Es un error basarse en un único índice para caracterizar el clima de la costa peruana. Las temperaturas de la superficie del mar, no son suficientes para explicar el comportamiento de la lluvia en la costa peruana. Es clave tener en cuenta el aporte de la atmósfera al desarrollo de la precipitación. Debemos diversificar los índices para el monitoreo y el pronóstico de la precipitación. Por ello es muy importante reforzar las actividades de investigación sobre los mecanismos de precipitación tanto en modo tiempo como en modo clima.

1. El Índice Costero El Niño
Luis Alfaro Lozano
Una necesaria reflexión para el
monitoreo de la precipitación

2. “En el año 2011 el Comité Técnico ENFEN, bajo la
coordinación técnica del IGP, decidió establecer
un único índice relevante al clima en la costa que
1) fuera similarmente satisfactorio (o
insatisfactorio) para los miembros del Comité, y
2) fuera robusto y simple para un uso operativo
confiable”.
Fuente: “El Índice Costero El Niño (ICEN): historia y actualización” Ken
Takahashi, Kobi Mosquera y Jorge Reupo. Instituto Geofísico del Perú
http://www.met.igp.gob.pe/publicaciones/2014/ElNino_v2_27_03_2014_7.p
df
Pero…

3. RELACION ENTRE ICENY PRECIPITACION EN LA COSTA NOR-OCCDIENTAL
Elaborado por el SENAMHI antes del evento del 2017 .
Nótese en el gráfico de la derecha que la correlación cae cuando se excluyen
los El Niño 82/83 y 97/98
ICEN

4. y = 363.71x + 324.59
R² = 0.6152
0
500
1000
1500
2000
2500
-2 0 2 4
RICA PLAYA
RICA PLAYA
CND=
y = 77.294x + 213.86
R² = 0.0697
0
200
400
600
800
-2 -1 0 1 2
RICA PLAYA
RICA PLAYA
CND=
0.9303
y = 276x + 247.09
R² = 0.6442
0
500
1000
1500
2000
-2 0 2 4
CAÑAVERAL
CAÑAVERAL
CND=
0.3358
y = 39.743x + 168.92
R² = 0.0346
0
200
400
600
-2 -1 0 1 2
CAÑAVERAL
CAÑAVERAL
CND=
0.9654
y = 300.46x + 325.06
R² = 0.5636
0
500
1000
1500
2000
-2 0 2 4
PAPAYAL
PAP…
CND=
0.4364
y = 163.57x + 271.87
R² = 0.1538
0
500
1000
1500
2000
-2 -1 0 1 2
PAPAYAL
PAPAYAL
CND=
0.8462
ICEN vs PP-DEF ICEN vs PP-DEF (Sin Niños 83’ y 98’)

6. Correlaciones entre ICEN y precipitación
La varianza explicada por el ICEN nos indica que no
hay una relación con la precipitación cuando este
índice corresponde a valores menores que 1.7
Es decir cuando excluimos los El Niño fuertes y muy
fuertes la correlación cae dramáticamente, sólo
vemos en los gráficos nubes de puntos sin tendencia.
Los datos incluyen el evento 2016 – 2017
fuente de datos de precipitación SENAMHI 1971 –
2017.Veamos dos ejemplos: algunas estaciones
meteorológicas del país
Correlaciones entre ICEN y precipitación trimestral (Diciembre Enero y
Febrero) ejemplo de dos estaciones meteorológicas enTumbes y Piura que
por su ubicación deberían responder muy bien al ICEN

7. y = 265.3x + 215.21
R² = 0.5668
y = 37.301x + 133.67
R² = 0.0372
0
200
400
600
800
1000
1200
1400
1600
1800
2000
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5
mm
ICEN
Puerto Pizarro, Tumbes
ICEN (°C) Dic. Ene. Feb. (DEF)
vs
Lluvia acumulada (mm) DEF
Fuente: SENAMHI (1971 -2017)
2017
La varianza explicada
mejora sólo si se
incluyen valores del
ICEN mayores a 1.7
¡Con sólo dos eventos!

8. y = 145.4x + 213.85
R² = 0.2307
y = 73.797x + 183.44
R² = 0.0576
ICEN < 1.7
0
100
200
300
400
500
600
700
800
900
1000
-2 -1.5 -1 -0.5 0 0.5 1 1.5 2 2.5 3 3.5
mm
ICEN
Morropón, Piura
ICEN (°C) DEF
vs
Lluvia acumulada (mm) DEF
Fuente: SENAMHI (1971 – 2017)
2017
2017

9. No todo puede ser explicado por la
temperatura del mar. O mejor dicho no todo
puede ser explicado por las condiciones de
superficie.
Lluvia = Termodinámica + Dinámica
¡Puede hacer mucho calor y no llover!
Recordemos los records de temperatura en el
norte del país en el verano de 2016

10. Anomalía de viento zonal (Enero – Febrero 2016)
En el año 2016 el sentido de las
anomalías se orientaban de este a
oeste (de derecha a izquierda) es decir
en promedio se alejaban de la costa.

11. Anomalía de viento zonal (Enero – Febrero 2017)
En el año 2017 el sentido de las
anomalías se orientaban de oeste a
este (de izquierda a derecha) es decir
se dirigían en promedio hacia la costa

12.  Los modelos conceptuales desarrollados por el
SENAMHI para el pronóstico de corto plazo de
lluvias intensas en el norte han funcionado.
 El análisis de las imágenes de satélite, de las
salidas de los modelos numéricos y otros datos
han sido insumos clave.
 Las observaciones de superficie por el
momento aportan principalmente al
monitoreo.
Un ejemplo: las lluvias intensas pronosticadas para el 26 de febrero 2016.
Los modelos conceptuales del SENAMHI fueron aplicados con éxito el 2017

13. 26feb2016

15. En modo clima se deben
diversificar los índices para el
monitoreo y pronóstico de las
lluvias considerando variables
atmosféricas.

16. INDICE ALTA DE BOLIVIA (AB)
Investigación del SENAMHI en desarrolloDiferenciasdealturageopotencialdelaatmósfera
Período sin AB
Período con Alta de Bolivia
Retraso en formación de AB, conlleva a una deficiencia de lluvias en la región sur andina
Barreto, C; Quispe, N; Febre, C. 2016
Seco
Lluvias

17. Conclusiones
• Es un error basarse en un único índice para
caracterizar el clima de la costa peruana.
• Las temperaturas de la superficie del mar, no
son suficientes para explicar el
comportamiento de la lluvia en la costa
peruana.
• Es clave tener en cuenta el aporte de la
atmósfera al desarrollo de la precipitación.
• Debemos diversificar los índices para el
monitoreo y el pronóstico de la precipitación.
• Por ello es muy importante reforzar las
actividades de investigación sobre los
mecanismos de precipitación tanto en modo
tiempo como en modo clima.