© 2012, CONDESAN, SGCAN Secretaría General de la Comunidad Andina Av. Aramburú - Cuadra 4, Esquina con Paseo de la República San Isidro, Lima 27, Perú Tel. +51 1 7106400 / Fax: +51 1 2213329 www.comunidadandina.org Consorcio para el Desarrollo Sostenible de la Ecorregión Andina – CONDESAN Oficina en Lima-Perú: Mayorazgo 217, San Borja Lima 41 Tel. +511 6189 400 Oficina en Quito-Ecuador: Germán Alemán E 12-28 y Juan Ramírez Tel. +593 2 2469072/073 condesan@condesan.org www.condesan.org Coordinación general del Estudio Panorama Andino sobre Cambio Climático: Francisco Cuesta Coordinador de la Iniciativa de Estudios Ambientales Andinos CONDESAN francisco.cuesta@condesan.org María Teresa Becerra Responsable del Área de Medio Ambiente Secretaría General de la Comunidad Andina mtbecerra@comunidadandina.org Se permite la reproducción de este libro para fines no comerciales, siempre y cuando se cite la fuente. Cita sugerida: Buytaert, W., Tovar, C., de Bièvre, B. 2011. Potenciales impactos del cambio climático sobre el balance hídrico de los Andes Tropicales. Serie Panorama Andino sobre Cambio Climático. CONDESAN, SGCAN. Lima-Quito. Este documento forma parte del material suplementario del libro Panorama Andino sobre Cambio Climático: Vulnerabilidad y Adaptación en los Andes Tropicales, elaborado por CONDESAN en el marco del trabajo interinstitucional con la Secretaría General de la Comunidad Andina (SGCAN), el Centro Internacional de Agricultura Tropical (CIAT), el Centro de Datos para la Conservación Universidad Nacional Agraria La Molina, Imperial College of London, el Programa Regional ECOBONA de INTERCOOPERATION, y el apoyo de la Agencia Española de Cooperación Internacional para el Desarrollo (AECID) y la Agencia Suiza para el Desarrollo y la Cooperación (COSUDE). La información contenida en este documento incorpora resultados de la discusión técnica de los autores y no representa necesariamente posiciones de CONDESAN o de la Secretaría General de la Comunidad Andina o de los Países Miembros. Potenciales impactos del cambio climático sobre el balance hídrico de los Andes Tropicales WOUTER BUYTAERT1, CAROLINA TOVAR2, BERT DE BIÈVRE3 1 Imperial College London w.buytaert@imperial.ac.uk 2 CDC, La Molina ctovar@lamolina.edu.pe 3 Consorcio para el Desarrollo de la Ecorregión Andina bert.debievre@condesan.org RESUMEN Es probable que el cambio climático tenga un gran impacto en los recursos hídricos a nivel mundial. Sin embargo, evaluar los potenciales cambios en el ciclo hidrológico es complicado, especialmente en zonas con una alta variabilidad climática y bajo conocimiento de los procesos hídricos. Este proceso de predicción está dificultado por modelos inapropiados, la falta de datos para ingreso y calibración de dichos modelos, y la ausencia de recursos requeridos para correr los modelos a escalas apropiadas, lo cual que ayudaría a resolver los gradientes y procesos a escalas relevantes para el manejo de recursos hídricos. Este estudio evalúa el estado del arte de la predicción del impacto de cambio climático sobre los recursos hídricos de los Andes Tropicales. Esta zona está caracterizada por uno de los sistemas climáticos más complejos del mundo con gradientes extremos de precipitación y temperatura. Así mismo, los elementos del ciclo hídrico son extremadamente variables, incluyendo influencia de glaciares, humedales, diferentes tipos de bosques y sistemas extensos de aguas subterráneas. En la primera parte del estudio, se evalúan las predicciones y la capacidad predictiva del conjunto de modelos globales de clima adoptado por el IPCC. En promedio, los modelos predicen un ligero incremento de precipitación (alrededor de 10%) y un incremento de la temperatura (alrededor de 3°C) dependiendo del período de predicción y el escenario de emisión. Sin embargo en la zona de los Andes, la discrepancia entre los modelos es muy alta especialmente en el caso de la precipitación, lo cual se atribuye a las diferencias en la representación de la topografía y los procesos climáticos sobre la cordillera. Aunque la predicción promedio es un incremento de precipitación, varios modelos predicen una disminución dramática, generando incongruencia entre los modelos de clima en cuanto a la dirección del cambio de precipitación. Por lo tanto, se puede concluir que la implementación de métodos de desagregación (“downscaling”) es necesaria para bajar la incertidumbre de las proyecciones. Sería ideal implementar un ensamblaje de modelos regionales de clima, acoplado con todo el ensamblaje de modelos globales. Así se usaría de una manera óptima la información disponible en el conjunto de modelos globales y se podría evaluar el desempeño tanto de las proyecciones globales como de los modelos de desagregación. Lamentablemente, el desarrollo de tales modelos para los Andes Tropicales se encuentra en una fase muy preliminar. Por ende, el presente estudio evalúa solo un modelo regional, PRECIS, a fin de evaluar el potencial de modelos regionales para disminuir la incertidumbre en las proyecciones globales. Se concluye que la aplicación de un modelo regional para bajar la escala de los modelos globales de clima no necesariamente mejora la representación del clima. Un mayor incremento en la resolución, combinado con una mejor disponibilidad y asimilación de datos, será necesario para representar gradientes locales apropiadamente. En la segunda parte del estudio se acoplan los modelos globales de cambio climático a un modelo regional del balance hídrico desarrollado específicamente para la zona Andina, para determinar la disponibilidad física de agua en el suelo. La tendencia más notable es un incremento de la evapotranspiración por la vegetación y las superficies húmedas como resultado del incremento de la temperatura. En la predicción promedio del conjunto de modelos globales de clima, el incremento de la evapotranspiración esta compensado por un incremento en la precipitación, resultando así en un efecto total limitado sobre las tazas de agua disponibles para recargar acuiferos y escorrer en los cursos de agua. Sin embargo, la variabilidad de las proyecciones del conjunto de modelos se propaga por el modelo hidrológico, lo que genera un rango de predicción muy amplio, incluyendo escenarios de aumento dramático de estrés hídrico. La naturaleza del modelo de balance hídrico y la falta de datos hidrológicos regionales no permiten calcular la distribución del agua sobre acuíferos y cursos de agua, y así calcular potenciales cambios en ambos sistemas hidrológicos a nivel regional. Por ende, en la tercer parte del estudio, se presenta un estudio de caso más detallado investigando el impacto del cambio climático sobre el régimen de una cuenca específica con buena disponibilidad de información. Se ha escogido una subcuenca del río Paute, Ecuador, por su importancia económica y la disponibilidad de datos. El análisis muestra que la aplicación de un modelo lluvia – escorrentía, para traducir las proyecciones climáticas a cambios de caudal, constituye una pequeña pero no insignificante fuente adicional de incertidumbre. TABLA DE CONTENIDOS 1. INTRODUCCIÓN ............................................................................................................ 1 2. ANALISIS Y DESAGREGACION DE LAS PROJECCIONES DE CAMBIOS DE TEMPERATURA Y PRECIPITACIÓN EN LOS ANDES TROPICALES ...................... 4 INTRODUCCIÓN ............................................................................................................................... 4 Los cambios en el clima de los Andes: estado actual de la investigación .................................. 4 Las proyecciones y la desagregación de modelos globales de clima ......................................... 5 DATOS ............................................................................................................................................. 6 RESULTADOS Y DISCUSIÓN ............................................................................................................. 7 Proyecciones de cambio climático ............................................................................................. 7 Evaluación de la desagregación con PRECIS.......................................................................... 10 3. POTENCIAL IMPACTO DEL CAMBIO CLIMÁTICO SOBRE EL BALANCE HIDRICO DE LOS ANDES TROPICALES ...................................................................... 13 DATOS Y GENERACIÓN DE CONDICIONES CLIMÁTICAS FUTURAS ................................................. 13 MODELIZACIÓN HIDROLÓGICA ..................................................................................................... 14 PROYECCIONES DE DISPONIBILIDAD DE AGUA.............................................................................. 16 Proyecciones promedias ........................................................................................................... 16 Estacionalidad .......................................................................................................................... 18 Proyecciones extremas ............................................................................................................. 18 ANÁLISIS DE DISPONIBILIDAD DE INFORMACIÓN .......................................................................... 20 4. ESTUDIO DE CASO: CUENCA DEL RIO PAUTE, ECUADOR ............................ 22 INTRODUCCIÓN ............................................................................................................................. 22 LA CUENCA DEL RÍO PAUTE .......................................................................................................... 23 MÉTODOS ...................................................................................................................................... 23 Proyecciones de cambio climático ........................................................................................... 23 Modelización hidrológica ......................................................................................................... 23 Calibración del modelo hidrológico y análisis de incertidumbre ............................................ 24 RESULTADOS Y DISCUSIONES ....................................................................................................... 25 Proyecciones de clima a nivel local ......................................................................................... 25 Impacto del cambio climático sobre el régimen de caudal del río Paute ................................ 26 5. RELEVANCIA DEL ESTUDIO PARA LOS RECURSOS HIDRICOS EN LOS ANDES .................................................................................................................................... 27 6. CONCLUSIONES .......................................................................................................... 28 7. REFERENCIAS .............................................................................................................. 30 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Análisis de los potenciales impactos del cambio climático sobre el balance hídrico de los Andes Tropicales 1. INTRODUCCIÓN Es muy probable que el cambio climático global tenga un fuerte impacto en los recursos hídricos en muchas regiones del mundo (Bates et al. 2008). La gran mayoría de los reservorios de agua superficial (cuerpos y cursos de agua) y subsuperficial (acuíferos) dependen de la precipitación como la entrada principal de agua. Por consecuencia, cualquier cambio en la cantidad, intensidad o la distribución espacial y temporal tendrá un efecto sobre la disponibilidad física de agua en el ambiente. Además, mayores temperaturas conllevarán a un incremento de la evaporación de las capas de vegetación húmeda, los suelos expuestos al aire y las superficies de los cuerpos agua, así como una mayor transpiración de la vegetación. Eso afectará otros componentes del ciclo hídrico como la humedad del suelo, escorrentía, infiltración, entre otros (Figura 1). Además, esos cambios también modificarán el contenido de vapor de agua atmosférico, lo cual puede retroalimentar a los cambios en los patrones de precipitación a gran escala y en la frecuencia de eventos extremos. El entendimiento de las implicaciones del cambio climático sobre estos procesos hidrológicos y sus retroalimentaciones es de gran importancia para el planeamiento y manejo sostenible de los recursos hídricos a largo plazo. Estudios sobre el impacto del cambio climático generalmente usan las proyecciones climáticos del conjunto de Modelos de Circulación Global (GCMs) generadas por varios grupos de investigación mundial bajo la coordinación del IPCC (2001, 2007). En los estudios de impacto hídrico se combinan los resultados de los GCMs con modelos hidrológicos para traducir los cambios en las variables atmosféricas a variables que tienen relevancia directa para el manejo de recursos hídricos, como el caudal de un río o una microcuenca. Sin embargo, el acoplamiento de los GCMs con los modelos hidrológicos es un gran reto. El principal problema es la diferencia entre la escala espacial de las proyecciones de cambio climático y la resolución más fina de las variables, ésta es necesaria para desarrollar modelos útiles para el manejo de recursos hídricos. Debido a las limitaciones en el entendimiento de los procesos climáticos locales, la poca información y la necesidad de un alto poder computacional; los GCMs se corren típicamente en celdas o pixeles de cientos de kilómetros de ancho. En consecuencia, los GCMs suavizan los gradientes locales de precipitación y temperatura. Sin embargo, para muchos procesos hidrológicos locales, estos gradientes son de gran importancia, por lo que es necesario mejorar la desagregación espacial de las proyecciones de cambio climático providentes de los GCMs (Buytaert et al. 2010a). 1 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Figura 1. Componentes principales del ciclo de agua Fuente: USGS y disponible en http://ga.water.usgs.gov/edu/watercycle.html. El problema de la escala espacial es particularmente relevante en regiones montañosas. Las montañas proveen importantes servicios ambientales, como la provisión de agua hacia zonas adyacentes de menor altitud y más secas (Viviroli et al. 2010); al mismo tiempo que estas regiones son frágiles ante el cambio ambiental. Muchos de los procesos meteorológicos, hidrológicos y biológicos en áreas montañosas se caracterizan por los fuertes gradientes espaciales que pueden ser fácilmente perturbados. Al mismo tiempo, los modelos climáticos predicen un mayor efecto del cambio climático en las regiones montañosas que en las zonas bajas. Cambios en la relación entre la altura y la temperatura del aire (Still et al. 1999, Bradley et al. 2006, Urrutia et al. 2009) pueden causar un mayor calentamiento a mayor altura. Varios modelos globales de clima también proyectan una época seca más larga o más intensa para muchas zonas montañosas incluyendo los Andes Tropicales (Beniston 2003, Giorgi y Bi 2005, Buytaert et al. 2009). La combinación de un ecosistema frágil y un cambio climático drástico hace que los procesos y servicios ambientales en zonas montañosas sufran un efecto potencialmente más dramático ante el cambio global. Uno de los ejemplos más conocidos de dichos procesos son los glaciares. El derretimiento de los glaciares ha sido bien documentado en la literatura (por ejemplo, Vuille et al. 2008) y causa grandes preocupaciones, especialmente dentro del marco de recursos hídricos. Sin embargo, el impacto de glaciares sobre los recursos hídricos es muy local y se disuelve rápido con el tamaño de la cuenca. De una manera similar, otros ecosistemas como los páramos, bosques de neblina y humedales alto-andinos de la puna, pueden jugar un papel importante en los recursos hídricos locales (vea Buytaert et al. 2006a y 2 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO 2010b para el caso de los páramos). Para estudiar el impacto del cambio climático en servicios ambientales de ecosistemas específicos se requiere una gran cantidad de datos y un estudio elaborado de la disponibilidad y la fragilidad de los recursos hídricos a nivel local. El carácter regional del presente estudio no permite un análisis detallado de servicios ecosistemicos a nivel local. Además, la resolución gruesa del modelo de balance hídrico prohíbe la inclusión de ecosistemas específicos que ocurren localmente, como humedales o glaciares. En la literatura existen varios estudios de este tipo para casos específicos (por ejemplo, Buytaert et al. 2010b, Vergarra et al, 2007, Bury et al. 2010). Sin embargo, para varios otros casos, el conocimiento sobre los procesos, la disponibilidad de datos, o los recursos aún no es suficiente para ejecutar este tipo de análisis. La sección 4 de este informe elabora un estudio de caso para la cuenca del río Paute, y demuestra cómo el conocimiento de procesos específicos (en este caso los páramos) puede ser incorporado en un análisis de impacto. A parte del estudio de caso en el río Paute, el presente estudio se enfoca en un análisis del impacto del cambio climático sobre el balance de agua de los Andes Tropicales a nivel regional. Los Andes Tropicales se caracterizan por tener uno de los sistemas climáticos más complejos del mundo, con gradientes extremos de precipitación y temperatura. Igualmente, los elementos del ciclo hidrológico son extremamente diversos, incluyendo influencia de glaciares, humedales, diferentes tipos de bosques y sistemas extensos de aguas subterráneas. Como indicado anteriormente, la combinación de esa diversidad excepcional y la escasez de datos no permite implementar un modelo detallado de los recursos hídricos. Por lo tanto, se ha desarrollado un modelo simple del balance hídrico a nivel regional. Simplificando el ciclo de agua terrestre (Figura 1), se puede identificar 4 flujos principales que están balanceados: precipitación, evapotranspiración, escorrentía superficial y escorrentía sub-superficial. La escorrentía superficial y sub-superficial determinan respectivamente la disponibilidad de agua en reservorios superficiales (cuerpos y cursos de agua) y subsuperficiales (acuiferos) respectivamente. Debido a que dichos flujos están determinados por el balance entre precipitación y evapotranspiración, también denominado la precipitación efectiva, se puede considerar dicho balance como un buen indicador de los recursos potencialmente disponibles para la extracción. En la primera parte del estudio, se evalúa las predicciones y la capacidad predictiva del conjunto de modelos globales de clima adoptado por el IPCC y se analiza métodos de desagregación de las proyecciones globales. En la segunda parte, se acopla los modelos globales de cambio climático a un modelo regional del balance hídrico, especialmente desarrollado para la zona Andina, para determinar cambios en la precipitación y la evapotranspiración y como se propagan en la precipitación efectiva. En la tercera parte del estudio, se desarrolla un estudio de caso más detallado con un modelo de lluvia-escorrentía para la cuenca del río Paute, Ecuador. Ese estudio sirve para evaluar la capacidad de predecir el impacto de cambio climático sobre el régimen de caudal, incluyendo la incertidumbre de la predicción final. 3 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO 2. ANALISIS Y DESAGREGACION DE LAS PROYECCIONES DE CAMBIOS DE TEMPERATURA Y PRECIPITACIÓN EN LOS ANDES TROPICALES INTRODUCCIÓN LOS CAMBIOS E N EL CLIMA DE LOS ANDES: ESTADO ACTUAL DE LA INVESTIGACIÓN Se ha observado un rápido cambio climático en toda la región de los Andes Tropicales. La muestra más notoria de este cambio son las observaciones de temperatura cercanas a la superficie. Sobre los Andes Tropicales se ha observado un incremento promedio de 0.7°C en las últimas siete décadas (1939 – 2006, Vuille et al. 2008). De los últimos 20 años, solo dos (1996 y 1999) estuvieron por debajo del promedio de temperatura observado entre 1961 y 1990. Los datos de reanálisis NCEP-NCAR muestran un incremento promedio de 73 m del nivel de altura de congelamiento para los Andes y la cordillera Americana entre 1948 y el 2000. Si solo se considera los datos entre 1958 y 2000, un período para el cual se considera que los datos son más confiables (Diaz et al. 2003), el incremento es de 53 m. Una mayor evapotranspiración, debido al incremento de temperatura, aumentará el contenido de humedad de la atmósfera. De acuerdo a las leyes físicas de los gases, eso debe resultar en una disminución del cambio de la temperatura con la altura (llamado el “lapse rate” en inglés) y por ende, en un mayor calentamiento a mayores elevaciones (Bradley et al. 2006). Aunque los resultados de los GCMs soportan esta tendencia, es difícil verificar debido a la falta de datos observados confiables y de largo tiempo. Sin embargo, reportes recientes de los Andes peruanos parecen apoyar el supuesto (Bradley et al. 2009); estos muestran que las temperaturas diarias máximas ahora suben por encima de 0°C entre Octubre y Mayo aún a elevaciones tan altas como 5680 m. Dichos cambios en temperatura son suficientes para causar alteraciones significativas en los rangos de distribución de especies nativas y en la disponibilidad del agua. Los cambios en la precipitación durante el siglo 20 han sido menos notables (Vuille et al. 2003). Sin embargo, es posible encontrar una tendencia de incremento de la precipitación al norte de los 11°S, en Ecuador; mientras que en el sur del Perú y a lo largo del límite peruanoboliviano, la mayoría de estaciones indica una disminución de la precipitación. Estos resultados fueron posteriormente confirmados por Haylock et al. (2006), quien también encontró un cambio hacia condiciones más húmedas en Ecuador y el norte del Perú, así como una disminución de condiciones húmedas en el sur peruano. La cantidad de radiación de onda larga –que es indicativa de la actividad convectiva de la atmósfera causando precipitación– muestra una disminución significativa en los Andes Tropicales durante el verano austral (Vuille et al. 2003, Vuille et al. 2008). En las zonas cercanas al trópico de Cáncer (al sur de los 10°S) la tendencia es opuesta, mostrando un incremento en la radiación de onda larga. Aunque estas tendencias son pequeñas y no significativas, son consistentes con las proyecciones en el cambio de la precipitación para finales del siglo 21 hechas por el ensamblaje de modelos del IPCC (Vera et al. 2006). 4 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO LAS PROYECCIONES Y LA DESAGREGACIÓN DE MODELOS GLOBALES DE CLIMA Para enfrentar el problema del cambio climático mundial, la Organización Meteorológica Mundial y el Programa de las Naciones Unidas para el Medio Ambiente crearon el Grupo Intergubernamental de Expertos sobre el Cambio Climático (IPCC). El IPCC analiza la información científica, técnica y socio-económica relevante para entender el fenómeno del cambio climático. Por ende recopila y distribuye información sobre el desarrollo y la aplicación de modelos globales de clima usados para generar proyecciones de cambio climático. Ese conjunto de modelos es usado frecuentemente para análisis de impactos del cambio climático. Sin embargo, debido a la gruesa resolución y la falta de representación de procesos locales, los modelos de clima no logran representar la situación actual de precipitación y temperatura a pequeña escala en los Andes (sección 2). Eso prohíbe un análisis de impacto directo en base a las proyecciones de los modelos globales, lo cual hace necesario un proceso de disminución de resolución de las proyecciones conocido como desagregación (o “downscaling” en inglés). A pesar de que en la literatura científica existen muchos métodos para la desagregación de las proyecciones climáticas de gran escala, muy pocos de estos métodos han sido implementados en regiones de la complejidad de las áreas montañosas tropicales. La aplicación de modelos dinámicos regionales (RCMs), basados en procesos físicos (por ejemplo, PRECIS) optimiza el conocimiento de los procesos climáticos locales. Estos modelos operan a una resolución típica de 50 km o menos, y pueden capturar la variabilidad espacio-temporal del clima en mucho mayor detalle que los GCMs. De esta manera, los RCMs pueden proveer de simulaciones más realistas del clima actual y de los cambios climáticos futuros en los Andes, así como ayudar a un mejor entendimiento del impacto que estos cambios tendrán en los ecosistemas andinos y en el caudal de sus ríos. Los RCMs están basados en los mismos modelos físicos utilizados para los GCMs y por lo tanto, no requieren una red de observación densa, que sí es necesaria para la desagregación estadística. No obstante, se requiere una validación cuidadosa del modelo con información observada para asegurar que los RCMs representan de forma precisa la variabilidad espacio-temporal del clima. Particularmente a lo largo de las áreas montañosas como los Andes, donde la orografía afecta fuertemente la distribución de la estacionalidad de la precipitación. Los RCMs han sido usados con éxito para estudios de cambio climático que evalúan toda Sudamérica (por ejemplo, Marengo et al. 2009, Soares y Marengo 2009), pero su aplicación para los Andes aún se encuentra en una fase experimental (Urrutia y Vuille 2009). Una de las principales desventajas de los RCMs es la dependencia de un tiempo largo de procesamiento computacional y la implementación compleja. Por lo tanto, la implementación no usa todo el rango de modelos AR4 disponibles sino solamente uno o dos modelos globales para producir las simulaciones. Por lo tanto, los análisis de incertidumbre se hacen significativamente más difíciles. Las deficiencias estructurales del modelo, y los errores presentes en los datos de base y la parametrización se pueden también propagar de los GCMs a los RCMs e incrementar la incertidumbre. En conclusión, la necesidad de la disponibilidad de datos locales, la complejidad de la implementación de dichos modelos y los requisitos altos de tiempo de computación prohíben el uso de modelos dinámicas para muchos estudios de impacto. 5 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Alternativamente, se puede usar modelos estadísticos de desagregación. Estos modelos buscan relaciones estadísticas entre los procesos climáticos a larga escala y las condiciones locales de clima. Los modelos estadísticos son conceptualmente mucho mas simples y fáciles para aplicar para un conjunto de modelos y escenarios, como es el caso del presente estudio (para tener una idea panorámica ver ejemplo, Maraun et al. 2010). Sin embargo, por no representar los procesos físicos de clima, los modelos estadísticos dependen del supuesto que las relaciones entre los procesos globales de clima y el clima local no cambiarán en el futuro, lo cual es potencialmente erróneo. Uno de los métodos de desagregación más popular es el método delta, el cual supone que los modelos globales de clima logran proyectar de mejor forma los potenciales cambios de clima (anomalías) que los flujos absolutos. En los estudios de impacto de las secciones 3 y 4, se aplica el método delta para generar climatologías futuras a alta resolución por razones de mezquindad, uniformidad y facilidad de su aplicación. Por su naturaleza, ese método no puede ser evaluado ni su incertidumbre cuantificada. Además, para tener una idea del posible error y evaluar el potencial de los métodos de desagregación más avanzados, en esta sección se incluye una evaluación del modelo regional popular PRECIS sobre los Andes del Ecuador. DATOS El presente estudio analiza dos escenarios de emisión de gases de invernadero, definidos por el IPCC como A1B y A2. A1B es un escenario moderado, representando un mundo más integrado, un desarrollo económico fuerte, una crecida de población de hasta 9 billones, y un énfasis balanceado en fuentes de energía combinando combustibles fósiles y no-fósiles. El escenario A2 representa una mayor emisión de gases invernadero por menor integración y diseminación de tecnologías, una población mundial creciendo más rápido y un desarrollo más fragmentado. Aunque los modelos globales de clima simulan el clima de manera continua hasta 2100, este estudio se enfocó en los promedios de los períodos 2010-2039 y 2040-2069 que son más relevantes para el manejo. El conjunto de modelos usado en el cuarto informe del IPCC (IPCC 2007) consiste en 24 modelos, pero no todos simulan o entregan a la base de datos CMIP3 (tercer experimento de intercomparación de modelos acoplados) todos los parámetros necesarios para estudios de impacto. Especialmente las temperaturas diarias mínimas y máximas no están disponibles para varios modelos. Para sincronizar el uso de modelos entre los diferentes estudios de impacto se ha restringido la selección de los modelos a los que tienen resultados para dichos parámetros, disminuyendo así el conjunto de modelos a 10 para el escenario de emisión A1B y 8 modelos para el escenario de emisión A2 (Tabla 1). 6 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Tabla 1. Modelos usados en este estudio. Los modelos en itálicas solo se usaron para el escenario de emisión A1B. Instituto Bjerknes Centre for Climate Research, Norway CSIRO Atmospheric Research, Australia CSIRO Atmospheric Research, Australia NASA / Goddard Institute for Space Studies, US Institute for Numerical Mathematics, Russia Center for Climate System Research, National Institute for Environmental Studies, Frontier Research Centre for Global Change, Japan Center for Climate System Research, National Institute for Environmental Studies, Frontier Research Centre for Global Change, Japan National Centre for Atmospheric Research, USA US Dept. of Commerce, NOAA, Geophysical Fluid Dynamics Laboratory, USA US Dept. of Commerce, NOAA, Geophysical Fluid Dynamics Laboratory, USA Modelo BCCR-BCM2.0 CSIRO-Mk3.0 CSIRO-Mk3.5 GISS-AOM INM-CM3.0 MIROC3.2 (hires) MIROC3.2 CCSM3 GFCM20 GFCM21 Para el presente estudio se usaron los resultados de la implementación del modelo regional PRECIS por Urrutia y Vuille (2009). El modelo PRECIS es un modelo climático regional de área limitada, basado en la tercera generación de los RCM del Hadley Center (HadRM3) (Jones et al. 2004). Varios estudios han usado PRECIS para evaluaciones regionales de cambio climático para Centro y Sur América (Garreaud et al. 2009, Karmalkar et al. 2008, Marengo et al. 2009, Soares y Marengo 2009, Urrutia et al. 2009). Urrutia y Vuille (2009) implementaron el modelo a una resolución de 50km, con las condiciones de frontera del modelo HadAM3p y para los escenarios de emisión A2 y B2. RESULTADOS Y DISCUSIÓN PROYECCIONES DE CAMBIO CLIMÁTICO La Figura 2 muestra las anomalías en precipitación y temperatura proyectadas para ambos escenarios de emisión y períodos de interés. Tomando el promedio de los modelos usados (ver sección 2: Datos) se espera un incremento de la precipitación sobre los Andes entre 0% a 10%, junto con un incremento de la temperatura de alrededor de 1°C (escenario A1B, período 2010 – 2039) hasta 3°C (escenario A2, período 2040 – 2079). 7 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Figura 2 Promedio de las proyecciones de cambio de temperatura y precipitación para el futuro basado en respectivamente 10 modelos (escenario A1B) y 8 modelos (escenario A2) del conjunto CMIP3. Sin embargo, examinando la discrepancia en la magnitud de las anomalías proyectadas por los modelos (Figura 3) se puede observar que el rango de proyecciones es muy amplio. La discrepancia en las proyecciones de cambio de precipitación es frecuentemente mayor al 50% de la precipitación anual, mientras que las proyecciones en el cambio de temperatura van de 1.5 a 4.5°C dependiendo del período y escenario de emisión. Se puede observar que en los gráficos de los rangos de proyección y concordancia de modelos (Figura 3), los Andes no destacan como una región de incertidumbre particularmente alta. No obstante, para tener una mejor idea de las incertidumbres, es importante también evaluar el desempeño de los modelos para el pasado. 8 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Figura 3. Rango de las proyecciones de temperatura y precipitación para el futuro basado en respectivamente 10 modelos (escenario A1B) y 8 modelos (escenario A2) del conjunto CMIP3. Figura 4. Rango de las simulaciones de los 10 modelos para el período 1960 - 1990. Se ha convertido los modelos a una resolución común de 0.1° antes de calcular la estadística. La falta de datos confiables de precipitación sobre los Andes complica la evaluación individual de los modelos para el período 1960 – 1990. Alternativamente, se puede evaluar la discrepancia de los modelos para ese período como indicación de la calidad de simulación de dichos modelos (Figura 4). La Figura 4 muestra que la discrepancia entre los modelos es 9 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO considerable, especialmente sobre los Andes donde los valores llegan a más de 20mm/día (730 mm/año) revelando que esta es una zona de gran dificultad para modelar adecuadamente los patrones de precipitación y temperatura. La discrepancia entre los modelos al representar los patrones locales de clima sobre los Andes puede tener muchas causas subyacentes, pero es probable que las diferencias en resolución sean el principal factor. En efecto, debido a la gruesa resolución, muchos de los GCMs son incapaces de representar adecuadamente los gradientes de elevación, además no consideran procesos locales importantes como la precipitación orográfica y eventos convectivos localizados. Sería necesario comparar detalladamente los esquemas de parametrización de todos los GCMs para poder entender los mecanismos que se encuentran detrás de esta divergencia, lamentablemente no hay estudios sobre ese tema. Sin embargo, el hecho que los GCMs no concuerden en la representación del clima actual pone en discusión la confiabilidad de las anomalías proyectadas. Como consecuencia de esta alta incertidumbre, hay muy poco acuerdo entre los modelos en cuanto a la dirección del cambio de precipitación, como se puede observar en la Figura 5. Figura 5. Regiones donde 80% o más de los modelos usados concuerdan en la dirección de la proyección de precipitación para el futuro. EVALUACIÓN DE LA DESAGREGACIÓN CON PRECIS Esta sección evalúa el uso de PRECIS para mejorar las proyecciones de los GCMs sobre los Andes, usando un estudio de caso sobre Ecuador. Se seleccionaron las simulaciones corridas para el período 1961-1990 ya que se cuenta con datos de estaciones meteorológicas para efectuar una comparación adecuada. Es necesario mencionar que una mejor simulación durante la corrida control no necesariamente indica una mejor simulación de las condiciones futuras (Stainforth et al. 2007a). El presente trabajo se centra en el desempeño de PRECIS en la desagregación espacial de la precipitación, que representa la variable más importante para el manejo de recursos hídricos. 10 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Figura 6. Precipitación anual promedio modelado para los períodos 1960 – 1990 (A y D) y 2070 – 2099 (B y E) por el modelo regional PRECIS y el modelo global HadAM3p que ha sido usado como condiciones de frontera. Figuras 6 C y F representan las anomalías relativas en precipitación entre el presente y el escenario A2. La isolinea de 1000m de altura esta indicado en gris. La resolución más fina de PRECIS comparada con los el modelo HadAM3 resulta en un patrón de precipitación actual y futuro mucho más complejo (Figura 6). Sin embargo, en comparación con la climatología observada por New et al. (2000) de 10 min de resolución, la implementación de PRECIS no resulta necesariamente en una mejor simulación (Figura 7). 11 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Figura 7. Evaluación de la predicción de lluvia por PRECIS y HadAM3p durante el período 1960 – 1990 usando la climatología observada a tres resoluciones diferentes. A y D: Resolución de la climatología (0.167º); B y E: resolución de PRECIS (0.5º); C y F: Resolución de HadAM3p (1.25 por 1.875º). El área de agregación de algunas celdas de PRECIS y HadAM3p es más bajo debido a la falta de disponibilidad de datos de clima sobre el océano. El límite de los Andes Ecuatorianos está indicado en gris. En general (Figura 7A), PRECIS subestima la precipitación a lo largo de las partes bajas de la vertiente Amazónica, mientras que sobrestima los valores de precipitación para las zonas de mayor elevación en los Andes en esta misma vertiente, lo cual es consistente con el modelo de validación (Urrutia et al. 2009). El desplazamiento observado entre la precipitación real y la modelada sugiere que PRECIS es incapaz de capturar completamente el gradiente de precipitación orográfica que existe a lo largo de la vertiente oriental de los Andes ecuatorianos. La sobre-estimación de la precipitación en esta zona es un problema común de todos los RCMs y está relacionado con una subida orográfica excesiva debido a los fuertes vientos alisios (da Rocha 2009, Insel 2010, Urrutia y Vuille 2009). Este tipo de modelamientos presentan inconvenientes como incertidumbres significativas provenientes de la falta de continuidad espacial y temporal en los datos observados, problemas con los instrumentos de medición y calibración y posibles problemas de muestreo. El problema es aún más serio en las regiones montañosas donde la densidad de estaciones es baja y los procedimientos de interpolación introducen un error (New et al. 1999). Aún cuando la mayor resolución de los RCMs no sería suficiente para proveer predicciones localizadas correctas, una mejor representación de los patrones del clima probablemente resultará en una mejor simulación a escala regional. Sin embargo, la escala a la cual la agregación significa una mejora depende fuertemente de las condiciones climáticas locales. Las corridas de control de PRECIS y HadAM3p están comparadas con la climatología 12 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO observada a tres niveles de agregación: a la resolución de la climatología observada (0.167°), la resolución de PRECIS (0.5°) y a la resolución de HadAM3p (1.25 por 1.875°) (Figura 7 C y F). La resolución de HadAM3p (Figura 7 C y F) muestra que PRECIS tiene cierto potencial para mejorar ligeramente las simulaciones de precipitación. Un patrón similar se observa a la resolución de PRECIS (Figura 7 B), aún cuando los gradientes locales sobre las vertientes de los Andes juegan un rol más pronunciado. Este es el caso particular de la vertiente oriental del centro de Ecuador, donde PRECIS excede dramáticamente la precipitación observada, además de mostrar peores resultados locales que el HadAM3p. Finalmente, a una resolución mayor (Figura 7 A y D) el efecto es mucho más pronunciado. Tanto PRECIS como HadAM3p no son capaces de simular la precipitación orográfica a lo largo de ambas vertientes andinas, donde la vertiente oriental de los Andes Centrales ecuatorianos es particularmente problemática. Esta, en efecto, es una región dominada por una fuerte precipitación orográfica. Los resultados muestran que la incorporación de una mayor resolución en los gradientes de precipitación en los modelos climáticos es complicada y potencialmente riesgosa. Las desviaciones entre los procesos atmosféricos observados y simulados podrían resultar en desempeños bastante pobres de los modelos climáticos regionales en ciertos lugares. Tales errores son promediados cuando se trata de regiones extensas, pero podría resultar problemático para evaluaciones de impacto local, donde la localización exacta de la precipitación es importante. 3. POTENCIAL IMPACTO DEL CAMBIO CLIMÁTICO SOBRE EL BALANCE HIDRICO DE LOS ANDES TROPICALES DATOS Y GENERACIÓN DE CONDICIONES CLIMÁTICAS FUTURAS En este estudio se usó los mapas de precipitación y temperatura promedio de la Unidad de Investigación Climática (CRU) de la Universidad de East Anglia, Inglaterra (New et al. 2000) a una resolución de 0.1º (alrededor de 11 km en el Ecuador). El mapa de evapotranspiración de referencia para el presente ha sido generado por la FAO usando el método de Penman Monteith (Allen et al. 1998). Finalmente, se usó el mapa de cobertura de vegetación GLOBCOVER generado en base a imágenes MERIS del satélite ENVISAT (ESA 2006). Se usó el método delta (por ejemplo, Fowler et al. 2007) para generar mapas de la precipitación y temperatura futura a la resolución requerida. En este método, primero se calcula las diferencias entre la simulación del modelo global para el período 1960 – 1990 y el futuro. Para la temperatura se toma la diferencia absoluta (en ºC) y para la precipitación la diferencia relativa (en %) (William Ingram, com. pers., 2009). Luego se aplica esos factores a las observaciones históricas del CRU a la escala del análisis regional. La ventaja de este método es que elimina el sesgo sistemático de los modelos, y se incorpora mejor la variabilidad temporal y espacial de los procesos. Sin embargo, el método delta tiene fuertes supuestos respecto a la naturaleza de los cambios, incluyendo la falta de cambio en los 13 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO patrones de variabilidad espacial y temporal de los factores de clima. No obstante, la ausencia de datos y la alta variabilidad de los sistemas climáticos en la región complican el uso de modelos de desagregación más complejos (vea sección 2). La evapotranspiración de referencia futura fue calculada en dos etapas. Debido a que los modelos globales de clima no proveen todas las variables climáticas necesarias para calcular la evapotranspiración con el método de Penman Monteith, hay que usar métodos más simples y potencialmente más erróneos. Se escogió la relación de Thornthwaite, que solo usa la temperatura como entrada, y usa una relación empírica entre la temperatura y la evapotranspiración. Para minimizar el error de la relación se obtuvo la evapotranspiración de referencia para el presente con ambos métodos: el de Penman-Monteith y el de Thornthwaite. Calculando un factor de corrección para el método de Thornthwaite en base a la diferencia con los resultados del método de Penman-Monteith. Se uso el mismo factor de corrección para el futuro (Figura 8). Aun con la corrección, el método de Thornthwaite asume que las otras variables que afectan la evapotranspiración de referencia, especialmente la radiación y la humedad, se mantienen constantes. A pesar que este es un supuesto fuerte, actualmente la información existente es insuficiente para incorporar este tipo de cambios en los cálculos de manera confiable. MODELIZACIÓN HIDROLÓGICA Para la evaluación regional del impacto de cambio climático sobre los recursos hídricos, es necesario traducir las proyecciones de las variables climáticas a variables hidrológicas, especialmente la disponibilidad de agua. Por ende, se ha acoplado los modelos globales de clima con un modelo regional de balance hídrico a través de una desagregación estadística. El modelo regional de balance hídrico tiene una resolución espacial de 0.1º. La Figura 8 demuestra un flujograma del modelo de balance hídrico. Despues de calcular la evapotranspiración de referencia para el futuro, el modelo calcula la evapotranspiración potencial (ETp) de cada pixel en base a la evapotranspiración de referencia (ETo) y un coeficiente de vegetación (Kc): ETp = Kc * ETo (Eq. 1) Con este propósito se construyó una tabla de los coeficientes de vegetación de los tipos de uso de suelo presente en la zona de estudio en base a una revisión de literatura. Luego, el modelo calcula la evapotranspiración actual (ETa) en base a la evapotranspiración potencial, la temperatura y la precipitación mensual usando la curva de Budyko (Oudin et al. 2008), la cual es una curva empírica construida en base a datos globales de los tres factores (temperatura, precipitación y evapotranspiración actual). Finalmente, se define la cantidad de agua disponible para extracción como la diferencia entre le precipitación y la evapotranspiración actual. De esa manera, la disponibilidad física de agua en el medio ambiente, es decir la cantidad de precipitación que constituye la escorrentía superficial más la recarga de los acuíferos subterráneos, es igual a la precipitación efectiva: Peff = P – ETa (Eq. 2) 14 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Figura 8. Flujograma del cálculo de la evapotranspiración de referencia futura y el modelo de balance hídrico. El modelo está aplicado de manera distribuida para cada pixel del mapa y cada mes del año. Es importante darse cuenta que el modelo regional de balance hídrico refleja la estacionalidad de la disponibilidad de agua pero no representa la variabilidad inter-anual. Es decir, los resultados del modelo hidrológico representan la disponibilidad mensual promedio bajo un cierto escenario de emisión, incluyendo la incertidumbre de dichos escenarios, pero no representan la variabilidad natural de la disponibilidad de agua de un año al otro. Tal análisis requeriría un modelo continuo de lluvia - escorrentía que requiere una serie larga de tiempo de variables atmosféricas. Se puede desarrollar esas series de tiempo para condiciones futuras a través de métodos de desagregación estadística y dinámica, pero no existe investigación sobre la aplicación de esos métodos en los Andes Tropicales. 15 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO PROYECCIONES DE DISPONIBILIDAD DE AGUA PROYECCIONES PROMEDIAS Figura 9. Disponibilidad promedia de agua [mm] para el presente y el futuro basado en respectivamente 10 modelos (escenario A1B) y 8 modelos (escenario A2) del conjunto CMIP3. La Figura 9 muestra la disponibilidad de agua para el presente y los escenarios A1B y A2, usando el promedio de las proyecciones futuras. Concordando con las tendencias en la lluvia (Figura 2) se nota una disminución de la disponibilidad de agua en la zona costera de Venezuela, la cual está bajo la influencia de los vientos alisios del Caribe. De igual manera, el estrés hídrico sube en los altiplanos de Perú y Bolivia y el desierto de Atacama en la costa chilena. Sin embargo, en la mayoría de la zona Andina tropical se nota muy poco cambio en la disponibilidad de agua. Esto se debe a que se anulan mutuamente dos fenómenos opuestos: un incremento de precipitación de hasta 10% (Figura 9) y un incremento parecido de la evapotranspiración actual debido al incremento de la temperatura. La Figura 10 desagrega el impacto de cambios en la precipitación y la evapotranspiración actual. Mirando la figura en detalle, se nota que el impacto de temperatura es espacialmente relativamente homogéneo, pero se puede observar un impacto ligeramente menos grande en los Andes comparado con los llanos orientales (y la Amazonía). La razón para esa tendencia no está completamente clara, pero es probable que la relación no-lineal entre la temperatura y la evapotranspiración de referencia de Thornthwaite juegue un papel importante. Eso resulta que la misma subida de temperatura resulta en una mayor subida de evapotranspiración de referencia en zonas calientes comparado con zonas frías, y por eso también un mayor incremento de evapotranspiración actual. 16 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Figura 10. Cambio relativo de la disponibilidad física promedio de agua [%] para el futuro. Se muestra respectivamente el cambio total, el cambio debido al cambio de precipitación y el cambio debido al cambio de evapotranspiración generado por la subida de temperatura. Las regiones sin datos, mostrados en blanco, tienen una precipitación actual de 0 mm. El patrón de impacto de precipitación sobre la disponibilidad de agua es mucho más variable, y sigue en líneas grandes las tendencias de la misma precipitación. En los Andes de Ecuador y Colombia, así como el altiplano Boliviano, se observa un incremento de disponibilidad de agua por causa de una subida de precipitación, mientras que en la jalca peruana varias zonas sufrirán una disminución de la disponibilidad de agua hasta 10% y localmente 20% en el escenario A2B, período 2040 – 2069. 17 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO ESTACIONALIDAD Encima de la variabilidad regional observada hay que tomar en cuenta una variabilidad local que no se puede observar en el análisis regional. En sección 4, los gradientes locales están discutidos. Figura 11. Índice de estacionalidad (Walsh y Lawler 1981) para el presente y el futuro basado en respectivamente 10 modelos (escenario A1B) y 8 modelos (escenario A2) del conjunto CMIP3. El análisis de las Figuras 9 y 10 se ha enfocado en la disponibilidad promedia anual. Varios estudios, incluyendo los informes del IPCC (Giorgi y Bi 2005, IPCC 2007) sugieren que la estacionalidad de la precipitación aumentará, es decir lloverá mas durante el período húmedo y menos durante el período seco. Usando el índice de estacionalidad según Walsh y Lawler (1981) se observa en promedio una ligera subida de la estacionalidad a nivel regional (Figura 11), pero la tendencia es poco notable y tiene una variabilidad espacial muy errática. La discusión en capitulo 2 se enfocó más en el efecto de cambios en la estacionalidad a nivel local. PROYECCIONES EXTREMAS Igual como en el análisis de las proyecciones directas de variables climáticas del conjunto de GCMs, usando el mediano de la proyección de disponibilidad de agua mediana, se consigue la proyección más probable para el futuro (condicional a los supuestos del conjunto como la idea que todos los modelos en el conjunto tienen la misma capacidad predictiva). Sin embargo, la incertidumbre en las proyecciones propaga por el modelo hidrológico. La Figura 12 analiza el impacto de esta incertidumbre, demostrando la predicción más seca, representando el peor escenario del punto de vista de los recursos hídricos. Especialmente en el período 2040 – 2069 se observa cambios graves en la disponibilidad de agua en los Andes. En este escenario, varias regiones del altiplano peruano y boliviano, actualmente en condiciones semiáridas (amarillo), se convertirán en zonas áridas (rojo). Algunas zonas bajo influencia fuerte de los vientos alisios sobre el Caribe, aunque no se encuentran en zona montañosa se pueden convertir de zonas no áridas a zonas áridas, pasando por un estado semiárido de corta duración. Finalmente, grandes partes de la sierra ecuatoriana y colombiana, incluyendo el eje cafetero podrían entrar en condiciones semiáridas. Aunque ese escenario es poco probable, no se puede descartar en el desarrollo de medidas de adaptación al cambio climático. 18 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Figura 12. Predicción más seca de la disponibilidad agua [mm] para el presente y el futuro de acuerdo a los 10 modelos (escenario A1B) y 8 modelos (escenario A2) del conjunto CMIP3. La Figura 13 analiza el impacto del crecimiento poblacional sobre la disponibilidad física de agua por persona. Los países Andinos son países caracterizados por un desarrollo socioeconómico muy rápido, incluyendo una dinámica muy fuerte de crecimiento demográfico. Aunque un análisis comparativo del impacto de crecimiento demográfico usando proyecciones detalladas esta fuera del enfoque de este estudio, la Figura 13 compara el impacto del cambio climático sobre la disponibilidad de agua, usando un crecimiento demográfico hipotético y uniforme de 50%. Los impactos son muy diversos, complicando una generalización de las tendencias. En zonas con un fuerte cambio climático, como la costa caribeña y el desierto de Atacama, el efecto del cambio climático sobrepasa dinámicas demográficas. Sin embargo, en regiones con una alta densidad demográfica, incluyendo la sierra colombiana y ecuatoriana, el crecimiento demográfico puede tener mayor efecto comparado con el cambio climático, dependiendo del escenario de emisión bajo consideración. Figura 13. Impacto de crecimiento demográfico y cambio climático sobre la disponibilidad de agua por persona. Rojo: escasez de agua (< 1000 m3 por persona por año); amarillo: estrés hídrico (< 1700 m3 por persona por año). Para las proyecciones de la disponibilidad de agua en el futuro, se uso el promedio de las proyecciones del ensamblaje CMIP3 (Figura 9). 19 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO ANÁLISIS DE DISPONIBILIDAD DE INFORMACIÓN Los resultados presentados en la sección 3: Proyecciones dependen mucho de la calidad de los datos usados, y especialmente la calidad de las climatologías. Un análisis completo de la incertidumbre de las proyecciones en cambios en el ciclo hidrológico, tomando en cuenta potenciales errores en los datos y la estructura del modelo está presentado en la sección 4 a escala más local donde se puede evaluar el modelo hidrológico usando observaciones históricas de caudal. La falta de datos sobre la disponibilidad de agua prohíbe un análisis formal de incertidumbre a nivel regional. Sin embargo, es muy probable que la calidad de la modelización dependa de la disponibilidad de información hidrológica a nivel regional. La aplicación de métodos de desagregación estadísticos esta complicada por la falta de series de tiempo de precipitación largas, necesarias para calibrar los modelos estadísticos de ocurrencia y cantidad de precipitación. Adicionalmente, la densidad de estaciones pluviométricas es generalmente baja. En los Andes ecuatoriales, por ejemplo, la densidad promedio de estaciones pluviométricas por encima de los 2500 msnm es alrededor de una en cada 220 km2. Esta cifra se encuentra cerca del límite inferior de la densidad recomendada para estaciones manuales (una estación cada 100 - 250km2, WMO 1995). Además, la mayor incertidumbre se encuentra en las proyecciones del cambio de precipitación, por la gran variabilidad espacial y temporal y la alta tasa de azar que tienen los procesos de precipitación. En un futuro próximo será posible correr modelos globales de clima a más alta resolución, igual como implementar modelos regionales de clima para desagregar más los procesos locales. Sin embargo, la calidad de dichas implementaciones es limitada fundamentalmente por el conocimiento y la cuantificación de procesos locales. Aunque las fuentes de información global de precipitación crecerán, especialmente bajo el impulso del desarrollo de técnicas de sensores remotos, se mantiene la necesidad de usar datos locales. Finalmente, la elaboración de estudios de impacto más específicos a escala local, como mostrado para el caso de la cuenca del río Paute (sección 4), solo es posible cuando buenos datos de caudal existen para la calibración de modelos hidrológicos. Por ende, el análisis de disponibilidad de información es un buen indicador para la capacidad de mejorar las proyecciones del impacto del cambio climático, igual como un indicador del conocimiento de los procesos hidrológicos locales. La Figura 14 demuestra la disponibilidad de datos dentro de 2 de las bases de datos globales más conocidos: el “Global Runoff Data Centre” (GRDC) del Instituto Federal de Hidrología de Alemania para datos de caudal, y el “Global Historical Climatology Network” (GHCN) del NOAA, para datos de precipitación. Aunque la red existente es mucho más densa, la mayoría de los datos de institutos locales no están disponibles para investigación científica a nivel internacional. Por lo tanto, los mapas son un buen indicador del potencial de desarrollo científico a corto plazo, en anticipación de cambios políticos de acceso de información. 20 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Figura 14. Izquierda: Ubicación de las estaciones limnigráficas dentro de la base de datos GRDC (Global Runoff Data Centre). Derecha: zonas que se encuentren dentro del límite mínimo recomendado por el MMO de un pluviómetro cada 250 km2. Se usó la red de pluviómetros registrados en el “Global Historical Climatology Network”. La isolinea de 1000m altura esta usado para delinear los Andes. La disponibilidad de datos de caudal es espacialmente problemático en Perú y Bolivia (Figura 14, izquierda). Los únicos datos disponibles en los Andes peruanos se encuentran en la zona baja de la costa, mientras que no hay ninguna estación en el GRDC con datos en la vertiente Amazónica de los Andes peruanos. Similarmente, algunas estaciones de caudal existen en las vertientes Andinos de Bolivia, sin estaciones en el altiplano. La disponibilidad de datos pluviométricos es mucho mejor (Figura 14, derecha). Sin embargo, la Organización Mundial de Meteorología (OMM) de las Naciones Unidas recomienda una densidad mínima de pluviómetros de 1 por 100 – 250km2 en zonas de alta montaña. Ploteando el área de los Andes que se encuentra dentro de ese límite (aproximado por una distancia de 9 km al pluviómetro mas cerca) se observa que solo en Ecuador, la red es suficientemente densa como para cumplir con las recomendaciones del MMO. Especialmente en el altiplano boliviano y las vertientes orientales de los Andes peruanos y colombianos, se observa una falta de instrumentos. La escasez de observaciones en esa zona contrasta con la importancia de los procesos climáticos locales que resultan de la interacción de las masas de aire entregadas por los alisios sobre la Amazonia y la topografía Andina. En general, aun en las zonas que cumplen con la densidad mínima sugerida por la OMM, se considera la densidad de pluviómetros insuficiente para capturar los gradientes locales (Buytaert et al. 2006b, Célleri et al. 2007). Adicionalmente, la ubicación de estas estaciones pluviométricas está fuertemente sesgada, ya que tienden a estar localizadas en zonas más 21 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO bajas y densamente pobladas. En las zonas andinas húmedas más altas y en los pastizales, que constituyen áreas de mayor provisión de agua, la densidad de estaciones pluviométricas es mucho menor. 4. ESTUDIO DE CASO: CUENCA DEL RIO PAUTE, ECUADOR INTRODUCCIÓN El análisis regional presentado en la sección 3 se restringe al balance hídrico y la disponibilidad de agua en el suelo. Sin embargo, el impacto de cambio climático sobre el ciclo de agua es mucho más amplio e incluye cambios en el régimen de caudal, potencialmente resultando en un mayor riesgo de sequía e inundaciones. Debido a la escasez de series de tiempo hidrometeorológicas, y especialmente de caudales, un análisis del impacto de cambio climático sobre la respuesta hídrica a nivel regional es imposible. Más bien, ese tipo de estudios pueden ser implementados a nivel local, bajo las condiciones de disponibilidad de suficiente información. Como ejemplo de un análisis completo del impacto del cambio climático sobre el ciclo de agua incluyendo la relación lluvia - escorrentía, en esta sección se elabora un estudio del impacto del cambio climático sobre el régimen de caudal del Río Paute en Ecuador. Figura 15. Ubicación de la cuenca del río Paute y la subcuenca del Tomebamba + = Estación de caudal; ● = Pluviómetro. 22 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO LA CUENCA DEL RÍO PAUTE El clima de los Andes ecuatorianos se encuentra dominado por varios procesos climáticos de gran escala (Vuille et al. 2000). Al suroeste, la corriente de Humboldt del Pacífico provee masas de aire frías y secas, que conllevan a un clima semi-árido. Más hacia el norte, a lo largo de la costa del Pacífico, las masas de aire caliente y húmedo provenientes del pacífico ecuatorial inducen un clima húmedo tropical. La vertiente oriental de los Andes se encuentra permanentemente húmeda bajo la influencia de la cuenca Amazónica. Finalmente el valle ínter-andino es típicamente más seco que la vertiente occidental dado que la mayor cantidad de masas de aire han perdido su humedad al llegar a la parte alta de la cordillera. En general, los patrones de precipitación son altamente variables, desde 3000 mm en las últimas zonas montañosas orientales hasta 500 mm en los valles ínter-andinos y en el suroeste de la vertiente del Pacífico. En la escala ínter-anual la variabilidad de temperatura y precipitación es bastante grande y dominada principalmente por la temperatura superficial del océano Pacífico, con la presencia de los eventos de El Niño que conducen a condiciones más calientes y secas en la mayoría de los Andes ecuatorianos, excepto por la parte suroeste, mientras que durante los períodos de La Niña prevalecen condiciones opuestas (Vuille et al. 2000, Francou et al. 2004). El análisis hidrológico se enfoca en la cuenca del río Tomebamba (1250 km2) localizada en el sur de los Andes ecuatorianos. El Tomebamba es una subcuenca de la cuenca del río Paute (aproximadamente 6500 km2, Figura 15), que alberga la planta hidroeléctrica más grande del país (Daniel Palacios, 1075 MW). Una segunda planta ha sido recientemente abierta (Mazar, febrero 2010). Cuando esta planta se encuentre totalmente operativa, el sistema podrá proveer más del 50% de la energía que el país necesita. Adicionalmente, el río Tomebamba es un proveedor de agua fundamental para la ciudad de Cuenca. Como resultado, esta micro cuenca juega un rol clave en el desarrollo socioeconómico de la región y existe una necesidad urgente de estrategias adecuadas de adaptación al cambio climático. MÉTODOS PROYECCIONES DE CAMBIO CLIMÁTICO El ensamblaje de proyecciones de los GCMs para el período 2070-2099 del tercer y cuarto reporte de evaluación del IPCC (2001, 2007) se obtuvo del sitio web del IPCC. El mismo método delta usado en la sección 3 ha sido aplicado en este estudio, pero en vez de usar climatologías regionales se usó series de tiempo de temperatura y precipitación registradas localmente. Igualmente, se recalculó la evapotranspiración potencial futura en base a los nuevos valores de temperatura. MODELIZACIÓN HIDROLÓGICA La cuenca del Tomebamba tiene una compleja hidrología. La parte alta de la cuenca está compuesta principalmente de páramos, que se encuentran sobre rocas metamórficas de baja permeabilidad. En las partes bajas se encuentran depósitos cuaternarios con alta permeabilidad que permiten la acumulación de agua en el acuífero que, se piensa, contribuyen significativamente al comportamiento hidrológico. A pesar que se tiene un buen entendimiento e idea de los principales procesos hidrológicos en la microcuenca, existe poca 23 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO información cuantitativa disponible. Por lo tanto, una representación detallada de estos procesos en un modelo hidrológico es imposible dada la falta de datos suficientes. En este contexto, se optó por un modelo conceptual simple. Se implementó un modelo hidrológico que consiste en un módulo para calcular pérdidas en la evapotranspiración, y un módulo de escorrentía que representa la demora entre la precipitación y el caudal (Beven 2001). En el área de estudio, la evapotranspiración actual sería significativamente menor a la evapotranspiración potencial debido al déficit de humedad del suelo. Tanto la evapotranspiración potencial como la humedad del suelo dependen fuertemente de las condiciones climatológicas las cuales cambiarían en escenarios futuros. Esa dinámica está incluida en el modelo usando un módulo de déficit hídrico (Croke et al. 2004). Para el módulo de escorrentía, se implementaron dos reservorios lineales paralelos, para componentes de flujo rápido y lento respectivamente (Beven 2001). Algunas soluciones más complejas fueron evaluadas, incluyendo funciones de autoregresión y combinaciones múltiples de reservorios lineales, pero ninguna de estas configuraciones representó una mejora significativa en el desempeño del modelo, y solo añade más parámetros al modelo. El modelo final consta de 4 parámetros y necesita de 2 valores de inicialización. La evapotranspiración potencial fue calculada mediante el método FAO-Penman Monteith (Allen et al. 1998), usando los datos de 4 estaciones meteorológicas cerca del área de estudio. Para incluir el efecto del gradiente altitudinal, los datos de evapotranspiración fueron interpolados usando un modelo de elevación digital con 50m de resolución. La interpolación usó la relación Thornthwaite entre temperatura y evapotranspiración potencial con una relación entre altura y temperatura obtenida de 24 estaciones de temperatura locales (0.54/100 m1, Timbe 2004). Los promedios espaciales de precipitación fueron obtenidos de 13 estaciones pluviométricas (Célleri et al. 2007) usando la interpolación de Thiessen. Algunos vacíos en los datos pluviométricos fueron completados mediante la interpolación de datos de estaciones cercanas usando regresión lineal. Finalmente, el modelo fue corrido con pasos diarios para el período 1978-1991, incluyendo un año de estabilización del modelo. CALIBRACIÓN DEL MODELO HIDROLÓGICO Y ANÁLISIS DE INCERTIDUMBRE A pesar de la disponibilidad de una serie de tiempo completa de precipitación para la región de estudio en la Cuenca de Tomebamba, la disponibilidad de datos de descarga diaria fue solo del 81%. Por lo tanto, el modelo fue corrido continuamente desde 1978 hasta 1991; sin embargo, para la calibración solo se usaron los datos simulados para los cuales, existía datos de descarga observada. El modelo hidrológico fue calibrado mediante una comparación directa entre la descarga observada y la simulada usando la eficiencia Nash-Sutcliffe y el sesgo absoluto. Dado que nuestro análisis se enfoca en recursos hídricos, las series de tiempo de las descargas observadas y simuladas fueron resumidas en curvas de duración de flujo y descarga promedio mensual. Para el análisis de incertidumbre se utilizó una variación del método de la estimación de incertidumbre por la probabilidad generalizada (GLUE, Beven y Binley 1992). Usando un muestreo de Monte-Carlo de las distribuciones uniformes de parámetros se generaron 105 24 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO juegos de parámetros y se evaluaron usando la eficiencia de Nash-Sutcliffe. Los juegos de parámetros de comportamiento fueron seleccionados usando un umbral de la eficiencia de Nash-Sutcliffe. Los juegos de parámetros restantes fueron usados para calcular el rango de predicción para las curvas de duración de flujo y las descargas promedio mensuales para los períodos pasados y futuros. El umbral de comportamiento fue elegido de modo que los límites de las predicciones de las curvas de duración de flujo y la descarga promedio mensual comprenda la curva de duración de flujo y la descarga mensual observadas (Figura 16). Figura 16. Resumen de las proyecciones de anomalías de temperatura y precipitación para la cuenca del río Paute de acuerdo a los informes del IPCC y la escenario de emisión de gases de invernadero. TAR = tercer informe del IPCC (IPCC 2001); AR4 = cuarto informe del IPCC (IPCC 2007); A1B, A2, B1 y B2 son los escenarios de emisión del Informe especial sobre escenarios de emisión del IPCC (IPCC 2001). Los triángulos más largos representan las proyecciones del modelo regional PRECIS. El período es 2070 – 2099. RESULTADOS Y DISCUSIONES PROYECCIONES DE CLIMA A NIVEL LOCAL A escala local, y tomando en cuenta otros escenarios de emisión, la variabilidad entre las proyecciones de clima es altísimo. Para la cuenca de Tomebamba, las proyecciones para el período 2070-2099 tienen un rango de cambio entre -25% y 45% para la precipitación, y para la temperatura un incremento entre 1.2 y 4.8°C (Figura 9). La exclusión o reducción del peso de ciertos escenarios de emisión o modelos podría ser una opción para reducir estos sobres climáticos de cambio, pero estas decisiones son subjetivas y polémicas (Allen e Ingram 2002, Stainforth et al. 2007b). Otra potencial alternativa para reducir la incertidumbre, 25 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO especialmente para las regiones montañosas, consistiría en la exploración de la desagregación espacial. Figura 17. Incertidumbre en las proyecciones del impacto de cambio climático sobre los recursos hídricos. Izquierda: curva de duración de flujo. Derecho: Caudal mensual promedio. La linea negra representa la curva observada, el área gris indica las limites de 90% de incertidumbre del modelo hidrológico durante la calibración (90%), las lineas rojas indican las limites de 90% de incertidumbre de predicción par el escenario A1B, período 2070 – 2099), incluyendo ambos la incertidumbre del modelo hidrológico y los modelos globales de clima. IMPACTO DEL CAMBIO CLIMÁTICO SOBRE EL RÉ GIME N DE CAUDAL DEL RÍO PAUTE Las secciones anteriores han mostrado que los modelos regionales de clima pueden mejorar la representación de los patrones de precipitación local bajo ciertas condiciones, potencialmente también contribuyen a la disminución de la incertidumbre de las proyecciones climáticas. Sería necesaria la implementación de los RCMs para todo el juego de GCMs para confirmar si los RCMs disminuyen en efecto la variabilidad de las proyecciones de precipitación. Este sería el siguiente paso a seguir investigando. Sin embargo, las potenciales mejoras son también condicionales a la contribución de las proyecciones climáticas a la incertidumbre total del impacto proyectado. Esto depende del sistema específico bajo consideración. La Figura 17 muestra las incertidumbres en la predicción de la curva del flujo de duración y la variación estacional de la descarga del río bajo condiciones de clima futuro usando el modelo AR4 DEL IPCC para la cuenca de Tomebamba. Este análisis se enfoca en el escenario A1B, para facilitar la comparación con otros estudios que utilizan este escenario. La parte más grande de la incertidumbre en las proyecciones futuras (61.4% para las curvas de duración del flujo y 71.0% para la estacionalidad) resulta en realidad del juego de modelos del IPCC, resaltando la importancia que tendría una mejor desagregación espacial. El modelo hidrológico también contribuye significativamente a la incertidumbre total, lo cual resalta la necesidad de mejorar el entendimiento del funcionamiento hidrológico del sistema estudiado. Investigaciones hidrológicas previas (vea ejemplo. Buytaert et al. 2006b) en el área de estudio han demostrado que el pobre conocimiento tanto de los patrones de precipitación, como del funcionamiento de los humedales locales son los principales problemas para una modelación adecuada. 26 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO 5. RELEVANCIA DEL ESTUDIO PARA LOS RECURSOS HIDRICOS EN LOS ANDES Los dos estudios en este informe han mostrado que, en ambos niveles regional y local, el rango de escenarios potenciales es bastante amplio. En muchos casos, las condiciones potenciales futuras envuelven completamente las condiciones actuales. Actualmente no es posible llegar a conclusiones decisivas acerca de la magnitud ni de la dirección del cambio de la disponibilidad de agua o el régimen de caudal bajo condiciones de clima futuro. Queda aun pendiente la pregunta sobre si tales proyecciones resultan útiles para el manejo de recursos hídricos ya que los administradores de agua usualmente acuden a los científicos para saber sobre los últimos avances con certeza. Una implicación importante de estos resultados y otros similares (por ejemplo, Dessai y Hulme 2007) es la importancia de cuantificar el rango de incertidumbre de proyecciones. Las proyecciones regionales del cambio climático no proveen estimaciones confiables de los patrones de precipitación futuros a una escala local, que son necesarios para optimizar las estrategias de manejo de agua. Mas bien, los modelos proveen información acerca del rango de incertidumbre y el rango de escenarios que uno tiene que tomar en cuenta en el manejo. Mientras que investigación adicional podría probablemente reducir de alguna manera el rango de escenarios posibles, una parte importante de la incertidumbre no podrá ser eliminada en un futuro predecible. Aún así, decisiones para afrontar el cambio climático necesitan ser tomadas ahora. Entonces, es pertinente preguntarse cual es la relevancia de los esfuerzos de modelamiento para un manejo de agua sostenible, cuando la optimización del manejo del agua se basa en proyecciones de precipitación futura que están plagadas de incertidumbres. El desarrollo de investigaciones de adaptación climática y manejo de agua presentan diferentes métodos para el manejo de incertidumbre dentro del tema de toma de decisiones. El manejo adaptativo del agua (Pahl-Wostl et al. 2007) parte de la aceptación que no es posible reducir la incertidumbre sobre el cambio futuro (climático). Asumiendo cambios futuros e incertidumbre no reducible acerca de la dirección y el tiempo de estos cambios, esta aproximación pasa del paradigma “predicción-y-control” a una aproximación más adaptativa, con un continuo aprendizaje y flexibilidad como objetivos claves. En este sentido, las grandes inversiones de infraestructura con altos costos irreversibles, decisiones irreversibles o estrategias de manejo fijas no permiten un continuo aprendizaje y ajuste. Una manera más efectiva de lidiar con lo impredecible es evitar controlar a través de la creación de capacidad de respuesta efectiva ante el cambio y condiciones desconocidas, usando estrategias de desarrollo que sean robustas ante un rango completo de posibles futuros escenarios; por ejemplo, diversificación de estrategias o estrategias que puedan ser aplicadas de manera flexible cuando sean necesarias (Brugnach et al. 2008). El enfoque en estrategias más robustas puede ser complementado con un análisis de las vulnerabilidades clave del sistema de agua y los servicios que el agua provee, más que en una estrategia óptima (Dessai et al. 2009). En este caso, un método útil es el desarrollo de intervenciones “sin arrepentimiento”, definida como el conjunto de estrategias que conlleva a beneficios independientemente de las tendencias futuras en escenarios climáticos (Heltberg et al. 2009). Dado que el clima es solo uno de los tantos procesos inciertos que influencian el manejo de recursos hídricos, estrategias de “no arrepentimiento” favorecerán medidas que también son beneficiosas para estos ámbitos. 27 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Estas estrategias son idealmente producto de una aproximación integrada que involucra científicos, administradores de recursos y tomadores de decisiones. En la cuenca del río Paute, representativa de muchas cuencas Andinas, tales interacciones han sido puestas en curso por un largo tiempo. Dos ecosistemas claves, los bosques andinos y el páramo, han sido identificados como excelentes proveedores de agua debido a la alta capacidad de almacenamiento y regulación hídrica. Por lo tanto, los esfuerzos de adaptación tienen que enfocarse en una mejora del manejo y conservación de estos ecosistemas (Célleri et al. 2009). De igual manera, el control de la erosión y la restauración de tierras agrícolas degradadas en la parte baja de la cuenca del Paute intentan disminuir la presión agrícola sobre las áreas que contienen los recursos hídricos (Dercon et al. 2006). 6. CONCLUSIONES El presente estudio analiza el impacto del cambio climático sobre el balance hídrico de los Andes Tropicales a nivel regional y local. Los modelos de circulación global son bastante consistentes en proyectar un incremento de temperatura (alrededor de 3°C) en el área de estudio, pero las proyecciones de precipitación varían tanto que no se observa una tendencia clara. La incertidumbre en las proyecciones, aproximada a través del rango del conjunto de modelos, es similar para la Amazonia y la región costera del Pacífico. Los Andes destacan claramente como una región de alta incertidumbre para la corrida del siglo veinte (20C3M), creando dudas sobre la confiabilidad de las proyecciones futuras. En cuanto al impacto de cambio climático sobre los recursos hídricos, la subida de temperatura resulta en un aumento de la evapotranspiración, y una disminución de la disponibilidad de agua. En el predicción promedio, el aumento de la evapotranspiración esta compensado por el aumento de precipitación, resultando en un efecto total limitado sobre los recursos hídricos. Sin embargo, la variabilidad de las proyecciones del conjunto de modelos propaga por el modelo hidrológico, igualmente resultando en un rango de predicción muy largo, incluyendo escenarios de subida dramática de estrés hídrico. Un breve análisis de las incertidumbres de cambios socio-económicos demuestra que los efectos de un crecimiento demográfico pueden superar el impacto del cambio climático sobre la disponibilidad de agua por persona, mostrando la importancia de tomar en cuenta el contexto socio-económico para desarrollar medidas de adaptación. En un estudio de caso para la cuenca del río Paute, Ecuador, se ha analizado el potencial de modelos regionales para bajar la incertidumbre de las proyecciones de clima a través de una evaluación del modelo regional PRECIS. Los resultados son mixtos. En comparación con el HadAM3p, PRECIS es capaz de simular mejor la precipitación total sobre la cuenca Amazónica. Sin embargo, grandes errores en la simulación de los patrones de precipitación aparecen sobre los Andes cuando el modelo es comparado con los datos observados. Localmente, estas simulaciones pueden exceder el error registrado con el modelo HadAM3p de resolución más gruesa. Los resultados muestran que hay que tener cuidado con la implementación de modelos regionales. Para climas locales, los RCMs podrían producir resultados inapropiados o peores que los de los GCMs, especialmente cuando se considera la precipitación. Alternativamente, se puede explorar el desarrollo de intervenciones “sin 28 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO arrepentimiento”, que conlleva a beneficios independientemente de las tendencias futuras en escenarios climáticos. Finalmente, el cuello de botella más importante tanto para el mejoramiento de proyecciones como para el desarrollo de medidas de adaptación al cambio climático, es la disponibilidad de información. Hay muy pocos datos disponibles y los que hay son propensos a grandes incertidumbres. Una gran parte de los Andes Tropicales no cumple con los requerimientos mínimos del MMO en cuanto a la densidad de la red pluviométrica en alta montaña. Tanto la implementación de modelos regionales de clima a alta resolución (considerado indispensable para bajar la incertidumbre de las proyecciones) así como el desarrollo de intervenciones sin arrepentimiento, requieren mayor información y entendimiento de los procesos hidrológicos locales. 29 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO 7. REFERENCIAS Allen MR, Ingram WJ. 2002. Constraints on future changes in climate and the hydrologic cycle. Nature 419: 224–232. Allen RG, Pereira LS, Raes D, Smith M. 1998. Crop evapotranspiration. Guidelines for computing crop water requirements. FAO Irrigation and Drainage Paper 56. FAO. Rome. Bates BC, Kundzewicz ZW, Wu S, Palutikof J Eds. 2008. Climate Change and Water. Technical Paper of the Intergovernmental Panel on Climate Change. IPCC Secretariat, Geneva. Beniston M. 2003. Climate change in mountain regions: a review of possible impacts. Climatic Change 59: 5–31. Beven K, Binley A. 1992. The future of distributed models: Model calibration and uncertainty prediction. Hydrological Processes 6: 279–298. Beven K. 2001. Rainfall-runoff modelling. The primer. John Wiley & Sons. Chichester. Bradley RS, Keimig FT, Diaz HF, Hardy DR. 2009. Recent changes in freezing level heights in the tropics with implications for the deglacierization of high mountain regions. Geophysical Research Letters 36: L17701. Bradley RS, Vuille M, Diaz HF, Vergara W. 2006. Threats to water supplies in the tropical Andes. Science 312: 1755–1756. Brugnach M, Dewulf A, Pahl-Wostl C, Taillieu T. 2008. Toward a relational concept of uncertainty: about knowing too little, knowing too differently, and accepting not to know. Ecology and Society 13, art. No 30. Buytaert W, Célleri R, de Bièvre B, Hofstede R, Cisneros F, Wyseure G, Deckers J. 2006a. Human impact on the hydrology of the Andean páramos. Earth-Science Reviews 79: 53–72. Buytaert W, Célleri R, Willems P, de Bièvre B, Wyseure G, 2006b. Spatial and temporal rainfall variability in mountainous areas: A case study from the south Ecuadorian Andes. Journal of Hydrology 329: 413–421. Buytaert W, Celleri R, Timbe L. 2009. Predicting climate change impacts on water resources in the tropical Andes: the effects of GCM uncertainty. Geophysical Research Letters 36: L07406. Buytaert W, Vuille M, Dewulf A, Urrutia R, Karmalkar A, Célleri R. 2010a. Uncertainties in climate change projections and regional downscaling: implications for water resources management. Hydrology and Earth System Sciences 14: 1247-1258. 30 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Buytaert W, Cuesta-Camacho F, Tobon C. 2010b. Potential impacts of climate change on the environmental services of humid tropical alpine regions. Global Ecology and Biogeography. doi: 10.1111/j.1466-8238.2010.00585.x. Célleri R, Feyen J. 2009. The hydrology of tropical andean ecosystems: Importance, knowledge status, and perspectives. Mountain Research and Development 29: 350– 355. Célleri R, Willems P, Buytaert W, Feyen J. 2007. Space-time variability of rainfall in the Paute river basin of South Ecuador. Hydrological Processes 21: 3316 – 3327. Croke B, Merritt W, Jakeman A. 2004. A dynamic model for predicting hydrologic response to land cover changes in gauged and ungauged catchments. Journal of Hydrology 291. 115–131. da Rocha RP, Morales CA, Cuadra SV, Ambrizzi T. 2009. Precipitation diurnal cycle and summer climatology assessment over South America: An evaluation of Regional Climate Model version 3 simulations. Journal of Geophysical Research 114. D10108. Dercon G, Govers G, Poesen J, Sá́ nchez H, Rombaut K, Vandenbroeck E, Loaiza G, Deckers J. 2006. Animal-powered tillage erosion assessment in the southern andes region of Ecuador. Geomorphology 87: 4–15. Dessai S, Hulme M. 2007. Assessing the robustness of adaptation decisions to climate change uncertainties: A case study on water resources management in the East of England. Global Environmental Change 17: 59–72. Dessai S, Hulme M, Lempert RJ, Pielke R Jr. 2009. Climate prediction: a limit to adaptation? En: Adger, WN, Lorenzoni I, O’Brien K. (Eds.), Adapting to Climate Change: Thresholds, Values, Governance. Cambridge University Press. Cambridge. pp. 64–78. Diaz HF, Eischeid JK, Duncan C, Bradley RS. 2003. Variability of freezing levels, melting season indicators and snow cover for selected high elevation and continental regions in the last 50 years. Climatic Change. 59: 33–52. ESA. 2006. Globcover portal. http://ionia1.esrin.esa.int/. Accessed on 04 May 2010. Fowler HJ, Blenkinsop S, Tebaldi C. 2007. Linking climate change modelling to impacts studies: recent advances in downscaling techniques for hydrological modelling. International Journal of Climatology 27: 1547–1578. Francou B, Vuille M, Favier V, Cáceres B. 2004. New evidence for an ENSO impact on lowlatitude glaciers: Antizana 15, Andes of Ecuador, 0° 28’S. Journal of Geophysical Research 109: D18106. Garreaud R, Falvey M. 2009. The coastal winds off western subtropical South America in future climate scenarios. International Journal of Climatology 29: 543–554. 31 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Giorgi F, Bi X. 2005. Updated regional precipitation and temperature changes for the 21 century from ensembles of recent aogcm simulations. Geophysical Research Letters 32: L21715. Haylock MR, Peterson TC, Alves LM, Ambrizzi T, Anunciacao MT, Baez J, Barros VR, Berlato MA, Bidegain M, Coronel G, Corradi V, Garcia VJ, Grimm AM, Karoly D, Marengo JA, Marino MB, Moncunilland DF, Nechet D, Quintana J, Rebello E, Rusticucci M, Santos JL, Trebejo I, Vincent LA. 2006. Trends in total and extreme South American rainfall in 1960-2000 and links with sea surface temperature. Journal of Climate 19: 1490–1512. Heltberg R, Siegel PB, Jorgensen SL. 2009. Addressing human vulnerability to climate change: Toward a ‘no-regrets’ approach. Global Environmental Change 19: 89–99. Insel N, Poulsen CJ, Ehlers TA. 2010. Influence of the Andes mountains on South American moisture transport, convection and precipitation. Climate Dynamics In Press. IPCC 2001. Climate Change 2001: Impacts, Adaptation and Vulnerability. Cambridge University Press. Cambridge. IPCC 2007. Climate Change 2007 - Impacts, Adaptation and Vulnerability. Cambridge University Press. Cambridge. Jones RG, Noguer M, Hassell D, Hudson D, Wilson S, Jenkins G, Mitchell J. 2004. Generating high resolution climate change scenarios using PRECIS. Met Office Hadley Centre. Exeter. Karmalkar AV, Bradley RS, Diaz HF. 2008. Climate change scenario for Costa Rican montane forests. Geophysical Research Letters 35: (L11702). Maraun D, Wetterhall F, Ireson AM, Chandler RE, Kendon EJ, Widmann M, Brienen S, Rust HW, Sauter T, Themeßl M, Venema VKC, Chun KP, Goodess CM, Jones RG, Onof C, Vrac M, Thiele-Eich I. 2010. Precipitation downscaling under climate change. Recent developments to bridge the gap between dynamical models and the end user. Reviews of Geophysics In press. Marengo JA, Jones R, Alves LM, Valverde MC. 2009. Future change of temperature and precipitation extremes in South America as derived from the PRECIS regional climate modeling system. International Journal of Climatology 29: 2241–2255. New M, Hulme M, Jones P. 1999. Representing twentieth-century space-time climate variability. part I: Development of a 1961-90 mean monthly terrestrial climatology. Journal of Climate 12: 829–856. New M, Lister D, Hulme M, Makin I. 2000. A high-resolution data set of surface climate over global land areas. Climate Research 21: 1–25. Oudin L, Andréassian V, Lerat J, Michel C. 2008. Has land cover a significant impact on mean annual streamflow? an international assessment using 1508 catchments. Journal of Hydrology 357: 303–316. 32 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO Pahl-Wostl C. 2007. Transitions towards adaptive management of water facing climate and global change. Water Resources Management 21: 49–62. Soares WR, Marengo JA. 2009. Assesments of moisture fluxes east of the Andes in South America in a global warming scenario. International Journal of Climatology 29: 1395–1414. Stainforth DA, Allen MR, Tredger ER, Smith LA. 2007a. Confidence, uncertainty and decision-support relevance in climate predictions. Philosophical Transactions of the Royal Society A 365: 2145–2161. Stainforth DA, Downing TE, Washington R, Lopez A, New M. 2007b. Issues in the interpretation of climate model ensembles to inform decisions. Philosophical Transactions of the Royal Society A 365: 2163–2177. Still CJ, Foster PN, Schneider SH. 1999. Simulating the effects of climate change on tropical montane cloud forests. Nature 398: 608–610. Timbe E. 2004. Disgregacion temporal de datos diarios de precipitacion en microcuencas de páramo. Master’s thesis. Universidad de Cuenca. Urrutia R, Vuille M. 2009. Climate change projections for the tropical Andes using a regional climate model: Temperature and precipitation simulations for the end of the 21st century. Journal of Geophysical Research 114: D02108. Vera C, Silvestri G, Liebmann B, Gonzalez P, 2006. Climate change scenarios for seasonal precipitation in South America from IPCC-AR4 models. Geophysical Research Letters 33: L13707. Viviroli D, Archer DR, Buytaert W, Greenwood GB, Hamlet AF, Huang Y, Koboltschnig G, Litaor MI, López-Moreno JI, Lorentz S, Schädler B, Schwaiger K, Vuille M, Woods R. 2010. Climate change and mountain water resources: Overview and recommendations for research, management and politics. Hydrology and Earth System Sciences Discussions 7: 2829–2895. Vuille M, Bradley RS, Keimig F. 2000. Climate variability in the Andes of Ecuador and its relation to tropical Pacific and Atlantic sea surface temperature anomalies. Journal of Climate 13: 2520–2535. Vuille M, Bradley RS, Werner M, Keimig F. 2003. 20th century climate change in the tropical andes: observations and model results. Climatic Change 59. 75–99. Vuille M, Francou B, Wagnon P, Juen I, Kaser G, Mark BG, Bradley RS. 2008. Climate change and tropical andean glaciers: Past, present and future. Earth-Science Reviews 89: 79–96. Walsh PD, Lawler DM. 1981. Rainfall seasonality: description, spatial patterns and change through time. Weather 36: 201–208. 33 PANOR AM A ANDINO SOBR E C AM BIO C LIM ÁTICO WMO. 1995. World Meteorological Organisation: Guide to Hydrological practices. WMO Publication 168: Switzerland. 34