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 Sexto Informe de Evaluación (AR6, se sus siglas en inglés) del Panel Intergubernamental de Expertos sobre Cambio Climático (IPCC por sus siglas en inglés) se ha utilizado un conjunto nuevo de cinco escenarios, combinación de las denominadas Trayectorias Socioeconómicas Compartidas (SSP, de sus siglas en inglés) y las 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, y ya fueron utilizados en el Quinto Informe de Evaluación del IPCC. La novedad en el Sexto Informe de Evaluación (AR6, de sus siglas en inglés) consiste en la combinación de los RCP, que dan cuenta de los posibles forzamientos radiativos a los que se sometería al sistema climático dependiendo de dichas emisiones, usos del suelo, etc., con los SSP, que complementan a los RCP dando introduciendo los distintos desafíos socioeconómicos de adaptación y mitigación. Los RCP 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. Los RCP utilizados en el AR6 corresponden a forzamientos radiativos de 1.9, 2.6, 4.5, 7.0 y 8.5 Wm-2. Por su parte, los SSP describen futuros socioeconómicos alternativos en ausencia de una intervención por medio de políticas climáticas sobre la base de cinco descripciones narrativas: desarrollo sostenible (SSP1), rivalidad regional (SSP3), desigualdad (SSP4), desarrollo con combustibles fósiles (SSP5) y desarrollo en término medio (SSP2). La combinación de los SSP-RCP da lugar a las cinco sendas utilizadas en el AR6 del IPCC: emisiones muy altas (SSP5-8.5), emisiones altas (SSP3-7.0), emisiones medias (SSP2-4.5), emisiones bajas (SSP1-2.6) y emisiones muy bajas (SS1-1.9), correspondiéndose estos dos últimos con los niveles de calentamiento global de 2 oC y 1.5 oC, respectivamente.

Mejoras en las proyecciones de EURO-CORDEX:

• Se ha sustituido la antigua metodología de corrección de sesgos por el método ISIMIP3, desarrollado en el marco del proyecto internacional ISIMIP, lo que mejora la coherencia multivariable de los datos ajustados.
• La corrección se ha realizado utilizando como referencia la nueva rejilla observacional ROCIO_IBEB de AEMET, con una resolución espacial aproximada de 5 km, mejorando así la resolución respecto a versiones anteriores.
• Las variables de viento, radiación solar y humedad no se corrigen por falta de observaciones suficientemente densas; sin embargo, se incluyen proyecciones originales sin ajustar de EURO-CORDEX a 0.11°, exclusivamente para dichas variables.
• El número de modelos disponibles se ha incrementado de 16 a 46, mejorando la representatividad y robustez estadística del conjunto de proyecciones y permitiendo un mejor análisis de la incertidumbre.

Incorporación de proyecciones CMIP6:

• Escenarios-PNACC incluye por primera vez proyecciones basadas en el conjunto de modelos climáticos globales CMIP6, empleados como base científica del Sexto Informe de Evaluación del IPCC (AR6).
• Estas proyecciones han sido regionalizadas estadísticamente mediante técnicas avanzadas de machine learning.
• Esta incorporación permite explorar la nueva generación de escenarios de concentración (SSP), ampliando el rango de posibles futuros climáticos disponibles para España.

Incorporación de datos en rejilla para Canarias:

• Por primera vez se incluyen proyecciones climáticas y observaciones en formato de rejilla para las Islas Canarias. Hasta ahora solo se disponía de datos puntuales. Esta rejilla tiene una resolución aproximada de 2.5 km.

Acceso a versiones anteriores: La versión anterior del visor de escenarios PNACC (2017) está disponible aquí.

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

Los datos disponibles en el Visor de Escenarios de cambio climático de AdapteCCa se nutren de tres fuentes de datos principales de Escenarios-PNACC:

• Proyecciones en rejilla ajustadas, provenientes de las regionalizaciones dinámicas generadas en la iniciativa internacional Euro-CORDEX, que proporcionan datos en una rejilla de aproximadamente 5 km de resolución.
• Proyecciones en rejilla, provenientes de la regionalización estadística a partir de la última generación de modelos globales de CMIP6, obtenidas aplicando técnicas estadísticas de regionalización en la misma rejilla de aproximadamente 5 km de resolución sobre la España peninsular y las Islas Baleares, y en una rejilla de aproximadamente 2.5 km sobre las Islas Canarias.
• Proyecciones puntuales, provenientes de la regionalización estadística a partir de la última generación de modelos globales de CMIP6, obtenidas aplicando técnicas estadísticas de regionalización a los datos de una serie de localidades de la red de estaciones de AEMET.

En una primera fase de CORDEX se consideraron un total de 14 dominios (regiones a lo largo del globo en las que se ha aplicado la regionalización) con una resolución del orden de 50 km (0.44°). En el dominio europeo se estableció la rama europea, Euro-CORDEX, en cuyo dominio se definió, además de la resolución estándar (EUR-44, ~50 km), una resolución mayor, 0.11°, (EUR-11, ~12.5 km). En el Visor de Escenarios de AdapteCCa se han considerado las proyecciones climáticas correspondientes a EUR-11 para España peninsular y las Islas Baleares. Sin embargo, en el dominio europeo no están incluidas las Islas Canarias, teniendo que recurrir al dominio CORDEX de la región de África (AFR-44). Este dominio tiene solo la resolución estándar de 0.44°, con un escaso número de puntos en la zona de estas islas, como puede observarse en la figura, donde se muestra la distribución espacial de los puntos de rejilla de CORDEX sobre la Península, Baleares y Canarias. Por ello, no se ha considerado pertinente considerar la regionalización dinámica para las islas Canarias.

Figura – Dominio Euro-CORDEX y distribución espacial de los puntos de rejilla de CORDEX sobre España peninsular y Baleares (EUR-11) y sobre Canarias (AFR-44)

A pesar de no disponer de proyecciones mediante regionalización dinámica para las islas Canarias, el visor sí dispone de las proyecciones en rejilla y puntuales obtenidas aplicando técnicas estadísticas de regionalización.

Si desea más información sobre los datos disponibles puede consultar la documentación del visor en el siguiente enlace: https://escenarios.adaptecca.es/info.

El Visor de Escenarios de cambio climático de AdapteCCa no ha sido diseñado como una herramienta de descarga masiva de información, sino como una herramienta de visualización y consulta, que permite como paso final la descarga individualizada de datos para la unidad geográfica que ha sido analizada (una comunidad, provincia o municipio, etc). Por tanto, la herramienta no proporciona informes automatizados de un conjunto de unidades geográficas.

Esta decisión se ha fundamentado en razones técnicas y científicas. Por una parte, el volumen de datos a gestionar para atender una opción de descargas masivas sería muy elevado y requeriría una implementación basada en restricciones y filtros que complicaría el funcionamiento de la aplicación. Por otra parte, la información en rejilla en la que se apoya el visor (ROCIO_IBEB para observaciones y Euro-CORDEX para simulaciones de modelos regionales del clima) tiene una resolución efectiva de aproximadamente 5 km (2.5 km para las Islas Canarias), y cada pixel es representativo de un promedio areal de aproximadamente 5 x 5 km (2.5 x 2.5 km para las Islas Canarias). Por tanto, aunque el visor permite analizar la información a escala de municipio, es importante entender las limitaciones de esta información en cada caso particular, sobre todo en lo relativo a la señal espacial de cambio climático de cada variable; por ejemplo, en algunas provincias las observaciones ‘ROCIO_IBEB’ de temperatura muestran diferencias en función de la altura, pero la señal de cambio climático ‘CORDEX’ sólo muestra diferencia en función de la distancia a la costa. Por ello, el visor se ha diseñado para que se puedan descargar aquellos datos por los que se ha navegado y que han sido previamente visualizados, de forma que el usuario haya tenido una perspectiva espacial de la representatividad de los mismos y pueda valorar las particularidades de la región analizada y la mejor forma de uso. De esta forma se trata de fomentar el buen uso de los datos de proyecciones regionales de cambio climático, sin restringir a priori el análisis a una escala regional concreta a la que la información se considere representativa (en este caso, a resoluciones de decenas de km).

Sin embargo, existe la opción de descargar los datos contenidos en la aplicación a través de un servicio Guía básica para el correcto uso de las proyecciones regionales de cambio climático a escala de dato diario, que ofrece una serie de recomendaciones para el aprovechamiento adecuado de los datos.

La variable denominada precipitación representa la precipitación acumulada en un día, en cualquiera de sus formas (lluvia, nieve, granizo, etc.). Es una variable original y sus unidades son mm/día (Si desea más información sobre los datos disponibles puede consultar la documentación del visor en el siguiente enlace.

Estas proyecciones de precipitación a nivel de estación representan el promedio para cada año de los datos generados por cada modelo a escala diaria, para cada SSP-RCP. Están calculadas en relación al número de días de todo el año. Es la precipitación media recogida cada día: la suma recogida para todo el año dividida entre el número de días del año (o estación del año).

La resolución base de los productos que se ofrecen es de 5 km para los datos en rejilla (2.5 km para las Islas Canarias) y puntual (en una serie de puntos donde existen observaciones históricas). Para obtener productos en rejilla de mayor resolución es necesario aplicar algún postproceso (interpolación) utilizando co-variables orográficas (altura, concavidad, exposiciones direccionales, etc.); sin embargo, esta información es meramente geográfica (y no climática) por lo que cada aplicación requiere un análisis particular en función, entre otras cosas, de la escala temporal requerida (diaria, mensual, anual). En algunos casos, por ejemplo para estudios de distribución de especies / biodiversidad, existen bases de datos (algunas de cobertura mundial) con información de índices climáticos específicos a una resolución de 1 km. Sin embargo, esta información puede ser de muy mala calidad en algunas regiones y, por tanto, se recomienda precaución con su uso.

En la zona costera mediterránea las proyecciones de precipitación extrema—Percentil 95, máxima en 24h y máxima acumulada en 5 días— muestran resultados que, a primera vista, parecen contradictorios: mientras un enfoque estadístico de regionalización aplicado a CMIP6 apunta a una ligera disminución de los máximos diarios y pluridiarios, el ajuste de sesgos con el método ISIMIPv3 sobre EURO-CORDEX sugiere justamente lo contrario, un ascenso de esos extremos. Estas contradicciones se dan, en realidad, en meses concretos (como febrero y noviembre); sin embargo, tienen una influencia importante en la media anual resultante. A esto hay que sumar la gran complejidad que entraña trasladar la señal climática global y continental a escalas tan finas y a fenómenos tan localizados: cada método de regionalización captura de manera distinta los sesgos originales y reinterpreta la no-estacionariedad de las tormentas intensas.

A ello se añade la enorme sensibilidad de los episodios convectivos mediterráneos —y, en particular, de las conocidas DANAs— a la resolución y a la física de convección que incorpora cada modelo. Hay que tener en cuenta que los modelos de CMIP6 y de EURO-CORDEX trabajan con resoluciones que no alcanzan a capturar adecuadamente parte de estos procesos, por lo que, aunque se puedan ajustar sus sesgos, la alta variabilidad e incertidumbre puede ocasionar que las diferencias metodológicas se amplifiquen, y los resultados entre diferentes metodologías difieran. Esta divergencia entre enfoques es, en sí misma, un indicador de dicha incertidumbre.

De forma más general, en el ámbito global y europeo, tanto CMIP6 como EURO-CORDEX muestran un ligero descenso de los extremos en esta zona. Sin embargo, no profundizan demasiado en las particularidades regionales que revela el uso de registros observacionales de alta resolución. Además, para este tipo de variables, muestran incertidumbre, es decir, tendencias proyectadas por un modelo pueden quedar contrarrestadas por las de otro, y la extensión de sus intervalos pueden abarcar rangos de valores amplios, incluso tanto incrementos como decrementos.

Por otro lado, estudios recientes como los recogidos en el Informe CLIVAR-SPAIN apuntan a un aumento claro de eventos convectivos y precipitaciones torrenciales (≥ 200 mm/día). Investigaciones de Meseguer-Ruiz et al. (2021), Miró et al. (2018) y Muñoz et al. (2020) confirman asimismo no solo un alza en frecuencia y magnitud de estos episodios, sino también un cambio en su distribución interanual, favorecido por un Mediterráneo más cálido. En conjunto, estas evidencias observacionales apuntan a intensificación de precipitaciones extremas.

Para navegar esta diversidad, una forma práctica de integrar toda esta información es el desarrollo de “storylines”, narrativas de futuro basadas en subconjuntos de modelos que describan de modo coherente y físicamente plausible distintos caminos posibles —por ejemplo, otoños con picos intensos de lluvia frente a escenarios de otoño más seco— y ayuden a diseñar medidas de prevención y adaptación que funcionen bajo varios futuros plausibles. Así, la toma de decisiones se basa en la transparencia de las incertidumbres.

En próximas líneas de trabajo, el grupo de Escenarios-PNACC evaluará las nuevas generaciones de CORDEX y de la iniciativa DestinE, aprovechando sus mayores resoluciones y esquemas de convección mejorados para reducir la incertidumbre en la simulación de episodios de lluvia extrema. Estos avances permitirán elaborar proyecciones más fiables y ajustadas a la realidad regional y local, facilitando herramientas de decisión cada vez más robustas.

El visor se basa en observaciones históricas (OBSERVACIONES en el menú DATOS) de datos puntuales (que se corresponden con observaciones reales en observatorios puntuales) y datos en rejilla (que se corresponden con valores interpolados en una rejilla de 5 km en los que los extremos pueden estar suavizados, pues los valores son representativos del promedio areal). Para estas dos fuentes de información se han generado proyecciones de distintas formas.

Las proyecciones para DATOS EN ESTACIONES se han generado calibrando estadísticamente las proyecciones de los modelos en base a los datos observados de estaciones. Estos valores son representativos de la localidad en concreto y deberían de tener valores consistentes con los observados (es decir, deberían de reflejar las zonas donde se alcanzan 40 °C, etc.). Por otra parte, las proyecciones de los DATOS EN REJILLA se han obtenido tanto a partir de técnicas estadísticas como directamente a partir de proyecciones de modelos y pueden tener sesgos con respecto de los correspondientes valores observaciones de la REJILLA. Por ello, para la regionalización mediante modelos de Euro-CORDEX existe un conjunto de DATOS EN REJILLA AJUSTADOS en los que estos sesgos se corrigen y el resultado debería ser consistente con los datos en rejilla observados, teniendo en cuenta que estos datos corresponden a promedios areales de la rejilla (aproximadamente 5 x 5 km).

Para la interpretación de los datos ajustados en rejilla, se debe tener en cuenta que la información que se ofrece no es representativa de valores puntuales (sino promedios de zonas), y pueden no alcanzar valores tan altos como los extremos puntuales.

Los mapas que se muestran en el visor corresponden a valores climatológicos (el promedio de un índice en un período de tiempo de 30 años) y se pueden ver series temporales (datos promedio año a año) para los valores agregados a nivel provincial, etc. En este último caso, cuando se analizan resultados agregados espacialmente, los extremos pueden verse suavizados adicionalmente, ya que el valor final es el promedio en una región más o menos grande.

En cualquier caso, no existe un índice específico para analizar los días que se superan 40 °C; una aproximación sería usar "Percentil 99 de la temperatura máxima diaria” que daría para cada punto el valor de temperatura máxima diaria que corresponde al 1% de días más cálidos. Si ese valor es 40 quiere decir que el 1% de los días en ese período la temperatura máxima ha sido superior a 40 °C. Si se selecciona todo el año eso quiere decir 3 días al año; si fuese verano serían 12 días al año. Es una forma indirecta, pero permite analizar este tipo de información. De esta forma se puede observar que incluso en los mapas de rejilla (suavizadas según lo explicado anteriormente) se observan zonas donde se alcanzan 40 °C que se corresponden de forma razonable con la realidad observada (valle del Guadalquivir y zonas suroccidentales, etc.).

En Escenarios-PNACC se distinguen dos tipos principales de información climática regional: datos en rejilla y datos puntuales. La información proveniente de modelos climáticos regionales de EURO-CORDEX se proporciona en rejillas regulares que cubren la España peninsular y las Islas Baleares con diferentes resoluciones espaciales: ~5 km para los datos ajustados mediante corrección de sesgos, y ~10 km para los datos originales sin ajustar. Estos últimos incluyen exclusivamente las variables de humedad, radiación solar y viento. Cabe señalar que esta información no está disponible para las Islas Canarias, ya que el dominio geográfico de EURO-CORDEX no incluye dicha región. Por otra parte, los métodos de regionalización estadística a partir de CMIP6 proporcionan información en rejilla de ~5 km de resolución en península y Baleares y de ~2.5 km en las Islas Canarias. Además, se incluye información puntual en un subconjunto de estaciones de la red de AEMET, en las cuales los métodos estadísticos han sido previamente 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.

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.

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 de 5 km sobre la España peninsular y las Islas Baleares (datos de Euro-CORDEX corregidos y regionalización estadística) y en rejilla de 2.5 km sobre las Islas Canarias (sólo regionalización estadística). Puede encontrar más información en la a href="http://escenarios.adaptecca.es/info" target="_blank">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 los posibles trayectorias futuras de emisiones y concentraciones de los Gases de Efecto Invernadero (GEI) y aerosoles. Los distintos escenarios se definen para caracterizar trayectorias plausibles representativas de distintos modelos de sociedad, con mayor o menor esfuerzo de adaptación y mitigación y distintos ritmos de emisión por las actividades humanas y a sus complejas interacciones con la biosfera y la hidrosfera. En las proyecciones del sexto informe del IPCC (AR6) que se utilizan en el Visor de Escenarios de AdapteCCa¹, los escenarios se definen en base a distintos escenarios socioeconómicos y trayectorias de concentración (Shared Socioeconomic Pathways, SSPs, and Representative Concentration Pathways, RCPs). Hasta aproximadamente 2030, las concentraciones de los GEI en los varios SSP-RCP difieren sólo marginalmente y, en consecuencia, la incertidumbre debida al 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 debida a la naturaleza no lineal del sistema climático y su interacción con 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 SSP2-4.5 y SSP3-7.0, 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.

¹ Nótese que todavía no existen simulaciones de modelos regionales anidadas de Euro-CORDEX para CMIP6 por lo que la información de Euro-CORDEX CMIP5 sigue siendo la información regional de cambio climático más avanzada disponible.

En el Visor de Escenarios de Cambio Climático de AdapteCCa están disponibles las proyecciones climáticas ofrecidas por los diferentes modelos para las variables básicas: Temperatura mínima, Temperatura máxima, Precipitación y Evapotranspiración potencial. Debido al gran número de proyecciones climáticas disponibles en la actualidad, en ocasiones es necesario efectuar una selección representativa de las mismas para poder realizar estudios de impacto. La elección de las proyecciones climáticas que van a ser utilizadas es muy relevante porque condiciona los resultados de los análisis del impacto.

Los métodos para la selección de proyecciones representativas y, por lo tanto, la generación de sub-ensembles, son de dos tipos principales:

1. Basados en la evaluación de los modelos, tratando de elegir aquellos que mejor representen el clima regional (para el análisis particular en el que se vaya a aplicar):
Para este primer tipo se dispone de simulaciones de “evaluación”, donde los valores de contorno para los modelos regionales y los predictores para los métodos estadísticos son tomados de un reanálisis (que representa una reproducción fidedigna del tiempo observado). Basado en estas simulaciones hay varios estudios científicos que analizan los RCMs disponibles de CORDEX y los métodos estadísticos aquí utilizados (VALUE) para la Península Ibérica.
Además de las simulaciones de “evaluación”, que proporcionan información sobre el valor intrínseco de los modelos, es necesario también evaluar las simulaciones/proyecciones forzadas por modelos climáticos (GCMs), y todo ello considerando métricas relevantes para el problema que se esté estudiando, por lo que estas metodologías resultan complicadas, más allá de permitir descartar algunos modelos que se comporten de forma claramente anómala (teniendo en cuenta que los resultados de la evaluación del período histórico no tienen por qué ser representativos de los del futuro).

2. Basados en representar adecuadamente la incertidumbre del ensemble.
Esta segunda metodología es más simple y segura en el sentido de que garantiza que el ensemble que se elige es representativo del rango de incertidumbre total. Lo más habitual es utilizar modelos que muestren todo el rango de incertidumbre disponible. Esto es lo que hicieron, por ejemplo, en CORDEX-CORE y en ISI-MIP3. Como resumen, lo ideal sería seleccionar un subconjunto que fuese representativo de la variabilidad completa del ensemble, para no sesgar los resultados por una u otra opción.

EURO-CORDEX Guidelines - Version1.1 - 2021.02 (PDF)

En cualquier caso, a la hora de seleccionar o eliminar algún modelo es clave definir una métrica relevante para la aplicación que se quiere desarrollar (recursos hídricos, agricultura...). Por ejemplo, puede ser útil analizar el comportamiento de unas variables sólo durante unos meses determinados, y el comportamiento del resto del año no tener tanta importancia, o ser más importante que se reproduzca bien la presencia de valores extremos y no tanto la evolución del valor medio.

En el Visor de Escenarios de Cambio Climático de AdapteCCa están disponibles las proyecciones climáticas ofrecidas por los diferentes modelos para las variables básicas: Temperatura mínima, Temperatura máxima, Precipitación y Evapotranspiración potencial. Debido al gran número de proyecciones climáticas disponibles en la actualidad, en ocasiones es necesario efectuar una selección representativa de las mismas para poder realizar estudios de impacto. La elección de las proyecciones climáticas que van a ser utilizadas es muy relevante porque condiciona los resultados de los análisis del impacto.

Los métodos para la selección de proyecciones representativas y, por lo tanto, la generación de sub-ensembles, son de dos tipos principales:

1. Basados en la evaluación de los modelos, tratando de elegir aquellos que mejor representen el clima regional (para el análisis particular en el que se vaya a aplicar):Para este primer tipo se dispone de simulaciones de “evaluación”, donde los valores de contorno para los modelos regionales y los predictores para los métodos estadísticos son tomados de un reanálisis (que representa una reproducción fidedigna del tiempo observado). Basado en estas simulaciones hay varios estudios científicos que analizan los RCMs disponibles de CORDEX y los métodos estadísticos aquí utilizados (VALUE y ISIMIP3) para la Península Ibérica. Además de las simulaciones de “evaluación”, que proporcionan información sobre el valor intrínseco de los modelos, es necesario también evaluar las simulaciones/proyecciones forzadas por modelos climáticos (GCMs), y todo ello considerando métricas relevantes para el problema que se esté estudiando, por lo que estas metodologías resultan complicadas, más allá de permitir descartar algunos modelos que se comporten de forma claramente anómala (teniendo en cuenta que los resultados de la evaluación del período histórico no tienen por qué ser representativos de los del futuro).
2. Basados en representar adecuadamente la incertidumbre del ensemble.

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 Euro-CORDEX) de temperatura mínima en periodo observacional para la estación de Santa Eulalia del Rio (Ibiza) y superpuesta la observación obtenida de rejilla observacional ROCIO_IBEB. Se observan valores anómalos de observación para los primeros años del periodo.

Figura 1.- Simulaciones de temperatura mínima con una colección de modelos regionalizados con EUROCORDEX (banda azul) y observación a partir de ROCIO_IBEB (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 las simulaciones presentan un problema debido a uno de los modelos globales (CMCC-CM) regionalizado con el método de análogos.

Figura 2.- 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 ocasiones se pueden encontrar discrepancias llamativas entre las observaciones de estaciones próximas, que frecuentemente son producto del proceso de rellenado de datos y homogenización por el que han pasado.

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.