto climático de 1976-77 (Trenberth, 1990). Con el objetivo de determinar si los cambios en la fase de la Oscilación Decadal del Pacífico (PDO, por sus siglas en inglés) en la banda de frecuencias de 3 a 6 años influyen en la estructura de correlación entre distintos índices de extremos de temperatura y las anomalías de SST, los autores analizaron dos períodos distintos (1942-1976 y 1977-2005) y encontraron que la correlación de la SST con los extremos fríos de la temperatura mínima (Tn10) se debilitó y perdió su significancia en el Océano Pacífico, mientras que en el Océano Atlántico norte y tropical aumentó. Según los autores, estas diferencias encontradas a partir del salto climático de 1976-77 pueden explicarse por el cambio de fase de la PDO que modula los eventos ENSO. En este capítulo se propone estudiar la variabilidad interdecádica de los eventos extremos de temperatura observada durante el siglo XX, entendiendo por eventos extremos los valores más extremos del año. Así, los extremos cálidos corresponden al día con temperatura mínima más alta del año y al día con temperatura máxima más alta del año, mientras que los extremos fríos corresponden al día con temperatura mínima más baja del año y al día con temperatura máxima más baja del año. Debido al fuerte ciclo estacional que presentan estas variables en latitudes medias, los extremos cálidos así definidos TOMO I 25 CAPÍTULO 3 ocurren en general durante los meses de verano, mientras que los extremos fríos ocurren durante el invierno. En el Capítulo 4 se propone una definición de eventos extremos que permite considerar extremos a lo largo de todo el año. En el análisis de eventos extremos, la Teoría de Valores Extremos (EVT, por sus siglas en inglés) es una herramienta muy útil para describir las propiedades estadísticas de estos eventos así como también para cuantificarlas (Coles, 2001). La EVT tiene como objetivo describir la cola de la distribución de variables aleatorias y se basa en un teorema de convergencia que establece que las distribuciones de extremos siguen leyes genéricas siempre que se verifiquen unas pocas hipótesis elementales (Yiou et al., 2008). El ajuste de la distribución GEV a los extremos anuales permite la estimación de valores de retorno y períodos de retorno o tiempos de espera. Un valor de retorno con período de retorno p es un valor tal que los extremos anuales superan con una probabilidad 1/p. Por ejemplo, el valor de retorno de 20 años es el nivel que los extremos anuales superan con una probabilidad de 5%, es decir, es el valor que los extremos superan en promedio una vez cada 20 años, donde 20 es el período de retorno o tiempo de espera. Un estudio previo de eventos extremos anuales en Argentina en el período 1956-2003 muestra que los extremos cálidos anuales de la temperatura máxima superan 32º C al menos una vez al año en cualquier punto del país, excepto en la porción sur donde este valor tiene un período de retorno de 10 años. Más aún, se esperan temperaturas máximas superiores a 40º C al menos una vez cada 1 a 5 años en el centro y norte del país, donde se alcanzan las temperaturas máximas más altas de Argentina. Temperaturas mínimas por debajo de 0º C ocurren una vez cada 2 a 10 años en el noreste, y una vez al año en el resto del país (Rusticucci y Tencer, 2005). Con el objetivo de analizar la variabilidad interdecádica de los extremos anuales de temperatura, en este capítulo se ajusta la distribución Generalized Extreme Value (GEV), correspondiente a la EVT, en períodos consecutivos de 20 años cada uno a las series de extremos anuales de temperatura mínima y máxima observados en seis estaciones meteorológicas de Argentina. Este análisis se realiza en el período común a todas las estaciones, 1941-2000. TOMO I 26 CAPÍTULO 3 Sin embargo, los valores de retorno pueden estar afectados por otros tipos de variabilidad interdecádica. Por ejemplo, el salto climático del año 197677 que introdujo cambios en distintas variables atmosféricas y oceánicas. Trenberth (1990) encontró un régimen distinto en las series temporales de presión a nivel del mar y anomalías de temperatura en el Pacífico a partir de 1976. En el Hemisferio Sur, Seidel et al. (2004) encontraron un calentamiento de algunas décimas de grado en la temperatura del aire en distintos niveles de la tropósfera mientras que Huang et al. (2005) observaron una disminución en la precipitación de verano en la región del Amazonas y el sur de Sudamérica junto con un aumento de la misma variable al sur del Amazonas. Por lo tanto, en este capítulo se propone también analizar la influencia del salto climático de 1976-77 en los valores de retorno de los eventos extremos anuales de temperatura y comparar la magnitud de estos cambios con la variabilidad interdecádica asociada a períodos de 20 años. Para ello, se dividen las series de extremos anuales de las seis estaciones en dos períodos consecutivos: el primero desde el inicio del registro de cada estación hasta 1976 (pre-1976) y el segundo desde 1977 hasta el final del registro (post-1976) y se comparan los valores de retorno obtenidos mediante el ajuste de la distribución GEV en cada uno de los subperíodos. 3.2. Datos y metodología En este capítulo se utilizaron series diarias de temperatura mínima y máxima observadas en las seis estaciones meteorológicas de Argentina que se muestran en la Tabla 1.1 y la Figura 1.1, para el período común a todas las estaciones, 1941-2000. Los datos fueron consistidos verificando la existencia de outliers y datos erróneos (como temperatura máxima inferior a temperatura mínima, por ejemplo). Es importante mencionar que la estación Santa Rosa sufrió un cambio de ubicación en el año 1951, y la estación Río Gallegos en 1945. De acuerdo con Minetti y Vargas (1997), un cambio en la ubicación de la estación meteorológica puede introducir errores en las observaciones que lleven a resultados incorrectos en estudios variabilidad climática de largo plazo. Sin TOMO I 27 CAPÍTULO 3 embargo, un test de Student aplicado a las series de extremos anuales en el período 1941-1960 en ambas estaciones indica que estas series no presentan inhomogeneidades significativas al 5% en este subperíodo (ver el resultados del test para la estación Santa Rosa en la Tabla 3.1). Luego, se calcularon las series de extremos anuales tomando el valor más alto y más bajo de cada año y cada variable. Así, se definen cuatro variables correspondientes a extremos anuales: el valor de temperatura mínima más alto del año (HTn), el valor de temperatura máxima más alto del año (HTx), el valor de temperatura mínima más bajo del año (LTn) y el valor de temperatura máxima más bajo del año (LTx). Las primeras dos variables corresponden generalmente a valores de verano, mientras que LTn y LTx son en general temperaturas de invierno. Esta definición de extremos anuales fue utilizada anteriormente en Rusticucci y Tencer (2005). El tratamiento de los datos faltantes se hizo en forma individual en cada estación y el criterio adoptado fue el siguiente: se consideró como año faltante todo aquél que tuviera 20 (o más) días no consecutivos o 10 (o más) días consecutivos faltantes en el período diciembre a febrero para el caso de los extremos cálidos, y junio a agosto para el caso de los extremos fríos. Una vez obtenidas las series de extremos anuales, se las dividió en tres períodos consecutivos no superpuestos de 20 años cada uno: 1941-1960, 19611980, 1981-2000. En cada uno de los subperíodos se removió la tendencia lineal en caso de que la misma resultara significativa al 5%. También se verificó que las series fueran homogéneas en cada uno de los subperíodos, con la misma metodología utilizada para analizar la influencia del cambio de ubicación de la estación Santa Rosa. Luego se ajustó la distribución GEV utilizando el método de máxima verosimilitud. Este ajuste fue realizado mediante el paquete estadístico EVIM: A Software Package for Extreme Value Análisis in MATLAB (Gençay et al., 2001) y el paquete estadístico Extremes Toolkit for R (Gilleland et al., 2004). De acuerdo con Coles (2001), la función de distribución GEV para los máximos anuales z tiene la siguiente forma: TOMO I 28 CAPÍTULO 3 1 ⎫ ⎧ ⎧ ⎪exp ⎪⎨ ⎡1 + ⎛⎜ z ⎞⎟⎤ ⎪⎬ ⎥ ⎪⎪ ⎪ ⎢⎣ ⎝ ⎠⎦ ⎪ ⎩ ⎭ G( z) ⎨ ⎪ ⎧ ⎡ ⎛ z ⎞⎤ ⎫ ⎟⎥ ⎬ ⎪exp ⎨ exp ⎢ ⎜ ⎪⎩ ⎩ ⎣ ⎝ ⎠⎦ ⎭ definida en el conjunto {z : 1 + (z ) / ≠0 si 0 si (3.1) > 0} , con ∞ < < ∞ , > 0 y ∞ < < ∞ , donde es el parámetro de posición, es el parámetro de escala y es el parámetro de forma. La función de distribución de los mínimos anuales tiene la siguiente forma: 1 ⎧ ⎧ ~ ⎫ ⎪1 exp ⎪⎨ ⎡1 ⎛⎜ z ⎞⎟⎤ ⎪⎬ ⎥ ⎢ ⎪⎪ ⎝ ⎠⎦ ⎪ ⎪⎩ ⎣ ⎭ G( z) ⎨ ⎪ ⎧ ⎡ ⎛ z ~ ⎞⎤ ⎫ ⎟⎥ ⎬ ⎪1 exp ⎨ exp ⎢ ⎜ ⎪⎩ ⎣ ⎝ ⎠⎦ ⎭ ⎩ si si ≠0 0 (3.2) definida en el conjunto {z : 1 ( z ~ ) / > 0} , con ~ . A partir de las estimaciones de los parámetros de la distribución GEV es posible invertir la función de distribución para obtener los valores de retorno. La expresión que caracteriza los valores de retorno de los máximos anuales se obtiene invirtiendo la expresión (3.1) con G ( z p ) 1 1 / p , ya que la probabilidad de superar un valor de retorno z p es 1 / p , y tiene la siguiente forma: ⎧ ⎧⎪ ⎡ ⎞⎤ ⎫⎪ ⎛ 1 ⎪ ⎨1 ⎢ ln⎜1 ⎟⎥ ⎬ ⎪ ⎣ ⎜⎝ p ⎟⎠⎦ ⎪ ⎪⎪ ⎩ ⎭ zp ⎨ ⎪ ⎡ ⎛ 1 ⎞⎤ ⎪ ln ⎢ ln⎜⎜1 ⎟⎟⎥ p ⎠⎦ ⎝ ⎣ ⎩⎪ si si ≠0 0 (3.3) donde p es el período de retorno o tiempo de espera asociado al valor de retorno z p y está expresado en años. Para las mínimas anuales, la expresión es similar y se obtiene invirtiendo la expresión (3.2) con G ( z p ) 1 / p , dado que la probabilidad de no alcanzar el valor de retorno z p es 1 / p . TOMO I 29 CAPÍTULO 3 En particular, en este capítulo se analiza la variabilidad del valor de retorno de 20 años, es decir, el valor que se supera en promedio una vez cada 20 años, o lo que es lo mismo, con una probabilidad del 5%. Este análisis se puede expresar en términos de cambios en el valor de retorno mismo, donde un aumento en los valores de retorno de los extremos cálidos (fríos) implica una disminución (aumento) en los períodos de retorno, y por lo tanto, un aumento (disminución) en la frecuencia de ocurrencia de los extremos (ver el esquema de la Figura 3.1). O en términos de cambios en el tiempo de espera para un determinado valor de retorno fijo. Por ejemplo, se puede fijar el valor de retorno de 20 años obtenido para el primer subperíodo analizado (19411960) y luego calcular el período de retorno asociado a este valor en los subperíodos siguientes. Este período de retorno también se llama tiempo de espera ya que es el tiempo promedio que debe transcurrir para que se supere nuevamente el valor de temperatura fijado. 3.3. Características de los extremos anuales Las series temporales de los extremos anuales (Figura 3.2) muestran que a pesar de que estos valores corresponden a un único día del año, no representan situaciones aisladas. En cinco de las seis estaciones, el año 1995 mostró un máximo relativo en HTx, mientras que 1967 corresponde a un mínimo relativo en LTn. Los extremos de la temperatura mínima presentaron menor variabilidad interanual que la máxima. En la figura también se muestran los promedios móviles de 11 años que revelan la importancia de la variabilidad interdecádica en los extremos anuales de temperatura. En Río Gallegos los extremos fríos presentaron mayor variabilidad que los cálidos. También se evidencia que los extremos cálidos de la temperatura máxima (HTx) disminuyeron su intensidad a lo largo de todo el período de estudio en la mayoría de las estaciones, mientras que los extremos fríos de la temperatura mínima (LTn) presentaron una tendencia positiva, sobre todo en Buenos Aires y Pilar. El análisis de las tendencias observadas en cada serie se describe con más detalle en la Sección 3.6. TOMO I 30 CAPÍTULO 3 3.4. Ajuste de la distribución GEV a los extremos anuales Utilizando el método de máxima verosimilitud se ajustó la distribución GEV a las cuatro series de extremos anuales de las seis estaciones en cada uno de los tres subperíodos definidos. A pesar de que las muestras son relativamente pequeñas (no más de 20 datos), el ajuste pudo realizarse con éxito en 61 de los 72 casos totales. El análisis de los probability plots y los quantile plots permitió determinar que el ajuste es bueno en 61 casos, con coeficientes de correlación lineal entre los valores estimados a partir del modelo propuesto y los valores empíricos mayores a 0.9, siendo Río Gallegos la estación que presenta los mayores apartamientos respecto de la distribución GEV (ver algunos ejemplos de probability plots en las Figuras 3.3 y 3.4). En los otros 11 casos, el método de máxima verosimilitud no resultó convergente y por lo tanto no pudieron obtenerse estimaciones confiables de los parámetros de la distribución GEV. Coles (2001) indica que el uso de métodos de verosimilitud para la estimación de los parámetros de la distribución GEV puede presentar dificultades relacionadas con las condiciones de regularidad requeridas para que las propiedades asintóticas usuales asociadas con el estimador de máxima verosimilitud sean válidas. Cuando el parámetro de forma de la distribución GEV es menor a -1 es poco probable que el método permita obtener un estimador de máxima verosimilitud; cuando el parámetro de forma se encuentra entre -1 y -0.5 el estimador puede obtenerse pero las propiedades asintóticas no son las usuales; y por último, en los casos en que el parámetro de forma resulta mayor a -0.5 el método de máxima verosimilitud no presenta inconvenientes. Las distribuciones con parámetro de forma menor a -0.5 presentan colas superiores muy acotadas y no es usual encontrarlas en variables climatológicas. Es por ello que se decidió utilizar este método para la estimación de los parámetros de la distribución GEV. En los 11 casos en los que no fue posible obtener estimaciones robustas de los parámetros de la distribución GEV, la estimación del parámetro de forma obtenido presentó valores inferiores a -0.5, e incluso menores a -1 en 2 casos. Estos casos se detallan en la Tabla 3.2 y se eliminaron del análisis que sigue para evitar conclusiones basadas en estimaciones inestables. TOMO I 31 CAPÍTULO 3 3.5. Variabilidad interdecádica observada en los extremos anuales 3.5.a. Variabilidad en los parámetros de la distribución La Figura 3.5 muestra las variaciones en el parámetro de posición y su intervalo de 95% de confianza para la distribución GEV ajustada en los distintos subperíodos. Como puede observarse en la figura, los intervalos de confianza en todos los casos resultaron muy pequeños, del orden de 1º C de longitud, indicando la habilidad del método de estimación elegido. La única excepción es Río Gallegos que es la estación que presentó los intervalos de confianza más grandes, con extensiones mayores a 2º C. Esto es consistente con lo encontrado anteriormente respecto de la bondad del ajuste de la distribución GEV en esta estación. Como se observa en la figura, en general los extremos fríos sufrieron incrementos en el parámetro de posición, sobre todo en el último subperíodo, siendo la única excepción los extremos fríos de la temperatura máxima (Figura 3.5d, LTx) en Río Gallegos. Estos aumentos resultaron mayores en los extremos fríos de la temperatura mínima (Figura 3.5c, LTn), que mostraron variaciones de hasta 2º C entre el primer y el último subperíodo. Este aumento en el parámetro de posición de la distribución GEV de los extremos fríos implica un corrimiento hacia la derecha de toda la distribución lo que lleva a una disminución en la intensidad de los extremos fríos. En los extremos cálidos, el comportamiento del parámetro de posición es menos consistente entre las distintas estaciones. En general, se observaron disminuciones en el parámetro de posición de los extremos cálidos de la temperatura máxima (Figura 3.5b), con excepción de la estación Río Gallegos que muestra un incremento en dicho parámetro. En el caso de HTn, la disminución en el parámetro de posición del primer al segundo subperíodo es seguida por un leve aumento el último subperíodo en Pilar, Santa Rosa y Tucumán, mientras que Buenos Aires y Río Gallegos mostraron un aumento sostenido a la largo de todo el período analizado. Una disminución en el parámetro de posición de la distribución GEV de los extremos cálidos implica un TOMO I 32 CAPÍTULO 3 corrimiento hacia la izquierda de toda la distribución y por lo tanto una disminución en la intensidad de los extremos cálidos anuales, mientras que un aumento en el parámetro de posición indica un aumento en la intensidad de los extremos cálidos. En casi todos los casos, los cambios en el parámetro de posición resultaron significativos ya que los intervalos de 95% de confianza no se superponen. Por lo tanto, el análisis de los cambios observados a lo largo de la segunda mitad del siglo XX en este parámetro indicó en general una disminución significativa en la intensidad de los extremos anuales de temperatura, tanto de los extremos cálidos como de los extremos fríos, con excepción de Río Gallegos que presentó un comportamiento opuesto, y algunas excepciones en el comportamiento de los extremos cálidos de la temperatura mínima. Sin embargo, no sólo se observan cambios en el parámetro de posición de la distribución. Los parámetros de escala y forma de la distribución GEV también sufrieron cambios a lo largo de la segunda mitad del siglo XX (ver Figuras 3.6 y 3.7). Un aumento en el parámetro de escala de la distribución indica una mayor dispersión de los valores extremos. Pero no es posible generalizar esta situación para las distintas estaciones y variables ya que en cada caso particular la variación del parámetro de escala fue diferente. Además, dado que los intervalos de 95% de confianza se superponen en casi todos los casos, estos cambios no resultaron significativos. Por ejemplo, para HTn (Figura 3.6a) en Buenos Aires, Pilar y Tucumán, el parámetro de escala aumentó del primer al segundo subperíodo, pero disminuyó luego, mientras que en Río Gallegos el aumento fue sostenido en todo el período y en Santa Rosa ocurrió lo contrario. Las variaciones más grandes de este parámetro se observaron en los extremos fríos de la temperatura mínima (LTn), con cambios de hasta 1º C en el parámetro de escala, aunque en ninguna de las estaciones estos cambios resultaron significativos. El signo del parámetro de forma permite determinar qué tipo de comportamiento presenta la cola de la distribución de la temperatura y por lo tanto a qué tipo de distribución perteneciente a la familia de distribuciones GEV TOMO I 33 CAPÍTULO 3 corresponde la variable. Si el parámetro de forma es positivo, la distribución de los extremos cálidos se conoce como Tipo II o Fréchet , si es negativo se llama distribución Tipo III o Weibull, y en el caso en que el parámetro de forma resulta igual a cero la distribución se conoce como Tipo I o Gumbel. En el primer caso ( > 0 ) la distribución no está acotada y la curva de los valores de retorno en función del logaritmo de los períodos de retorno tiene forma cóncava. En el segundo caso ( < 0 ), esta curva es convexa y la distribución está acotada superiormente. Por último, en el caso en que 0 la relación entre los valores de retorno y el logaritmo de los períodos de retorno es lineal y por lo tanto la distribución tampoco está acotada. Lo contrario ocurre para los distintos signos del parámetro de forma en el caso de los extremos fríos. Como se observa en la Figura 3.7, el parámetro de forma resultó negativo en casi todas las estaciones, subperíodos y variables, aunque en muchos casos los intervalos de 95% de confianza se extienden hasta valores positivos. Esto indica que en general la distribución de los extremos cálidos está acotada superiormente mientras que los extremos fríos están acotados inferiormente, y por lo tanto existe un valor máximo esperable incluso cuando el período de retorno tiende a infinito. Como los intervalos de confianza en la mayoría de los casos resultaron superpuestos, los cambios observados en el parámetro de forma no resultaron significativos al 5%, aunque sus variaciones igual afectan la distribución de los extremos anuales como puede observarse en las Figuras 3.8 a 3.11 donde se muestran los valores de retorno en función de los períodos de retorno. Allí se puede apreciar mejor que los casos que presentaron un parámetro de forma negativo están acotados. mientras que los casos en los que el parámetro de forma resultó positivo los valores de retorno tienden a infinito a medida que aumenta el período de retorno. También se ve claramente la relación casi lineal entre el valor de retorno y el logaritmo del período de retorno en los casos en que el parámetro de forma estimado es muy cercano a cero. Estos gráficos permiten ver que si bien los cambios en la magnitud del parámetro de forma no son significativos, un cambio en el signo de este parámetro tiene una gran influencia en la forma de la distribución de los valores de retorno, como es el caso de los extremos de la temperatura mínima en TOMO I 34 CAPÍTULO 3 Santa Rosa y Río Gallegos, y los extremos fríos de la temperatura máxima en Pergamino, donde el parámetro de forma pasó de negativo a positivo y por lo tanto se modificó completamente la forma de la distribución. En las Figuras 3.12 a 3.15 se muestra la función de densidad de probabilidad de la distribución GEV para cada una de las estaciones y extremos. De esta forma es posible visualizar la combinación de los cambios en los tres parámetros de la distribución y analizar el efecto que estos cambios tienen en la ocurrencia de los eventos extremos. En estas figuras se observa claramente que el cambio más importante fue en la posición de la distribución, consistente con los cambios observados en el parámetro de posición, indicando en general una disminución en la intensidad de los eventos extremos. Sin embargo, en algunos casos la combinación de la variación del parámetro de forma con la variación en alguno de los otros dos parámetros de la distribución lleva a variaciones poco apreciables en la ocurrencia de extremos. Por ejemplo, los extremos cálidos de la temperatura mínima (HTn) en Pilar sufrieron una disminución en el parámetro de posición del primer al segundo subperíodo, que implica una menor intensidad de los extremos, junto con aumento en el parámetro de escala, que lleva a una mayor dispersión de los mismos. La combinación de estos dos cambios conduce a variaciones poco significativas de la intensidad de los eventos extremos. Por el contrario, la combinación de las variaciones en los distintos parámetros puede potenciar los cambios observados en los extremos. Es el caso de los extremos cálidos de la temperatura máxima (HTx) en Tucumán, donde se observa una disminución en el parámetro de posición acompañado de una disminución en el parámetro de escala que lleva a que extremos de menor intensidad ocurran con mayor frecuencia. En general, los extremos de la temperatura mínima son los que presentaron los cambios más importantes en la distribución de los extremos anuales. Los extremos fríos de la temperatura máxima mostraron cambios en la forma de la distribución (más que en la posición y la escala) con una tendencia a distribuciones más achatadas y por lo tanto mayor dispersión en los valores de los extremos anuales. TOMO I 35 CAPÍTULO 3 3.5.b. Variabilidad en los valores de retorno La Figura 3.16 muestra los valores de retorno para el período de 20 años y su intervalo de 95% confianza en los tres subperíodos estudiados para las distintas estaciones y los cuatro eventos extremos definidos en este capítulo. Como se vio en las estimaciones de los parámetros de la distribución, Río Gallegos presentó los intervalos de confianza más grandes, aunque en algunas variables los intervalos de confianza de Pergamino y Santa Rosa llegaron a ser incluso más extensos. En todos los casos, los intervalos de confianza resultaron asimétricos reflejando la mayor incertidumbre asociada a los valores más extremos (Coles, 2001). Se observó en general una disminución del valor de retorno de 20 años para los extremos cálidos de la temperatura máxima y un aumento para los extremos fríos, con excepción de Río Gallegos que presentó un comportamiento opuesto. Esto implica una disminución en la frecuencia de ocurrencia de estos extremos. Sin embargo, el comportamiento de los extremos cálidos de la temperatura mínima depende de la estación: en Buenos Aires, Pergamino, y Río Gallegos se observaron aumentos del valor de retorno de 20 años, indicando aumentos en la frecuencia de ocurrencia, mientras que en Pilar, Santa Rosa y Tucumán el valor de retorno disminuyó, es decir, disminuyó la frecuencia de ocurrencia. Las diferencias encontradas son de aproximadamente 1º C, pero en ningún caso resultaron significativas ya que los intervalos de confianza están superpuestos. Para otros valores de retorno, los resultados fueron similares, como se puede ver en las Figuras 3.8 a 3.11. Para visualizar mejor la relación entre los cambios en los valores de retorno y la frecuencia de ocurrencia de los eventos extremos, conviene expresar este cambio en términos del tiempo de espera. Para ello, se fijó el valor de retorno de 20 años obtenido con los parámetros estimados para el primer subperíodo y se calculó el período de retorno asociado a ese valor en cada uno de los subperíodos siguientes. Este valor se llama también tiempo de espera ya que es la cantidad media de tiempo que debe transcurrir para que ese extremo anual de temperatura vuelva a ser superado. La inversa del tiempo TOMO I 36 CAPÍTULO 3 de espera es la frecuencia o probabilidad de ocurrencia de dicho valor. La Tabla 3.3 muestra el valor de retorno de 20 años correspondiente al ajuste realizado en el subperíodo 1941-1960 y los tiempos de espera en los subperíodos siguientes asociados a dicho valor. Consistentemente con las conclusiones obtenidas a través del estudio en los cambios de los valores de retorno, los tiempos de espera resultaron superiores a 20 años para los extremos cálidos de la temperatura mínima en Pilar, Santa Rosa y Tucumán, mostrando la disminución en la frecuencia de ocurrencia de extremos cálidos de la temperatura mínima en estas estaciones. Por el contrario, en Buenos Aires, Pergamino y Río Gallegos los tiempos de espera disminuyeron, indicando un aumento en la frecuencia de ocurrencia. Los tiempos de espera de los extremos cálidos de la temperatura máxima resultaron mayores a 20 años en todas las estaciones, excepto en Río Gallegos donde la frecuencia de ocurrencia de este extremo aumentó en la segunda parte del siglo XX. Los extremos fríos presentaron tiempos de espera superiores a 20 años en todas las estaciones excepto en Río Gallegos, indicando una disminución en la frecuencia de ocurrencia de extremos fríos de ambas variables. Al igual que lo que se observó en la Figura 3.16 los cambios resultaron más notorios y consistentes en los extremos fríos, donde los tiempos de espera aumentaron de 20 a más de 100 años, como es el caso de las mínimas anuales de la temperatura máxima en Pergamino y Pilar. En algunos casos el cambio en la distribución de los extremos fue tal que el valor de retorno de 20 años que se obtuvo para el primer subperíodo es un valor que nunca se alcanza en los subperíodos siguientes. Tal es el caso de LTn en Buenos Aires, que presentó un valor de retorno de 20 años de -4.7º C según la distribución GEV obtenida en 1941-1960, que pasó a tener un tiempo de espera de 49.7 años en 1961-1980, pero se convirtió en un valor inalcanzable en el último período, como puede observarse en la Figura 3.10 y por lo tanto presentó un tiempo de espera infinito. TOMO I 37 CAPÍTULO 3 3.6. I nfluencia del salto climático de 1976- 77 en los extremos anuales de temperatura Con el objetivo de estudiar los cambios en la distribución de los extremos anuales de temperatura debidos al salto climático del año 1976-77, se analizó el comportamiento de los extremos observados hasta el año 1976 y a partir del año 1977. Para este análisis se utilizó el registro completo de cada una de las seis estaciones (ver Tabla 1.1) dividiendo el período en dos subperíodos: antes y después del año 1976. En primer lugar, se evaluó la presencia de cambios significativos en los valores medios y la varianza de las series de extremos anuales debidas al salto climático de 1976-77. Los cambios en la varianza de las series resultaron poco significativos, mientras que todas las estaciones mostraron cambios significativos al 5% en el valor medio de al menos uno de los extremos anuales, siendo LTn la variable que presentó los cambios menos significativos. También se realizó un análisis de las tendencias lineales observadas en cada uno de los dos subperíodos (pre- y post-1976). En la Tabla 3.4 se muestran las tendencias lineales obtenidas utilizando el método de cuadrados mínimos en cada uno de los extremos anuales, períodos y estaciones estudiados. Tanto los extremos cálidos como los fríos de la temperatura mínima presentaron en general tendencias positivas, aunque no siempre significativas al 5%, indicando un aumento en la intensidad de los extremos cálidos y una disminución en la intensidad de los extremos fríos cuando se analizan los extremos a partir de la temperatura mínima. Esto ocurrió en todas las estaciones, excepto en Santa Rosa que presentó un comportamiento opuesto. Los extremos fríos de la temperatura máxima son los que presentaron las tendencias menos significativas, aunque de signo positivo en la mayoría de los casos, indicando extremos fríos menos intensos hacia finales del siglo XX. Los extremos cálidos de la temperatura máxima mostraron en general tendencias negativas, significativas sólo en Pilar, Río Gallegos, Santa Rosa y Tucumán. Luego de la remoción de las tendencias que resultaron significativas al 5%, se ajustó la distribución GEV en cada uno de los dos subperíodos y se TOMO I 38 CAPÍTULO 3 analizaron los cambios en los parámetros de la distribución y en los valores de retorno obtenidos en cada caso. La Figura 3.17 muestra un aumento significativo en el parámetro de posición de LTn. LTx también presentó un incremento significativo aunque de menor magnitud, con excepción de Pergamino y Río Gallegos donde este parámetro disminuyó. Los extremos cálidos mostraron en general disminuciones (significativas en casi todos los casos) en este parámetro, con excepción de Río Gallegos que en ambas variables presentó incrementos, y Buenos Aires y Pergamino donde el parámetro de posición de HTn aumentó a finales de siglo XX. Estos cambios son consistentes en signo pero de mayor magnitud que los cambios encontrados en la sección anterior relacionados con la variabilidad en períodos de 20 años, indicando en general un corrimiento hacia extremos menos intensos hacia finales del siglo XX, con algunas excepciones en los extremos cálidos de la temperatura mínima. Los parámetros de escala (Figura 3.18) y de forma (Figura 3.19) no presentaron cambios significativos de un período al otro, aunque en la mayoría de los casos se observaron disminuciones en ambos parámetros. De la Figura 3.19 se observa que el parámetro de forma resultó en general negativo, incluso considerando el intervalo de 95% de confianza. Es decir que las distribuciones de los eventos extremos anuales están acotadas (superiormente en el caso de los extremos cálidos e inferiormente en el caso de los extremos fríos). Como no hubo cambios en el signo de este parámetro, los cambios en los eventos extremos se deben mayormente a cambios en la posición de la distribución. Es importante notar que en cinco casos (LTx en Santa Rosa en el primer período, HTn en Pilar, HTx en Pergamino y Pilar y LTn en Tucumán en el segundo período) el parámetro de forma resultó menor a -0.5. Sin embargo, en ninguno de los casos el parámetro resultó menor -0.8 y por lo tanto fue posible estimar los valores de retorno utilizando el método de máxima verosimilitud. El análisis de los cambios observados en el valor de retorno de 20 años (Figura 3.20) mostró resultados consistentes con lo encontrado en la Sección TOMO I 39 CAPÍTULO 3 3.5.b, con aumentos en el valor de retorno de los extremos fríos y disminuciones en los extremos cálidos, indicando un aumento en la frecuencia de ocurrencia de los eventos extremos cálidos y una disminución en los extremos fríos luego del año 1976. Existen sin embargo algunas excepciones a este comportamiento, que coinciden con las encontradas en el análisis anterior, como ser los extremos fríos de la temperatura mínima en Río Gallegos que no mostraron cambios en el valor de retorno de 20 años, los extremos fríos de la temperatura máxima en Santa Rosa que presentaron una leve disminución no significativa, los extremos cálidos de la temperatura máxima en Río Gallegos que sufrieron un incremento no significativo y los extremos cálidos de la temperatura mínima en Buenos Aires, Pergamino y Río Gallegos donde el valor de retorno de 20 años aumentó. Estos cambios en la frecuencia de ocurrencia de los eventos extremos anuales asociados al salto climático de 1976-77 resultaron de mayor magnitud que los encontrados en el análisis interdecádico asociado a variabilidad en períodos de 20 años, con diferencias en los valores de retorno de aproximadamente 2º C, con máximos de 5º C. En la mayoría de los casos estos cambios resultaron significativos al 5% ya que los intervalos de 95% de confianza no se superponen, salvo para LTx que sufrió cambios poco significativos como consecuencia del salto de 1976-77. También se calcularon los tiempos de espera en el período post-1976 de los valores de retorno de 20 años estimados con el ajuste de la distribución en el período anterior. En la Tabla 3.5 puede observarse que los extremos fríos aumentaron su tiempo de espera en todos los casos, excepto LTn en Río Gallegos donde el tiempo de espera se mantuvo prácticamente constante en 20 años (al igual que valor de retorno), y LTx en Santa Rosa donde el tiempo de espera disminuyó levemente. Los tiempos de espera de los extremos cálidos de la temperatura mínima disminuyeron en tres estaciones, pero aumentaron en las otras tres, consistentemente con los cambios observados en el valor de retorno de 20 años. Los extremos cálidos de la temperatura máxima se observaron aumentos en el tiempo de espera en todas las estaciones, excepto en Río Gallegos. TOMO I 40 CAPÍTULO 3 En los casos en que se observaron disminuciones importantes en el parámetro de forma hasta valores negativos de gran magnitud (ver Figura 3.19) se obtuvieron tiempos de espera extremadamente grandes, e incluso tiempos infinitos, ya que la curva de los valores de retorno en función de los períodos de retorno aumentó su convexidad y por lo tanto la cota se alcanza en valores más bajos en el caso de los extremos cálidos y más altos en el caso de los extremos fríos. Estos cambios pueden verse con mayor claridad en las Figuras 3.21 a 3.24 que muestran los valores de retorno en función de los períodos de retorno. 3.7. Conclusiones En este capítulo se presentó un análisis de la variabilidad interdecádica de los eventos extremos anuales de temperatura mínima y máxima en seis estaciones de Argentina que representan regiones climáticas distintas del país. A pesar de que los extremos anuales corresponden a un único día del año, estos extremos no representan situaciones aisladas. En cinco de las seis estaciones, el año 1967 muestra un mínimo relativo en LTn, indicando un año anómalamente frío en todo el país, mientras que 1995 corresponde un máximo relativo en HTx, evidencia de un año cálido, consistente con las tendencias globales que indican que 11 de los 12 años más cálidos ocurrieron en el período 1995-2006 (Trenberth et al., 2007). El análisis de los promedios móviles de 11 años revela la importancia de la variabilidad interdecádica en los extremos anuales de temperatura, como así también las tendencias presentes en las series de extremos observadas en el siglo XX. La intensidad de los extremos cálidos de la temperatura máxima (máximo absoluto del año) disminuyó significativamente en Pilar, Santa Rosa y Tucumán, pero aumentó significativamente en Río Gallegos. En Buenos Aires y Pergamino también se observó una tendencia negativa, aunque no significativa. Por el contrario, la intensidad de los extremos fríos de la temperatura mínima (mínimo absoluto del año) disminuyó en todas las estaciones (tendencias positivas), aunque en forma significativa solamente en Buenos Aires, Pilar y Tucumán. TOMO I 41 CAPÍTULO 3 Luego se compararon los parámetros de la distribución GEV ajustada en tres períodos consecutivos no superpuestos de 20 años cada uno y los valores de retorno estimados a partir de cada ajuste. Esta comparación mostró que en general la distribución de los extremos fríos sufrió un corrimiento hacia valores más altos en el período 1941-2000, indicando una disminución en la intensidad de los mismos. Esta disminución resulta más importante en los extremos fríos de la temperatura mínima que presentó variaciones de hasta 2º C entre el primer y el último subperíodo. Los extremos cálidos no mostraron resultados tan consistentes entre las estaciones, aunque en general presentaron intensidades más bajas en la temperatura máxima y más altas en la temperatura mínima en los períodos más recientes. Tanto los cambios en los extremos cálidos como en los fríos, consistentes con las tendencias halladas, resultaron significativos al 5%. Las variaciones en los parámetros de escala y de forma de la distribución GEV no mostraron cambios significativos a lo largo del período 1941-2000. La comparación de los valores de retorno estimados a partir del ajuste de la distribución GEV en cada subperíodo mostró una disminución del valor de retorno de 20 años para los extremos cálidos de la temperatura máxima y un aumento para los extremos fríos de ambas variables, con excepción de Río Gallegos que tiene comportamiento opuesto, como se ha visto en otros trabajos (Barrucand et al., 2008; Vargas y Naumann, 2008). Estos cambios son más notorios en los extremos fríos, aunque en ningún caso resultaron significativos al 5%, y representan una disminución en su frecuencia de ocurrencia. Los cambios en los valores de retorno de los extremos cálidos de la temperatura mínima no resultaron consistentes a lo largo de las seis estaciones, mostrando aumentos en la frecuencia en tres casos y disminuciones en los otros tres. Estos cambios en la frecuencia de ocurrencia de los extremos fueron expresados en términos del tiempo de espera. Los valores con tiempo de espera de 20 años en el primer subperíodo, es decir cuya probabilidad de ocurrencia es 5%, presentaron tiempos de espera inferiores a 20 años en los extremos cálidos, mostrando el aumento en la frecuencia de ocurrencia en las estaciones donde se habían detectado aumentos en el valor de retorno, y TOMO I 42 CAPÍTULO 3 superiores a 20 años en los extremos fríos, indicando una disminución en la frecuencia. También se evaluó la influencia que el salto climático del año 1976 tuvo en los extremos anuales. Para ello se volvió a realizar el ajuste de la distribución GEV pero separando a las series de extremos en dos períodos: antes y después del año 1976. Se encontró que los cambios son consistentes con las variaciones decadales en períodos de 20 años, pero de mayor magnitud y significativos al 5%, con cambios en los valores de retorno de entre 2º C y 5º C. Si bien la definición de eventos extremos utilizada en este capítulo permitió describir las variaciones observadas en los extremos de temperatura, la misma desaprovecha gran parte de los datos disponibles ya que se basa en un único valor por año. Dado que se encuentran disponibles los datos diarios de temperatura mínima y máxima, en el capítulo siguiente se propone un nuevo enfoque para el estudio de la variabilidad interdecádica de los eventos extremos de temperatura que incorpora mayor cantidad de información de cada variable. Además, como los valores más altos de temperatura ocurren por lo general en verano y los más bajos, en invierno, la definición de eventos extremos propuesta en este capítulo no considera eventos anómalos en otras épocas del año. En el capítulo siguiente se propone un análisis que permite considerar eventos extremos a lo largo de todo el año. TOMO I 43 CAPÍ TULO 4: Variabilidad interdecádica de eventos extremos diarios de temperatura en Argentina 4.1. I ntroducción Los eventos extremos anuales se definen a partir de un único valor por año. Si bien esta definición permite la caracterización de los eventos extremos de la región como se vio en el capítulo anterior, hay una gran cantidad de información desaprovechada dado que se cuenta con los valores diarios de cada estación. En este capítulo se propone aplicar otra distribución correspondiente a la Teoría de Valores Extremos, la distribución Generalized Pareto (GP). Esta distribución fue utilizada para el análisis de eventos extremos de variables meteorológicas e hidrológicas en diversos trabajos, así como también para determinar el daño causado por estos eventos (Katz et al., 2002; Bordi et al., 2007; Unkašević y Tošić, 2009). Este enfoque tiene como ventaja respecto del análisis GEV que permite considerar una mayor cantidad de extremos por año ya que se basa en todos los datos diarios, considerando eventos extremos cálidos a todos aquellos días en los que la temperatura supera cierto umbral fijado previamente. Análogamente, los extremos fríos corresponden a los días en que la temperatura no alcanza un determinado umbral también prefijado. La elección de estos umbrales no es trivial ya que los mismos tienen que ser lo suficientemente altos, en el caso de los extremos cálidos, para que se cumplan las condiciones asintóticas del modelo, pero lo suficientemente bajos para que exista una cantidad considerable de excesos por encima del umbral. En el caso de los extremos fríos, el umbral tiene que ser suficientemente bajo para que el ajuste no resulte en un bias muy grande, pero lo suficientemente alto para que la cantidad de valores por debajo del umbral no sea tan pequeña que introduzca mucha incertidumbre en las estimaciones. Así, la elección del umbral es un compromiso entre el bias y la varianza (Coles, 2001). Dada la disponibilidad de datos diarios en la región, se propone en este capítulo analizar la variabilidad decadal de la frecuencia e intensidad de los TOMO I 44 CAPÍTULO 4 eventos extremos de temperatura a través del ajuste de una distribución GP. Se define como evento extremo todo aquel día que supere (o no alcance) un umbral fijado previamente. Este análisis se realiza utilizando las mismas estaciones que las utilizadas en el Capítulo 3, en el período común a todas las estaciones, 1941-2000. Con el objetivo de analizar los eventos extremos que ocurren a lo largo de todo el año, los eventos extremos se definen a partir de las anomalías de la temperatura mínima y máxima para cada día. De esta forma, los valores extremos son todos aquéllos que se alejen del valor medio de ese día una distancia determinada por el umbral elegido. Desde un punto de vista metodológico, la estadística aplicada a las anomalías de temperatura mínima y máxima extremas, en vez de a los valores absolutos, permite evaluar la severidad de los episodios extremos en términos de apartamientos muy grandes respecto de los valores diarios esperados. Además, el análisis de las anomalías presenta una alternativa útil para el estudio de las temperaturas extremas a lo largo de todo el año, sin que las mismas se vean influenciadas por el fuerte ciclo estacional que presenta la temperatura en latitudes medias. Desde el punto de vista de la aplicación, este tipo de análisis permite un mejor conocimiento de los episodios diarios cálidos y fríos, sus distribuciones y sus períodos de retorno (Serra et al., 2009). 4.2. Datos y metodología En este capítulo se utilizaron datos de temperatura mínima y máxima observados en estaciones meteorológicas de Argentina pertenecientes al Servicio Meteorológico Nacional. Como el objetivo de este capítulo es, al igual que en el capítulo anterior, analizar la variabilidad interdecádica de los eventos extremos pero con una definición distinta de evento extremo -basada en los valores de las anomalías diarias y considerando extremos todos aquellos valores que superan o no alcanzan un determinado umbral- se eligieron las estaciones que contaran con los registros más extensos en el tiempo, es decir las TOMO I 45 CAPÍTULO 4 estaciones utilizadas en el Capítulo 3 que se muestran en la Figura 1.1 y la Tabla 1.1. El tratamiento de los datos faltantes para el análisis de los extremos diarios fue distinto al utilizado para los extremos anuales, ya que para este análisis es importante tener datos de todo el año. Por lo tanto, se verificó que el total de datos faltantes en el período de estudio fuera inferior al 20% de la longitud del registro. Debido a que la estación Río Gallegos no cumplió con este criterio, la misma no fue utilizada en el análisis de la variabilidad interdecádica de los extremos diarios. La distribución GP permite el modelado estadístico de eventos extremos definidos como valores que superan (o no alcanzan) un determinado umbral. De acuerdo con Coles (2001), para valores suficientemente grandes del umbral u , la función de distribución GP de y X u condicional a X > u tiene la siguiente forma: ⎧ ⎛ y ⎞ 1 ⎪1 ⎜1 + ⎟ ⎪ ~ ⎠ H ( y) ⎨ ⎝ ⎛ y⎞ ⎪ ⎪1 exp⎜⎝ ~ ⎟⎠ ⎩ si ≠ 0 si 0 (4.1) definida en el conjunto {y : y > 0 ∧ (1 + y ~ ) > 0} con ~ + (u ) , donde ~ es el parámetro de escala y el parámetro de forma de la distribución GP, y y son los parámetros de escala y posición de la distribución GEV, respectivamente, aplicada a los bloques de máximos anuales. La función de distribución mostrada en (4.1) también es válida para modelar los extremos de la cola izquierda de la distribución, definida como los valores que no alcanzan un determinado umbral. Para ello, basta tomar los valores de la muestra y el umbral con su signo opuesto y utilizar el modelo propuesto en (4.1). En este caso, la condición sobre el umbral es que el mismo sea lo suficientemente pequeño, o lo que es lo mismo, suficientemente grande en valor absoluto. El ajuste de la distribución GP presenta dos cuestiones que requieren decisiones previas. La primera es la elección del umbral por encima del cual se considera a los eventos como extremos, ya que un umbral muy bajo podría resultar en la violación de las hipótesis asintóticas del modelo, mientras que un TOMO I 46 CAPÍTULO 4 umbral muy alto conduciría a un análisis poco robusto basado en una cantidad demasiado baja de datos. Es por ello que la elección del umbral requiere un balance entre el bias y la varianza. La segunda problemática que presenta el ajuste de esta distribución es la posible falta de independencia entre eventos extremos sucesivos considerados para el análisis, es decir, aquellos eventos que están correlacionados entre sí. Con el objetivo de resolver el primer problema planteado, se realizó el ajuste de la distribución para distintos umbrales posibles y se analizó en cada caso cuán bueno resultaba el ajuste. Los umbrales se eligieron en función de los percentiles empíricos de la muestra de datos, en un rango que va desde el percentil 85 hasta el percentil 99. La bondad del ajuste en cada caso fue analizada a través del probability plot (PP plot) y del cálculo del coeficiente de correlación lineal entre las probabilidades empíricas y teóricas. En todos los casos, el ajuste resultó bueno, con coeficientes de correlación lineal superiores a 0.9 (en las Figura 4.1 a 4.3 se muestran algunos ejemplos de PP plots obtenidos para distintos umbrales), aunque la elección de umbrales superiores al percentil 95 (o inferiores al percentil 5, en el caso de los extremos fríos) condujo a series de extremos demasiado cortas en relación a la cantidad de datos con que se disponía. Se decidió entonces elegir como umbral el percentil 90 de la distribución empírica para los extremos cálidos, y, simétricamente, el percentil 10 para los extremos fríos. De esta forma, se define como evento extremo al conjunto de valores diarios que caen en el 10% más extremo, tanto hacia la derecha como hacia la izquierda, de la distribución. Para evitar los problemas introducidos por la correlación entre eventos extremos sucesivos, se utilizan en general métodos de desagrupamiento ( declustering) de los excesos (valores que superan el umbral en el caso de extremos cálidos y valores que no alcanzan el umbral en el caso de extremos fríos). En este trabajo se aplicó un proceso de desagrupamiento de los valores diarios de la temperatura que consiste en considerar únicamente el mayor (menor) de los excesos que se encuentran dentro de una ventana de 5 días consecutivos (Jones et al., 1999). De esta forma, la cantidad de excesos se redujo de 10% a aproximadamente 5% del total de datos de la serie. Así, el TOMO I 47 CAPÍTULO 4 umbral elegido muestra un buen balance entre la cantidad de excesos que se consideran para el ajuste y las condiciones asintóticas del modelo propuesto. Partiendo de la serie de temperaturas diarias de todo el año es de esperar que al fijar un único umbral para todo el año, el 5% más cálido corresponda al verano y el 5% más frío, al invierno, de la misma forma que en la definición de extremos anuales los extremos cálidos correspondían a valores de verano y los fríos a valores de invierno. Con el objetivo de considerar extremos todos aquellos eventos que se apartan considerablemente de los valores medios independientemente del momento del año en el que ocurren se transformaron los valores de temperatura mínima y máxima diarias en anomalías normalizadas respecto de un período base 1961-1990 (Serra et al., 2009). Una vez aplicada esta transformación, se calculó el umbral en términos de anomalías respecto de la media y la varianza, y se aplicó el método de desagrupamiento a los excesos. Así, se generaron cuatro variables correspondientes a las series de anomalías diarias independientes de los extremos cálidos de la temperatura mínima (HTn) y de la temperatura máxima (HTx) y de los extremos fríos de la temperatura mínima (LTn) y máxima (LTx). Si bien la definición de extremos es distinta de la utilizada en el capítulo anterior, se decidió mantener el mismo nombre en las variables ya que en ambos casos representan el mismo tipo de extremos: HTn y LTn representan extremos cálidos y fríos, respectivamente, desde el punto de vista de la temperatura mínima, y por lo tanto asociados a valores nocturnos; mientras que HTx y LTx representan extremos cálidos y fríos, respectivamente, desde el punto de vista de la temperatura máxima, asociados a valores diurnos. Con el fin de evaluar los cambios interdecádicos dentro del período en el que coinciden todas las estaciones (1941-2000), las series de los cuatro nuevos extremos definidos fueron divididas en tres subperíodos consecutivos no superpuestos: 1941-1960, 1961-1980 y 1981-2000. Las tendencias significativas al 5% en cada subperíodo fueron removidas de forma tal de obtener series estacionarias. Luego, utilizando el método de estimación de máxima verosimilitud y los paquetes estadísticos EVIM: A Software Package for Extreme Value Análisis in MATLAB (Gençay et al., 2001) y Extremes Toolkit for TOMO I 48 CAPÍTULO 4 R (Gilleland et al., 2004) se realizó el ajuste de la distribución GP a las series de excesos sobre el umbral elegido (percentil 90 de las series completas de anomalías de temperatura) para estudiar los extremos cálidos y a las series de valores que permanecieron por debajo del umbral (percentil 10 de las series completas de anomalías de temperatura) para estudiar los extremos fríos. Teniendo en cuenta el desagrupamiento de los excesos, esto implica que el ajuste se realizó sobre aproximadamente el 5% de los eventos más cálidos y más fríos de cada año, respectivamente, es decir sobre un total de aproximadamente 18 valores por año, y 360 valores en cada subperíodo. Finalmente, a partir de las estimaciones de los parámetros de la distribución GP ajustada en cada subperíodo se calcularon los valores de retorno y su intervalo de 95% de confianza. Al igual que en el capítulo anterior, un valor de retorno asociado a un determinado período de retorno p es un valor que se supera, en promedio, una vez cada p años. Por ejemplo, el valor de retorno de 20 años es un valor que se supera en promedio una vez cada 20 años, es decir, con una probabilidad de 5%. Por lo tanto, los cambios en los valores de retorno indican cambios en la frecuencia de ocurrencia de los eventos extremos. La inversión de la expresión dada en (4.1), teniendo en cuenta que corresponde a la función de distribución condicional a X > u , permite obtener una expresión para los valores de retorno a partir de los [ parámetros de la distribución GP: ] ⎧ ⎪u + ( pn y ζ u ) 1 zp ⎨ ⎪u + log( pn ζ ) y u ⎩ si ≠ 0 si 0 (4.2) donde ζ u P{X > u} es la probabilidad de superar el umbral, n y es la cantidad de observaciones por año (365,25 en este caso, ya que se utilizaron datos diarios) y p es el período de retorno en años. En el caso de los valores extremos definidos como aquéllos que no alcanzan cierto umbral, debido a la transformación utilizada de los datos, fue necesario invertir el signo de los ζ u P{X < u} la probabilidad de no alcanzar el umbral. En ambos casos, valores de retorno obtenidos con la función expresada en (4.2), considerando TOMO I 49 CAPÍTULO 4 ζ u 0.1 ya que el umbral fue definido a partir del percentil 90 o 10 de la distribución de anomalías diarias. Al igual que en el caso de la distribución GEV, los períodos de retorno pueden expresarse en términos del tiempo de espera. El valor de retorno de 20 años es un valor que ocurre una vez cada 20 años, y por lo tanto el tiempo de espera es de 20 años. Un aumento en el tiempo de espera indica entonces una disminución en la frecuencia de ocurrencia del valor de retorno asociado, mientras que una disminución en el tiempo de espera representa un aumento en la frecuencia o probabilidad de ocurrencia. 4.3. Características de las anomalías diarias En primer lugar se estudió la variabilidad interdecádica en toda la distribución de las anomalías diarias a lo largo de los tres subperíodos. En la Figura 4.4 se muestra la función de densidad de probabilidad empírica para cada variable (temperatura mínima y máxima) y estación. En todas las estaciones se observó un corrimiento hacia la derecha en toda la distribución de temperatura mínima, más marcado en el último subperíodo. Este corrimiento implica un aumento tanto de los valores medios como de los valores extremos. Sin embargo, los cambios en los valores medios no siempre son consistentes con los cambios en las colas de la distribución. Como ejemplo podemos ver que el valor medio de la temperatura máxima en Buenos Aires y Pergamino permaneció prácticamente constante a lo largo de todo el período, mientras que las colas de las distribuciones presentan diferencias de un subperíodo a otro. Esto implica que los eventos extremos sufrieron variaciones, ya sea en la intensidad o en la frecuencia, de distinta magnitud que los cambios en los valores medios. 4.4. Variabilidad de la intensidad de los eventos extremos diarios Con el objetivo de estudiar la variabilidad interdecádica observada en la intensidad de los eventos extremos de temperatura, se calcularon los percentiles 10 y 90 de la distribución empírica de cada variable en cada TOMO I 50 CAPÍTULO 4 subperíodo. Estos valores fueron luego utilizados como umbrales para definir los eventos extremos y realizar el ajuste de la distribución GP. La Figura 4.5 muestra los percentiles estimados a partir de la distribución empírica de las distintas variables, subperíodos y estaciones meteorológicas. Los extremos cálidos de la temperatura máxima (Figura 4.5b) y los extremos fríos de la temperatura mínima (Figura 4.5c) son las variables que sufrieron los cambios más importantes, mostrando una disminución del percentil 90 con el tiempo en el primer caso y un aumento del percentil 10 en el segundo, más marcado en el último subperíodo. Dado que el percentil 10 (90) indica el valor por debajo (encima) del cual se encuentra el 10% de los datos de cada subperíodo, un aumento (una disminución) en este valor indica una disminución en la intensidad de los extremos fríos (cálidos). Los cambios en los extremos cálidos de la temperatura mínima y los extremos fríos de la máxima (Figuras 4.5 a y d, respectivamente) no sufrieron variaciones importantes a lo largo del período de estudio, aunque se observan en general aumentos del percentil 90 en la temperatura mínima en todas las estaciones, principalmente en el último subperíodo, indicando aumentos en la intensidad de este extremo. El signo del los cambios en el percentil 10 de la temperatura máxima depende de la estación: hubo un aumento del percentil 10 en Buenos Aires y Pergamino y una disminución en Pilar, Santa Rosa y Tucumán. La magnitud de los cambios entre el primer y el último subperíodo alcanzó valores de hasta 0.5 desvíos estándar en los extremos cálidos de la temperatura máxima y los extremos fríos de la temperatura mínima, y de menos de 0.2 desvíos estándar en las otras variables. Estos cambios observados en los percentiles de la distribución de anomalías de temperatura mínima y máxima son consistentes con los resultados obtenidos en el análisis de la variabilidad de los extremos anuales, donde la disminución en el parámetro de posición de la distribución GEV ajustada a los máximos anuales indicaba una disminución en la intensidad de los extremos cálidos de la temperatura máxima, mientras que el aumento de este parámetro en la distribución de los mínimos anuales representaba una disminución de la intensidad de los extremos fríos, más marcada en la TOMO I 51 CAPÍTULO 4 temperatura mínima. En los extremos cálidos de la temperatura mínima los resultados obtenidos mediante el ajuste de la distribución GEV a los extremos anuales y el ajuste de la distribución GP a los extremos diarios no son consistentes en todas las estaciones, poniendo de manifiesto las diferencias en el comportamiento del valor más alto del año respecto del comportamiento del conjunto del 10% de los valores más extremos. Por ejemplo, en Buenos Aires se observaron aumentos a lo largo de todo el período tanto del parámetro de posición de la distribución GEV como del umbral utilizado para el ajuste de la distribución GP, es decir que todo el conjunto del 10% de los valores más altos de la temperatura mínima de cada año adoptó valores más altos, incluso el valor más alto de todo el año. Por el contrario, en Pilar el 10% de los valores más altos de cada año aumentó a lo largo del período de estudio, pero el valor más extremo sufrió una leve disminución. Esto puede explicarse por una menor dispersión en la cola de la distribución. 4.5. Ajuste de la distribución GP a los extremos diarios Utilizando el método de máxima verosimilitud se ajustó la distribución GP a las cuatro series de extremos diarios de las cinco estaciones en cada uno de los tres subperíodos definidos, utilizando como umbral el percentil 90 de la distribución de anomalías diarias para los extremos cálidos y el percentil 10, para los extremos fríos. A diferencia de lo que ocurría con la distribución GEV aplicada a los extremos anuales, en todas las estaciones el ajuste resultó bueno según se pudo observar en los PP plots (ver ejemplos en las Figura 4.1 a 4.3). Las Figuras 4.6 a 4.9 muestran la función de densidad de probabilidad de la distribución GP en cada una de las estaciones para los distintos subperíodos. La distribución GP es una distribución condicionada a que la anomalía de temperatura supere el umbral, por lo tanto sólo está definida para anomalías mayores (menores) que el umbral. Los cambios en la forma de la distribución están relacionados con los cambios en el umbral y en los parámetros de forma y escala. Los extremos cálidos de la temperatura mínima presentaron un corrimiento de toda la distribución hacia la derecha consistente con el aumento leve en el valor del umbral, mientras que para los extremos cálidos de la TOMO I 52 CAPÍTULO 4 temperatura máxima, donde se observó una disminución del umbral, la distribución sufrió un corrimiento hacia la izquierda, indicando extremos cálidos menos intensos. Los extremos fríos de la temperatura mínima mostraron un corrimiento importante de la distribución hacia la derecha, indicando una disminución en la intensidad. Sin embargo, no sólo se observaron desplazamientos de la distribución sino que también cambió la forma, en la mayoría de los casos, hacia distribuciones más cóncavas, indicando un decrecimiento de la probabilidad de ocurrencia de los extremos más abrupto. 4.6. Variabilidad de la frecuencia de ocurrencia de los eventos extremos diarios Para el estudio de la variabilidad interdecádica observada en la frecuencia de ocurrencia de eventos extremos de temperatura se compararon los valores de retorno obtenidos a partir de una distribución GP ajustada a cada una de las variables en los distintos subperíodos. La Figura 4.10 muestra los valores de retorno esperados cada 20 años en los distintos subperíodos y estaciones y su intervalo de 95% de confianza. Es importante recordar que los valores de retorno aquí analizados se refieren a anomalías estandarizadas, es decir anomalías respecto al valor medio y al desvío estándar de la serie. Por lo tanto, un valor de retorno igual a 1 en los extremos cálidos representa, en promedio, un día cada 20 años con temperatura superior a la media más un desvío estándar, mientras que un valor de retorno de -1 en los extremos fríos indica que una vez cada 20 años se espera un día con temperatura inferior a la media menos un desvío estándar. En los extremos cálidos (Figuras 4.10 a y b) se observó una disminución en el valor de retorno de 20 años del primer (1941-1960) al segundo subperíodo (1961-1980). Esta disminución en los valores de retorno de los extremos cálidos implica una disminución en su frecuencia de ocurrencia. Sin embargo, en el subperíodo siguiente (1981-2000) se observó un aumento en los valores de retorno en todos los casos, con excepción de HTx en Santa Rosa. Este aumento, que en muchos casos resultó de mayor magnitud que la TOMO I 53 CAPÍTULO 4 disminución observada previamente, indica un incremento en la frecuencia de ocurrencia de extremos cálidos, tanto de la temperatura mínima como de la máxima, en los últimos 20 años del siglo XX. Sin embargo, estos cambios, que son del orden de 0.5 desvíos estándar, con diferencias máximas de casi un desvío estándar de un período al siguiente, no resultaron significativos al 5% ya que en general se superponen los intervalos de confianza. Los cambios en los extremos fríos no resultaron tan consistentes a lo largo de las estaciones, y también resultaron poco significativos. La magnitud de los cambios observados en los extremos fríos fue de entre 0.2 y 0.4 desvíos estándar, con diferencias máximas de 0.7 desvíos estándar de un período al siguiente. En particular, los valores de retorno de los extremos fríos de la temperatura mínima (Figura 4.10c) aumentaron con el tiempo en Pergamino, Pilar y Santa Rosa, mientras que en Buenos Aires se observó un aumento en el segundo subperíodo, seguido de una disminución en el último, contrario a lo que ocurrió en Tucumán donde los valores de retorno disminuyeron en el segundo subperíodo y aumentaron luego. Los valores de retorno de los extremos fríos de la temperatura máxima (Figura 4.10d) presentaron comportamientos distintos en cada estación. Por ejemplo, en Buenos Aires los valores de retorno disminuyeron con el tiempo, contrario a lo que ocurrió en Tucumán donde el aumento en los valores de retorno se mantuvo a lo largo de todo el período estudiado. En el caso de los extremos fríos, un aumento en los valores de retorno está asociado a una disminución en la frecuencia de ocurrencia de estos extremos. Si bien los cambios en la frecuencia de ocurrencia de los extremos diarios tampoco resultaron significativos al 10%, son de mayor magnitud que los cambios en los extremos anuales, pero no siempre en el mismo sentido indicando diferencias entre el comportamiento del valor más extremos del año y el conjunto del 10% de los valores más extremos, como se vio en el análisis de la intensidad de los eventos extremos de la Sección 4.4. Estos cambios en el valor de retorno de 20 años pueden ser expresados en términos del tiempo de espera. La Tabla 4.1 muestra el valor de retorno de 20 años obtenido en el primer subperíodo en cada estación, y los tiempos de TOMO I 54 CAPÍTULO 4 espera de dicho valor en los subperíodos siguientes. Consistentemente con lo observado en los cambios del valor de retorno de 20 años, los tiempos de espera de los extremos cálidos son mayores a 20 años en 1961-1980 y menores a dicho valor en 1981-2000 en los casos en que el aumento del último subperíodo logró compensar la disminución del subperíodo anterior (en los casos en que el aumento no fue tan grande, se observa que a pesar de que el tiempo de espera es superior a 20 años, resulta menor que en el subperíodo anterior). La única excepción es HTx en Santa Rosa que mostraba disminución del valor de retorno y por lo tanto un aumento en el tiempo de espera. Al igual que ocurría con los cambios en el valor de retorno de 20 años, los cambios en los extremos fríos dependen de la estación. En Buenos Aires se observó un aumento en la frecuencia de los extremos fríos de ambas variables, excepto en el segundo subperíodo donde la temperatura mínima muestra una disminución en la frecuencia de ocurrencia de extremos fríos. Lo contrario ocurrió en Tucumán, donde ambas variables muestran disminución en la frecuencia de ocurrencia de los extremos fríos, excepto la temperatura mínima en el segundo subperíodo que muestra aumento en la frecuencia. Pergamino mostró aumentos en el tiempo de espera en todos los casos, y Santa Rosa en todos excepto en el segundo subperíodo para LTx. En Pilar los extremos fríos de la temperatura máxima presentaron aumentos en la frecuencia de ocurrencia, mientras que los de la mínima disminuyeron su frecuencia. En general, la frecuencia de ocurrencia de los extremos cálidos disminuyó en el período 1961-1980 respecto de 1941-1960, pero aumentó nuevamente en los últimos 20 años del siglo XX, incluso a frecuencias mayores que las observadas en el primer subperíodo. Los extremos fríos mostraron disminuciones en su frecuencia de ocurrencia en los últimos 20 años en casi todas las estaciones. El análisis de los valores de retorno para otros períodos de retorno (Figuras 4.11 a 4.14) mostró resultados similares en todas las estaciones y para las cuatro variables definidas, pero con intervalos de 95% de confianza de mayor longitud debido a la mayor incertidumbre asociada al proceso de estimación. Al igual que ocurría en el análisis de los extremos anuales, en todos TOMO I 55 CAPÍTULO 4 los casos, los intervalos de confianza resultaron asimétricos reflejando la mayor incertidumbre asociada a los valores más extremos (Coles, 2001). 4.7. Conclusiones Cuatro nuevas variables fueron definidas para describir los eventos extremos de temperatura, definidos como todos los valores que superan (o no alcanzan) un determinado umbral: HTx, HTn, LTx y LTn, que representan series de anomalías independientes de los extremos cálidos y fríos de la temperatura mínima y máxima y están basadas en series de datos diarios. La distribución GP fue ajustada a cada serie en distintos subperíodos con el fin de analizar la variabilidad interdecádica observada en la intensidad y la frecuencia de los eventos extremos de temperatura en distintas regiones de Argentina. Este análisis permitió evaluar los cambios observados en los extremos de temperatura durante el período 1941-2000, comparando subperíodos consecutivos de 20 años. La intensidad de los eventos extremos cálidos de la temperatura máxima (HTx) y los extremos fríos de la temperatura mínima (LTn) disminuyó en el período de estudio, mientras que los eventos extremos cálidos de la temperatura mínima (HTn) mostraron un aumento en su intensidad consistente en las cinco estaciones estudiadas, aunque de menor magnitud. Los extremos fríos de la temperatura máxima (LTx) mostraron poco cambio en la intensidad. En cuanto a la frecuencia de ocurrencia, los extremos cálidos, tanto de la temperatura mínima como de la máxima, mostraron una disminución del primer subperíodo (1941-1960) al segundo, seguido de un aumento en los últimos 20 años del siglo XX, excepto en Santa Rosa donde la HTx disminuyó a lo largo de todo el período. Este aumento en los valores de retorno en el último subperíodo indica un aumento en la frecuencia de ocurrencia de los extremos cálidos de temperatura respecto del período anterior, incluso alcanzando frecuencias mayores a las observadas en el período 1941-1960 en algunas estaciones. La estación que mostró los cambios más pronunciados es Pergamino, con aumentos del orden de 1 desvío estándar del segundo al tercer subperíodo. TOMO I 56 CAPÍTULO 4 Los eventos extremos fríos de la temperatura máxima (LTx) mostraron cambios distintos en las diferentes estaciones estudiadas, mientras que los eventos fríos de la temperatura mínima (LTn) presentaron aumentos en los valores de retorno en casi todas las estaciones, con excepción de Tucumán en la primera parte del período estudiado y Buenos Aires en la última. Estos aumentos en los valores de retorno indican una disminución en la frecuencia de ocurrencia de los extremos fríos de la temperatura mínima. Los cambios observados en la intensidad y la frecuencia de ocurrencia de los extremos diarios no siempre resultaron consistentes con los obtenidos en el análisis de los extremos anuales, lo cual indica que el comportamiento del valor más extremo del año no siempre es equivalente al comportamiento del 10% más extremo. Como la estimación de los parámetros de la distribución GP se hace en función de una mayor cantidad de datos es de esperar que los resultados obtenidos sean más robustos. Por otro lado, los extremos anuales representan casi exclusivamente valores de verano y de invierno, mientras que al analizar los extremos en términos de anomalías diarias, los resultados encontrados representan la variabilidad de extremos que pueden ocurrir a lo largo de todo el año. TOMO I 57 CAPÍ TULO 5: Análisis de eventos extremos de temperatura simulados por Modelos de Circulación General 5.1. I ntroducción Las simulaciones con modelos globales de circulación general acoplados océano-atmósfera forzados con proyecciones de emisiones de gases de efecto invernadero y aerosoles son la herramienta principal para el estudio de posibles cambios en el clima medio futuro, su variabilidad y los extremos. Los cambios en los extremos de temperatura tienden a seguir los cambios en los valores medios del clima. Sin embargo, Kharin y Zwiers (2000, 2005) encontraron que los extremos fríos de temperatura aumentan más que los extremos cálidos en latitudes medias y altas, principalmente como resultado del derretimiento del hielo marino y la nieve durante el invierno producto del calentamiento global. Por otro lado, el aumento de la variabilidad de la temperatura en verano encontrado por Gregory y Mitchell (1995) y Kharin y Zwiers (2005) implica un potencial aumento de los extremos cálidos relativamente mayor que el de los valores medios de verano. El programa internacional Program for Climate Model Diagnosis and Intercomparison (PCMDI) tiene por objetivo realizar comparaciones de distintas salidas de GCM que han sido compatibilizados para simular los mismos períodos de tiempo pasado y los distintos escenarios propuestos para el clima futuro ( Coupled Model Intercomparison Project , CMIP). Estas simulaciones del clima llevadas a cabo en el contexto del Fourth Assessment Report del IPCC (2007), que se encuentran disponibles a la comunidad científica, ofrecen un material de primer nivel para el estudio del clima del futuro. Kharin y Zwiers (2007) estudiaron la capacidad de estos modelos para reproducir los extremos de temperatura en el clima actual y sus posibles cambios para distintos escenarios de clima futuro, dados por distintas proyecciones del forzante antropogénico. Para ello, los autores ajustaron una distribución GEV a los extremos anuales de temperatura mínima y máxima simuladas para el clima del siglo XX (experimento 20C3M) y a los datos de reanálisis del European Centre for TOMO I 58 CAPÍTULO 5 Medium-Range Weather Forecasts (ECMWF) y el National Centers for Environmental Prediction (NCEP) en el período 1981-2000, como así también a las simulaciones de clima futuro en los períodos 2046-2065 y 2081-2100 correspondientes a los escenarios B1, A1B y B2 propuestos por el IPCC en el Special Report on Emissions Scenarios (SRES, Nakicenovic et al., 2000). El estudio de Kharin y Zwiers (2007) indica que los extremos anuales de temperatura estudiados mediante el ajuste de la distribución GEV son adecuadamente simulados por el ensemble de 14 modelos en la última parte del siglo XX, con menores incertidumbres en los extremos cálidos que en los fríos. Los cambios encontrados en los extremos cálidos ante los distintos escenarios de cambio climático respecto del clima del siglo XX son consistentes con los cambios esperados en los valores medios de verano, con cambios promedio sobre los continentes para el valor de retorno de 20 años de 1.7º C en el período 2046-2065 para el escenario SRES B1 y de 4.2º C en el período 20812100 en el escenario SRES A2. a su vez, encontraron que los extremos fríos aumentan 30 a 40% más rápido que los cálidos en todo el globo, con cambios en el valor de retorno de 20 años de 2.1º C en 2046-2065 para el escenario SRES B1 y 5.4º C en 2081-2100 para el escenario SRES A2. En particular, para el sur de Sudamérica, los autores encontraron aumentos en el valor de retorno de 20 años de los extremos cálidos de la temperatura máxima de entre 1º C y 4º C en el período 2046-2065 para el escenario A1B, y disminuciones en el tiempo de espera de entre 15 y 18 años, indicando un aumento en la frecuencia de ocurrencia de los extremos cálidos. Para los extremos fríos de la temperatura mínima, los aumentos proyectados para el siglo XXI por el ensemble de 14 GCM son levemente menores en valor absoluto, pero mayores respecto al aumento en los valores medios de invierno. Los cambios en los períodos de retorno son opuestos a los extremos cálidos, con tiempos de espera superiores a 200 años, indicando una fuerte disminución en la frecuencia de ocurrencia de los extremos fríos. Sin embargo, la resolución espacial de estos modelos resulta poco apta para el estudio de las proyecciones a nivel regional. Por lo tanto se deben aplicar metodologías para el traslado de estos resultados a menores escalas TOMO I 59 CAPÍTULO 5 (metodologías de downscaling). El problema se puede abordar desde la estadística (Palutikof et al., 2002; Schubert y Henderson-Sellers, 1997; Solman y Núñez, 1999; D’Onofrio et al., 2010), desde la dinámica (Menéndez et al., 2010; Solman et al., 2008), o a través de metodologías que combinan ambos enfoques. Para el abordaje dinámico, se utilizan Modelos de Clima Regional (RCM), alimentados con GCM (Wuebbles y Hayhoe, 2004; Räisanen et al., 2004; Böhm et al., 2004; Bell et al., 2004), mientras que para el abordaje estadístico, se estudia la relación entre la ocurrencia de extremos y la circulación en el presente, y esto se proyecta en los escenarios de clima futuro. En este capítulo se propone utilizar la metodología de downscaling estadístico propuesta por D’Onofrio et al. (2010) llamada CHAC para el análisis de los cambios proyectados en los extremos anuales de temperatura en el Sudeste de Sudamérica ante un escenario de cambio climático antropogénico y analizar las ventajas y desventajas que esta metodología aporta en el análisis de eventos extremos. 5.2. Datos y metodología La elección de los modelos y períodos de estudio fue hecha de acuerdo a la disponibilidad de los datos necesarios para la aplicación de la metodología de downscaling propuesta. Se utilizaron simulaciones del clima del siglo XX y del clima futuro de tres GCM: ECHAM5/ MPI-OM, IPSL-CM4, UKMO-HadGEM1. Las simulaciones de clima pasado corresponden al período 1981-1999, mientras que las proyecciones de clima futuro están basadas en el escenario SRES A1B para el período 2010-2040. Todos los modelos fueron llevados a una grilla común de 2.5º de latitud por 2.5º de longitud de resolución. A su vez, se utilizaron datos de reanálisis ERA-40 provistos por el ECMWF interpolados en la misma resolución que los modelos, y datos diarios de temperatura mínima y máxima observados en estaciones meteorológicas de superficie en el Sudeste de Sudamérica, pertenecientes a la base de datos compilada durante el proyecto CLARIS (ver Figura 1.2a). En primer lugar, se analizó la capacidad de los datos de reanálisis y de los modelos para reproducir la distribución de temperatura mínima y máxima TOMO I 60 CAPÍTULO 5 diarias en la región de estudio durante el período 1981-1999. Para ello se compararon el valor medio, la desviación estándar y los percentiles 5 y 95 de las series observadas en cada una de las estaciones de la Figura 1.2 con las series de la base de datos de reanálisis y de las simulaciones de los GCM correspondientes al punto de grilla más cercano a cada una de las estaciones. Para evitar el bias en los parámetros de la distribución empírica introducido por la falta de datos, sólo se utilizaron las estaciones que contaran con menos de 20% de datos faltantes en el período de estudio. A su vez, se analizó la capacidad de los reanálisis y los modelos para reproducir los extremos anuales de la temperatura, comparando el valor medio y la desviación estándar de las series de extremos anuales en cada estación con las series obtenidas en el punto de grilla más cercano de los datos de reanálisis y de las simulaciones de los GCM. Luego, se realizó el ajuste de la distribución GEV1 a las series de extremos anuales y se analizaron los cambios proyectados para el clima futuro. Estos resultados se muestran en la Sección 5.3. Sin embargo, las simulaciones de la temperatura por GCM brindan información en una escala mucho mayor que la requerida para estudiar los cambios proyectados en una región pequeña como la que se propone en este estudio. Por lo tanto, se aplicó una metodología de downscaling estadístico con el objetivo de obtener información de la temperatura a menor escala que la ofrecida por los GCM (Sección 5.4). Las metodologías de downscaling estadístico consisten en determinar la relación entre variables climáticas locales observadas y variables de circulación de gran escala. En este capítulo se propone aplicar la metodología de downscaling estadístico CHAC (D’Onofrio et al., 2010), utilizando seis variables de circulación atmosférica como variables predictoras: • Altura geopotencial en 850hPa • Altura geopotencial en 500hPa • Componente zonal del viento en 500hPa 1 La metodología utilizada para el ajuste de la distribución GEV es la misma que la descripta en el Capítulo 3. TOMO I 61 CAPÍTULO 5 • Componente zonal del viento en 200hPa • Componente meridional del viento en 500hPa • Componente meridional del viento en 200hPa Tanto la elección de los modelos utilizados como la selección de las variables predictoras estuvieron restringidas a la disponibilidad de los datos en escala diaria. Idealmente, esta metodología debe ser aplicada tomando una mayor cantidad de variables predictoras que describan la circulación de la atmósfera, especialmente variables relacionadas con la humedad en niveles medios y bajos (D’Onofrio et al., 2010). Dado que la capacidad de esta metodología es altamente dependiente de las variables predoctoras utilizada, la falta de disponibilidad de una mayor cantidad de variables en escala diaria para distintos modelos impuso una limitación a la calidad de los resultados obtenidos. La función de transferencia utilizada consiste en una regresión lineal obtenida con el método Multi-Layer Perceptron (MLP). La calibración del método se hizo utilizando las variables de circulación obtenidas de los reanálisis ERA-40 y los datos observados en las estaciones de superficie en el período 1981-1994. Debido a la existencia de datos faltantes en las series de datos observados, se restringió este análisis a las series que tuvieran menos de 20% de datos faltantes en ese período. Es por ello que del total de 265 estaciones disponibles, sólo se trabajó con 111 estaciones. Luego se realizó una validación de la función de transferencia obtenida utilizando los datos del período 19951999, para su posterior aplicación a las simulaciones hechas por los GCM para obtener las series de datos de temperatura mínima y máxima en superficie en cada punto de estación. De esta forma, se obtuvieron series de temperatura en escala local a partir de simulaciones de modelos de circulación general. Con el objetivo de analizar la influencia de la metodología de downscaling en la distribución de la temperatura diaria, y en particular, de los extremos anuales de temperatura de la región, se compararon los datos observados con los resultados de aplicar la metodología CHAC a las series de temperatura de los reanálisis ERA-40 y de las simulaciones de los GCM. TOMO I 62 CAPÍTULO 5 Luego, a partir de estas series de extremos anuales obtenidas mediante la aplicación de la metodología de downscaling, se estimaron los cambios proyectados en los extremos anuales de temperatura en el Sudeste de Sudamérica ante el escenario de cambio climático basado en el escenario SRES A1B para el período 2010-2040, mediante el ajuste de la distribución GEV. El cálculo de las diferencias entre los parámetros de la distribución y los valores de retorno estimados para un escenario futuro de cambio climático y los estimados para las simulaciones del clima del siglo XX permite una cuantificación de los cambios esperados en los extremos anuales. 5.3. Simulaciones del clima mediante Modelos de Circulación General 5.3.a. Validación de las simulaciones de temperatura Con el objetivo de evaluar la capacidad de los modelos para simular la temperatura en las distintas estaciones de la región se compararon distintos parámetros de la distribución de temperatura mínima y máxima diarias. En cada estación se calculó el valor medio, la desviación estándar, el percentil 5 y el percentil 95 a partir de las distribuciones empíricas observadas en el período 1981-1999. Y los mismos parámetros se calcularon en base a las series de temperatura simuladas para el clima del siglo XX en el punto de grilla más cercano a cada estación. Las Figuras 5.1 a 5.4 muestran la comparación de la distribución de temperatura mínima representada por los reanálisis y simulada por los tres GCM con la distribución observada. Los reanálisis representan bastante bien la distribución de temperatura mínima en la región, aunque sobreestiman el valor medio, los extremos fríos (percentil 5) y los extremos cálidos (percentil 95), y subestiman la variabilidad diaria. El modelo IPSL-CM4 logra simular adecuadamente el valor medio de la distribución, como así también los extremos, pero falla en la representación de la variabilidad. El modelo ECHAM5/ MPI-OM tiende a sobreestimar el valor medio de la distribución, como así también los extremos, pero logra capturar mejor la variabilidad. El modelo TOMO I 63 CAPÍTULO 5 UKMO-HADGEM1 es el modelo que logra capturar mejor las características de la distribución de la temperatura mínima diaria. En las Figuras 5.5. a 5.8 se muestra la misma comparación para la temperatura máxima. Los resultados muestran que en general esta variable es simulada de forma más adecuada por todos los modelos y mejor representada por los reanálisis. Sin embargo, se observa una leve subestimación del valor medio y de los extremos cálidos por parte de los reanálisis, y una subestimación de la variabilidad. Al igual que para la temperatura mínima, el modelo ECHAM sobreestima el valor medio y los extremos de la distribución, mientras que el IPSL-CM4 y el UKMO-HADGEM1 simulan bastante bien todos los parámetros de la distribución analizados. Dado que en este capítulo se analizan cambios proyectados en los extremos anuales de temperatura ante un escenario propuesto de cambio climático, es de particular interés analizar la capacidad de los modelos y de los reanálisis para representar los extremos anuales. Las Figuras 5.9 a 5.16 muestran la comparación del valor medio y el desvío estándar de la distribución de cuatro extremos anuales basados en las series de temperatura mínima y máxima diarias: el máximo valor anual de temperatura mínima (HTn), el máximo valor anual de temperatura máxima (HTx), el mínimo valor anual de temperatura mínima (LTn) y el mínimo valor anual de temperatura máxima (LTx). Estas variables que describen extremos anuales son las mismas que se utilizaron en el Capítulo 3. En general, tanto los reanálisis como los modelos logran capturar el valor medio de cada uno de los extremos anuales, aunque con cierta deficiencia, debida en parte a la falta de capacidad para representar la variabilidad de la temperatura. En particular, los reanálisis ERA-40 tienden a sobreestimar el valor de medio de los extremos de la temperatura mínima y a subestimar el de los extremos cálidos de la temperatura máxima. Los tres modelos presentan resultados similares entre sí, sin un bias sistemático en la región, con mejores resultados para los extremos fríos que para los cálidos, sobre todo en la temperatura máxima. Sin embargo, tanto los reanálisis como los modelos tienen dificultades para representar correctamente la variabilidad interanual de los extremos. TOMO I 64 CAPÍTULO 5 La importancia de la evaluación de la capacidad de los reanálisis para representar las series de extremos de temperatura radica en que la función de transferencia que caracteriza la metodología de downscaling aplicada en la Sección 5.4 se obtiene a partir de una regresión entre las variables de circulación de los reanálisis sobre los datos de temperatura observados en las estaciones. Por lo tanto, cualquier dificultad de los reanálisis para representar la temperatura en una región que sea consecuencia de la falta de capacidad de representar la circulación en esa región se trasladará a la metodología de downscaling, introduciendo un bias adicional. 5.3.b. Cambios en la intensidad y la frecuencia de los extremos anuales ante un escenario de cambio climático Se ajustó la distribución GEV a las series de extremos anuales observadas en el período 1981-1999 en cada una de las estaciones, representados por los reanálisis ERA-40 y simulados por los GCM en los puntos de grilla más cercanos a cada estación. La Figura 5.17 muestra la función de densidad de la distribución GEV media de la región para cada extremo. También se muestra la distribución del ensemble de los tres modelos en cada caso. Como era de esperar por las diferencias encontradas en el valor medio de los extremos anuales, la distribución GEV ajustada a los extremos de la temperatura mínima representados por los reanálisis de ERA-40 se encuentra desplazada hacia la derecha respecto de la distribución ajustada a los extremos observados, mientras que la de los extremos cálidos de la temperatura máxima se encuentra desplazada hacia la izquierda. La distribución ajustada a los extremos fríos de la temperatura máxima representados por los reanálisis coincide con la distribución ajustada a los extremos observados. Sin embargo, a pesar de las dificultades para representar la variabilidad interanual de los extremos, la forma de la distribución GEV ajustada a los extremos representados por los reanálisis es muy similar a la de los extremos observados en los cuatro extremos analizados. TOMO I 65 CAPÍTULO 5 Si bien los modelos no presentaban un bias sistemático en el valor medio de la distribución de extremos anuales, se observa en todos los casos una sobreestimación del parámetro de posición, indicando que los extremos cálidos simulados son sobreestimados, mientras que los extremos fríos son subestimados. La forma de la distribución simulada no presenta grandes diferencias respecto de la observada, aunque tiende a tener mayor dispersión en los extremos cálidos de la temperatura mínima y los extremos fríos de la temperatura máxima, y menor dispersión en los extremos cálidos de la temperatura máxima. En general, el modelo UKMO-HADGEM1 es el que más se asemeja a las distribuciones observadas, excepto en el caso de LTn, donde el modelo IPSLCM4 funciona levemente mejor. Es destacable la gran diferencia encontrada en la posición de la distribución de los extremos cálidos de la temperatura máxima observados y los reanálisis, mucho mayor incluso que las diferencias encontradas con los distintos modelos. En la Figura 5.18 se muestran las distribuciones de los extremos anuales simuladas para el período 1981-1999 (línea punteada) y las distribuciones simuladas para las proyecciones del clima del siglo XXI ante un cambio climático antropogénico dado por el escenario SRES A1B en el período 20102040 (línea llena). Dado que los períodos son casi consecutivos, las diferencias encontradas no son de gran magnitud. Los modelos IPSL-CM4 y UKMOHADGEM1 muestran un desplazamiento de las distribuciones de los cuatro extremos hacia la derecha, indicando extremos cálidos más intensos y extremos fríos menos intensos en el siglo XXI, con poco cambio en la forma de la distribución. Por el contrario, el modelo ECHAM5/ MPI-OM proyecta cambios en la forma de la distribución, pero casi no presenta corrimientos de la misma. Estos cambios pueden analizarse individualmente en cada estación a través del cálculo de las diferencias en los parámetros de la distribución GEV proyectadas para el siglo XXI respecto de las simulaciones del siglo XX en cada estación. La Figura 5.19 muestra los cambios en el parámetro de posición en cada uno de los modelos y en el ensemble de los tres modelos para los extremos cálidos de la temperatura mínima (HTn). Consistentemente con las TOMO I 66 CAPÍTULO 5 diferencias medias de la región analizadas en la figura anterior, los modelos IPSL-CM4 y UKMO-HADGEM1 muestran incrementos de hasta 2º C en el parámetro de posición, mientras que el modelo ECHAM5/ MPI-OM presenta incrementos menores a 1º C en todos los casos, e incluso negativos en algunas estaciones. El modelo ISPL es el que presenta los cambios de mayor magnitud, con aumentos más importantes en el este del dominio. El ensemble de los tres modelos muestra incrementos entre 0.5º C y 1.5º C en todas las estaciones. Estos cambios son muy importantes teniendo en cuenta que los períodos de tiempo que se comparan son casi consecutivos (2010-2040 relativo a 19811999). Cambios similares se observan en la Figura 5.20 para los extremos cálidos de la temperatura máxima (HTx), aunque los cambios positivos en el modelo IPSL-CM4 son de mayor magnitud y el modelo ECHAM5/ MPI-OM proyecta cambios negativos en el este y positivos en el oeste. Las Figuras 5.21 y 5.22 muestran los cambios en el parámetro de posición de la distribución de los extremos fríos de la temperatura mínima y máxima, respectivamente. En ambos casos, el modelo IPSL-CM4 y el UKMO-HADGEM1 muestran incrementos de este parámetro en toda la región, siendo el IPSL-CM4 el que muestra los cambios más pronunciados, con diferencias de más de 2.5º C en el centro de la región. El modelo ECHAM5/ MPI-OM en ambos casos indica disminución del parámetro de posición, más importante en LTx. El ensemble de los tres modelos indica en ambos casos aumentos del parámetro de posición, es decir un corrimiento hacia la derecha de toda la distribución. En resumen, los modelos IPSL-CM4 y UKMO-HADGEM1 proyectan un aumento de la intensidad de los extremos anuales cálidos y una disminución en los extremos fríos, más marcada en los extremos fríos de la temperatura máxima. El modelo ECHAM5/ MPI-OM muestra en general un comportamiento opuesto, con aumentos leves a casi nulos del parámetro de posición en los extremos cálidos de la temperatura mínima, e incluso disminuciones en algunas estaciones, y disminución de dicho parámetros en casi toda la región en los otros tres extremos, indicando extremos cálidos menos intensos y extremos fríos más intensos. Sin embargo, como los cambios en el modelo ECHAM5/ MPIOM son de menor magnitud que en los otros modelos, el ensemble de los tres TOMO I 67 CAPÍTULO 5 modelos indica aumentos en la intensidad de los extremos cálidos y disminuciones en los extremos fríos. Los cambios en los parámetros de escala y forma de la distribución GEV no resultaron muy grandes y varían dependiendo de la estación. Para analizar los cambios proyectados en la frecuencia de ocurrencia de los eventos extremos se calcularon las diferencias en el valor de retorno de 20 años en cada extremo (Figuras 5.23 a 5.26). Todos los modelos indican aumentos en el valor de retorno de los extremos cálidos, excepto el modelo ECHAM5/ MPI-OM que proyecta leves disminuciones en el norte de la provincia de Buenos Aires, sur de Santa Fe y Entre Ríos. El ensemble de los tres modelos indica aumentos del valor de retorno en toda la región de hasta 2º C para la temperatura mínima y hasta 2.5º C para la temperatura máxima, indicando un aumento en la frecuencia de ocurrencia de los extremos cálidos de ambas variables. Los cambios en el valor de retorno de 20 años de los extremos fríos no resultan tan homogéneos a lo largo de toda la región. Para la temperatura mínima (Figura 5.25), el modelo IPSL-CM4 proyecta aumentos en el valor de retorno en todo el dominio, más importantes en el norte, indicando una disminución en la frecuencia de ocurrencia de los extremos fríos de la temperatura mínima. El ECHAM5/ MPI-OM también proyecta aumentos en casi toda la región, pero de menor magnitud, con algunas excepciones en Uruguay y en la región de Cuyo. Por el contrario, el modelo UKMO-HADGEM1 proyecta disminución del valor de retorno de LTn en la mayor parte del dominio, indicando un aumento en la frecuencia, con aumentos del valor de retorno en el norte. El ensemble de los tres modelos indica aumentos del valor de retorno de LTn de no más de 2º C en casi toda la región, indicando una disminución de la frecuencia de ocurrencia de los extremos fríos de la temperatura mínima. Los cambios en la frecuencia de ocurrencia de los extremos fríos de la temperatura máxima (Figura 5.26) son de mayor magnitud que los de la temperatura mínima. Tanto el modelo IPSL-CM4 como el ECHAM5/ MPI-OM indican fuertes aumentos del valor de retorno en toda la región, excepto en el Noroeste Argentino, donde se observa disminuciones de hasta 2º C. El modelo TOMO I 68 CAPÍTULO 5 UKMO-HADGEM1 proyecta aumentos del valor de retorno en el este y noroeste del dominio, y disminuciones en el oeste. En promedio, el ensemble muestra aumentos del valor de retorno de 20 años de los extremos fríos de la temperatura máxima en toda la región, indicando disminución en la frecuencia de ocurrencia de estos extremos, excepto en la región del Noroeste donde se proyectan aumentos de la frecuencia. Otra forma de analizar y cuantificar los cambios en la frecuencia de ocurrencia de los extremos de temperatura es a través del cálculo del tiempo de espera, como se vio en los Capítulos 3 y 4. En las Figuras 5.27 a 5.30 se muestran las proyecciones del tiempo de espera del valor de retorno de 20 años estimado a partir de las simulaciones del clima del siglo XX. Los resultados son consistentes con los cambios encontrados en las Figuras 5.23 a 5.26, con tiempos de espera menores a 20 años en los casos en que los extremos cálidos mostraban aumentos del valor de retorno, y tiempos de espera mayores a 20 años en los casos en que los extremos fríos mostraban aumentos del valor de retorno. Según el ensemble de los tres modelos los tiempos de espera de los extremos cálidos decrecen a entre 1 y 10 años en casi toda la región. Por el contrario, el tiempo de espera de los extremos fríos de la temperatura mínima aumenta a más de 50 años en el norte y sur del dominio, mientras que en el centro permanece casi constante. En el caso de los extremos fríos de la temperatura máxima los tiempos de espera proyectados son superiores a 50 años en toda la región, excepto en la región del Noroeste donde el tiempo de espera se reduce a entre 10 y 15 años. Estos resultados son consistentes con los cambios encontrados por Kharin y Zwiers (2007), que hicieron un análisis similar utilizando otros modelos y otros períodos del siglo XXI. 5.4. Dow nscaling de las simulaciones del clima realizadas con Modelos de Circulación General En esta sección se presentan los resultados obtenidos a partir de la aplicación de la metodología de downscaling estadístico CHAC aplicada a las TOMO I 69 CAPÍTULO 5 simulaciones del clima del siglo XX y las proyecciones del clima del siglo XXI realizadas con los mismos modelos analizados en la sección anterior. 5.4.a. I nfluencia de la metodología CHAC en las distribuciones de temperatura En primer lugar se comparan las distribuciones de temperatura mínima y máxima diarias observadas con las distribuciones obtenidas luego de la aplicación de la metodología de downscaling CHAC a las simulaciones del clima del siglo XX. Las Figuras 5.31 a 5.34 muestran el valor medio, el desvío estándar y los percentiles 5 y 95 de la distribución empírica de temperatura mínima diaria obtenida con la metodología CHAC en cada estación en función de los parámetros de la distribución observada. ERA-40 representa en forma casi perfecta el valor medio de la distribución, al igual que el modelo UKMOHADGEM1, mientras que el modelo ECHAM5/ MPI-OM lo sobreestima levemente y el modelo IPSL-CM4 lo subestima. El percentil 5 de la distribución es levemente sobreestimado por los reanálisis ERA-40 y por los modelos ECHAM5/ MPI-OM y UKMO-HADGEM1, y levemente subestimado por el modelo IPSL-CM4. Lo contrario ocurre para el percentil 95, para el cual la subestimación del modelo IPSL-CM4 es más importante. En todos los casos, la variabilidad diaria es subestimada respecto de las observaciones. Resultados similares se observan para la temperatura máxima (Figuras 5.35 a 5.38). También se analizó la influencia de la metodología en las distribuciones empíricas de los extremos anuales. Las Figuras 5.39 a 5.46 muestran el valor medio y el desvío estándar de las distribuciones obtenidas con CHAC en función de las observadas. En general, se observa una subestimación del valor medio de los extremos cálidos y una sobreestimación de los extremos fríos, consistente con la subestimación de la variabilidad encontrada anteriormente. En todos los casos, la variabilidad interanual de los extremos es subestimada, siendo más notoria esta subestimación en los extremos cálidos. TOMO I 70 CAPÍTULO 5 Sin embargo, al comparar estos resultados con los hallados en la Sección 5.3 (Figuras 5.1 a 5.16) es altamente notoria la mejoría que la metodología de downscaling aplicada tiene sobre los valores medios y los extremos de la distribución. Pero esta metodología introduce un bias muy grande en la variabilidad interanual de los extremos, llevando a que tanto los reanálisis de ERA-40 como los modelos subestimen sistemáticamente la distribución de los extremos anuales. De hecho, si se comparan las series temporales de los extremos anuales se observa la pérdida de variabilidad. La Figura 5.47 muestra la serie temporal de los extremos anuales observados en la estación Mendoza Observatorio, a modo de ejemplo, en el período 1981-1999 (línea llena), las series temporales de los extremos anuales representados por los reanálisis ERA40 en el punto de grilla más cercano (línea con cruces) y las series temporales de los extremos anuales resultantes de aplicar la metodología CHAC a los reanálisis (línea con círculos). Allí puede verse cómo la metodología disminuye las diferencias entre las series observadas y las obtenidas de los reanálisis, y en algunos casos incluso invierte el bias, pero quitando variabilidad interanual. Lo mismo ocurre al aplicar la metodología a los GCM. En la Figura 5.48 se muestran las series temporales de los extremos anuales observadas y simuladas con el modelo ECHAM5/ MPI-OM antes y después de aplicar la metodología CHAC en la misma estación. 5.4.b. Ajuste de la distribución GEV a los extremos anuales obtenidos con la metodología de dow nscaling Al ajustar la distribución GEV a las series de extremos anuales obtenidas a partir de la aplicación de la metodología de downscaling CHAC a las simulaciones del clima del siglo XX, se obtienen distribuciones que poco tienen que ver con las distribuciones observadas (Figura 5.49). Esto se debe a que la falta de variabilidad interanual en los extremos anuales no permite un ajuste realista de la distribución GEV, obteniéndose en todos los casos distribuciones más angostas (menor parámetro de escala) que las observadas, es decir, valores de los extremos anuales menos dispersos. TOMO I 71 CAPÍTULO 5 5.5. Conclusiones En este capítulo se analizó la capacidad de los reanálisis ERA-40 y tres Modelos de Circulación General para representar los extremos anuales de temperatura en el período 1981-1999. En general, el modelo UKMO-HADGEM1 es el que más se asemeja a las distribuciones observadas, excepto en el caso de LTn, donde el modelo IPSL-CM4 funciona levemente mejor. Es destacable la gran diferencia encontrada en la posición de la distribución de los extremos cálidos de la temperatura máxima observados y los reanálisis, mucho mayor incluso que las diferencias encontradas con los distintos modelos. También se estudiaron los cambios proyectados en los extremos anuales de temperatura ante un cambio climático antropogénico basado en las proyecciones de gases de efecto invernadero que propone el escenario SRES A1B. Para ello, se ajustó la distribución GEV a las series de extremos anuales obtenidas a partir de las simulaciones del clima del siglo XX en el período 19811999 y de las proyecciones del clima futuro para el período 2010-2040 de tres modelos globales distintos. Según este análisis, los modelos IPSL-CM4 y UKMO-HADGEM1 proyectan un aumento de la intensidad de los extremos anuales cálidos y una disminución en los extremos fríos, más marcada en los extremos fríos de la temperatura máxima. El modelo ECHAM5/ MPI-OM muestra en general un comportamiento opuesto, con aumentos leves a casi nulos en la intensidad de los extremos cálidos de la temperatura mínima, e incluso disminuciones en algunas estaciones, pero disminución de la intensidad de los extremos cálidos de la temperatura máxima en casi toda la región, y aumentos en la intensidad de los extremos fríos. Sin embargo, como los cambios en el modelo ECHAM5/ MPI-OM son de menor magnitud que en los otros modelos, el ensemble de los tres modelos indica aumentos en la intensidad de los extremos cálidos y disminuciones en los extremos fríos de 0.8º C en promedio. En cuanto a la frecuencia de ocurrencia todos los modelos indican aumentos en el valor de retorno de los extremos cálidos, excepto el modelo ECHAM5/ MPI-OM que proyecta leves disminuciones en el norte de la provincia TOMO I 72 CAPÍTULO 5 de Buenos Aires, sur de Santa Fe y Entre Ríos. El ensemble de los tres modelos indica aumentos del valor de retorno en toda la región de hasta 2º C para la temperatura mínima y hasta 2.5º C para la temperatura máxima, indicando un aumento en la frecuencia de ocurrencia de los extremos cálidos de ambas variables. Los cambios en el valor de retorno de 20 años de los extremos fríos no resultan tan homogéneos a lo largo de toda la región. Para la temperatura mínima, el modelo IPSL-CM4 proyecta aumentos en el valor de retorno en todo el dominio, más importantes en el norte, indicando una disminución en la frecuencia de ocurrencia de los extremos fríos de la temperatura mínima. El ECHAM5/ MPI-OM también proyecta aumentos en casi toda la región, pero de menor magnitud, con algunas excepciones en Uruguay y en la región de Cuyo. Por el contrario, el modelo UKMO-HADGEM1 proyecta disminución del valor de retorno de LTn en la mayor parte del dominio, indicando un aumento en la frecuencia, con aumentos del valor de retorno en el norte. El ensemble de los tres modelos indica aumentos del valor de retorno de LTn de no más de 2º C en casi toda la región, indicando una disminución de la frecuencia de ocurrencia de los extremos fríos de la temperatura mínima. Para los extremos fríos de la temperatura máxima tanto el modelo IPSL-CM4 como el ECHAM5/ MPI-OM indican fuertes aumentos del valor de retorno de los extremos de la temperatura máxima en toda la región, excepto en el Noroeste Argentino, donde se observan disminuciones de hasta 2º C. El modelo UKMO-HADGEM1 proyecta aumentos del valor de retorno en el este y noroeste del dominio, y disminuciones en el oeste. En promedio, el ensemble muestra aumentos del valor de retorno de 20 años de los extremos fríos de la temperatura máxima en toda la región, indicando disminución en la frecuencia de ocurrencia de estos extremos, excepto en la región del Noroeste donde se proyectan aumentos de la frecuencia. Según el ensemble de los tres modelos los tiempos de espera de los extremos cálidos decrecen a entre 1 y 10 años en casi toda la región. Por el contrario, el tiempo de espera de los extremos fríos de la temperatura mínima aumenta a más de 50 años en el norte y sur del dominio, mientras que en el TOMO I 73 CAPÍTULO 5 centro permanece casi constante. En el caso de los extremos fríos de la temperatura máxima los tiempos de espera proyectados son superiores a 50 años en toda la región, excepto en la región del Noroeste donde el tiempo de espera se reduce a entre 10 y 15 años. Sin embargo, esta información se obtuvo a partir de modelos de circulación general que tienen resoluciones demasiado bajas para poder analizar los cambios proyectados en escala regional con más detalle. Por lo tanto, se aplicó una metodología de downscaling estadístico que permite reducir la escala de la información que brindan los GCM. Los resultados obtenidos muestran que la aplicación de esta metodología permite mejorar la estimación de los valores medios de las temperaturas mínima y máxima diarias, como así también de los extremos anuales. Sin embargo, la escasa capacidad del método para reproducir la variabilidad interanual de los extremos hace que el ajuste de la distribución GEV sea poco realista. Una posible explicación a la fuerte subestimación de la variabilidad interanual por parte del método CHAC es la falta de variables de humedad en el grupo de las variables predictoras. TOMO I 74 CAPÍ TULO 6: Comparación de eventos extremos de temperatura observados en el Sudeste de Sudamérica con simulaciones de Modelos de Clima Regional 6.1. I ntroducción En el capítulo anterior el análisis de los eventos extremos fue realizado en base a una metodología de downscaling estadístico y se analizaron las ventajas y desventajas que la misma tiene para el análisis de los eventos extremos de temperatura. Sin embargo, existen otras metodologías que permiten reducir la escala de las simulaciones del clima realizadas con los GCM para el estudio de los cambios en el clima regional. Las metodologías downscaling dinámico consisten en el uso de Modelos de Clima Regional (RCM) que simulan el clima de una determinada región con una resolución mayor que la pueden presentar los GCM. Solman et al. (2008) analizaron las simulaciones del clima en Sudamérica utilizando la quinta generación del modelo Pennsylvania State University-NCAR (Penn State-NCAR) Mesoscale Model MM5 anidado con el modelo global HadAM3H. Las simulaciones del clima presente utilizadas cubren el período 1981-1990 y fueron validadas comparando las variables de precipitación y temperatura con los datos grillados de CRU y las variables de circulación con los datos de reanálisis del NCEP (Kalnay et al., 1996). Los datos de precipitación también fueron validados a escala diaria mediante la comparación con los datos observados grillados por Liebmann y Allured (2005). En estas comparaciones los autores encontraron que el modelo es capaz de representar la estructura del campo de precipitación de verano, aunque tiende a subestimar la precipitación en latitudes subtropicales, sobre todo en la región de la Cuenca del Plata. Si bien en esta región observaron una sobreestimación de la cantidad de días con lluvia en verano, la subestimación de los eventos extremos de precipitación en esta región lleva a subestimaciones de la precipitación de verano. La validación de la temperatura fue realizada únicamente en escala mensual, mediante la TOMO I 75 CAPÍTULO 6 comparación de la temperatura simulada con los datos observados grillados de CRU. Los autores encontraron que el modelo regional representa mejor que el modelo global la estructura del campo de temperatura media, especialmente en verano. Sin embargo, encontraron algunos errores sistemáticos como un bias positivo en la temperatura media en el centro y norte de Argentina, más intenso en los meses de verano, y un bias negativo en las zonas de montaña y latitudes tropicales. Patrones similares fueron encontrados para la temperatura mínima y máxima, aunque con un bias positivo más intenso en el centro y norte de Argentina para la temperatura máxima (del orden de 1.3º C a 1.7º C), y sobreestimaciones de la temperatura mínima en casi toda la región (de 1.2º C a 3.1º C). Marengo et al. (2009) utilizaron el modelo regional PRECIS anidado con el modelo global HadAM3P para estudiar la distribución de los extremos de temperatura y precipitación en Sudamérica en el pasado reciente (1961-1990) y en el clima futuro (2071-2100) según los escenarios del IPCC SRES A2 y B2. Para el clima presente, el modelo logra captar la distribución espacial de los extremos de temperatura y precipitación observada, siendo la de temperatura la más realista. Mientras que para el clima futuro, el modelo simula mayor frecuencia de ocurrencia de noches cálidas en la zona tropical de Sudamérica y menor frecuencia de noches frías. En un trabajo posterior, Marengo et al. (2010) mostraron aumentos proyectados de temperatura en la región tropical bajo el escenario A2, con tres modelos regionales distintos (PRECIS, Eta CCS, y RegCM3) anidados con el modelo global HadAM3P. Según los modelos PRECIS y RegCM3, estos aumentos de temperatura están más concentrados en el Amazonas central y oriental, mientras que el incremento es mayor y más extendido en toda la zona tropical según el modelo Eta CCS. Estos incrementos de temperatura se proyectan a lo largo de todo el año, con tendencias a inviernos más cálidos en el futuro. En la zona subtropical de Sudamérica, los tres modelos coinciden en proyectar aumentos de temperatura de hasta 3º C para finales del siglo XXI. En el marco del proyecto CLARIS se llevó a cabo un experimento coordinado entre distintos grupos de investigación para simular el clima de TOMO I 76 CAPÍTULO 6 Sudamérica mediante RCM forzados con condiciones de borde dadas por los datos de reanálisis ERA-40. En el inicio del proyecto (2005) había poca experiencia en el desarrollo y uso de RCM en la región (Menéndez et al., 2010). Incluso hoy en día, pocos son los resultados que se han obtenido de este experimento conjunto, sobre todo en el análisis de eventos extremos basados en datos diarios. Menéndez et al. (2010) analizaron los resultados de este experimento que consistió en la simulación del clima de Sudamérica en tres períodos de un mes cada uno que resultaron anómalos desde el punto de vista de la precipitación. Para ello, los autores compararon el ensemble de seis modelos regionales con los datos mensuales de temperatura y precipitación observados en esos períodos y encontraron que durante los dos períodos lluviosos analizados, el ensemble sobreestima la temperatura en el centro y norte del dominio con diferencias de hasta 3º C con respecto a los valores observados y un rango de 4º C a 8º C de dispersión entre los distintos modelos. En cambio, en el período seco el ensemble de los seis modelos representa mejor los valores de temperatura, con un bias negativo de menos de 2º C en toda la región, pero con mayor dispersión entre las distintas simulaciones, indicando que la mejoría en la capacidad del ensemble es el resultado de promediar bias grandes de distinto signo en los distintos modelos. Todos estos resultados corresponden a validaciones de la temperatura en escala mensual debido a la inexistencia hasta el momento de una base de datos de temperatura observada que represente puntos de grilla como las simulaciones del modelo. La base de datos grillados de temperatura observada en escala diaria descripta en el Capítulo 2 permite la validación de los modelos regionales a escala diaria. Durante el proyecto CLARIS se llevó a cabo un segundo experimento coordinado entre distintos grupos de investigación para simular el clima de Sudamérica mediante RCM forzados con condiciones de borde dadas por los datos de reanálisis ERA-40 para un período más largo. Este experimento, en el cual participaron cuatro centros de investigación, consistió en la simulación del clima en el período 1992-2000. En este capítulo se propone validar estas simulaciones utilizando la base de datos de temperatura mínima y máxima TOMO I 77 CAPÍTULO 6 observadas descripta en el Capítulo 2. Esta validación se centrará en los eventos extremos de temperatura. 6.2. Datos y metodología Se utilizaron las simulaciones del clima de Sudamérica en el período 19922000 de cuatro RCM: LMDZ, PROMES, RCA3 y REMO, forzados con condiciones de borde dados por los reanálisis ERA-40, con una resolución aproximada de 50km. Estas simulaciones se compararon con los datos observados de temperatura presentados en el Capítulo 2, grillados con una resolución de 0.5º de latitud por 0.5º de longitud. La región analizada en este capítulo es la que es común a los cuatro modelos y a la base de datos observados, 20º -40º S 45º 70º O. En este capítulo se presenta una validación de los eventos extremos de temperatura simulados por estos cuatro modelos regionales. Para ello, se comparan las distribuciones de temperatura simuladas por los modelos con las observadas en cada punto de grilla. Dado que cada modelo utiliza una grilla distinta, para una comparación más directa se llevó a todos los modelos a una grilla común que coincide con la grilla de los datos observados. De esta forma, la comparación de las distribuciones de temperatura puede hacerse simplemente computando las diferencias de cada parámetro de la distribución en cada punto de grilla de la región común a los modelos y las observaciones. Dado que la validación se centra en los eventos extremos de temperatura, para cada variable se considera extremo cálido a aquellos días que presentan temperaturas mayores a un umbral, definido a partir de los percentiles de la distribución de temperatura, y extremos fríos a aquellos días con temperaturas menores a un umbral, también definido en función de los percentiles de la distribución. Los distintos umbrales indican extremos de distinta intensidad. Los percentiles son calculados a partir de la serie de datos diarios de cada punto de grilla, en base estacional. Una vez obtenidos los distintos umbrales en todas las bases de datos, se computan las diferencias entre cada una de las simulaciones y las observaciones en cada punto de grilla, de forma tal que diferencias TOMO I 78 CAPÍTULO 6 positivas indican una sobreestimación por parte de los modelos, mientras que diferencias negativas implican una subestimación de la temperatura. A su vez, se calculó el ensemble de los cuatro modelos. Esto se hizo para cada uno de los parámetros de la distribución, calculando el promedio de los cuatro valores obtenidos en las distintas simulaciones en cada punto de grilla. Luego, se comparó también el ensemble con las observaciones de la misma forma que para cada uno de los modelos. 6.3. Comparación de las distribuciones observadas y simuladas 6.3.a. Comparación de los valores medios y la variabilidad estacional En primer lugar se compararon los valores medios y la desviación estándar en cada estación del año para cada variable. Las Figuras 6.1 y 6.2 muestran los valores medios de cada estación para la temperatura mínima y máxima, respectivamente, en la base de datos observados, en cada uno de los modelos y en el ensemble. Se observa que todos los modelos logran capturar la estructura general del campo de temperatura, aunque en general sobreestiman la temperatura mínima en casi toda la región y a lo largo de todo el año. Las Figuras 6.3 y 6.4 muestran la desviación estándar para la temperatura mínima y máxima, respectivamente, calculada en cada estación del año en la base de datos observados, los modelos y el ensemble. En general, todos los modelos tienden a sobreestimar la variabilidad diaria en verano y a subestimar la variabilidad de invierno. Con el objetivo de cuantificar estas diferencias, en las Figuras 6.5 y 6.6 se muestran las diferencias entre el campo de temperatura mínima y máxima media simulado y observado para verano e invierno, y lo mismo para la desviación estándar. Todos los modelos sobreestiman la temperatura mínima en verano e invierno (Figura 6.5) en toda la región con las diferencias más grandes en el centro y norte en verano, con diferencias de hasta 6º C, y en el noroeste en invierno, con diferencias mayores a 6º C en esa zona pero menores TOMO I 79 CAPÍTULO 6 a 2º C en el resto de la región. La temperatura máxima también es sobreestimada por los modelos, sobre todo en el centro y norte de la región en inverno, con excepción de los modelos LMDZ y PROMES que la subestiman en casi toda la región. En verano, el modelo LMDZ sobreestima levemente la temperatura en el centro pero la subestima en el norte con diferencias menores a 2º C, mientras que el modelo PROMES presenta subestimaciones en el sudoeste y sobreestimaciones en el noreste con diferencias de hasta 6º C. Los modelos RCA3 y REMO sobreestiman en casi toda la región, siendo el primero el que presenta las diferencias más grandes. En la zona de la Cordillera de los Andes todos los modelos tienden a subestimar la temperatura, tanto la mínima como la máxima. Esto es una característica común de las simulaciones del clima regional en distintos lugares del mundo (Solman et al., 2008) y puede deberse en parte a un bias cálido en las observaciones ya que en regiones montañosas las estaciones tienden a estar ubicadas en los valles, como se ha visto en el Capítulo 2. Las diferencias en el desvío estándar de verano (Figura 6.6) indican que la variabilidad diaria en ambas variables es sobreestimada por los modelos en verano, sobre todo por el PROMES y el RCA3, y subestimada en invierno, excepto por el modelo RCA3 que sobreestima la variabilidad de ambas variables. En general, el modelo LMDZ es el que presenta las menores diferencias en cuanto a valores medios y variabilidad diaria en ambas variables. El ensemble de los cuatro modelos presenta diferencias pequeñas para el valor medio de la temperatura máxima, ya que se compensan los bias de los distintos modelos. Sin embargo, para la temperatura mínima presenta diferencias positivas en toda la región, indicando sobreestimación de esta variable, excepto en el norte de la Cordillera de los Andes, donde las diferencias son negativas. A su vez, el ensemble muestra diferencias casi nulas en toda la región para la variabilidad de la temperatura mínima y máxima durante el invierno, pero en verano se observan diferencias positivas en el centro y norte de la región del orden de 1º C, más marcadas en la temperatura máxima. TOMO I 80 CAPÍTULO 6 6.3.b. Comparación de los extremos cálidos Con el objetivo de comparar los extremos cálidos de las temperaturas mínima y máxima simulados y observados, se calculó el percentil 90 en base estacional para cada punto de grilla de los RCM y de las observaciones. Las Figura 6.7 y 6.8 muestran los campos del percentil 90 de la temperatura mínima y máxima, respectivamente, calculados en cada estación del año en la base de datos observados, en cada uno de los modelos y en el ensemble. Al igual que ocurría con los valores medios, la estructura general del campo de extremos cálidos está bien representada por los modelos. Sin embargo, se observan sobreestimaciones del percentil 90 de ambas variables, más intensas en el centro y norte de la región en primavera y verano. Las diferencias entre los campos simulados y observados de los extremos cálidos (Figura 6.9) muestran que ambas variables son sobreestimadas en casi toda la región, sobre todo en el verano, con diferencias de más de 8º C en algunos modelos en el centro de la región. Las diferencias encontradas son consistentes para todos los modelos en los extremos cálidos de la temperatura mínima, pero no en los de la temperatura máxima, ya que los modelos LMDZ y PROMES subestiman los extremos cálidos de la temperatura máxima durante el invierno en toda la región, mientras que en el verano el modelo LMDZ subestima el percentil 90 en el norte, y el PROMES en el sur. Al igual que se observaba en los valores medios, en la zona de la cordillera los extremos son subestimados por todos los modelos, con algunas excepciones en los extremos cálidos de la temperatura mínima. Para extremos cálidos más intensos (percentiles más altos, como por ejemplo el percentil 95), se observan los mismos patrones espaciales, pero con diferencias de mayor magnitud, mientras que si analizamos las diferencias en extremos cálidos menos intensos, las diferencias disminuyen. En promedio, los cuatro modelos muestran sobreestimación de los extremos cálidos, más marcada en la temperatura mínima que en la máxima, con diferencias hasta 6º C en el primer caso y hasta 4º C en el segundo, con excepción de la Cordillera de los Andes donde se observan subestimaciones de TOMO I 81 CAPÍTULO 6 los extremos cálidos y el sur de la región en los extremos cálidos de la temperatura máxima en invierno. 6.3.c. Comparación de los extremos fríos Para analizar los extremos fríos se computó el percentil 10 de la distribución de temperatura mínima y máxima en base estacional para los datos observados, los cuatro modelos y el ensemble (ver Figuras 6.10 y 6.11). Nuevamente se puede observar que el patrón espacial de los extremos fríos está bien representado por los modelos, con sobreestimaciones del percentil 10 en ambas variables a lo largo de todo el año, es decir subestimaciones de los extremos fríos. Las diferencias encontradas entre los extremos fríos observados y simulados (Figura 6.12) son en general de menor magnitud que las de los extremos cálidos, con diferencias positivas menores a 6º C en casi todos los casos, con excepción de los extremos fríos de la temperatura mínima en invierno que presentan diferencias de mayor magnitud. Al igual que ocurría en el caso de los extremos cálidos, los modelos LMDZ y PROMES tienden a subestimar levemente el percentil 10 de la temperatura máxima en invierno, mientras que en verano también se observan subestimaciones del percentil 10 en distintas regiones dependiendo del modelo. En la zona norte de la Cordillera de los Andes, los extremos fríos son sobreestimados (diferencias negativas en el percentil 10) por todos los modelos. Como en el caso de extremos cálidos, si analizamos extremos fríos de mayor intensidad (percentiles más bajos, como por ejemplo el percentil 5) las diferencias que se obtienen son de igual signo pero de mayor magnitud. El ensemble de los cuatro modelos muestra sobreestimación del percentil 10 (es decir, subestimación de los extremos fríos) de la temperatura mínima en toda la región, excepto sobre la Cordillera de los Andes. Los extremos fríos de la temperatura máxima tienen bias distintos dependiendo del modelo, por lo que en el ensemble estas diferencias se compensan y son menores a 2º C en casi toda la región, excepto en zonas montañosas. TOMO I 82 CAPÍTULO 6 6.4. Conclusiones Con el objetivo de evaluar si los modelos regionales pueden ser utilizados para reducir la incertidumbre en la proyección de los extremos de temperatura, en este capítulo se llevó a cabo una validación de la temperatura simulada por cuatro RCM, mediante la comparación de distintos parámetros de la distribución de temperatura mínima y máxima simulada por los modelos con la distribución obtenida de la base de datos observados presentada en el Capítulo 2 de esta Tesis. Este análisis fue realizado en base estacional, comparando los distintos parámetros de la distribución para cada estación del año. En primer lugar se compararon los valores medios y la variabilidad diaria de cada variable. Este análisis mostró que los RCM tienden a sobreestimar los valores de temperatura mínima en casi toda la región, sobre todo en los meses de verano. La temperatura máxima también sufre sobreestimaciones en casi todos los modelos, aunque los modelos LMDZ y PROMES presentaron subestimaciones del orden de 2º C en casi toda la región durante el invierno. En la Cordillera de los Andes, sobre todo en la parte norte, todos los modelos subestiman la temperatura respecto de los valores observados en todas las estaciones del año. Esto puede deberse al bias cálido que presentan los datos observados en zonas montañosas debido a la predominancia de estaciones en zonas relativamente más bajas. El ensemble de los cuatro modelos mostró sobreestimaciones de hasta 5º C de las dos variables tanto en verano como en inverno, aunque en la temperatura máxima las diferencias de distinto signo en los diferentes modelos tienden a compensarse y llevan a diferencias menores que en la temperatura mínima. El análisis de la desviación estándar indicó que los modelos tienen una alta capacidad para simular la variabilidad diaria de la temperatura, sobre todo en invierno. El patrón espacial de los eventos extremos está bastante bien representado por los distintos modelos, aunque sobreestiman los extremos cálidos y subestiman los extremos fríos de la temperatura mínima, especialmente en el centro y norte de la región. Estas diferencias son de hasta 5º C en los extremos cálidos de verano y los extremos fríos de inverno, y de TOMO I 83 CAPÍTULO 6 hasta 3º C en los extremos cálidos de inverno y los extremos fríos de verano según el ensemble de los cuatro modelos. Los extremos de la temperatura máxima presentan diferencias distintas según el modelo, por lo que en el ensemble se observan diferencias de igual signo pero menor magnitud que para la temperatura mínima. En ambas variables, se observa subestimación de los percentiles en la Cordillera de los Andes consistentemente con lo encontrado para los valores medios. A medida que los extremos son más intensos (percentiles más altos para los extremos cálidos y más bajos para los extremos fríos) las diferencias mantienen el mismo patrón espacial y el signo, pero aumentan levemente en magnitud. Comparando los distintos modelos, puede observarse que la capacidad de cada uno varía según la variable, la estación y el extremo analizado. Por ejemplo, el modelo REMO es el que presenta diferencias menores respecto de los extremos cálidos de la temperatura máxima observados en verano, pero al mismo tiempo presenta las mayores diferencias en cuanto a los extremos fríos de la temperatura mínima en invierno. En términos generales, el modelo LMDZ es que el mejor representa los extremos de la temperatura mínima, tanto fríos como cálidos. En cuanto a la temperatura máxima, el modelo LMDZ y el REMO son los que presentan diferencias más pequeñas, aunque las diferencias son mayores respecto de las obtenidas para la mínima. El ensemble de los modelos presenta en general diferencias de menor magnitud que cualquiera de los modelos. Si bien esta “mejoría” se debe simplemente a la compensación de las diferencias de distinto signo que aportan los distintos modelos, la utilización del ensemble brinda simulaciones de los eventos extremos más similares a los extremos observados y por lo tanto los resultados que se obtengan a partir del ensemble serán más realistas, evitando los distintos bias que presentan los modelos individualmente. TOMO I 84 CONCLUSI ONES En esta Tesis Doctoral se analizó la variabilidad de los eventos extremos de temperatura observados y modelados en el Sudeste de Sudamérica, como así también sus proyecciones en el clima futuro ante un escenario de cambio climático antropogénico. El análisis de la variabilidad observada en el siglo XX se realizó en seis estaciones meteorológicas de Argentina pertenecientes a regiones climáticas distintas, mediante la aplicación de la Teoría de Valores Extremos, comparando períodos sucesivos no superpuestos de 20 años cada uno. Para ello, se utilizaron dos definiciones distintas de eventos extremos, ambas basadas en las series de temperatura mínima y máxima diarias. La primera consiste en definir los extremos a partir de los mínimos y máximos valores del año, por lo que en general, los eventos cálidos corresponden a valores de verano, mientras que los eventos fríos serán generalmente valores de invierno. La segunda definición de eventos extremos utilizada en esta Tesis Doctoral consiste en considerar como extremos todos aquellos valores que superen (o no alcancen) un determinado umbral fijado previamente. En este caso, el umbral se determinó a partir del percentil 90 (o 10) de la distribución empírica de las anomalías estandarizadas de temperatura mínima y máxima diarias, por lo que se consideró como eventos extremos el 10% de los valores del año más alejados de la media. De esta forma, los extremos pueden corresponder a cualquier época del año. En general, los extremos anuales fríos sufrieron una disminución significativa en su intensidad en el período 1941-2000, más notoria en los extremos fríos de la temperatura mínima (valores nocturnos) que presentó variaciones de hasta 2º C entre mediados y fines de siglo. Los extremos cálidos no mostraron resultados tan consistentes entre las estaciones, aunque en general presentaron intensidades significativamente más bajas en la temperatura máxima y más altas en la temperatura mínima en los períodos más recientes. A su vez, se observó una disminución no significativa de la frecuencia de ocurrencia de los extremos cálidos de la temperatura máxima y de los TOMO I 85 CONCLUSIONES extremos fríos de ambas variables, con excepción Río Gallegos que presentó un comportamiento opuesto. Los cambios en los valores de retorno de los extremos cálidos anuales de la temperatura mínima tampoco resultaron significativos y además no fueron consistentes a lo largo de las seis estaciones estudiadas, mostrando aumentos en la frecuencia en tres casos y disminuciones en los otros tres. También se analizó la influencia del salto climático del año 1976 en los extremos anuales de temperatura y se encontró que los cambios son consistentes con las variaciones decadales en períodos de 20 años, pero de mayor magnitud y significativos al 5%, con cambios en los valores de retorno de entre 2º C y 5º C. El análisis de los extremos diarios de temperatura mostró resultados similares a los obtenidos para los extremos anuales, con disminución de la intensidad de los extremos cálidos de temperatura máxima y de los extremos fríos de temperatura mínima y aumentos en los extremos cálidos de la temperatura mínima. La frecuencia de ocurrencia de los extremos diarios tampoco presentó cambios significativos. Al igual que los extremos anuales, los extremos diarios fríos mostraron en general una disminución en su frecuencia de ocurrencia, sobre todo en la temperatura mínima. Sin embargo, los extremos diarios cálidos, tanto de la temperatura máxima como de la mínima, mostraron un aumento en su frecuencia a finales de siglo XX. Estos cambios indican que el comportamiento del valor más extremo del año no siempre es equivalente al comportamiento del 10% más extremo. Como la estimación de los parámetros de la distribución GP se hace en función de una mayor cantidad de datos por año es de esperar que los resultados obtenidos sean más robustos. Para analizar las proyecciones de los eventos extremos de temperatura ante un escenario de cambio climático se utilizan modelos climáticos globales. En esta Tesis Doctoral se analizó la capacidad de algunos de estos modelos para reproducir los extremos de temperatura, como así también distintas técnicas que permiten reducir la escala de la información que brindan estos modelos. TOMO I 86 CONCLUSIONES En general, el modelo UKMO-HADGEM1 es el que presentó las distribuciones de extremos anuales más similares a las distribuciones observadas, excepto en el caso de LTn, donde el modelo IPSL-CM4 funciona levemente mejor. Es destacable la gran diferencia encontrada en la posición de la distribución de los extremos cálidos de la temperatura máxima observados y los reanálisis, mucho mayor incluso que las diferencias encontradas con los distintos modelos. Las proyecciones de los extremos anuales dadas por el ensemble de tres GCM para el escenario SRES A1B en el período 2010-2040 indican un aumento en la intensidad de los extremos cálidos y una disminución en los extremos fríos de 0.8º C, en promedio, respecto del período 1981-1999. A su vez, el ensemble proyecta aumentos en el valor de retorno de 20 años de los extremos cálidos del orden de 1.2º C en toda la región, con aumentos de hasta 2.4º C para HTx en el noreste, y aumentos del valor de retorno de 20 años de los extremos fríos del orden de 0.9º C en toda la región, excepto en el Noroeste, con diferencias de hasta 2.6º C en la región de Cuyo. Estos aumentos en el valor de retorno de 20 años implican un aumento de la frecuencia de ocurrencia de los extremos cálidos y una disminución en los extremos fríos en el siglo XXI, con tiempos de espera de 1 a 10 años en los extremos cálidos y de más de 50 años en los extremos fríos, excepto en el Noroeste Argentino donde los tiempos de espera se reducen a 10 o 15 años. Sin embargo, la resolución de los GCM es demasiado baja para analizar los cambios proyectados en escalas regionales. Por lo tanto, se estudiaron dos posibles metodologías de downscaling que permiten reducir la escala de esta información. En primer lugar se aplicó una metodología de downscaling estadístico llamada CHAC que mostró una gran capacidad para mejorar las estimaciones de los valores medios de la distribución de temperatura, y en particular de los extremos anuales. Sin embargo, fuerte subestimación de la variabilidad interanual de los extremos introducida por esta metodología lleva a distribuciones de extremos anuales poco realistas. Una posible explicación de esta subestimación es la falta de variables de humedad en el grupo de las variables predictoras utilizadas. TOMO I 87 CONCLUSIONES Existen también metodologías de downscaling dinámico que permiten reducir la escala de la información, mediante la utilización de Modelos de Clima Regional que simulan el clima de una región con una mayor resolución que la propuesta por los GCM. Si bien al momento de desarrollar esta Tesis no se disponía de simulaciones largas del clima pasado de Sudamérica realizadas con RCM, ni proyecciones del clima futuro, durante el proyecto CLARIS se llevó a cabo un experimento coordinado entre cuatro grupos de investigación para simular el clima de Sudamérica en el período 1992-2000 mediante RCM forzados con condiciones de borde dadas por los reanálisis de ERA-40. Estas simulaciones, si bien son relativamente cortas, permiten evaluar la capacidad de esta metodología de downscaling para reproducir los eventos extremos del clima de la región. Dado que los modelos representan valores en puntos de grilla, es decir, representativos de una pequeña región, la comparación directa de la temperatura simulada con las observaciones en puntos de estación no es ideal. Por lo tanto, para esta evaluación se utilizó la base de datos observados de temperatura mínima y máxima diarias representados en puntos de grilla, desarrollada durante esta Tesis Doctoral. Esta base de datos grillados es novedosa para la región tanto por su cobertura espacial (20º -40º S, 45º -70º W) y temporal (1961-2000), como por la resolución espacial que utiliza (0.5º de latitud por 0.5º de longitud), que es la misma que la que utilizan los RCM. Cada modelo presenta bias distintos en los valores medios dependiendo de la variable analizada y la estación del año, y en algunos casos las diferencias encontradas son de más de 6º C. El ensemble de los cuatro modelos compensa las diferencias individuales de cada modelo logrando resultados bastante similares a lo observado. En particular, el ensemble mostró sobreestimaciones de hasta 5º C en el valor medio de la temperatura mínima y de menos de 2º C en la temperatura máxima, tanto en verano como en inverno, excepto en la porción norte de la Cordillera de los Andes donde todos los modelos subestiman la temperatura respecto de los valores observados en todas las estaciones del año. Esto puede deberse al bias cálido que presentan los datos observados en zonas montañosas debido a la predominancia de estaciones en zonas TOMO I 88 CONCLUSIONES relativamente más bajas. El patrón espacial de los eventos extremos está bastante bien representado por los distintos modelos, aunque sobreestiman los extremos cálidos y subestiman los extremos fríos de la temperatura mínima, especialmente en el centro y norte de la región. Estas diferencias son de hasta 5º C en los extremos cálidos de verano y los extremos fríos de inverno, y de hasta 3º C en los extremos cálidos de invierno y los extremos fríos de verano, y son menores para los extremos de la temperatura máxima que para los de la temperatura mínima. Sin embargo, todos los modelos mostraron una gran habilidad para representar la variabilidad diaria de la temperatura, sobre todo durante el invierno, con diferencias en el desvío estándar de menos de 0.5º C en gran parte de la región y diferencias máximas de 1º C. Por lo tanto, se espera que los modelos regionales permitan reducir la incertidumbre en las proyecciones de los extremos de temperatura dadas por los modelos globales para el clima futuro. En esta Tesis, se ha comparado la variabilidad de la ocurrencia de extremos de temperatura en varias escalas temporales, analizados con distintas metodologías, con la finalidad de poner en contexto los cambios proyectados en las temperaturas extremas para el clima futuro, por algunos modelos climáticos. El salto climático de 1976/ 77 produjo cambios en los valores extremos de mayor magnitud que los observados al analizar la variabilidad interdecádica del siglo XX, y superiores a los proyectados por los modelos globales para el período 2010-2040. Por ejemplo, la intensidad de los extremos anuales fríos de la temperatura mínima presentó aumentos de hasta 2º C en períodos sucesivos de 20 años durante la segunda mitad del siglo XX, y del orden de 1º C en los cambios proyectados para el siglo XXI respecto de fines del siglo XX, mientras que los cambios introducidos por el salto de 1976/ 77 son de casi 3º C. TOMO I 89 Referencias Alexander L. V., X. Zhang, T. C. Peterson, J. Caesar, B. Gleason, A. M. G. Klein Tank, M. Haylock, D. Collins, B. Trewin, F. Rahimzadeh, A. Tagipour, K. Rupa Kumar, J. Revadekar, G. Griffiths, L. Vincent, D. B. Stephenson, J. Burn, E. Aguilar, M. Brunet, M. Taylor, M. New, P. Zhai, M. Rusticucci y J. L. Vazquez-Aguirre, 2006: Global observed changes in daily climate extremes of temperature and precipitation. J. Geoph. Res., 111, D05109, doi:10.1029/ 2005JD006290. Barrucand M. y M. Rusticucci, 2001: Climatología de temperaturas extremas en la Argentina. Variabilidad temporal y regional. Meteorológica, 26, 85-101. Barrucand M., M. Rusticucci y W. Vargas, 2008: Temperature extremes in the south of South America in relation to Atlantic Ocean surface temperature and Southern Hemisphere circulation. J. Geoph. Res., 113, D20111, doi:10.1029/ 2007JD009026. Bell J. L., L. C. Sloan y M. A. Snyder, 2004: Regional changes in extreme climatic events: A future climate scenario. J. Climate, 17, 81-87. Böhm U., M. Kücken, D. Hauffe, F. W. Gerstengarbe, P. C. Werner, M. Flechsig, K. Keuler, A. Block, W. Ahrens y Th. Nocke, 2004: Reliability of regional climate model simulations of extremes and of long-term climate. Natural Hazards and Earth System Science, 4, 417-431. Bonsal B. R., X. Zhang, L. A. Vincent y W. D. Hogg, 2001: Characteristics of Daily and Extreme Temperatures over Canada. J. Climate, 14, No. 9, pp. 1959–1976. Bony S. y K. A. Emanuel, 2001: A parameterization of the cloudiness associated with cumulus convection; evaluation using TOGA-COARE data. J. Atmos. Sci., 58, 3158– 3183. Bordi I., K. Fraedrich, M. Petitta y A. Sutera, 2007: Extreme value analysis of wet and dry periods in Sicily. Theor. Appl. Climatol, 87: 61–71. Boulanger J. P., J. Aizpuru, L. Leggieri y M. Marino, 2010: A procedure for automated quality control and homogenization of historical daily temperature and precipitation data (APACH): part 1: quality control and application to the Argentine weather service stations. Climatic Change, 98, 471–491. Caesar J., L. Alexander y R. Vose, 2006: Large-scale changes in observed daily maximum and minimum temperatures: Creation and analysis of a new gridded data set. J. Geoph. Res., 111, D05101, doi:10.1029/ 2005JD006280. Camilloni I. y V. Barros, 1997: On the Urban Heat Island effect dependence on temperature trends. Climatic Change, 37, 665–681. Castro M., C. Fernandez y M.A. Gaertner, 1993: Description of a meso-scale atmospheric numerical model. En: Diaz J.I. y J. L. Lions (eds), Mathematics, climate and environment, Masson (ISBN: 2-225-84297-3), 273 pp. Champeaux J. L., V. Masson y F. Chauvin, 2005: ECOCLIMAP: a global database of land surface parameters at 1 km resolution. Meteorol. Appl., 12, 29–32. Coles S., 2001: An Introduction to Statistical Modeling of Extreme Values. Springer Series in Statistics, Londres, UK, 208 pp. Collins D., P. Della-Marta, N. Plummer y B. Trewin, 2000: Trends in annual frequencies of extreme temperature events in Australia. Aust. Met. Mag., 49, 277-292. TOMO I 90 REFERENCIAS D’Onofrio A., J. P. Boulanger y E. C. Segura, 2010: Statistical Downscaling for shortterm forecasting over Argentina using tapped-feed forward multiple-layer perceptrons and Bayesian regularization. Manuscrito en preparación. Ducoudre N., K. Laval y A Perrier, 1993: SECHIBA, a new set of parameterizations of the hydrologic exchanges at the land-atmosphere interface within the LMD atmospheric general circulation model. J. Climate, 6, 248–273. Dümenil L. y E. Todini, 1992: A rainfall–runoff scheme for use in the Hamburg climate model. En: O’Kane J. P. (ed), Advances in theoretical hydrology, EGS series of hydrological sciences 1. Elsevier, Amsterdam, 129–157. Emanuel K. A., 1993: A scheme for representing cumulus convection in large-scale models. J. Atmos. Sci., 48, 2313–2335. Frich P., P. Alexander, P. Della-Marta, B. Gleason, M. Haylock, A. T. Klein y T. Peterson, 2002: Global changes in climatic extremes during the 2nd half of the 20th century. Climate Research, 19, 193-212. Garand L., 1983: Some improvements and complements to the infrared emissivity algorithm including a parameterization of the absorption in the continuum region. J. Atmos. Sci., 40, 230–244. Gençay R., F. Selçuk y A. Ulugülyagci, 2001: EVIM: A Software Package for Extreme Value Analysis in MATLAB. Studies in Nonlinear Dynamics & Econometrics, 5, no 3, Algorithm 1. Gilleland E., R. Katz y G. Young, 2004: Extreme value toolkit. Versión 1.40. http:/ / www.isse.ucar.edu/ extremevalues/ evtk.html. Giorgetta M. y M. Wild, 1995: The water vapour continuum and its representation in ECHAM4, Max Planck institut fuer meteorologie report , 162, 38 pp. Gregory J. M. y J. F. B. Mitchell, 1995: Simulation of daily variability of surface temperature and precipitation over Europe in the current and 2xCO2 climate using the UKMO high-resolution climate model. Quart. J. Roy. Meteor. Soc., 121, 1451–1476. Haylock M. R., N. Hofstra, A. M. G. Klein Tank, E. J. Klok, P. D. Jones y M. New, 2008: A European daily high-resolution gridded data set of surface temperature and J. Geoph. Res., 113, D20119, precipitation for 1950–2006. doi:10.1029/ 2008JD010201. Hofstra N., M. Haylock, M. New, P. Jones y C. Frei, 2008: Comparison of six methods for the interpolation of daily, European climate data. J. Geoph. Res., 113, D21110, doi:10.1029/ 2008JD010100. Hourdin F., I. Musat, S. Bony, P. Braconnot, F. Codron, J. L. Dufresne, L. Fairhead, M. A. Filiberti, P. Friedlingstein, J. Y. Grandpeix, G. Krinner, P. LeVan, Z. X. Li y F. Lott, 2006: The LMDZ4 general circulation model: climate performance and sensitivity to parametrized physics with emphasis on tropical convection. Clim. Dyn., 27,787–813. Hsie E. Y., R. A. Anthes y D. Keyser, 1984: Numerical simulation of frontogenesis in amoist atmosphere. J. Atmos. Sci., 41, 2581–2594. Huang H. P., R. Seager y Y. Kushnir, 2005: The 1976/ 77 transition in precipitation over the Americas and the influence of tropical sea surface temperature. Climate Dyn., 24, 721–740. TOMO I 91 REFERENCIAS IPCC, 2007: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [ Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M. Tignor y H.L. Miller (eds.)] . Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA, 996 pp. Jacob D., 2001: A note on the simulation of the annual and inter-annual variability of the water budget over the Baltic Sea drainage basin. Met. Atmos. Phys., 77, 61–73. Jones C. G. y E. Sanchez, 2002: The representation of shallow cumulus convection and associated cloud fields in the Rossby Centre Atmospheric Model. HIRLAM newsletter, 41, SMHI, SE-60176 Norrköping, Sweden, 91–106. Jones P. D., E. B. Horton, C. K. Folland, M. Hulme, D. E. Parker y T. A. Basnett, 1999: The use of indices to identify changes in climatic extremes. Climatic Change, 42(1):131-149. Kain J. y J. Fritsch, 1993: Convective parameterization for mesoscale models: the KainFritsch scheme. En: Emanuell K. A. y D. J. Raymond (eds), The representation of cumulus convection in numerical models. American Meteorological Society, Boston, 165–170. Kalnay E., M. Kanamitsu, R. Kistler, W. Collins, D. Deaven, L. Gandin, M. Iredell, S. Saha, G. White, J. Woollen, Y. Zhu, M. Chelliah, W. Ebisuzaki, W.Higgins, J. Janowiak, K. C. Mo, C. Ropelewski, J. Wang, A. Leetmaa, R. Reynolds, R. Jenne y D. Joseph, 1996: The NCEP/ NCAR 40-Year Reanalysis Project. Bull. Amer. Meteor. Soc., 77,437471. Katz R. W., M. B. Parlange y P. Naveau, 2002: Statistics of extremes in hydrology. Adv. Water Resour., 25: 1287–1304. Kharin V. V. y F. W. Zwiers, 2000: Changes in the Extremes in an Ensemble of Transient Climate Simulations with a Coupled Atmosphere–Ocean GCM, J. Clim., 13, 3760-3788. Kharin V. V. y F. W. Zwiers, 2005: Estimating Extremes in Transient Climate Change, J. Clim., 18, 1156-1173. Kharin V. V., F. W. Zwiers, X. Zhang y G. C. Hegerl, 2007: Changes in Temperature and Precipitation Extremes in the IPCC Ensemble of Global Coupled Model Simulations. J. Clim., 20, 1419-1444 Kjellström E., L. Bärring, S. Gollvik, U. Hansson, C. Jones, P. Samuelsson, M. Rummukainen, A. Ullerstig, U. Willén y K. Wyser, 2005: A 140-year simulation of European climate with the new version of the Rossby Centre regional atmospheric climate model (RCA3). Reports Meteorology and Climatology, 108, SMHI, SE-60176 Norrköping, Sweden, 54 pp. Klein Tank A. M. G. y G. P. Können, 2003: Trends in Indices of Daily Temperature and Precipitation Extremes in Europe,1946-99. J. Climate, 16, 3665-3680. Krinner G., N. Viovy, N. de-Noblet-Ducoudré, J. Ogée, J. Polcher, P. Friedlingstein, P. Ciais, S. Sitch y C. Prentice, 2005: A dynamic global vegetation model for studies of the coupled atmosphere–biosphere system. Glob. Chang. Biol., 19, 1015–1048. Liebmann B. y D. Allured, 2005: Daily Precipitation Grids for South America. Bull. Am. Met. Soc., 86, 1567-1570. TOMO I 92 REFERENCIAS Manton M., P. M. Della-Marta, M. R. Haylock, K. J. Hennessy, N. Nicholls, L. E. Chambers, D. A. Collins, G. Daw, A. Finet, D. Gunawan, K. Inape, H. Isobe, T. S. Kestin, P. Lefale, C. H. Leyu, T. Lwin, L. Maitrepierre, N. Ouprasitwong, C. M. Page, J. Pahalad, N. Plummer, M. J. Salinger, R. Suppiah, V. L. Tran, B. Trewin, I. Tibig y D. Yee, 2001: Trends in Extreme Daily Rainfall and Temperature in Southeast Asia and the South Pacific: 1961-1998. Int. J. Climatology, 21, 269-284. Marengo J. A., R. Jones, L. M. Alvesa, y M. C. Valverdea, 2009: Future change of temperature and precipitation extremes in South America as derived from the PRECIS regional climate modeling system. Int. J. Climatology, 29, 2241–2255. Marengo J. A., T. Ambrizzi, R. P. da Rocha, L. M. Alves, S. V. Cuadra, M. C. Valverde, R. R. Torres, D. C. Santos, y S. E. T. Ferraz, 2010: Future change of climate in South America in the late twenty-first century: intercomparison of scenarios from three regional climate models. Clim. Dyn., 35, 1073–1097. Menéndez C. G., M. de Castro, J. P. Boulanger, A. D’Onofrio, E. Sanchez, A. A. Sörensson, J. Blázquez, A. Elizalde, D. Jacob, H. Le Treut, Z. X. Li, M. N. Núñez, N. Pessacg, S. Pfeiffer, M. Rojas, A. Rolla, P. Samuelsson, S. A. Solman, y C. Teichmann, 2010: Downscaling extreme month-long anomalies in southern South America. Climatic Change, 98, 379–403. Minetti L. y W. M. Vargas, 1997: Inhomogeneidades en series de temperatura del Noroeste Argentino. Meteorológica, 22, Nº 1. Mitchell T. D. y P. D. Jones, 2005: An improved method of constructing a database of monthly climate observations and associated high-resolution grids. Int. J. Climatology, 25, 693-712, DOI: 10.1002/ joc.1181. Morcrette J. J., 1991: Radiation and cloud radiative properties in the ECMWF operational weather forecast model. J. Geophys. Res., 96D, 9121–9132. Morcrette J. J., L. Smith y Y. Fourquart, 1986: Pressure and temperature dependance of the absorption in longwave radiation parameterizations. Beitr Phys Atmos, 59, 455– 469. Nakicenovic N., J. Alcamo, G. Davis, B. de Vries, J. Fenhann, S. Gaffin, K. Gregory, A. Grübler, T. Y. Jung, T. Kram, E. Lebre La Rovere, L. Michaelis, S. Mori, T. Morita, W. Pepper, H. Pitcher, L. Price, K. Riahi, A. Roehrl, H. H. Rogner, A. Sankovski, M. Schlesinger, P. Shukla, S. Smith, R. Swart, S. van Rooijen, N. Victor y Z. Dadi, 2000: Special Report on Emissions Scenarios: A Special Report of Working Group III of the Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, U.K., 599 pp. Nordeng T.E., 1994: Extended versions of the convective parametrization scheme at ECMWF and their impact on the mean and transient activity of the model in the tropics. ECMWF Research Department, Technical memorandum no. 206. European Centre for Medium Range Weather Forecasts, Reading, UK, 41 pp. Palutikof J. P., C. M. Goodess, S. J. Watkins y T. Holt, 2002: Generating rainfall and temperature scenarios at multiple sites: Examples from the Mediterranean. J. Climate, 15, 3529-3548. Räisanen J., U. Hansson, A. Ullerstig, R. Döscher, L. P. Graham, C. Jones, H. E. M. Meier, P. Samuelsson y U. Willén, 2004: European climate in the late twenty-first century: Regional simulations with two driving global models and two forcing scenarios. Clim. Dyn., 22, 13-31. TOMO I 93 REFERENCIAS Räisänen P., M. Rummukainen y J. Räisänen, 2000: Modification of the HIRLAM radiation scheme for use in the Rossby Centre regional atmospheric climate model. Department of Meteorology, Report No 49, University of Helsinki, 71 pp. Rao V. B., A. Do Carmo y S. Franchito, 2003: Interannual variations of storm tracks in the Southern Hemisphere and their connections with the Antarctic Oscillation. Int. J. Climatol., 23, 1537–1545, doi:10.1002/ joc.948. Rasch P. J. y J. E. Kristjánsson, 1998: A comparison of the CCM3 model climate using diagnosed and predicted condensate parameterizations. J. Clim., 11, 1587–1614. Rusticucci M. y B. Tencer, 2005: Valores de retorno de valores extremos de temperatura en Argentina en distintos períodos. Congreso Argentino de Meteorología (CONGREMET IX). Ciudad de Buenos Aires, Argentina. 3 al 7 de octubre de 2005. Rusticucci M. y M. Barrucand M., 2004: Observed trends and changes in Temperature Extremes over Argentina. J. Climate, 17, 4099-4107. Rusticucci M. y M. Renom, 2008: Variability and trends in indices of quality controlled daily temperature extremes in Uruguay. Int. J. of Climatol. DOI: 10.1002/ joc.1607, 28:1083-1095. Rusticucci M. y W. Vargas, 1991: Efecto de la ciudad y el río en la temperatura de superficie. Geoacta, 18, 35 -48. Rusticucci M. y W. Vargas, 1995: Seasonal and Diurnal Patterns of Dry and Wet Bulb Temperatures over Argentina. Int. J. Clim., 15, 1273-1282. Samuelsson P., S. Gollvik y A. Ullerstig, 2006: The land-surface scheme of the Rossby Centre regional atmospheric climate model (RCA3). Report in meteorology, 122, SMHI SE-601 76. Norrköping, Sweden. Sass B. H., L. Rontu, H. Savijärvi y P. Räisänen, 1994: HIRLAM-2 Radiation scheme: documentation and tests. Hirlam technical report no 16, SMHI. SE-601 76 Norrköping, Sweden, 43 pp. Savijärvi H., 1990: A fast radiation scheme for mesoscale model and short-range forecast models. J. Appl. Met., 29, 437–447. Schubert S. y A. Henderson-Sellers, 1997: A statistical model to downscale local daily temperature extremes from synoptic-scale atmospheric circulation patterns in the Australian region. Clim. Dyn., 13, 223-234. Seidel D. J., J. K. Angell, J. Christy, M. Free, S. A. Klein, J. R. Lanzante, C. Mears, D. Parker, M. Schabel, R. Spencer, A. Sterin, P. Thorne y F. Wentz, 2004: Uncertainty in signals of largescale climate variations in radiosonde and satellite upper-air temperature datasets. J. Climate, 17, 2225–2240. Serra C., M. D. Martínez, X. Lana y A. Burgueño, 2009: Extreme normalised residuals of daily temperatures in Catalonia (NE Spain): sampling strategies, return periods and clustering process. Theor. Appl. Climatol. DOI 10.1007/ s00704-009-0172-3. Solman S. y M. Núñez, 1999: Local estimates of global change: a statistical downscaling approach. Int. J. Climate, 19, 835-861. Solman S., M. Núñez y M. F. Cabre, 2008: Regional climate change experiments over southern South America. I: present climate. Clim. Dyn., 30, 533–552. Solomon S., D. Qin, M. Manning, R. B. Alley, T. Berntsen, N. L. Bindoff, Z. Chen, A. Chidthaisong, J. M. Gregory, G. C. Hegerl, M. Heimann, B. Hewitson, B. J. Hoskins, F. Joos, J. Jouzel, V. Kattsov, U. Lohmann, T. Matsuno, M. Molina, N. Nicholls, J. TOMO I 94 REFERENCIAS Overpeck, G. Raga, V. Ramaswamy, J. Ren, M. Rusticucci, R. Somerville, T. F. Stocker, P. Whetton, R. A. Wood y D. Wratt, 2007: Technical Summary. En: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [ Solomon S., D. Qin, M. Manning, Z. Chen, M. Marquis, K. B. Averyt, M. Tignor y H. L. Miller (eds.)] . Cambridge University Press, Cambridge, United Kingdom y New York, NY, USA. Stephens G. L., 1978: Radiation profiles in extended water clouds: II. Parameterization schemes. J. Atmos. Sci., 35, 2123–2132. Sundquist H., 1978: A parameterization scheme for non-convective condensation including precipitation including prediction of cloud water content. Quart. J. R. Met. Soc., 104, 677–690. Tiedtke M., 1989: A comprehensive mass flux scheme for cumulus parameterization in large scale models. Mon. Weather. Rev., 117, 1779–1800. Trenberth K. E., 1990: Recent observed interdecadal climate changes in the Northern Hemisphere. Bull. Amer. Meteor. Soc., 71, 988–993. Trenberth K. E., P. D. Jones, P. Ambenje, R. Bojariu, D. Easterling, A. Klein Tank, D. Parker, F. Rahimzadeh, J. A. Renwick, M. Rusticucci, B. Soden y P. Zhai, 2007: Observations: Surface and Atmospheric Climate Change. En: Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change [ Solomon S., D. Qin, M. Manning, Z. Chen, M. Marquis, K. B. Averyt, M. Tignor y H. L. Miller (eds.)] . Cambridge University Press, Cambridge, United Kingdom y New York, NY, USA. Unkašević M. y I. Tošić, 2009: Changes in extreme daily winter and summer temperatures in Belgrade. Theor. Appl. Climatol., 95: 27–38 DOI 10.1007/ s00704-0070364-7. Uppala S. M., P. W. Kållberg, A. J. Simmons, U. Andrae, V. da Costa Bechtold, M. Fiorino, J. K. Gibson, J. Haseler, A. Hernandez, G. A. Kelly, X. Li, K. Onogi, S. Saarinen, N. Sokka, R. P. Allan, E. Andersson, K. Arpe, M. A. Balmaseda, A. C. M. Beljaars, L. van de Berg, J. Bidlot, N. Bormann, S. Caires, F. Chevallier, A. Dethof, M. Dragosavac, M. Fisher, M. Fuentes, S. Hagemann, E. Hólm, B. J. Hoskins, L. Isaksen, P. A. E. M. Janssen, R. Jenne, A. P. McNally, J. F. Mahfouf, J. J. Morcrette, N. A. Rayner, R. W. Saunders, P. Simon, A. Sterl, K. E. Trenberth, A. Untch, D. Vasiljevic, P. Viterbo y J. Woollen, 2005: The ERA-40 re-analysis. Quart. J. R. Meteorol. Soc., 131, 29613012.doi:10.1256/ qj.04.176. Vargas W. M. y G. Naumann, 2008: Impacts of climatic change and low frequency variability in reference series on daily maximum and minimum temperature in southern South America. Reg. Environ. Change, 8, 45–57. Vincent L. A., T. C. Peterson, V. R. Barros, M. B. Marino, M. Rusticucci, G. C. Miranda, E. Ramirez, L. M. Alves, T. Ambrizzi, J. I. Barbosa de Brito, M. A. Berlato, A. M. Grimm, R. Jaildo dos Anjos, J. A. Marengo, P. R. Meira, L. Molion, D. F. Moncunill, D. Nechet, E. Rebello, J. R. Abreu de Sousa, Y. M. T. Anunciação, J. Quintana, J. L. Santos, G. Ontaneda, J. Baez, G. Coronel, V. J. Garcia, I. Trebejo, M. Bidegain, V. Corradi, M. R. Haylock y D. Karoly, 2005: Observed trends in indices of daily temperature extremes in South America 1960-2000. J. Climate, 18, 5011-5023. Von Storch H. y F. Zwiers, 1999: Statistical Analysis in Climate Research. Cambridge University Press, 484 pp. TOMO I 95 REFERENCIAS Wuebbles D. J. y K. Hayhoe, 2004: Climate change projections for the United States Midwest. Mitigation and Adaptation Strategies for Global Change, 9, 335-363. Yiou P., K. Goubanova, Z. X. Li y M. Nogaj, 2008: Weather regime dependence of extreme value statistics for summer temperature and precipitation. Nonlin. Processes Geophys., 15, 365–378. Zwiers F. W. y V. V. Kharin, 1998: Changes in the Extremes of the Climate Simulated by CCC GCM2 under CO2 Doubling. J. Climate, 11, 2200-2222. TOMO I 96 Í NDI CE TOMO I I FI GURAS DEL CAPÍ TULO 1 ................................................................... 1 FI GURAS DEL CAPÍ TULO 2 ................................................................... 4 FI GURAS DEL CAPÍ TULO 3 ................................................................. 21 FI GURAS DEL CAPÍ TULO 4 ................................................................. 39 FI GURAS DEL CAPÍ TULO 5 ................................................................. 50 FI GURAS DEL CAPÍ TULO 6 ................................................................. 84 ANEXO................................................................................................ 96 FI GURAS DEL CAPÍ TULO 1 Latitud ( º ) Longitud ( º ) Altura ( m) Año inicial Año final Observatorio Central Buenos Aires (OBA) -34.58 -58.48 25 1906 2003 Pergamino (PGM) -33.93 -60.55 65 1937 2003 Pilar (PIL) -31.66 -63.88 338 1937 2003 Río Gallegos (RGA) -51.61 -69.28 19 1896 2004 San Miguel de Tucumán (TUC) -26.80 -65.20 480 1891 2000 Santa Rosa (SRS) -36.56 -64.26 191 1937 2003 Nombre Tabla 1.1. Latitud, longitud, altura y período disponible de las estaciones meteorológicas utilizadas en los capítulos 3 y 4 de esta Tesis. Figura 1.1. Ubicación de las estaciones meteorológicas utilizadas en los capítulos 3 y 4 de esta Tesis. TOMO II 1 Figura 1.2. Estaciones utilizadas para la construcción de la base de datos grillados (Capítulo 2). Los colores indican el país al que pertenecen las estaciones: (azul) Argentina, (rojo) Uruguay, (naranja) Paraguay y (verde) Brasil. (a) Todas las estaciones (265 en total). (b) Estaciones con menos de 20% de datos faltantes en un mes en particular. Las estrellas indican las estaciones utilizadas en la Sección 2.3.d. TOMO II 2 LMDZ PROMES Castro et al. (1993) RCA3 Referencia Hourdin et al. (2006) Resolución horizontal 0.5° a 0.7° Grilla (lat x lon) 100 x 97 139 x 145 155 x 134 121 x 145 Niveles verticales 19 28 24 31 Kain y Fritsch (1993), Jones y Sanchez (2002) Tiedtke (1989), con modificaciones de Nordeng (1994) 50 km Kjellström et al. (2005) REMO 50 km Jacob (2001) 0.5º Convección Emanuel (1993) Kain y Fritsch (1993) Microfísica Bony y Emanuel (2001) Hsie et al. (1984) Radiación Morcrette (1991) Stephens (1978), Garand (1983) Uso de suelo Krinner et al. (2005) Ducoudre et al. (1993) Capas térmicas en suelo 11 7 5 5 Capas de humedad en suelo 2 2 2 1 Rasch y Kristjánsson (1998) Savijärvi (1990), Sass et al. (1994), Räisänen et al. (2000) Samuelsson et al. (2006), Champeaux et al. (2005) Sundquist (1978) Morcrette et al. (1986), Giorgetta y Wild (1995) Dümenil y Todini (1992) Tabla 1.2. Información sobre las simulaciones de los MCR utilizados en el Capítulo 6 esta Tesis (adaptada de Menéndez et al., 2010). TOMO II 3 FI GURAS DEL CAPÍ TULO 2 200 Tx 99% Tx 20% Tn 99% 180 Cantidad de estacio Tn 20% 160 140 120 100 1961 1966 1971 1976 1981 1986 1991 1996 Figura 2.1. Cantidad de estaciones por mes utilizadas para la interpolación con ( negro) menos de 20% de datos faltantes y ( azul) menos de 99% de datos faltantes para temperatura ( línea llena) máxima y ( línea punteada) mínima. TOMO II 4 Figura 2.2. Temperatura mínima media (en º C) en puntos de estación ( paneles superiores) y puntos de grilla (paneles inferiores) en enero, abril, julio y octubre 1961-2000. La escala de colores es la misma en ambas bases de datos. La resolución de los datos grillados es de 1º x1º . TOMO II 5 Figura 2.3. Temperatura máxima media (en º C) en puntos de estación ( paneles superiores) y puntos de grilla (paneles inferiores) en enero, abril, julio y octubre 1961-2000. La escala de colores es la misma en ambas bases de datos. La resolución de los datos grillados es de 1º x1º . TOMO II 6 Figura 2.4. Desviación estándar de la temperatura mínima media (en º C) en puntos de estación ( paneles superiores) y puntos de grilla (paneles inferiores) en enero, abril, julio y octubre 1961-2000. La escala de colores es la misma en ambas bases de datos. La resolución de los datos grillados es de 1º x1º . TOMO II 7 Figura 2.5. Desviación estándar de la temperatura máxima media (en º C) en puntos de estación ( paneles superiores) y puntos de grilla (paneles inferiores) en enero, abril, julio y octubre 1961-2000. La escala de colores es la misma en ambas bases de datos. La resolución de los datos grillados es de 1º x1º . TOMO II 8 Skill Score Root mean squared error (RMSE) Mean absolute error (MAE) Equation* 1 n ( y k ok ) 2 n k 1 RMSE 1 n y k ok n k 1 MAE (y n Compound relative error (CRE) CRE k 1 n k (o k 1 k ok ) 2 o) 2 * Explicación de las variables: y es la serie de datos estimados en punto de grilla, o es la serie de datos observados en estación, k es el número de día, n es el número total de días. Tabla 2.1. Descripción de los índices de habilidad utilizados para cuantificar la habilidad del método de interpolación de los datos diarios. TOMO II 9 Figura 2.6. Índices de habilidad ( de izquierda a derecha, RMSE, CRE, MAE) para la temperatura mínima. Los valores medios globales calculados como el promedio sobre toda la región se indican en la esquina inferior derecha de cada figura. La resolución de los datos grillados es de 1º x1º . Figura 2.7. Índices de habilidad ( de izquierda a derecha, RMSE, CRE, MAE) para la temperatura máxima. Los valores medios globales calculados como el promedio sobre toda la región se indican en la esquina inferior derecha de cada figura. La resolución de los datos grillados es de 1º x1º . TOMO II 10 Figura 2.8. Temperatura mínima media (en º C) en puntos de estación ( paneles superiores) y puntos de grilla (paneles inferiores) en enero, abril, julio y octubre 1961-2000. La escala de colores es la misma en ambas bases de datos. La resolución de los datos grillados es de 0.5º x0.5º . TOMO II 11 Figura 2.9. Temperatura máxima media (en º C) en puntos de estación ( paneles superiores) y puntos de grilla (paneles inferiores) en enero, abril, julio y octubre 1961-2000. La escala de colores es la misma en ambas bases de datos. La resolución de los datos grillados es de 0.5º x0.5º . TOMO II 12 Figura 2.10. Desviación estándar de la temperatura mínima media (en º C) en puntos de estación ( paneles superiores) y puntos de grilla (paneles inferiores) en enero, abril, julio y octubre 1961-2000. La escala de colores es la misma en ambas bases de datos. La resolución de los datos grillados es de 0.5º x0.5º . TOMO II 13 Figura 2.11. Desviación estándar de la temperatura máxima media (en º C) en puntos de estación ( paneles superiores) y puntos de grilla (paneles inferiores) en enero, abril, julio y octubre 1961-2000. La escala de colores es la misma en ambas bases de datos. La resolución de los datos grillados es de 0.5º x0.5º . TOMO II 14 Figura 2.12. Índices de habilidad ( de izquierda a derecha, RMSE, CRE, MAE) para la temperatura mínima. Los valores medios globales calculados como el promedio sobre toda la región se indican en la esquina inferior derecha de cada figura. La resolución de los datos grillados es de 0.5º x0.5º . Figura 2.13. Índices de habilidad ( de izquierda a derecha, RMSE, CRE, MAE) para la temperatura máxima. Los valores medios globales calculados como el promedio sobre toda la región se indican en la esquina inferior derecha de cada figura. La resolución de los datos grillados es de 0.5º x0.5º . TOMO II 15 Figura 2.14. Diferencias entre el ( paneles superiores) percentil 5 calculado en puntos de estación y su punto de grilla más cercano para ( izquierda) enero y ( derecha) julio para la temperatura mínima. ( paneles inferiores) Lo mismo para el percentil 95. Valores negativos indican sobreestimación de los valores interpolados. TOMO II 16 Figura 2.15. Diferencias entre el ( paneles superiores) percentil 5 calculado en puntos de estación y su punto de grilla más cercano para ( izquierda) enero y ( derecha) julio para la temperatura máxima. ( paneles inferiores) Lo mismo para el percentil 95. Valores negativos indican sobreestimación de los valores interpolados. 5000 Altura del punto de grilla 4000 3000 2000 1000 0 0 1000 2000 3000 4000 5000 Altura de la estación (m) Figura 2.16. Diagrama de dispersión entre la altura de las estaciones (en metros) y la altura del punto de grilla más cercano (en metros) para todas las estaciones utilizadas en este estudio. TOMO II 17 Figura 2.17. ( rojo) Percentil 95 de la temperatura máxima de verano (DEF) y ( azul) percentil 5 de la temperatura mínima de invierno (JJA) en tres estaciones ( línea sólida): ( a) 22.02S, 60.6W, 181m, ( b) 36.57S, 64.27W, 191m y ( c) 29.38S, 66.82W, 429m y lo mismo para los puntos de grilla más cercanos en cada caso ( línea punteada). TOMO II 18 Figura 2.18. Diferencias medias mensuales (en º C) entre la temperatura mínima de la base de datos de CRU y la base de datos grillados presentada en este capítulo. Valores negativos indican que CRU presenta valores menores. TOMO II 19 Figura 2.19. Diferencias medias mensuales (en º C) entre la temperatura máxima de la base de datos de CRU y la base de datos grillados presentada en este capítulo. Valores negativos indican que CRU presenta valores menores. TOMO II 20 FI GURAS DEL CAPÍ TULO 3 HTn HTx LTn LTx Estadístico t 1.065 -0.088 -0.862 0.477 Zona de rechazo | t| > 2.110 | t| > 2.179 | t| > 2.110 | t| > 2.145 Tabla 3.1. Resultado del test t-Student aplicado a los extremos anuales de Santa Rosa en el período 1941-1960. b) Extremos fríos Valor de retor Valor de retorn a) Extremos cálidos p2 Período 1 Período 1 Período 2 Período 2 p1 Período de retorno p1 p2 Período de retorno Figura 3.1. Esquema de cambios en los valores de retorno y su relación con los cambios en los períodos de retorno. TOMO II 21 Figura 3.2. Series temporales de las cuatro variables de extremos anuales (en º C) definidas en el Capítulo 3 en el período completo de las seis estaciones utilizadas en dicho capítulo. En rojo, HTx, en naranja HTn, en celeste LTx y en azul LTn. TOMO II 22 Figura 3.3. Probability plot del ajuste de la distribución GEV a los extremos anuales de Buenos Aires en el período 1941-1960. Figura 3.4. Probability plot del ajuste GEV a los extremos anuales de Río Gallegos en el período 1941-1960. TOMO II 23 Estación Período Variable 1961-1980 HTx 1981-2000 HTn 1961-1980 HTx 1981-2000 HTx Pilar 1981-2000 HTx Río Gallegos 1981-2000 HTx 1981-2000 HTx 1961-1980 LTx 1961-1980 LTn 1981-2000 LTn 1941-1960 LTx Buenos Aires Pergamino Santa Rosa Tucumán Tabla 3.2. Estaciones, subperíodos y variables en los que el ajuste de la distribución GEV no resulta robusto. TOMO II 24 Figura 3.5. Parámetro de posición ( , en º C) y su intervalo de 95% de confianza para las distintas estaciones, períodos y extremos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. Figura 3.6. Parámetro de escala ( , en º C) y su intervalo de 95% de confianza para las distintas estaciones, períodos y extremos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. TOMO II 25 Figura 3.7. Parámetro de forma ( ) y su intervalo de 95% de confianza para las distintas estaciones, períodos y extremos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. Figura 3.8. Valores de retorno (en º C) en función de los períodos de retorno (en años) para HTn en las distintas estaciones y períodos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. TOMO II 26 Figura 3.9. Valores de retorno (en º C) en función de los períodos de retorno (en años) para HTx en las distintas estaciones y períodos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. Figura 3.10. Valores de retorno (en º C) en función de los períodos de retorno (en años) para LTn en las distintas estaciones y períodos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. TOMO II 27 Figura 3.11. Valores de retorno (en º C) en función de los períodos de retorno (en años) para LTx en las distintas estaciones y períodos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. TOMO II 28 Figura 3.12. Función de densidad de probabilidad de la distribución GEV ajustada a las series de extremos anuales HTn en las distintas estaciones y períodos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. Figura 3.13. Función de densidad de probabilidad de la distribución GEV ajustada a las series de extremos anuales HTx en las distintas estaciones y períodos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. TOMO II 29 Figura 3.14. Función de densidad de probabilidad de la distribución GEV ajustada a las series de extremos anuales LTn en las distintas estaciones y períodos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. Figura 3.15. Función de densidad de probabilidad de la distribución GEV ajustada a las series de extremos anuales LTx en las distintas estaciones y períodos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. TOMO II 30 Figura 3.16. Valor de retorno de 20 años (en º C) y su intervalo de 95% de confianza para las distintas estaciones, períodos y extremos analizados en el Capítulo 3. No se muestran los casos en que el ajuste GEV no resultó robusto. TOMO II 31 Parámetro Valor de retorno de 20 años (en º C) OBA Tiempo de espera (en años) Valor de retorno de 20 años (en º C) PGM Tiempo de espera (en años) Valor de retorno de 20 años (en º C) PI L Tiempo de espera (en años) Valor de retorno de 20 años (en º C) RGA Tiempo de espera (en años) Valor de retorno de 20 años (en º C) SRS Tiempo de espera (en años) Valor de retorno de 20 años (en º C) TUC Tiempo de espera (en años) Período HTn HTx LTn LTx 1941-1960 27.3 41.4 -4.7 6.8 1961-1980 9.7 ND 49.7 35.3 1981-2000 5.3 1439.2 Inf 6.8 1941-1960 25.6 40.9 -8.3 3.3 1961-1980 14.0 ND 27.3 2198 1981-2000 ND ND Inf Inf 1941-1960 24.5 42.4 -9.1 4.1 1961-1980 25.6 44.7 84.0 43.0 1981-2000 114.1 ND Inf 105.3 1941-1960 15.4 32.4 -15.5 -5.1 1961-1980 9.2 8.4 6.2 5.0 1981-2000 4.0 ND 6.8 8.7 1941-1960 27.8 44.3 -12.1 3.1 1961-1980 119.9 Inf 41.8 ND 1981-2000 29.3 ND 39.5 43.5 1941-1960 27.8 43.6 -4.8 ND 1961-1980 18.0 Inf ND ND 1981-2000 40.2 Inf ND ND Tabla 3.3. Valor de retorno de 20 años para el primer período analizado (en º C) y período de retorno o tiempo de espera (en años) de dicho valor en los períodos siguientes. Los casos en que el ajuste GEV no resultó robusto se indican con ND (No Disponible). TOMO II 32 Período OBA PGM PI L RGA SRS TUC HTn HTx LTn LTx Completo 0.293 -0.050 0.390 0.185 Pre-1976 0.270 0.012 0.303 0.185 Post-1976 -0.125 -0.214 0.311 0.320 Completo 0.270 -0.133 0.181 0.122 Pre-1976 0.320 -0.181 0.204 -0.085 Post-1976 0.297 0.158 -0.299 0.244 Completo 0.038 -0.464 0.320 0.076 Pre-1976 0.090 -0.461 0.258 -0.158 Post-1976 0.483 0.258 0.359 -0.403 Completo 0.263 0.169 0.195 -0.026 Pre-1976 0.209 0.134 0.186 -0.221 Post-1976 -0.281 -0.186 0.022 0.081 Completo -0.197 -0.548 0.281 0.166 Pre-1976 -0.962 -1.093 -0.485 0.056 Post-1976 -0.261 -0.168 -0.121 -0.073 Completo -0.003 -0.279 0.164 -0.026 Pre-1976 0.044 -0.219 0.074 -0.140 Post-1976 0.831 0.786 -0.050 -0.152 Tabla 3.4. Pendiente (en º C/ 10 años) de los extremos anuales de temperatura en el período completo, el período pre-1976 (desde el inicio del registro hasta 1976) y el período post-1976 (desde 1977 hasta el final del registro) en cada una de las seis estaciones utilizadas en el Capítulo 3. En negrita se indican aquéllas pendientes que resultaron significativas al 5%. TOMO II 33 Figura 3.17. Parámetro de posición ( , en º C) y su intervalo de 95% de confianza para las distintas estaciones y extremos analizados en el Capítulo 3 en los períodos pre-1976 y post-1976. Figura 3.18. Parámetro de escala ( , en º C) y su intervalo de 95% de confianza para las distintas estaciones y extremos analizados en el Capítulo 3 en los períodos pre-1976 y post-1976. TOMO II 34 Figura 3.19. Parámetro de forma ( ) y su intervalo de 95% de confianza para las distintas estaciones y extremos analizados en el Capítulo 3 en los períodos pre-1976 y post-1976. Figura 3.20. Valor de retorno de 20 años (en º C) y su intervalo de 95% de confianza las distintas estaciones y extremos analizados en el Capítulo 3 en los períodos pre-1976 y post-1976. TOMO II 35 OBA PGM PI L RGA SRS TUC Parámetro Período HTn HTx LTn LTx Valor de retorno de 20 años (en º C) Pre-1976 25.7 40.2 -5.7 5.2 Tiempo de espera (en años) Post-1976 1.4 41.4 Inf 45.1 Valor de retorno de 20 años (en º C) Pre-1976 25.0 41.4 -8.9 4.4 Tiempo de espera (en años) Post-1976 7.4 Inf Inf 335.1 Valor de retorno de 20 años (en º C) Pre-1976 24.8 43.9 -9.7 4.9 Tiempo de espera (en años) Post-1976 Inf Inf Inf 97.9 Valor de retorno de 20 años (en º C) Pre-1976 14.7 31.9 -18.6 -7.7 Tiempo de espera (en años) Post-1976 1.0 10.0 19.4 38.9 Valor de retorno de 20 años (en º C) Pre-1976 27.2 45.2 -10.9 4.2 Tiempo de espera (en años) Post-1976 43.0 Inf 30.9 12.8 Valor de retorno de 20 años (en º C) Pre-1976 27.9 44.8 -4.9 5.3 Tiempo de espera (en años) Post-1976 5.4e06 1.1e07 Inf 58.0 Tabla 3.5. Valor de retorno de 20 años para el período pre-1976 y período de retorno o tiempo de espera (en años) de dicho valor en el período post-1976. TOMO II 36 Figura 3.21. Valores de retorno (en º C) en función de los períodos de retorno (en años) para HTn en las distintas estaciones utilizadas en el Capítulo 3 para los períodos pre- y post-1976. Figura 3.22. Valores de retorno (en º C) en función de los períodos de retorno (en años) para HTx en las distintas estaciones utilizadas en el Capítulo 3 para los períodos pre- y post-1976. TOMO II 37 Figura 3.23. Valores de retorno (en º C) en función de los períodos de retorno (en años) para LTn en las distintas estaciones utilizadas en el Capítulo 3 para los períodos pre- y post-1976. Figura 3.24. Valores de retorno (en º C) en función de los períodos de retorno (en años) para HTn en las distintas estaciones utilizadas en el Capítulo 3 para los períodos pre- y post-1976. TOMO II 38 FI GURAS DEL CAPÍ TULO 4 Figura 4.1. Probability plots del ajuste de la distribución GP a las series de eventos extremos cálidos (fríos) definidos como los valores que superan (no alcanzan) el percentil 85 (15) de la distribución de temperatura mínima y máxima diarias en Buenos Aires para los períodos: ( de izquierda a derecha) 1941-1960, 1961-1980 y 1981-2000. TOMO II 39 Figura 4.2. Probability plots del ajuste de la distribución GP a las series de eventos extremos cálidos (fríos) definidos como los valores que superan (no alcanzan) el percentil 90 (10) de la distribución de temperatura mínima y máxima diarias en Buenos Aires para los períodos: ( de izquierda a derecha) 1941-1960, 1961-1980 y 1981-2000. TOMO II 40 Figura 4.3. Probability plots del ajuste de la distribución GP a las series de eventos extremos cálidos (fríos) definidos como los valores que superan (no alcanzan) el percentil 99 (5) de la distribución de temperatura mínima y máxima diarias en Buenos Aires para los períodos: ( de izquierda a derecha) 1941-1960, 1961-1980 y 1981-2000. TOMO II 41 Figura 4.4. Función de densidad de probabilidad empírica de las anomalías de temperatura mínima (izquierda) y de la máxima (derecha) para las distintas estaciones y subperíodos analizados en el Capítulo 4. TOMO II 42 Figura 4.5. Percentiles 10 (abajo) y 90 (arriba) de las series de anomalías de temperatura mínima (izquierda) y máxima (derecha) en cada una de las estaciones y subperíodos analizados en el Capítulo 4. TOMO II 43 Figura 4.6. Función de densidad de probabilidad de la distribución GP ajustada a HTn para las distintas estaciones y subperíodos analizados en el Capítulo 4. Figura 4.7. Función de densidad de probabilidad de la distribución GP ajustada a HTx para las distintas estaciones y subperíodos analizados en el Capítulo 4. TOMO II 44 Figura 4.8. Función de densidad de probabilidad de la distribución GP ajustada a LTn para las distintas estaciones y subperíodos analizados en el Capítulo 4. Figura 4.9. Función de densidad de probabilidad de la distribución GP ajustada a LTx para las distintas estaciones y subperíodos analizados en el Capítulo 4. TOMO II 45 Figura 4.10. Valor de retorno de 20 años (en º C) y su intervalo de 95% de confianza para las distintas estaciones, subperíodos y extremos analizados en el Capítulo 4. TOMO II 46 OBA PGM PI L SRS TUC HTn HTx LTn LTx 1941-1960 3.3 4.1 -3.8 -3.4 1961-1980 Inf 40064 2272.2 8.9 1981-2000 4.6 11.2 6.8 6.1 1941-1960 3.8 3.9 -3.6 -4.0 1961-1980 Inf Inf Inf 28.4 1981-2000 10.7 5.4 452.1 Inf 1941-1960 3.4 3.6 -4.1 -3.6 1961-1980 Inf Inf 144.7 2.8 1981-2000 114.9 4.8 87.2 10.7 1941-1960 3.8 3.9 -4.0 -3.4 1961-1980 95811 Inf 223.5 31.9 1981-2000 333.8 Inf 126.5 2.7 1941-1960 3.6 3.8 -4.2 -3.8 1961-1980 29.3 504.7 3.9 672.6 1981-2000 10.2 20.6 26.0 8184.2 Tabla 4.1. Valor de retorno de 20 años para el primer período analizado (anomalía estandarizada respecto de la media y la varianza) y período de retorno o tiempo de espera (en años) de dicho valor en los períodos siguientes. TOMO II 47 Figura 4.11. Valores de retorno (en º C) en función de los períodos de retorno (en años) para HTn en las distintas estaciones y períodos analizados en el Capítulo 4. Figura 4.12. Valores de retorno (en º C) en función de los períodos de retorno (en años) para HTx en las distintas estaciones y períodos analizados en el Capítulo 4. TOMO II 48 Figura 4.13. Valores de retorno (en º C) en función de los períodos de retorno (en años) para LTn en las distintas estaciones y períodos analizados en el Capítulo 4. Figura 4.14. Valores de retorno (en º C) en función de los períodos de retorno (en años) para LTx en las distintas estaciones y períodos analizados en el Capítulo 4. TOMO II 49 FI GURAS DEL CAPÍ TULO 5 Figura 5.1. Valor medio (en º C) de la distribución de temperatura mínima simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 50 Figura 5.2. Desvío estándar (en º C) de la distribución de temperatura mínima simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.3. Percentil 5 (en º C) de la distribución de temperatura mínima simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 51 Figura 5.4. Percentil 95 (en º C) de la distribución de temperatura mínima simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.5. Valor medio (en º C) de la distribución de temperatura máxima simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 52 Figura 5.6. Desvío estándar (en º C) de la distribución de temperatura máxima simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.7. Percentil 5 (en º C) de la distribución de temperatura máxima simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 53 Figura 5.8. Percentil 95 (en º C) de la distribución de temperatura máxima simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.9. Valor medio (en º C) de la distribución de los extremos cálidos de la temperatura mínima (HTn) simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 54 Figura 5.10. Valor medio (en º C) de la distribución de los extremos cálidos de la temperatura máxima (HTx) simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.11. Valor medio (en º C) de la distribución de los extremos fríos de la temperatura mínima (LTn) simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 55 Figura 5.12. Valor medio (en º C) de la distribución de los extremos fríos de la temperatura máxima (LTx) simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.13. Desvío estándar (en º C) de la distribución de los extremos cálidos de la temperatura mínima (HTn) simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 56 Figura 5.14. Desvío estándar (en º C) de la distribución de los extremos cálidos de la temperatura máxima (HTx) simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.15. Desvío estándar (en º C) de la distribución de los extremos fríos de la temperatura mínima (LTn) simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 57 Figura 5.16. Desvío estándar (en º C) de la distribución de los extremos fríos de la temperatura máxima (LTx) simulada por tres GCM y representada por los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 58 Figura 5.17. Función de densidad de probabilidad de la distribución GEV ajustada a a) HTn, b) HTx, c) LTn, y d) LTx para los datos observados ( línea negra punteada), los reanálisis ERA-40 ( línea negra llena) y las simulaciones del clima en 1981-1999 ( líneas de colores). En gris se indica la distribución GEV para el ensemble de los tres modelos. TOMO II 59 Figura 5.18. Función de densidad de probabilidad de la distribución GEV ajustada a a) HTn, b) HTx, c) LTn, y d) LTx las simulaciones del clima en 19811999 ( línea punteada) y en las proyecciones del clima para el escenario A1B en el período 2010-2040 ( línea llena). En gris se indica la distribución GEV para el ensemble de los tres modelos. TOMO II 60 Figura 5.19. Cambios en el parámetro de posición (en º C) de HTn simulados por los GCM en el escenario A1B para el período 2010-2040 en relación a 19811999 en los puntos de grilla más cercanos a cada estación. TOMO II 61 Figura 5.20. Cambios en el parámetro de posición (en º C) de HTx simulados por los GCM en el escenario A1B para el período 2010-2040 en relación a 19811999 en los puntos de grilla más cercanos a cada estación. TOMO II 62 Figura 5.21. Cambios en el parámetro de posición (en º C) de LTn simulados por los GCM en el escenario A1B para el período 2010-2040 en relación a 19811999 en los puntos de grilla más cercanos a cada estación. TOMO II 63 Figura 5.22. Cambios en el parámetro de posición (en º C) de LTx simulados por los GCM en el escenario A1B para el período 2010-2040 en relación a 19811999 en los puntos de grilla más cercanos a cada estación. TOMO II 64 Figura 5.23. Cambios en el valor de retorno de 20 años (en º C) de HTn simulados por los GCM en el escenario A1B para el período 2010-2040 en relación a 1981-1999 en los puntos de grilla más cercanos a cada estación. TOMO II 65 Figura 5.24. Cambios en el valor de retorno de 20 años (en º C) de HTx simulados por los GCM en el escenario A1B para el período 2010-2040 en relación a 1981-1999 en los puntos de grilla más cercanos a cada estación. TOMO II 66 Figura 5.25. Cambios en el valor de retorno de 20 años (en º C) de LTn simulados por los GCM en el escenario A1B para el período 2010-2040 en relación a 1981-1999 en los puntos de grilla más cercanos a cada estación. TOMO II 67 Figura 5.26. Cambios en el valor de retorno de 20 años (en º C) de LTx simulados por los GCM en el escenario A1B para el período 2010-2040 en relación a 1981-1999 en los puntos de grilla más cercanos a cada estación. TOMO II 68 Figura 5.27. Tiempo de espera (en años) de HTn en las proyecciones del clima del período 2010-2040 para el escenario A1B asociadas al valor de retorno de 20 años estimado a partir de las simulaciones del clima en 19811999. TOMO II 69 Figura 5.28. Tiempo de espera (en años) de HTx en las proyecciones del clima del período 2010-2040 para el escenario A1B asociadas al valor de retorno de 20 años estimado a partir de las simulaciones del clima en 1981-1999. TOMO II 70 Figura 5.29. Tiempo de espera (en años) de LTn en las proyecciones del clima del período 2010-2040 para el escenario A1B asociadas al valor de retorno de 20 años estimado a partir de las simulaciones del clima en 1981-1999. TOMO II 71 Figura 5.30. Tiempo de espera (en años) de LTx en las proyecciones del clima del período 2010-2040 para el escenario A1B asociadas al valor de retorno de 20 años estimado a partir de las simulaciones del clima en 1981-1999. TOMO II 72 Figura 5.31. Valor medio (en º C) de la distribución de temperatura mínima obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.32. Desvío estándar (en º C) de la distribución de temperatura mínima obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 73 Figura 5.33. Percentil 5 (en º C) de la distribución de temperatura mínima obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.34. Percentil 95 (en º C) de la distribución de temperatura mínima obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 74 Figura 5.35. Valor medio (en º C) de la distribución de temperatura máxima obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.36. Desvío estándar (en º C) de la distribución de temperatura máxima obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 75 Figura 5.37. Percentil 5 (en º C) de la distribución de temperatura máxima obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.38. Percentil 95 (en º C) de la distribución de temperatura máxima obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 76 Figura 5.39. Valor medio (en º C) de la distribución de los extremos cálidos de la temperatura mínima (HTn) obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.40. Valor medio (en º C) de la distribución de los extremos cálidos de la temperatura máxima (HTx) obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 77 Figura 5.41. Valor medio (en º C) de la distribución de los extremos fríos de la temperatura mínima (LTn) obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.42. Valor medio (en º C) de la distribución de los extremos frios de la temperatura máxima (LTx) obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 78 Figura 5.43. Desvío estándar (en º C) de la distribución de los extremos cálidos de la temperatura mínima (HTn) obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.44. Desvío estándar (en º C) de la distribución de los extremos cálidos de la temperatura máxima (HTx) obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 79 Figura 5.45. Desvío estándar (en º C) de la distribución de los extremos fríos de la temperatura mínima (LTn) obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. Figura 5.46. Desvío estándar (en º C) de la distribución de los extremos fríos de la temperatura máxima (LTx) obtenida a partir de la aplicación de CHAC a las simulaciones de tres GCM y de los reanálisis ERA-40 en cada punto de grilla en función de los valores observados en la estación correspondiente. TOMO II 80 Figura 5.47. Series temporales de los extremos anuales de temperatura (en º C) para el período 1981-1999 según los datos observados en la estación Mendoza Observatorio ( línea llena), los reanálisis ERA-40 en el punto de grilla más cercano ( línea con cruces) y la aplicación de CHAC a los reanálisis ERA-40 ( línea con círculos). TOMO II 81 Figura 5.48. Series temporales de los extremos anuales de temperatura (en º C) para el período 1981-1999 según los datos observados en la estación Mendoza Observatorio ( línea llena), el modelo ECHAM5/ MPI-OM en el punto de grilla más cercano ( línea con cruces) y la aplicación de CHAC al modelo ECHAM5/ MPI-OM ( línea con círculos). TOMO II 82 Figura 5.49. Función de densidad de probabilidad de la distribución GEV ajustada a a) HTn, b) HTx, c) LTn, y d) LTx para los datos observados ( línea negra punteada) y la metodología CHAC aplicada a los reanálisis ERA-40 ( línea negra llena) y a las simulaciones del clima en 1981-1999 ( líneas de colores). En gris se indica la distribución GEV para el ensemble de los tres modelos. TOMO II 83 FI GURAS DEL CAPÍ TULO 6 Figura 6.1. Valor medio de la temperatura mínima (en º C) de ( de arriba hacia abajo) verano, otoño, invierno y primavera, para ( de izquierda a derecha) las observaciones, los modelos LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos. TOMO II 84 Figura 6.2. Valor medio de la temperatura máxima (en º C) de ( de arriba hacia abajo) verano, otoño, invierno y primavera, para ( de izquierda a derecha) las observaciones, los modelos LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos. TOMO II 85 Figura 6.3. Desvío estándar de la temperatura mínima (en º C) de ( de arriba hacia abajo) verano, otoño, invierno y primavera, para ( de izquierda a derecha) las observaciones, los modelos LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos. TOMO II 86 Figura 6.4. Desvío estándar de la temperatura máxima (en º C) de ( de arriba hacia abajo) verano, otoño, invierno y primavera, para ( de izquierda a derecha) las observaciones, los modelos LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos. TOMO II 87 Figura 6.5. Diferencias (en º C) en el valor medio de ( de arriba hacia abajo) la temperatura mínima de verano, la temperatura máxima de verano, la temperatura mínima de invierno, la temperatura máxima de invierno, entre los modelos ( de izquierda a derecha) LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos respecto de las observaciones. Valores positivos indican sobreestimación de los modelos. TOMO II 88 Figura 6.6. Diferencias (en º C) en el desvío estándar de ( de arriba hacia abajo) la temperatura mínima de verano, la temperatura máxima de verano, la temperatura mínima de invierno, la temperatura máxima de invierno, entre los modelos ( de izquierda a derecha) LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos respecto de las observaciones. Valores positivos indican sobreestimación de los modelos. TOMO II 89 Figura 6.7. Percentil 90 de la temperatura mínima (en º C) de ( de arriba hacia abajo) verano, otoño, invierno y primavera, para ( de izquierda a derecha) las observaciones, los modelos LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos. TOMO II 90 Figura 6.8. Percentil 90 de la temperatura máxima (en º C) de ( de arriba hacia abajo) verano, otoño, invierno y primavera, para ( de izquierda a derecha) las observaciones, los modelos LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos. TOMO II 91 Figura 6.9. Diferencias (en º C) en el percentil 90 de ( de arriba hacia abajo) la temperatura mínima de verano, la temperatura máxima de verano, la temperatura mínima de invierno, la temperatura máxima de invierno, entre los modelos ( de izquierda a derecha) LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos respecto de las observaciones. Valores positivos indican sobreestimación de los modelos. TOMO II 92 Figura 6.10. Percentil 10 de la temperatura mínima (en º C) de ( de arriba hacia abajo) verano, otoño, invierno y primavera, para ( de izquierda a derecha) las observaciones, los modelos LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos. TOMO II 93 Figura 6.11. Percentil 10 de la temperatura máxima (en º C) de ( de arriba hacia abajo) verano, otoño, invierno y primavera, para ( de izquierda a derecha) las observaciones, los modelos LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos. TOMO II 94 Figura 6.12. Diferencias (en º C) en el percentil 10 de ( de arriba hacia abajo) la temperatura mínima de verano, la temperatura máxima de verano, la temperatura mínima de invierno, la temperatura máxima de invierno, entre los modelos ( de izquierda a derecha) LMDZ, PROMES, RCA3, REMO y el ensemble de los cuatro modelos respecto de las observaciones. Valores positivos indican sobreestimación de los modelos. TOMO II 95 ANEXO Nro 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 TOMO II Nombre Tacaagle, Formosa Colonia Castelli, Chaco San Francisco de Laishi, Formosa Campo Gallo, Santiago del Estero Villa Nougues, Tucumán Zavalla, Santa Fe Loreto, Misiones Oberá, Misiones Catamarca INTA (Sumalao), Catamarca Valle Fértil, San Juan Esperanza, Santa Fe Ángel Gallardo, Santa Fe Río Tercero, Córdoba Junín, Buenos Aires Parque Peryra Iraola, Buenos Aires Guatrache, La Pampa Sierra de la Ventana, Buenos Aires Tres Arroyos I, Buenos Aires Cipolletti I, Río Negro Alto Valle INTA, Río Negro Humahuaca, Jujuy Salto Grande, Entre Ríos Bordenave INTA, Buenos Aires Los Hornos, Buenos Aires Los Gigantes, Córdoba Parque Prov. Tornquist, Buenos Aires Dique Pisco Huasi, Córdoba San Martín INTA, San Juan Gualeguaychú, Entre Ríos La Banda INTA, Santiago del Estero Argerich, Buenos Aires Villa Regina, Río Negro Mercedes (Quintas), Buenos Aires Reconquista INTA, Santa Fe Manfredi INTA, Córdoba Villa Mercedes INTA, San Luis Vivero Hornillos, Jujuy Corrientes INTA (Sombrerito), Corrientes Ing. Dagoberto Sardina, Mendoza Junín INTA, Mendoza El Balde, San Juan Concordia INTA, Entre Ríos San Francisco, Córdoba La Quiaca, Jujuy Abra Pampa INTA, Jujuy Oran Aero, Salta Tartagal Aero, Salta La Casualidad, Salta Jujuy (Ciudad), Jujuy Jujuy Un, Jujuy Alto del Comedero, Jujuy Salta INTA (Cerrillos), Salta Jujuy Aero, Jujuy Salta Aero, Salta País Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Latitud (º ) -24.97 -25.95 -26.20 -26.58 -26.88 -33.02 -27.35 -27.48 -28.48 -30.63 -31.43 -31.62 -32.17 -34.58 -34.87 -37.63 -38.13 -38.38 -38.95 -39.02 -23.20 -31.20 -37.85 -34.87 -31.40 -38.07 -30.33 -31.58 -32.87 -27.75 -38.77 -39.15 -34.68 -29.18 -31.82 -33.72 -23.67 -27.65 -33.30 -33.15 -30.95 -31.37 -31.37 -22.10 -22.83 -23.15 -22.65 -25.05 -24.18 -24.17 -24.23 -24.90 -24.38 -24.85 Longitud (º ) -58.82 -60.63 -58.70 -62.85 -65.38 -60.88 -55.50 -55.13 -65.73 -67.45 -60.93 -60.68 -64.13 -60.93 -58.17 -63.57 -61.78 -60.27 -67.98 -67.67 -65.37 -57.92 -63.02 -57.97 -64.77 -62.03 -64.00 -68.43 -58.52 -64.25 -62.60 -67.07 -59.38 -59.70 -63.77 -65.48 -65.43 -58.77 -68.73 -68.47 -68.63 -58.12 -62.12 -65.60 -65.85 -64.32 -63.82 -68.22 -65.30 -65.18 -65.28 -65.48 -65.08 -65.48 Altitud ( m) 87 111 75 190 1388 50 163 343 525 857 38 18 380 80 12 175 250 108 265 242 2980 37 212 15 1800 435 600 591 14 187 10 205 43 42 292 515 2370 57 750 653 928 48 115 3459 3484 357 450 4092 1303 1302 1253 1250 905 1221 96 Nro 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 TOMO II Nombre Rivadavia, Salta Monte Quemado, Santiago del Estero Las Lomitas, Formosa Iguazú Aero, Misiones Tucumán Obs, Tucumán Famailla INTA, Tucumán Tucumán Aero I, Tucumán Tucumán Aero II, Tucumán Santiago del Estero Aero, Santiago del Estero La Maria INTA, Santiago del Estero Las Breñas INTA, Chaco Villa Ángela, Chaco Presidencia R. S. Peña INTA, Chaco Avia Terai, Chaco Presidencia R. S. Peña Aero, Chaco El Colorado INTA, Formosa Resistencia Aero, Chaco Resistencia Aeroclub, Chaco Colonia Benítez INTA, Chaco Formosa Aero, Formosa Bernardo de Irigoyen Aero, Misiones Corrientes Aero, Corrientes Corrientes, Corrientes General Paz, Corrientes Ituzaingó II, Corrientes Posadas Aero, Misiones Cerro Azul INTA, Misiones Oberá II, Misiones Tinogasta, Catamarca Chilecito Aero III, La Rioja Chilecito I , La Rioja La Rioja Aero, La Rioja Catamarca Aero I, Catamarca Catamarca Aero II, Catamarca Villa Maria del Río Seco, Córdoba Ceres Aero, Santa Fe Reconquista Aero, Santa Fe Goya, Corrientes Bella Vista INTA, Corrientes Mercedes Aero, Corrientes Mercedes INTA, Corrientes Curuzu Cuatia Aero, Corrientes Paso de los Libres Aero, Corrientes Jachal, San Juan San Juan Aero II, San Juan San Juan INTA, San Juan Chamical Aero, La Rioja Chepes, La Rioja Villa Dolores Aero, Córdoba Dique Cruz del Eje, Córdoba Córdoba Aero, Córdoba Córdoba Obs, Córdoba Pilar, Córdoba Rafaela INTA, Santa Fe Sauce Viejo Aero, Santa Fe Paraná INTA, Entre Ríos Paraná Aero, Entre Ríos Villaguay Aero, Entre Ríos País Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Latitud (º ) -24.17 -25.80 -24.70 -25.73 -26.80 -27.05 -26.85 -26.85 -27.77 Longitud (º ) -62.90 -62.85 -60.58 -54.47 -65.20 -65.42 -65.20 -65.10 -64.30 Altitud ( m) 205 221 130 270 480 363 450 450 199 Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina -28.05 -27.08 -27.57 -26.87 -26.75 -26.82 -26.30 -27.45 -27.47 -27.42 -26.20 -26.25 -27.45 -27.47 -27.75 -27.58 -27.37 -27.65 -27.48 -28.07 -29.23 -29.17 -29.38 -28.45 -28.60 -29.90 -29.88 -29.18 -29.13 -28.43 -29.22 -29.17 -29.78 -29.68 -30.23 -31.57 -31.62 -30.37 -31.33 -31.95 -30.75 -31.32 -31.40 -31.67 -31.18 -31.70 -31.83 -31.78 -31.85 -64.25 -61.12 -60.73 -60.45 -60.40 -60.45 -59.37 -59.05 -58.98 -58.93 -58.23 -53.65 -58.77 -58.82 -57.63 -56.67 -55.97 -55.43 -55.13 -67.57 -67.43 -67.52 -66.82 -65.77 -65.77 -63.68 -61.95 -59.70 -59.27 -58.92 -58.10 -58.02 -57.98 -57.15 -68.75 -68.42 -68.53 -66.28 -66.60 -65.13 -64.75 -64.22 -64.18 -63.88 -61.55 -60.82 -60.52 -60.48 -59.08 169 102 75 90 93 92 78 52 51 54 60 815 62 60 74 72 125 270 303 1201 945 1170 429 531 454 341 88 53 36 70 107 100 73 70 1175 598 615 461 658 569 515 474 425 338 100 18 110 78 43 97 Nro 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 TOMO II Nombre Monte Caseros Aero, Corrientes Concordia Aero, Entre Ríos Puente del Inca, Mendoza Uspallata, Mendoza San Carlos, Mendoza San Martín, Mendoza La Consulta INTA, Mendoza Mendoza Aero, Mendoza Mendoza Obs, Mendoza La Paz, Mendoza San Luis Aero, San Luis Villa Reynolds Aero, San Luis Embalse, Córdoba Río Cuarto Aero, Córdoba Chacras de Coria, Mendoza Bell Ville, Córdoba Marcos Juárez INTA, Córdoba Marcos Juárez Aero, Córdoba Venado Tuerto, Santa Fe El Trébol, Santa Fe Oliveros INTA, Santa Fe Victoria, Entre Ríos Rosario Aero, Santa Fe Pergamino INTA, Buenos Aires Concepción del Uruguay INTA, Entre Ríos San Pedro INTA, Buenos Aires Gualeguaychú Aero, Entre Ríos Mazaruca, Entre Ríos Malargüe Aero, Mendoza Rama Caída INTA, Mendoza San Rafael Aero, Mendoza Colonia Alvear, Mendoza Unión, San Luis General Pico Aero, La Pampa Laboulaye Aero, Córdoba Trenque Lauquen, Buenos Aires Pehuajó Aero, Buenos Aires Junín Aero, Buenos Aires 9 de Julio, Buenos Aires San Fernando, Buenos Aires Las Flores, Buenos Aires Don Torcuato Aero, Buenos Aires San Miguel, Buenos Aires El Palomar Aero, Buenos Aires Morón Aero, Buenos Aires Castelar INTA, Buenos Aires Ezeiza Aero, Buenos Aires Lomas de Zamora Un, Buenos Aires Isla Martín García, Buenos Aires Aeroparque Buenos Aires Aero, Capital Federal Buenos Aires Obs, Capital Federal La Plata, Buenos Aires La Plata Obs, Buenos Aires Punta Indio Aero, Buenos Aires Faro Pontón Recalada, Buenos Aires Santa Isabel, La Pampa Victorica, La Pampa General Acha, La Pampa País Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Latitud (º ) -30.27 -31.30 -32.82 -32.60 -33.77 -33.08 -33.73 -32.83 -32.88 -33.47 -33.27 -33.73 -32.18 -33.12 -32.98 -32.63 -32.68 -32.70 -33.67 -32.20 -32.55 -32.62 -32.92 -33.93 -32.48 -33.68 -33.00 -33.58 -35.50 -34.67 -34.58 -35.00 -35.17 -35.70 -34.13 -35.97 -35.87 -34.55 -35.45 -34.45 -36.03 -34.48 -34.55 -34.60 -34.67 -34.67 -34.82 -34.80 -34.18 -34.57 Longitud (º ) -57.65 -58.02 -69.90 -69.33 -69.03 -68.42 -69.12 -68.78 -68.85 -67.55 -66.35 -65.38 -64.38 -64.23 -68.87 -62.68 -62.12 -62.15 -61.97 -61.67 -60.85 -60.18 -60.78 -60.55 -58.33 -59.68 -58.62 -59.40 -69.58 -68.38 -68.40 -67.65 -65.95 -63.75 -63.37 -62.73 -61.90 -60.92 -60.88 -58.58 -59.13 -58.62 -58.73 -58.60 -58.63 -58.65 -58.53 -58.52 -58.27 -58.42 Altitud ( m) 54 38 2720 1891 940 653 940 704 827 506 713 486 548 421 921 130 110 114 112 96 26 29 25 65 25 28 21 5 1425 692 748 465 372 145 137 95 87 81 76 3 36 4 26 12 24 22 20 22 36 6 Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina -34.58 -34.97 -34.92 -35.37 -35.17 -36.27 -36.22 -37.37 -58.48 -57.90 -57.93 -57.28 -56.25 -66.92 -65.43 -64.92 25 23 15 22 11 320 312 219 98 Nro 174 175 176 177 178 179 180 181 182 183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216 217 218 219 220 221 222 223 224 225 226 227 228 229 230 231 232 TOMO II Nombre Anguil INTA, La Pampa Macachín, La Pampa Quemu Quemu, La Pampa Coronel Suárez Aero, Buenos Aires Bolívar Aero I, Buenos Aires Bolívar Aero II, Buenos Aires SIN NOMBRE, Azul Aero, Buenos Aires Olavarría Aero, Buenos Aires Tandil Aero, Buenos Aires López Juárez, Buenos Aires Dolores Aero, Buenos Aires Benito Juárez Aero, Buenos Aires San Clemente del Tuyú, Buenos Aires Santa Teresita Aero, Buenos Aires Pinamar, Buenos Aires Villa Gesell Aero, Buenos Aires Puelches, La Pampa Pigue Aero, Buenos Aires Coronel Pringles, Laprida, Buenos Aires Barrow INTA, Buenos Aires Tres Arroyos II, Buenos Aires Balcarce INTA, Buenos Aires Mar del Plata Aero, Buenos Aires Mar del Plata B N, Buenos Aires Cutral Co, Neuquén Neuquen Aero, Neuquén Cipolletti II, Río Negro Choele Choel, Río Negro Río Colorado, Río Negro HilaRío Ascasubi INTA, Buenos Aires Faro El Rincón, Buenos Aires Comandante Espora Aero, Buenos Aires Bahía Blanca Aero, Buenos Aires Necochea, Buenos Aires Campinas (Viracopos) Sao Paulo (Guarulhos) Sao Paulo(Congonhas) Santos (base aerea) Curitiba (Afonso_Pena) Santa Maria Porto_Alegre(salgado_Filho) Bage(gustavo_Kraemer) Bage Campo Mourao Campos Novos Castro Chapeco Curz Alta Irai Irati Ivai Lages Maringa Passo Fundo Santa Maria Santana do Livramento Sao Luiz Gonzaga País Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Argentina Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Latitud (º ) -36.50 -37.13 -36.07 -37.43 -36.25 -36.20 -36.83 -36.75 -36.88 -37.23 -37.53 -36.35 -37.72 -36.37 -36.55 -37.08 -37.23 -38.13 -37.60 -38.02 -37.57 -38.32 -38.33 -37.75 -37.93 -38.05 -38.95 -38.95 -38.95 -39.28 -39.02 -39.38 -39.38 -38.73 -38.73 -38.57 -23.00 -22.57 -22.38 -22.07 -24.48 -28.28 -30.00 -30.62 -31.33 -24.05 -27.38 -24.78 -27.12 -28.63 -27.18 -25.47 -25.00 -27.82 -23.40 -28.22 -29.70 -30.83 -28.40 Longitud (º ) -63.98 -63.68 -63.57 -61.88 -61.10 -61.07 -59.88 -59.83 -60.22 -59.25 -59.57 -57.73 -59.78 -56.72 -56.68 -56.85 -57.02 -65.92 -62.38 -61.33 -60.77 -60.25 -60.25 -58.30 -57.58 -57.55 -69.22 -68.13 -67.97 -65.65 -64.08 -62.62 -62.02 -62.17 -62.17 -58.70 -46.87 -45.53 -45.35 -45.70 -48.82 -52.30 -50.82 -53.88 -54.10 -52.37 -51.20 -50.00 -52.62 -53.60 -53.23 -50.63 -50.85 -50.33 -51.92 -52.40 -53.70 -55.60 -55.02 Altitud ( m) 165 142 120 233 93 94 147 132 166 175 233 9 207 3 4 13 9 232 304 247 212 120 115 130 21 5 612 271 265 131 79 22 7 74 83 8 661 735 803 3 908 85 3 180 242 616 947 1009 679 473 247 837 808 937 542 684 95 328 245 99 Nro 234 235 236 237 238 239 240 241 242 243 244 245 246 247 248 249 250 251 252 253 254 255 256 257 258 259 260 261 262 263 264 265 TOMO II Nombre Bambui Campo Grande Campo Grande Aero Aracatuba Catanduva Campos Do Jordao Campinas Aero Bauru Campinas Avare Arvoredo Bom Jesus Caxias Do Sul Canoas Bage Aero Mariscal Estigarribia Villarrica Encarnacion La Estanzuela Brujas Tacuarembo Treinta y tres Artigas Rivera Salto Paysandu Melo Paso de los Toros Mercedes Rocha Carrasco Prado País Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Brasil Paraguay Paraguay Paraguay Uruguay Uruguay Uruguay Uruguay Uruguay Uruguay Uruguay Uruguay Uruguay Uruguay Uruguay Uruguay Uruguay Uruguay Latitud (º ) -20.00 -20.45 -20.47 -21.20 -21.13 -22.73 -23.00 -22.32 -22.90 -23.10 -27.30 -28.67 -29.17 -29.93 -31.35 -22.02 -25.75 -27.32 -34.45 -34.70 -31.70 -33.20 -30.40 -30.90 -31.40 -32.35 -32.37 -32.80 -33.25 -34.49 -34.83 -34.86 Longitud (º ) -45.98 -54.62 -54.67 -50.43 -48.97 -45.58 -47.13 -49.07 -47.08 -48.92 -48.35 -50.43 -51.20 -51.13 -54.12 -60.60 -56.43 -55.83 -57.84 -56.30 -56.00 -54.30 -56.01 -55.54 -57.97 -58.04 -54.19 -56.53 -58.07 -54.31 -56.01 -56.21 Altitud ( m) 661 530 567 397 536 1579 661 590 663 793 18 1048 759 8 180 181 161 91 80 32 140 100 121 242 33 61 100 76 17 18 33 16 100