Preguntas frecuentes

Información general

Los modelos globales del clima (GCMs, según sus siglas en inglés) constituyen la principal herramienta de que se dispone para simular los procesos que conforman el estado del clima. El IPCC define los modelos climáticos como una representación numérica del sistema climático basada en las propiedades físicas, químicas y biológicas de sus componentes, en sus interacciones y en sus procesos de realimentación, y que recoge todas o algunas de sus propiedades conocidas. Estos sistemas de ecuaciones se resuelven usando grandes supercomputadores, aplicando técnicas matemáticas apropiadas que proporcionan los sucesivos estados del sistema en intervalos temporales discretos (por ejemplo, hora a hora) que caracterizan la evolución futura del sistema climático. Los modelos climáticos ofrecen la posibilidad de anticipar la forma en que el sistema climático podrá ser modificado por la actividad humana en los siglos venideros.

Los modelos globales del clima permiten proyectar el forzamiento radiativo dado por escenarios de emisiones o de concentraciones futuras de los GEI y aerosoles en cambios futuros para las distintas variables del sistema climático (por ejemplo temperatura).

Según el IPCC, la proyección climática es la respuesta simulada del sistema climático a diversos escenarios de emisiones o de concentraciones futuras de los GEI y aerosoles, frecuentemente basada en simulaciones de modelos climáticos. Las proyecciones climáticas se diferencian de las predicciones climáticas por su dependencia de los escenarios de emisiones, concentraciones, o forzamiento radiativo utilizados, basados en supuestos relativos, por ejemplo, a un devenir socio-económico y tecnológico que podrá o no podrá materializarse.

Según el IPCC, un escenario climático es una representación plausible y en ocasiones simplificada del clima futuro, basada en un conjunto de relaciones climatológicas internamente coherente definido explícitamente para investigar las posibles consecuencias del cambio climático causado por el ser humano, y que puede introducirse como datos entrantes en los modelos de impacto. Las proyecciones climáticas suelen utilizarse como punto de partida para definir escenarios climáticos, aunque estos requieren habitualmente información adicional, por ejemplo sobre el clima actual observado. Un escenario de cambio climático es la diferencia entre un escenario climático y el clima actual.

El sistema climático es muy complejo. Para determinar cuál será el clima futuro es necesario conocer bien su dinámica y saber cuál será su respuesta ante las perturbaciones, entre ellas los cambios de composición de la atmósfera como consecuencia de la actividad humana. Para ello acudimos a los escenarios de emisiones, que son representaciones de la posible evolución futura de las emisiones (p. ej. GEI y aerosoles).

En el Quinto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre Cambio Climático (IPCC por sus siglas en inglés) se ha utilizado un conjunto nuevo de cuatro escenarios, las denominadas Sendas Representativas de Concentración o Trayectorias de Concentración Representativas (RCP, de sus siglas en inglés). Estos RCP se definen como escenarios que abarcan series temporales de emisiones y concentraciones de la gama completa de los GEI y aerosoles y gases químicamente activos, así como el uso del suelo y la cubierta terrestre.

Estos escenarios se definen a partir de posibles trayectorias futuras de forzamiento radiativo, causadas por cambios en la concentración de GEI y aerosoles, y que caracterizan el cambio en el balance entre la radiación saliente y entrante en la atmósfera (forzamiento). Tratan de representar el rango de posibles, pero también desconocidas, concentraciones futuras de los GEI y aerosoles en la atmósfera, debido a los diferentes posibles ritmos de emisión de las actividades humanas. Éstas se identifican por el forzamiento radiativo total aproximado para el año 2100 con respecto a 1750, que se considera comprendido en una horquilla entre 2.6 y 8.5 Wm–2.

Aunque la resolución espacial de los modelos climáticos globales ha mejorado en el transcurso del tiempo, las escalas de sus rejillas limitan la representación de algunas características importantes tanto regionales como locales y los procesos asociados a esas escalas. Esto puede repercutir de manera importante en determinadas variables como, por ejemplo, en la distribución local de la lluvia. Por otro lado, la demanda más acuciante está en la necesidad de disponer de información para la realización de estudios de impacto con la necesaria resolución espacial y temporal. En este contexto, la regionalización o reducción de escala surge para tratar de paliar esas limitaciones de los modelos globales. Mediante los métodos de regionalización se extrae información de escalas local a regional (de 10 a 100 km) a partir de modelos o análisis de datos a mayor escala. La regionalización tiene sentido porque existe una conexión entre la gran escala y la pequeña escala, las escalas grandes condicionan a las pequeñas. Las técnicas de regionalización pueden aplicarse espacial y temporalmente.

Aunque existen diferentes enfoques con distinto grado de complejidad, las técnicas de mejora de escala se pueden agrupar en dos grandes grupos: dinámicas y empírico/estadísticas.

  • Los métodos de regionalización dinámicos están basados en los resultados de modelos climáticos regionales, en modelos globales con resolución espacial variable o en modelos globales de alta resolución. Estos métodos tienen la ventaja de ser físicamente consistentes y la gran desventaja de ser muy costosos en tiempo de cálculo.
  • Los métodos de regionalización empírico/estadísticos están basados en el desarrollo de relaciones estadísticas que vinculan las variables atmosféricas de gran escala (predictores) con las variables climáticas de escala local/regional (predictandos), relaciones que se suponen invariables frente al cambio de clima. Esta invariabilidad es una clara desventaja frente al grupo de métodos de regionalización dinámica, aunque, generalmente, sean poco costosos en tiempo de cálculo y relativamente simples.

Puede obtener más información en el siguiente documento

Información sobre el funcionamiento del Visor de Escenarios de AdapteCCa y sobre los datos que recoge

Información sobre la interpretación de los datos y buenas prácticas

Existen dos fuentes principales de información climática regional. Por una parte, la información proveniente de modelos climáticos regionales (por ejemplo, CORDEX) se proporciona en rejillas regulares que cubren toda la región estudio con una resolución dada (~10 km en Euro-CORDEX). Por otra parte, los métodos de regionalización estadística proporcionan información puntual en una serie de puntos o localidades predefinidas en los que los métodos han sido calibrados y aplicados.

Los datos en rejilla tienen una mayor cobertura espacial, pero no son representativos de un punto o localidad particular que pueda ser de interés para un estudio, sino del promedio del área que abarca cada punto de rejilla. Esta característica resulta especialmente problemática en regiones de orografía compleja, donde un mismo punto de rejilla puede comprender una gran variabilidad geográfica que escapa a estos datos promedio de rejilla. Un problema adicional es que los datos proporcionados por los modelos climáticos (globales y regionales) suelen incluir sesgos/desviaciones sistemáticas cuando se comparan con valores históricos observados en una zona de interés. Por ello, la representatividad de los datos de rejilla ha de ser cuidadosamente analizada en cada caso, considerando la aplicación de técnicas de post-proceso en aquellos casos en los que la resolución o los sesgos pueden comprometer su aplicación directa. Las técnicas de corrección de sesgo puede ser una buena alternativa en estos casos. Entre las nuevas funcionalidades añadidas recientemente en el Visor de Escenarios de AdapteCCa se encuentra la posibilidad de consultar los valores provenientes de la iniciativa internacional Euro-CORDEX ajustados utilizando una técnica de corrección de sesgo, aliviando los problemas derivados de los sesgos de los modelos regionales del clima (que pueden diferir sistemáticamente de las observaciones), calibrando las salidas de los modelos con las observaciones reales en un período histórico. Puede consultar más información en el documento de descripción de los datos en el siguiente enlace.

Por otra parte, los datos puntuales son representativos de las localidades para las cuales se dispone de información. El problema es que puede no existir ninguna localidad cercana/representativa para un estudio dado. Si se dispone de información histórica en el punto o puntos de interés (por ejemplo, la serie histórica de precipitaciones en la cabecera de una cuenca para un estudio de hidrología) sería posible aplicar las técnicas estadísticas en estos puntos, para regionalizar las proyecciones globales de cambio climático; sin embargo, esta tarea resulta compleja y requiere la colaboración con algún grupo especializado. Algunos proyectos (como VALUE) han tratado de facilitar esta tarea, haciendo públicos los métodos (por ejemplo el paquete downscaleR de regionalización estadística para R; climate4r) y los datos necesarios para realizar estas proyecciones.

Estas características hacen que para cada estudio particular resulte más adecuado un tipo de datos u otro.

En el Visor de Escenarios de cambio climático de AdapteCCa se han incluido proyecciones en rejilla (Euro-CORDEX), a partir de modelos numéricos de alta resolución (~11 km) que cubren la península ibérica y Baleares. Puede encontrar más información en la documentación del visor.

Si los municipios están muy próximos es probable que correspondan al mismo punto de la rejilla del modelo, como puede verse en la siguiente imagen en la que se refleja un fragmento del mapa con dos municipios seleccionados en un mismo punto de rejilla.

Las proyecciones climáticas o estimaciones de la evolución futura del clima de la Tierra en escalas temporales decadales y seculares vienen afectadas por diferentes fuentes de incertidumbre, que pueden agruparse en tres categorías principales:

  1. Incertidumbre asociada al escenario socioeconómico futuro: Esta incertidumbre está asociada a las inciertas emisiones y concentraciones futuras de los Gases de Efecto Invernadero (GEI) y aerosoles: surge del rango de posibles concentraciones futuras de los GEI y aerosoles en la atmósfera, debido a los ritmos de emisión por las actividades humanas y a sus complejas interacciones con la biosfera y la hidrosfera. La incertidumbre del escenario se considera mediante el uso de los RCP. Hasta aproximadamente 2030, las concentraciones de los GEI en los varios RCP difieren sólo marginalmente y, en consecuencia, la incertidumbre del escenario es pequeña. Su contribución relativa a la incertidumbre total se incrementa en las décadas futuras, convirtiéndose en la fuente dominante de incertidumbre para la temperatura para el final del siglo XXI.
  2. Incertidumbre asociada a la modelización: es una incertidumbre resultante de las limitaciones en: a) nuestra comprensión del sistema climático, b) nuestra habilidad para simularlo y c) los modelos climáticos que, aunque basados en las mismas leyes físicas, utilizan diferentes aproximaciones, hecho que da lugar a diferencias en la simulación. Mientras que la incertidumbre de los modelos se incrementa a lo largo del siglo XXI, su contribución relativa a la incertidumbre total generalmente muestra un pico o meseta alrededor de la mitad del siglo.
  3. Incertidumbre asociada a la variabilidad natural: surge de la variabilidad climática interna (p. ej., el estado de El Niño/Oscilación del Sur (ENSO)) y de los mecanismos de forzamientos externos naturales incluyendo las futuras erupciones volcánicas y los cambios en la radiación solar incidente. La importancia relativa de la incertidumbre de la variabilidad interna generalmente decrece con el tiempo a medida que la incertidumbre debida al escenario o a la modelización aumenta.

También contribuyen a la incertidumbre las distintas técnicas de regionalización, encargadas de aumentar la resolución espacial de las proyecciones climáticas generadas por los modelos globales.

A fecha de hoy, la demanda más acuciante de la sociedad para los estudios de impacto se restringe a los primeros decenios del siglo XXI. Para este periodo, la relación señal de cambio climático/ruido emergente es más débil que la que existe a finales del siglo XXI. La cuantificación de las incertidumbres constituye, por tanto, una necesidad para que las evaluaciones de impactos puedan ser realmente útiles en las decisiones a tomar por los gestores y políticos.

El escenario de emisión es la principal fuente de incertidumbre en la segunda mitad del siglo. Por ello, es necesario analizar varios escenarios (al menos dos, por ejemplo RCP4.5 y RCP8.5, para obtener una horquilla de resultados) para caracterizar adecuadamente la incertidumbre y tener una representación plausible del clima futuro. Hasta mediados de siglo, la incertidumbre que aportan los distintos modelos es similar o incluso superior a la de los escenarios, sobre todo a nivel regional, por lo que algunos estudios se basan en un único escenario. Sin embargo, existe una gran variabilidad de resultados dependiendo de la variable considerada y la región de interés, por lo que un tratamiento adecuado de la incertidumbre ha de considerar siempre los resultados de distintos escenarios para poder caracterizar el clima futuro.

Es muy importante conocer que la rejilla observacional que se utiliza en el visor se obtiene por una interpolación “más o menos inteligente” a partir de los datos observacionales. En consecuencia, donde no hay datos observacionales próximos la rejilla observacional puede proporcionar valores extraños o no fácilmente explicables. Las observaciones tienen lagunas que por supuesto no se contemplan en la rejilla. Si la observación más próxima a un punto de rejilla determinado se interrumpe por cualquier razón, el algoritmo que genera la rejilla pasa a utilizar información observacional más alejada para ese punto y ésto puede dar lugar a rupturas de homogeneidad, es decir, saltos en el clima no atribuibles a razones meteorológicas. Además, las observaciones suelen distribuirse principalmente en zonas habitadas, por ejemplo en zonas de montaña las observaciones se suelen tomar en los valles y no en los picos que los delimitan. Esto hace que los puntos de rejilla situados sobre alta montaña muestren sesgos debidos a que las observaciones no son representativas de las condiciones de alta montaña. Lo mismo sucede con otros puntos con contrastes climatológicos fuertes como los que hay entre mar-tierra, zonas urbanas-no urbanas, zonas agrícolas-forestales, etc.

En algunas ocasiones se pueden presentar problemas con los datos observacionales (que puede heredar la rejilla observacional), con los modelos globales o con los algoritmos de regionalización. La figura 1 nos muestra las simulaciones con regionalización dinámica (datos EUROCORDEX) de temperatura mínima en periodo observacional para la estación de Santa Eulalia del Rio (Ibiza) y superpuesta la observación obtenida de rejilla observacional Spain011. Se observan valores anómalos de observación para los primeros años del periodo.

Simulaciones de temperatura mínima con una colección de modelos regionalizados con EUROCORDEX (banda azul) y observación a partir de Spain011 (negro) para la estación Santa Eulalia del Rio (Ibiza).

La figura 2 muestra las simulaciones con regionalización estadística de temperatura mínima en mismo periodo observacional para la misma estación de Santa Eulalia del Rio (Ibiza) y superpuesta la observación directa de la estación. Hay dos comportamientos llamativos. En primer lugar, la observación tiene lagunas que además corresponden con los años de comportamiento anómalo de la rejilla observacional. También se observa que en el año 1998 que las simulaciones presentan un problema debido a uno de los modelos globales (CMCC-CM) regionalizado con el método de análogos.

Simulaciones de temperatura mínima con una colección de modelos regionalizados estadísticamente (banda azul) y observación a partir de datos directos (negro) para la estación Santa Eulalia del Rio (Ibiza).

Este raro ejemplo corresponde a una isla donde solo hay dos observatorios de temperatura y que en el periodo observacional seleccionado presenta lagunas en ambos observatorios al principio del periodo. El algoritmo que calcula la rejilla observacional carece de otros observatorios próximos para interpolar por tratarse de una isla. Con este ejemplo, se pretende ilustrar que es muy necesario analizar los datos subyacentes para detectar posibles comportamientos extraños en casos no contemplados por los algoritmos subyacentes.

En el visor las observaciones presentadas siempre se refieren a una rejilla observacional que se obtiene por métodos de interpolación a partir de los datos puntuales de las estaciones termo-pluviométricas de AEMET. Lógicamente la representatividad depende de la zona de la que se trate y de la mayor o menor densidad observacional que haya en ella. En términos generales, zonas llanas y uniformes con alta densidad de datos de estaciones poseen una alta representatividad y zonas muy heterogéneas (p.ej., zonas montañosas) con baja densidad observacional pueden poseer una baja representatividad. Hay que tener en cuenta además la mayor densidad de datos pluviométricos que de datos termométricos, la diferencia en variabilidad espacial entre los campos de temperatura y precipitación, y la dependencia de ambos campos -en particular de la temperatura- con la altitud.