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.