Downscaling
Priscila Bijay
Universidad de Cuenca, Facultad de Ciencias Químicas, Carrera de Ingeniería
Ambiental.
Asignatura: Meteorología y climatología, Cuenca – Ecuador, Fecha de entrega: 04-07-2025.
_____________________________________________________________________________
Introducción
El cambio climático global representa un desafío significativo para la gestión de los recursos
hídricos, especialmente en regiones sensibles como los Andes tropicales. Los modelos climáticos
globales (GCM, por sus siglas en inglés) proporcionan proyecciones climáticas a gran escala, pero
su resolución espacial (entre 100 y 300 km) no es suficiente para evaluar impactos a escala local
o de cuenca. En este contexto, el downscaling climático es una herramienta fundamental que
permite refinar las proyecciones climáticas globales para hacerlas útiles en estudios locales. Este
informe se enfoca en el análisis de series de precipitación observada, histórica y futura, con el fin
de evaluar posibles cambios en los patrones de lluvia bajo escenarios de cambio climático. Para
ello, se utilizarán métodos de reducción de escala que permitan mejorar la representación espacial
y temporal de la precipitación en la zona de estudio.
Objetivos
Aplicar técnicas de downscaling climático para evaluar los cambios en la precipitación futura en
comparación con datos históricos y observados en una región específica.
Marco teórico
Cambio climático y necesidad de proyecciones locales
El cambio climático global está provocando alteraciones significativas en los patrones de
precipitación, temperatura y eventos extremos. Para entender sus impactos a nivel local y regional,
es necesario contar con herramientas que permitan traducir la información de gran escala a escalas
útiles para la gestión ambiental, la agricultura y los recursos hídricos (IPCC, 2021).
Modelos climáticos globales
Los modelos climáticos globales (GCM, por sus siglas en inglés) son representaciones
matemáticas de los procesos físicos y químicos que gobiernan el sistema climático terrestre.
Aunque son útiles para estimar tendencias futuras del clima, operan con resoluciones espaciales
gruesas (entre 100 y 250 km), lo que limita su capacidad para capturar características locales,
especialmente en zonas montañosas o costeras (Wilby et al., 2004).
Downscaling climático
El downscaling climático es una técnica que permite obtener información a escala local a partir de
datos generados por modelos climáticos globales. Existen dos grandes tipos:
•
•
Downscaling dinámico, que utiliza modelos regionales anidados dentro de GCMs.
Downscaling estadístico, que se basa en relaciones estadísticas entre variables climáticas
a gran escala y observaciones locales (Benestad et al., 2008).
El presente trabajo aplica un enfoque de downscaling estadístico por corrección de sesgo (bias
correction), el cual ajusta los datos simulados para que coincidan mejor con los datos observados
históricamente.
Metodología empleada.
Se trabajó con tres series de datos: precipitación mensual observada, precipitación histórica
simulada y proyección futura. Se utilizó el lenguaje de programación R para el procesamiento,
análisis y graficación de los datos.
1. Se importaron archivos Excel y se transformaron en matrices.
2. Se calcularon promedios mensuales de precipitación para cada mes del año, tanto para los
datos observados como para los históricos modelados.
3. Se estimó el cociente entre la media observada y la simulada para cada mes.
4. Los factores fueron aplicados a los datos históricos y futuros del modelo, generando series
corregidas.
5. Se generaron gráficos para comparar visualmente las series originales y corregidas.
Resultados y discusión.
El uso de un método de bias correction mensual demuestra ser eficaz para ajustar las simulaciones
climáticas a las condiciones locales. Aunque el modelo climático global presenta una estructura
estacional razonable, la magnitud de las precipitaciones difiere significativamente. La corrección
mejora la representación de eventos extremos y garantiza que las proyecciones futuras estén
alineadas con la climatología observada. Sin embargo, se asume que el sesgo del modelo se
mantiene constante en el tiempo, lo cual podría no cumplirse en todos los casos.
El modelo sin corrección tiende a sobreestimar o subestimar la precipitación dependiendo
del mes.
La serie corregida mejora significativamente el ajuste con respecto a los datos observados.
Se conserva la estacionalidad del ciclo anual.
El modelo original proyecta valores ligeramente más altos.
La serie corregida ajusta la magnitud de los valores sin alterar la forma ni la variabilidad
temporal.
Esto permite obtener proyecciones más coherentes con la realidad histórica observada.
Precipitacion vs año
29
28
27
26
25
24
23
22
21
Valor histo
Jul-48
Oct-49
Apr-47
Jan-46
Oct-44
Jul-43
Jan-41
Apr-42
Jul-38
Oct-39
Jan-36
Apr-37
Oct-34
Jul-33
Jan-31
Apr-32
Jul-28
Valor obs
Oct-29
Jan-26
Apr-27
Oct-24
Jul-23
Apr-22
Jan-21
Jul-18
Oct-19
Jan-16
Apr-17
Oct-14
Jul-13
Apr-12
Jan-11
20
RCP26
Comparación entre datos observados y simulados históricos
Entre los años 2011 y ~2025, se aprecia que la línea naranja (observada) y la línea gris (histórica
modelada) tienen diferencias visibles.
La línea gris suele mantenerse ligeramente por encima o por debajo de la línea observada, lo que
sugiere un sesgo sistemático en el modelo sin corrección.
Este sesgo es el que se busca corregir mediante técnicas de downscaling.
Proyección futura bajo el escenario RCP 2.6
Desde aproximadamente el año 2025 en adelante, la línea amarilla (RCP26) representa la
evolución futura simulada.
Esta línea muestra un patrón cíclico muy regular, reflejando una estacionalidad constante con
oscilaciones anuales.
No se observan aumentos o disminuciones drásticas en los valores máximos y mínimos, lo cual
puede deberse a que el escenario RCP 2.6 proyecta reducciones fuertes de emisiones y una
estabilización climática.
Amplitud y comportamiento estacional
La amplitud de la serie RCP26 es ligeramente más baja que las otras dos, lo cual puede indicar que
la proyección futura modela una disminución en la variabilidad mensual de la precipitación.
La estacionalidad se mantiene clara, lo cual es consistente con patrones climáticos dominados por
estaciones lluviosas/sequías.
Conclusión.
Este tipo de análisis es esencial para diseñar medidas de adaptación al cambio climático y para el
manejo sostenible del recurso hídrico.
Luego de corregir los errores del modelo climático, se espera que la precipitación mensual en la
estación CHANIN no aumente en el futuro (hasta 2050). Al contrario, se mantendrá estable o un
poco más baja, siguiendo el mismo patrón de estaciones lluviosas y secas.
Las series corregidas conservan los patrones estacionales y la variabilidad temporal, lo cual es
fundamental para la planificación y evaluación de impactos.
Bibliografía.
Benestad, R. E., Hanssen-Bauer, I., & Chen, D. (2008). Empirical-statistical downscaling. World
Scientific Publishing Company.
IPCC (2021). Sixth Assessment Report – Working Group I: The Physical Science Basis.
Intergovernmental Panel on Climate Change. https://www.ipcc.ch/report/ar6/wg1/
Wilby, R. L., Charles, S. P., Zorita, E., Timbal, B., Whetton, P., & Mearns, L. O. (2004).
Guidelines for use of climate scenarios developed from statistical downscaling methods. IPCC
Task Group on Data and Scenario Support for Impact and Climate Analysis (TGICA).
0
