VALIDACIÓN DE LOS DATOS DE LA LINEA BASE DEL MODELO

CONGREMET X – CLIMET XIII
LOS DESASTRES NATURALES Y EL CAMBIO CLIMATICO
DEL 5 AL 19 DE OCTUBRE 2009 – BUENOS AIRES, ARGENTINA.
VALIDACIÓN DE LOS DATOS DE LA LINEA BASE DEL MODELO CLIMATICO
REGIONAL PRECIS, EL REANÁLIS ERA40 Y DATOS CRU EN LA REGIÓN CENTRO
DE SUDAMERICA
Carbajal Benítez Gerardo1,2, Agosta Eduardo1,3 y Canziani Pablo1,3
1
Equipo Interdisciplinario para el Estudio de Procesos Atmosféricos en el Cambio Global –
PEPACG-, Pontificia Universidad Católica Argentina - UCA, Buenos Aires, Argentina
2
3
Servicio Meteorológico Nacional
Consejo Nacional de Investigaciones Científicas y Técnicas – CONICET.
RESUMEN
La validación es una parte esencial para el uso de Modelos Climáticos tanto
regional como global. Representar con los Modelos Climáticos Globales (MCG)
una zona tan compleja como es Sudamérica no es suficiente, debido a la variada
topografía, extensas líneas de costa y a las diversas coberturas vegetales como las
selvas amazónicas. Para esto hay que usar una aproximación con resolución más
alta y esta alternativa ofrecida por los Modelos Climáticos Regionales. En este
trabajo se usan los datos del MCG de Atmósfera ECHAM4 que tiene como
ventaja una serie completa continua que va desde 1960 hasta 2100. Se ha
realizado una comparación entre los datos estacionales para el periodo de 1961 a
2000 (40 años) de la Línea Base ECHAM4 y ERA40, conducidos por el MCR
PRECIS, y los datos CRU, re-grillados a la misma resolución para la
comparación. Los resultados de esta comparación muestran que la Línea Base
ECHAM4 reproduce aceptablemente los patrones climatológicos de temperatura y
precipitación. La temperatura y precipitación coincide más con los datos del Reanálisis ERA40 que con los datos CRU. El MCR PRECIS sobrestima la
precipitación sobre los Andes y la temperatura subestima a los mismos. Hay
subestimación de la precipitación en el Amazonas de hasta -200 mm/estación. El
error máximo alcanzado con el promedio estacional de los 40 años es del 20%.
Palabras claves: Validación, MCR PRECIS, Temperatura y Precipitación.
1
Cap. Gral. Ramón Freire 183 C1426AVC – Buenos Aires Argentina Tel. +5411 43490200 int. 7091 –
email: gcarbajal@uca.edu.ar
BASE LINE DATA VALIDATION USED THE REGIONAL CLIMATE MODEL
PRECIS, RE-ANALYSIS ERA40 AND CRU DATA IN SOUTH AMERICA
CENTRAL REGION.
ABSTRACT
The validation is essential part to the Climate Model. If we need to reproduce a zone very
complex like South America, the Global Climate Model (GCM) is not sufficient to
reproduce the effects of the topographic system. For this case we help to Regional Climate
Model (RCM) that suggests a high resolution. RCM PRECIS born by the Hadley Center
Met Office UK. Therefore, the ECHAM4 data is used for this work, the period are 40 years
(1961-2000). The Line Base ECHAM4 and ERA40 data are driving by RCM PRECIS and
the CRU data are re-grid to same resolution by Base Line and ERA40 (~ 50 Km) for the
comparison. The result of comparison between the Line Base ECHAM4, ERA40 and CRU
data, show that the Line Base ECHAM4 reproduce slight better temperatures than
precipitation. The comparison results shows that the Base Line ECHAM4 reproduce
acceptably patterns of temperature and precipitation. The temperature and precipitation is
reproduced better the ERA40 than CRU data. The RCM PRECIS overestimates the
precipitation over the Andes and the temperature underestimates the same. The
precipitation underestimation in the Amazon is +200 mm/season. The maximum error
reached with the seasonal average of 40 years is 20 per cent.
Key words Validation, MCR PRECIS, Temperature and Precipitation.:
1 INTRODUCCIÓN.
Muchos trabajos se han desarrollado en
torno a la problemática del cambio
climático y una herramienta para
diagnosticar el posible calentamiento
global es el uso de Modelo Climáticos
Globales (MCG). En Sudamérica el
problema del cambio climático cobra real
importancia por lo que implica la región,
es decir, cualquier perturbación en este
sistema (humano o natural) puede impactar
local, regional y hasta globalmente el
clima (Soares-Filho et al 2006). La cadena
montañosa que lo atraviesa desde
Colombia, llegando hasta la parte sur de la
Patagonia, así como la selva amazónica
(Brasil, Perú, Colombia, Bolivia y
Paraguay) y la parte más alta del altiplano
en Bolivia tienen una componente que es
importante en el clima de la región y de
esto deriva la problemática de realizar
estudios
usando
proyecciones
de
escenarios de cambio de clima con los
MCG debido a su baja resolución (~100 –
300 Km2). Estos modelos no son
suficientes para poder describir la
topografía regional, ni los procesos físicos
como el forzamiento a mesoescala
asociado con montañas, líneas costeras,
lagos y características de vegetación, que
influyen fuertemente en los climas locales.
Bhaskaran et al (1996), Zhang et al (2006),
Xu et al (2006), Rupa Kumar et al (2006)
mencionan que se ha encontrado que la
precipitación tiene un fuerte componente
relacionado con la orografía, que los MCG
no resuelven adecuadamente. Otro de los
inconvenientes de los MCG, es que
requieren una muy alta capacidad de
infraestructura,
por
lo
que
son
económicamente muy costosos.
Para poder resolver este problema y poder
realizar estudios de cambio climático a
nivel regional e incluso local; se usan los
Modelos Climáticos Regionales (MCR).
Los
MCR
son
modelos
físicos
generalmente de atmósfera y superficie
terrestre, que además contiene procesos
importantes en el sistema climático como
por
ejemplo
nubes,
radiación,
precipitación, humedad en suelo, etc. Los
MCR no incluyen el componente oceánico,
debido a que podría aumentar su
complejidad y su necesidad de recursos
informáticos. De cualquier forma, las
evaluaciones de impacto, solo requieren de
datos de superficie terrestre o de la
atmósfera. Es recomendable e ideal que las
salidas de un MCR sean de por lo menos
30 años, de esta forma se puede obtener
una robusta estadística climática, como
puede ser la distribución de la
precipitación diaria o la variabilidad interestacional (Rupa Kumar et al 2006).
Los MCR son la mejor herramienta para
reducir la escala global a regional
(downscaling) las características del clima,
ya que se obtiene información más
detallada de una región en particular. Entre
las principales ventajas de usar los MCR,
se puede encontrar; una simulación más
realista del clima actual, debido a su alta
resolución que permite interactuar con el
terreno, predicciones a más detalle del
cambio de clima a futuro, representación
de pequeñas áreas, mejor simulación y
predicción en eventos extremos climáticos,
generación de datos a detalle para el
análisis y estudios de impactos a nivel
local (Zhang et al 2006). Islam et al.
(2007) menciona que los MCR simulan
una señal fuerte de precipitación, que
parece representar un componente
orográfico, como respuesta
a las
anomalías de la circulación asociado con la
oscilación intra-estacional.
El Hadley Center ha desarrollado el MCR
PRECIS, que es un modelo de alta
resolución
horizontal
de
0.44º
2
(aproximadamente 50x50km ) y 22º
(aproximadamente
25x25km2),
cubre
cualquier área del mundo con límite de
5000 Km x 5000 Km, 19 niveles de la
atmósfera. Respecto a los recursos
computacionales, es recomendable tener
una o más PC’s, para que se pueda
suministrar hardware y sistemas de
soporte. Para correr el modelo, interpretar
y diseminar los resultados, se requiere
personal con experiencia y entrenamiento.
El objetivo principal de este artículo es
analizar y evaluar la capacidad del MCR
PRECIS en reproducir la climatología
estacional de temperatura y precipitación
dentro de la región centro de Sudamérica
para el periodo de 1961 a 2000.
2 METODOLOGÍA.
El dominio que se ha aplicado al modelo
para la región, comprende una zona de
nx=95, ny=95, o sea 95 x 95 celdas, con
una resolución de píxel X = Y = 50 Km
(0.44º x 0.44º). La región esta delimitada al
Oeste y Suroeste por el Océano Pacifico,
mientras que al Noroeste se encuentran los
Países de Perú y Colombia, la parte Norte
y Noreste cubre la gran extensión de Brasil
incluyendo al bosque tropical del
Amazonas, al Sureste contiene parte del
Océano Atlántico, finalmente al Sur de la
región corta al centro países como
Argentina y Chile.
Las condiciones iniciales y de contorno
asignados a los puntos de malla de modelo
se han calculado a partir del los datos del
AGCM ECHAM4, con datos estacionales
para 40 años de datos (1961-2000).
Con el fin de comparar los resultados de la
Línea Base ECHAM4 obtenida del MCR
PRECIS, se usan datos del Re-análisis
ERA40 y Climate Research Unit (CRU TS
2.1). Los datos ERA40 también se han
calculado a partir de introducirlos al
modelo para llevarlo a una resolución de
50 Km ya que el ERA40 maneja una
resolución de ~300 Km. Los datos CRU
TS 2,1 son re-grillados mediante un
programa que toma como referencia los
resultados del modelo, para que de esta
manera puedan ser comparados.
Mediante diferencias entre cada uno de los
datos, vamos a encontrar las desviaciones
que la Línea Base ECHAM4 va a tener, es
decir, si los datos ECHAM4 va a
sobrestimar, subestimar o a coincidir con
los datos del ERA40 y CRU TS 2.1. Esta
metodología propuesta en este trabajo y
utilizado por varios autores (Pitman et al
2009, Marengo et al 2009 y Urrutia et al
2009), va a permitir hacer una
determinación más objetiva y directa, de
esta manera tenemos que:
Para el caso de la temperatura (T):
Tdif = TPRECIS – TERA40
Tdif = TPRECIS – TCRU
Para el caso de la precipitación (P):
Pdif = PPRECIS – PERA40
Pdif = PPRECIS - PCRU
Podemos calcular el error porcentual, que
nos da una idea mayor si los datos del
modelo representan y reproducen o no a
los datos del ERA40 y datos CRU.
Datos del ERA40
Datos CRU
De la misma manera para la precipitación:
Datos del ERA40
Datos CRU
3 DISCUSIÓN DE RESULTADOS
3.1 Temperatura
3.1.1 Línea Base ECHAM4 – DATOS
ERA40.
Las comparaciones de la Línea Base
ECHAM4 con el Re-Análisis ERA40,
durante las cuatro estaciones del año se
muestran de la siguiente manera:
Las diferencias de la temperatura entre la
Línea Base ECHAM4 y ERA40 para el
periodo se 1961 a 2000 se presentan en la
Figura 1. Donde se aprecia las cuatro
estaciones del año, empezando con el
verano en la parte superior izquierda,
donde las máximas diferencias se
presentan al norte, con +2°C sobre el
bosque de la Amazonia y al oeste de la
región, en Bolivia y sur de Perú con una
zona pequeña que tiene diferencias
cercanas a los -4°C y una zona que se
propaga al noroeste con diferencia de
+2°C, ambas localizadas sobre la
cordillera. Mientras que en el resto de la
región, el modelo representa bien el campo
de temperatura del ERA40, para esta
estación.
FIGURA 1. Diferencias entre datos de la Línea Base ECHAM4 y datos ERA40 para la
temperatura durante las cuatro estaciones en el periodo 1961 a 2000.(ACLARAR COMO
ESTAN ORDENADOS LOS GRAFICOS)
En la estación de otoño (arriba a la
derecha) se aprecia que en la parte noreste
de la región los datos de la Línea Base
ECHAM4 sobrestiman hasta +2ºC,
mientras que al oeste, sobre Bolivia y sur
de Perú, persiste la diferencia (desde el
verano) con -4°C.
Para la estación invernal (recuadro abajo a
la izquierda), al noreste de la región se
observan que se sobrestima hasta 4ºC,
mientras que en la parte centro al norte
arriba de Paraguay y hacia el sur de Brasil ,
los datos Línea Base ECHAM4 subestiman
a los ERA40 hasta -2ºC.
Finalmente en primavera (abajo a la
derecha) al noreste de la región subestima
a los datos ERA40 hasta -2ºC, mientras
que en la zona oeste, sobre Bolivia y sur de
Perú, hay una zona con +2°C, situación
que se repite al centro y norte.
3.1.2 Línea
CRU.
Base
ECHAM4–DATOS
La comparación entre los datos de la línea
base ECHAM4 y CRU se presentan a
continuación en la Figura 2.
FIGURA 2. Diferencias entre datos de la Línea Base ECHAM4 Y datos CRU para la
temperatura durante las cuatro estaciones para el periodo 1961 a 2000.
En la estación de verano (arriba a la
izquierda) se aprecia en la parte centronorte de la Argentina, que la hay una
sobrestimación que llega a ser de +4°C y
se propaga radialmente al norte del mismo
país para llegar a +2°C, otro hecho
significativo ocurre en la cordillera, donde
hay una subestimación de hasta -2°C en la
cordillera en Bolivia y una mínima parte
en Perú. Al centro de la región en el
Paraguay hay una subestimación de -2°C.
Al comparar la Línea Base ECHAM4 con
los datos observados CRU, existen
diferencias muy marcadas, como la
situación de subestimar durante las cuatro
estaciones del año a la cordillera, en
especial la parte de Perú y Bolivia. Este
problema se encuentra presente en todos
los MCR’s, que tienen dificultad para
representar las cadenas montañosas,
aunado al error transmitido de los MCG
cuando se reduce la escala.
Para el otoño (arriba a la derecha) la parte
oeste de la región es donde se muestran la
mayor parte de las diferencias, sobre la
cordillera, alcanzando subestimaciones
máximas de hasta -4°C. En la parte este,
también se encuentra una zona con
diferencias de -2°C.
En la zona tropical la Línea Base
ECHAM4 reproduce bien los campos de
temperatura, pero hay efectos de
enfriamientos durante las 4 estaciones del
año, puede ser debido a que las
observaciones
CRU
tienen
pocas
estaciones reportando temperatura del aire
en la zona tropical de Sudamérica
(Marengo et al 2009).
Para el invierno (abajo a la izquierda),
nuevamente en la cordillera es donde se
encuentran las máximas diferencias,
alcanzando hasta -4°C. También otro
hecho a notar es la parte noreste de la
región que alcanza diferencias de hasta
+4°C. En la parte centro de la región la
subestimación persiste de la estación de
otoño con -2°C y la parte centro-este
también presenta una subestimación de 2°C.
Finalmente, para la primavera, en la parte
noreste de la región hay zonas que
presentan las diferencias máximas, que
alcanzan los +4°C, mientras que sobre la
cordillera hay subestimaciones de hasta 2°C, situación que es más evidente sobre
Bolivia y sur de Perú.
Después de observar los resultados, es
evidente que la Line Base ECHAM4,
reproduce mejor a los datos del ERA40.
Esta situación puede ser debido a que el
ERA40 son cuasi-datos producto de otro
modelo, y que no reproducen bien
fenómenos de superficie, además de que a
estos mismos datos se les aplico una
regionalización con el mismo MCR
PRECIS.
En términos generales, la Línea Base
ECHAM4 reproduce bien la parte este y
sur este de la región, debido a que las
diferencias que presentan son cero.
3.2 Precipitación
Es importante mencionar que este tipo de
modelos como el MCR PRECIS tienen la
virtud de representar la precipitación
orográfica, situación que no ocurre con los
MCG.
3.2.1 Línea
ERA40.
Base
ECHAM4–DATOS
En la Figura 3 observamos las diferencias
de la precipitación de las cuatro estaciones
del periodo de 1961-2000.
Para la estación de verano, (arriba a la
izquierda) las máximas diferencias se
encuentran al oeste de la región, sobre la
cordillera, al sur de Perú, en donde
subestima la precipitación hasta -400
mm/estación y una zona muy pequeña
donde el modelo sobrestima hasta +200
mm/estación. La lluvia de tipo orográfica
es sobrestimada al oeste de la Argentina
con +200 mm/estación. En la parte noreste,
noroeste (Norte de Perú y Bolivia) y
sureste de la región (Sur de Brasil y Norte
de Uruguay)
Para la estación de otoño (arriba a la
derecha), los datos de la Línea Base
ECHAM4, continúan subestimando a los
datos ERA40 al noroeste de la región sobre
la cordillera (Perú y Bolivia), mientras que
al suroeste, sobre la cordillera en la
Argentina y Chile, los datos son
sobrestimados con +200 mm/estación.
Finalmente al Noreste se subestiman los
datos del ERA40 con una diferencia de 100 mm/estación
FIGURA 3: Diferencias entre datos de la Línea Base ECHAM4 Y datos ERA40 para la
precipitación durante el periodo 1961 a 2000.
Para la estación de invierno (abajo a la
izquierda), la franja que corre del sureste
hacia el oeste es subestimada con -100
mm/estación, al igual que el noreste.
Mientras que la en la cordillera en la
frontera Argentina y Chile (suroeste de la
región), la diferencia se hace de
+200mm/estación.
Finalmente, en la estación de primavera
(abajo a la derecha) las diferencias
máximas se encuentran en el suroeste,
donde las diferencias persisten en la
frontera Argentina y Chile con +200
mm/estación. Al norte de la región, una
pequeña zona también con +200
mm/estación. Mientras que al oeste de la
región (Perú y Bolivia) hay una
subestimación de -100 mm/estación.
4.2.2 Línea Base ECHAM4–DATOS
CRU.
Las diferencias entre la Línea Base y los
datos CRU se presentan en la Figura 4.
FIGURA 4. Diferencias entre datos de la Línea Base ECHAM4 Y datos CRU para la
precipitación durante las cuatro estaciones en durante el periodo 1961 a 2000.
Para la estación del verano (arriba a la
izquierda) observamos las máximas y más
importantes diferencias se presentan a la
orilla y a lo largo de la cordillera, donde
las sobrestimaciones llegan a alcanzar de
+500 a +750 mm/estación. En la zona
centras
también
presentan
sobrestimaciones que alcanzan los +250
mm/estación y algunas zonas pequeñas al
este de región con iguales valores.
En la estación de otoño (arriba a la
izquierda), las diferencias máximas están
al borde derecho de la cordillera, en el
oeste de la región, con valores que oscilan
entre +250 y +500 mm/estación, mientras
que al noreste hay una subestimación que
alcanza los -400mm/estación.
En la estación invernal (abajo a la
izquierda), en términos generales se
representan bastante bien a los datos CRU,
salvo algunas zonas muy puntuales,
alcanzando
la
máxima
diferencia
aproximadas de +250 a +500 mm/estación
en la parte suroeste de la región en la
frontera Argentina y Chile, al igual que
pequeñas zonas en Perú y Bolivia. Al
noroeste hay una subestimación de -400
mm/estación.
Finalmente, en primavera (abajo a la
derecha), las diferencias máximas vuelven
a encontrarse al borde y largo de la
cordillera, con valores entre +250 y +500
mm/estación. En la franja central que corre
del norte al centro de la región , también
hay
una
sobrestimación
de
aproximadamente +200 mm/estación.
Resultados similares se han obtenido al
usar otros datos como el HadRM3P
regionalizado con el MCR PRECIS
(Marengo et al 2009, Alves et al 2009) y
con otros modelos como NASA GISS y
CPTEC/COLA, MM5 (Solman et al 2007),
ETA (Fernández et al 2006), etc. Han
encontrando una subestimación sistemática
en el Amazonas y parte del este-central de
Brasil, así como en la parte este-centro de
Brasil, además una sobrestimación en las
cercanías de los Andes. (Marengo et al
2003) sugiere que la prametrización de la
radiación o procesos en superficie se
pueden asociar a esa subestimación y
posibles efectos forzantes de la dinámica
local, tal como, el suelo húmedo o seco,
predominen sobre los forzantes a gran
escala como SST.
Hay que mencionar también que en el
Amazonas hay una subestimación durante
las cuatro estaciones del año, que podría
explicarse que no se encuentra bien
representado
el
ciclo
hidrológico
(Humedad del suelo, flujos de superficie y
tipo de vegetación) (Alves et al 2009).
4.3 Análisis de la Estacionalidad para el
periodo de 40 años.
En la Tabla 1 se presenta los promedios
totales para toda la región de los datos de
la Línea Base ECHAM4. ERA40 y CRU,
tanto para la temperatura y precipitación.
Donde se aprecia mejor en el gráfico 5 Y
6, mostrando el ciclo estacional anual para
el periodo de 1961 a 2000 y las tres series
de datos.
En la Tabla 2 se presentan el promedio de
las diferencias para la región para
posteriormente calcular el porcentaje de
error. Que a continuación se presenta en la
tabla 3
Tabla 1. Promedios totales para la región
de temperatura (con unidades en grados
centígrados) y precipitación (con unidades
de mm/día).
VERANO
OTOÑO
INVIERNO
PRIMAVERA
T.ECHAM4
23.2
21.4
19.3
22.3
T .ERA40
22.7
20.9
18.7
21.3
T. CRU
23.9
22.3
19.4
22.8
P. ECHAM4
527.3
311.3
132.2
385.2.0
P. ERA40
561.0
365.3
163.24
396.6
P. CRU
541.6
312.3
134.7
379.0
En la figura 5 se observa que en el invierno
los datos del ECHAM4, representan mejor
a los CRU con una diferencia de -0.1, pero
en todas las demás estaciones subestima
los datos CRU, mientras que sobrestima a
los datos ERA40. Siendo la Máxima
sobrestimación de +1°C en primavera y los
datos del ERA40.
FIGURA
5.Comparación
de
la
temperatura estacional de las tres series
de datos Línea Base ECHAM4, ERA40 y
CRU para el periodo 1961 a 2000..
FIGURA 6. Comparación de la
precipitación estacional de las tres series
de datos Línea Base ECHAM4, ERA40 y
CRU para el periodo 1961 a 2000.
Tabla 2. Promedios de las diferencias
para la región de temperatura (con
unidades en grados centígrados) y
precipitación (con unidades de mm/día).
.
VERANO
OTOÑO
INVIERNO
En el grafico de la Figura 6 los datos de
precipitación del ECHAM4, representan
bien a los datos CRU, siendo la menor
diferencia de -1mm/estación en otoño. Con
respecto a los datos ERA40, estos son
subestimados y la máxima diferencia de 88
mm/estación, para la primavera.
En la tabla 3 se presentan los porcentajes
de error, los cuales muestran que en cuanto
a la temperatura el máximo se presenta en
primavera con los datos del ERA40 (5%),
mientras que el mínimo es en invierno con
los datos CRU (1%). Para la precipitación,
el error máximo se presenta en invierno
con el ERA40 (20%), mientras que el
mínimo esta en el otoño con datos del
CRU (0.3%)
Tabla 3. Porcentaje de error para la
región de temperatura y precipitación con
unidades en porcentaje (%).
VERANO
OTOÑO
INVIERNO
PRIMAVERA
T ERA40
2
2
3
5
T. CRU
3
-4
1
2
P. ERA40
6
15
20
-3
P. CRU
3
0.3
-2
-3
PRIMAVERA
TEMPERATURA
0.5
0.5
0.6
1.0
-0.7
-0.9
-0.1
-0.5
ECHAM4-ERA40
TEMPERATURA
ECHAM4-CRU
PRECIPITACIÓN
-33.7
-54
-32.04
88.6
-14.3
-1
-2.5
-11.8
ECHAM4-ERA40
PRECIPITACIÓN
ECHAM4-ERA40
4 CONCLUSIONES.
La Línea Base ECHAM4 del MCR
PRECIS,
en
términos
generales,
reproducen mejor los campos de
temperatura que de precipitación. Aunque
en ambos casos, se reproducen las
estructuras climáticas, que se dan durante
las 4 estaciones del año. La distribución de
la precipitación en el verano, describe
correctamente la banda de precipitación
relacionada a la Zona de Convergencia del
Atlántico Sur (SACZ), al igual que la
temporada seca (invierno) es capturada por
el modelo.
La Línea Base ECHAM4 del MCR
PRECIS reproduce mejor a los campos de
precipitación y temperatura de Re-análisis
ERA40 que a los campos del CRU. Esta
situación se puede presentar debido a que
los datos del ERA40 también fueron
regionalizados con el MCR PRECIS y que
a su vez, no son datos, sino cuasi-datos,
producidos por otro modelo.
El MCR PRECIS con el que se regionalizo
los datos del ECHAM4, tienen problemas
para reproducir la precipitación de tipo
orográfica, situación que es evidente al
representar a los datos CRU a excepción
del invierno. Esta situación puede ser
debido a errores de arrastre en las salidas
del MCGA ECHAM4 y en general debido
a que los MCR’s no reproducen bien este
tipo de precipitación.
La Línea base ECHAM4 no reproduce
bien la cordillera ya que presenta
diferencias de hasta +4°C, situación que se
repite a lo largo de las 4 estaciones del año.
Es importante mencionar que toda la
región a excepción de la cordillera, es bien
representada por el MCR PRECIS. Pero, si
tomamos valores promedios de 40 años de
toda la región y construimos sus graficas,
observamos que la Línea Base reproduce
bien a los datos observacionales CRU, con
porcentajes de error menor al 20%.
Agradecimientos: Los autores agradecen al
Hadley Center Met Office por la facilitación del
MCR PRECIS y los datos del MCGA ECHAM4 y
ERA40.
REFERENCIAS
Betts R. A., (2001), “Biogeophysical
impacts of land use on present–day
climate: near-surface temperature change
and radiative forcing” Atmospheric
Science
Letters,
doi:10.1006/asle.2001.0023.
1,
Bhaskaran B., Jones R. G., Murphy J. M.
and Noguer M. (1996) “Simulation of the
Indian Summer Moonson Using a Nested
Regional Climate Model: Domain Size
Experiments”, Climate Dynamics, 12:573587.
Costas M. H., Yanagi S. N. M., Sousa P. J.
O. P., Rivero A. and Rocha E. J. P. (2007)
“Climate Change in Amazonia caused by
Soybean
Cropland
Expansion,
as
Compared to Caused by Pastureland
Expansion”, Geophys. Res. Lett., 34,
L07706, doi:10.1029/2007/GL029271.
Durman, C. F., J. M. Gregory, D. C.
Hassell, R. G. Jones and J. M. Murphy
(2001) “A Comparison of Extreme
European Daily Precipitation Simulated by
a Global and a Regional Climate Model for
Present and Future Climates” , Q. J. R.
Meteorol. Soc., 127, 1005-1015.
Fernandez JPR., Franchito SH., Rao VB,
(2006), “Simulation of the summer
circulation over Soutth America by two
regional models Part I Mean Climatology”,
Theor. Appl Climatol 86:243-256.
Fuenzalida H. (2007), “Simulaciones con
Modelo PRECIS Bajo Escenarios A2 y B2
del IPCC”, Revista Ambiente y Desarrollo
23, 2, 9-14.
Marengo J. A., Jones R., Alves L. M. and
Valverde M. C. “2009” Future Change of
Temperature and PrecipitationExtermes in
South America as Derivated from the
PRECIS Regional Climate Model System,
International Journal of Climatology,
DOI:10.1002/joc.1863.
Marengo J., Cavalcanti IFA., Satyamurty
P., Trosnikov I., Nobre CA., Bonatti JP.,
Camargo H., Sampaio G., Sanchez MB.,
Manzi AO., Castro CAC., D’almeida C.,
Pezzi
LP.,
Candido
L,
(2003),
“Assessment of regional seasonal rainfall
predictability using the CPTEC/COLA
atmospheric GCM “, Clim. Dym., 21:459475.
Pielke R. A. Sr. (2005) “Land Use and
Climate Change”, Science, 310, 16251626.
Pitman A. J., de Noblet-Ducondré N., Cruz
F. T., Davin E. L., Bonan G. B., Brokin V.
Claussen M., Delire C., Ganzeveld L.,
Gayler V., Van Der Huck B. J. J. M
Lawrence P. J., van der Molen M. K.,
Muller C., Reick C. H., Seneviratne S. I.,
Strengers B. J., and Voldoire A.,
“Uncertains in climate responses to past
land cover change: First results from the
LUCID intercomparison study”, Geophys.
Res.
Lettters,
36,
L14814,
doi:10.1029/2009GL039076.
Rupa Kumar K., Sahai A. K., Krishna
Kumar K., Patwardhan, Mishra P. K.,
Revadekar J. V., Kamala K. and Pant G. B.
“High-Resolution
Climate
Change
Scenarios for India for the 21st Century”,
Current Science, 90, vol. 3, 334-345, 2006.
Sampaio G., Nobre C., Heil Costa M.,
Satyamurty P., Silvera Soares-Filho
B. and Cardoso M. (2007) “Regional
Climate Change over Eastern Amazonia
Caused by Pasture and Soybean Cropland
Expansion” Geophys Res. Lett., 34,
L17709, doi:10.1029/2007GL030612.
Soares-Filho B. S., Nepstad D. C., Curran
L. M., Coutinho Cerqueira G., Garcia R.
A., Azevedo Ramos C., Voll E., McDonald
A., Lefebvre P. and Schlesinger P. (2006)
“ Modeling Conservation in the Amazon
Basin”,
Nature
Letters,
440:23,
doi:10.1038/nature04389.
Solman S. A. and Nuñez M. (2007)
“Regional Climate Change Experiments
Over Suthern South America. I: Present
Climate”, Clim. Dyn. , 30, 533-552, DOI
10:1007/s00382-007-0304-3.
Vera C., Silvestri G., Liebman B. and
González P., (2006), “Climate Change
Scenarios for Seasonal Precipitation in
South America from IPCC-AR4 Models”,
Geophys. Res. Letters, 33, LI3707,
doi:10.1029/2006GL025759.
Xu Y., Xiaoying H., Yong Z., Wantao L
and Erda L. (2006) “Statistical Analyses of
Climate Change Scenarios Over China in
the 21st Century”, Adv. Clim. Change
Res., 2 (Suppl. 1), 50-53.
Zhang Y., Y. Xu, W. Dong, L. Cao and M
Sparrow (2006) “A Future Climate
Scenario of Regional Changes in Extreme
Climate Events over China using the
PRECIS Climate Model”, Geophys. Res.
Lett.,
33,
L24702,
doi:10.1029/2006GL027229.