Este documento analiza la vulnerabilidad de las centrales hidroeléctricas en Ecuador ante los efectos del cambio climático. Presenta metodologías para generar líneas bases climáticas históricas e interpolar proyecciones climáticas futuras de los modelos de circulación general acoplados a diferentes escenarios de emisiones, con el fin de evaluar los posibles impactos del cambio climático en la generación hidroeléctrica.
METODOS ANTICONCEPTIVOS UNIVERSIDAD SEÑOR DE SIPAN.pptx
Análisis de vulnerabilidad de centrales hidroeléctricas ante cambio climático
1. “Análisis de la vulnerabilidad de las centrales
hidroeléctricas priorizadas ante los
efectos del cambio climático”
C. Navarro
J. Tapasco, M. Orrego, G. León,
J. Ramirez, A. Jarvis, S. Gourdji,
2.
3. Lo que sabemos
• Cualquier agro-ecosistema
responde a variaciones de
– Factores antropogenicos (sociales)
– Bióticos (plagas, enfermedades)
– Abioticos (clima, suelos)
• El clima es el factor menos
predecible.
• El clima va a cambiar
• Cada sistema es un caso específico
4. Lo que no sabemos
¿Qué condiciones tendremos en 30, 50, 100 años?
• ¿Cómo responderán
nuestros sistemas a
estas condiciones?
• ¿Cuándo, dónde, y qué
tipo de cambio se
requiere para adaptar?
• ¿Quién debe planear?
¿Quién debe ejecutar?
6. Económico
P Intermedio
Global Regional
Ambiental
PESIMISTA
“Bussiness as
usual”
OPTIMISTA
Mundo perfecto
E
P
E
P
E
P
E
Los Escenarios de Emisión
IPCC, 2007
7. Qué es lo que dicen los modelos??
Variaciones en la temperatura de la superficie de la tierra: de 1000 a 2100
Concentraciones Atmosféricas
Los GCMs son la
única manera en que
podemos predecir el
clima a futuro
Cambios antropogénicos llevan a cambios atmosféricos
8. Emisiones Escenarios de población, energía, modelos
económicos
Concentraciones Ciclo del carbono, modelos químicos
Cambio climático Global GCMs
Detalles regionales RCMs,
Downscaling
Impactos Modelos de impacto
10. Entendiendo el Problema…
Ramírez-Villegas and Challinor, 2012
(1) Pocas estaciones
meteorológicas
(2) Algunas estaciones
meteorológicas no están en
buen estado (periodos
cortos, gaps).
(3) Los datos no están
correctamente almacenados
(4) Los datos no pasan los
controles de calidad básicos
12. Una tendencia generalizada…
La calidad de la interpolación es muy baja cuando la
cantidad de estaciones es limitada.
13. Estaciones x variable:
• 47,554
precipitación
• 24,542 tmean
• 14,835 tmax y tmin
WorldClim
Mean annual
temperature (ºC)
-30.1
30.5
Annual
precipitation (mm)
0
12084
Fuentes:
•GHCN
•FAOCLIM
•WMO
•CIAT
•R-Hydronet
•Redes nacionales
14. Interpolación Diaria Datos INAMHI
Altitud - STRM
Latitud
Longitud
1981
1982
2010
…
“thin-plate spline”
Mínimo 10 años
15. Interpolación Diaria Datos INAMHI
Las capas interpoladas de presente estudio fueron hechas usando:
1. La base de datos de estaciones meteorológicas
provenientes del INAMHI (qc). Periodo comprendido entre
1981-2010.
2. La base de datos de elevación STRM, de 30 arc-segundos
de resolución.
3. El software ANUSPLIN versión 4.3, un programa de
interpolación multivariable que implementa el método de
suavizado “thin-plate spline” descrito por Hutchinson
(1995). Se uso el programa SPLINA incluido dentro del
paquete ANUSPLIN. Se usó latitud, altitud y elevación
como variables independientes.
16. Interpolación
Diaria Datos
INAMHI
Resultados
Superficies climáticas generadas a
nivel diario empleando estaciones
INAMHI y algoritmo de interpolación
“thin-plate spline” para la cuenca
del Delsitanisagua y distribución de
estaciones. A) Precipitación
acumulada (mm/día), B) temperatura
mínima (valores en °C) y C) máxima
diaria (valores en °C), y D) modelo
digital de elevación STRM 1 Km2
(valores en msnm). Los puntos
indican las estaciones
meteorológicas INAMHI usadas.
17. Interpolación Diaria Datos INAMHI - Resultados
Promedio y Desviación estándar de precipitación acumulada diaria por meses de las
superficies interpoladas del año 1995 (año central de la línea base climatológica
correspondiente al periodo 1981-2010). Valores en mm/día.
18. Interpolación Diaria Datos INAMHI - Resultados
Promedio y desviación estándar de la temperatura mínima diaria por meses de las
superficies interpoladas del año 1995 (año central de la línea base climatológica
correspondiente al periodo 1981-2010). Valores en °C.
19. Interpolación Diaria Datos INAMHI - Resultados
Promedio y desviación estándar de la temperatura máxima diaria por meses de las superficies
interpoladas del año 1995 (año central de la línea base climatológica correspondiente al
periodo 1981-2010). Valores en °C.
21. Interpolación Diaria Datos INAMHI - Resultados
• Interpolación diaria con el algoritmo “thin-plate spline” ayuda a
complementar series INAMHI (qc), de interés en la modelación de
SWAT, aunque agrega ruido.
• El detalle técnico:
– Formato raster de extensión ASCII
– 30 arc-segundos de resolución espacial (~1 km2 al Ecuador)
– Nivel diario para todos los años del periodo 1981-2010, basados en las
estaciones climatológicas del INAMHI.
– Peso total del set de datos es de 15GB sin comprimir (3 GB comprimidos) y
contiene un total de 32850 archivos (30 años x 3 variables x 365/6 días
año). El calendario se tomó juliano.
• Siguen inconvenientes > 2001. Tal vez calibrar con un periodo más
corto (en fase final). Baseline GCM 1960-2005
• La interpolación permite crear pseudoestaciones…
24. Acerca del futuro…
Ramírez-Villegas and Challinor, 2012
AI GCM: GCM data “as is”, SD GCM: statistically
downscaled GCM, PS GCM: pattern scaled GCM, WG
GCM: GCM data through a weather generator, SC
Variables: systematic changes in target key variables,
Unclear: not specified clearly in study, ARPEGE: the
ARPEGE Atmospheric GCM
25. Dificultad 1. Acerca de la resolución
Baja Resolución
• Resolución horizontal 100 a 300 km
• 18 y 56 niveles verticales.
Escala global
Pero.. Escala regional o local
Mezcla de Resoluciones
Model Country Atmosphere Ocean
BCCR-BCM2.0 Norway T63, L31 1.5x0.5, L35
CCCMA-CGCM3.1 (T47) Canada T47 (3.75x3.75), L31 1.85x1.85, L29
CCCMA-CGCM3.1 (T63) Canada T63 (2.8x2.8), L31 1.4x0.94, L29
CNRM-CM3 France T63 (2.8x2.8), L45 1.875x(0.5-2), L31
CSIRO-Mk3.0 Australia T63, L18 1.875x0.84, L31
CSIRO-Mk3.5 Australia T63, L18 1.875x0.84, L31
GFDL-CM2.0 USA 2.5x2.0, L24 1.0x(1/3-1), L50
GFDL-CM2.1 USA 2.5x2.0, L24 1.0x(1/3-1), L50
GISS-AOM USA 4x3, L12 4x3, L16
GISS-MODEL-EH USA 5x4, L20 5x4, L13
GISS-MODEL-ER USA 5x4, L20 5x4, L13
IAP-FGOALS1.0-G China 2.8x2.8, L26 1x1, L16
INGV-ECHAM4 Italy T42, L19 2x(0.5-2), L31
INM-CM3.0 Russia 5x4, L21 2.5x2, L33
….
26. Dificultad 2. Disponibilidad de datos
WCRP CMIP3 A1B-P A1B-T A1B-Tx A1B-Tn A2-P A2-T A2-Tx A2-Tn B1-P B1-T B1-Tx B1-Tn
BCCR-BCM2.0 OK OK OK OK OK OK OK OK OK OK OK OK
CCCMA-CGCM3.1-T63 OK OK NO NO NO NO NO NO OK OK NO NO
CCCMA-CGCM3.1-T47 OK OK NO NO OK OK NO NO OK OK NO NO
CNRM-CM3 OK OK NO NO OK OK NO NO OK OK NO NO
CSIRO-MK3.0 OK OK OK OK OK OK OK OK OK OK OK OK
CSIRO-MK3.5 OK OK OK OK OK OK OK OK OK OK OK OK
GFDL-CM2.0 OK OK OK OK OK OK OK OK OK OK OK OK
GFDL-CM2.1 OK OK OK OK OK OK OK OK OK OK OK OK
GISS-AOM OK OK OK OK NO NO NO NO OK OK OK OK
GISS-MODEL-EH OK OK NO NO NO NO NO NO NO NO NO NO
GISS-MODEL-ER OK OK NO NO OK OK NO NO OK OK NO NO
IAP-FGOALS1.0-G OK OK NO NO NO NO NO NO OK OK NO NO
INGV-ECHAM4 OK OK NO NO OK OK NO NO NO NO NO NO
INM-CM3.0 OK OK OK OK OK OK OK OK OK OK OK OK
IPSL-CM4 OK OK NO NO OK OK NO NO OK OK NO NO
MIROC3.2.3-HIRES OK OK OK OK NO NO NO NO OK OK OK OK
MIROC3.2.3-MEDRES OK OK OK OK OK OK OK OK OK OK OK OK
MIUB-ECHO-G OK OK NO NO OK OK NO NO OK OK NO NO
MPI-ECHAM5 OK OK NO NO OK OK NO NO OK OK NO NO
MRI-CGCM2.3.2A OK OK NO NO OK OK NO NO OK OK NO NO
NCAR-CCSM3.0 OK OK OK OK OK OK OK OK OK OK OK OK
NCAR-PCM1 OK OK OK OK OK OK OK OK OK OK OK OK
UKMO-HADCM3 OK OK NO NO OK OK NO NO OK OK NO NO
UKMO-HADGEM1 OK OK NO NO OK OK NO NO NO NO NO NO
27. Dificultad 3. Habilidad limitada de representar clima presente.
Depender de un solo GCM no es recommendable!
28. Cómo utilizar esta información?
Problema
Necesidad
Opciones
Downscaling por
métodos
estadísticos o
dinámicos..
Aumentar resolución,
uniformizar… proveer
datos de alta resolución,
contextualizados
Aún el GCM más
preciso es demasiado
grueso (100km).
29. Metodología Delsitanisagua
Generación de la línea base con una interpolación
mensual de los datos INAMHI
Cálculo de la línea base de los GCM
Comparación de ambas líneas bases
Cálculo de anomalías, o la diferencia absoluta entre
los valores futuros y los históricos de los GCM.
La interpolación de estas anomalías mediante celdas
(pixeles) de GCM como puntos para la interpolación.
30. Interpolación Mensual Datos INAMHI
Altitud
- STRM
Latitud Longitud
“thin-plate spline”
X 25 iteraciones
1981-2010
Mínimo 10 años Superficies Mensuales
(Promedio de 30 años)
34. IPCC CMIP5 Transición a nuevos Escenarios…
Periodo
Global temperature change and uncertainty
(mean and one standard deviation as shading) relative to 1986–2005
R. Knutti, J. Sedlácek, 2012
36. Selección
Modelos
GCM AR5
Modelo Línea Base RCP 2.6 RCP 4.5 RCP 8.5
bcc_csm1_1 X X X X
bcc_csm1_1_m X X X X
bnu_esm X X X X
cccma_canesm2 X X X X
cesm1_bgc X X X
cesm1_cam5 X X X X
csiro_access1_0 X X X
csiro_access1_3 X X X
csiro_mk3_6_0 X X X X
ec_earth X X
fio_esm X X X X
gfdl_cm3 X X X X
gfdl_esm2g X X X X
gfdl_esm2m X X X X
giss_e2_h X X X
giss_e2_h_cc X X
giss_e2_r X X X X
giss_e2_r_cc X X
inm_cm4 X X X
ipsl_cm5a_lr X X X X
ipsl_cm5a_mr X X X X
ipsl_cm5b_lr X X
lasg_fgoals_g2 X X X X
miroc_esm X X X X
miroc_esm_chem X X X X
miroc_miroc5 X X X X
mohc_hadgem2_cc X X X
mohc_hadgem2_es X X X X
mpi_esm_lr X X X X
mpi_esm_mr X X X
mri_cgcm3 X X X X
ncar_ccsm4 X X X X
ncc_noresm1_m X X X X
nimr_hadgem2_ao X X X X
Total 34 25 30 32
37. Selección de Modelos
Projections of future global average annual precipitation and
temperature for RCP 2.6 from donwscaled data.
Incertidumbres
60. – Usa resultados de GCMs
– Es de área limitada.. Necesitan condiciones de frontera.
– Datos diarios | Resolucion 25 Km
Coordinated Regional Climate
Downscaling Experiment (CORDEX)
RCP 2.6, RCP 4.5, RCP 8.5
Tasmax, Tasmin, Pr
Periodo: 2000-2100
61. • Anotaciones
– Limitaciones
• Tiempos de procesamiento
• Información histórica escaza
– Oportunidades
• Usar GIS para complemetación de datos
• Cuantificación de las diferentes fuentes
de incertidumbre.
• Usar amplio rango de modelos para
analisis de incertidumbre (selección de
GCM; solo recomendada cuando hay
una fuerte correlación entre ellos).
• Usar un modelo ensemble (GCM + RCM).
Lo que sabemos
Cualquier agroecosistema responde a Factores antropogénicos (sociales)
Bioticos (plagas, enfermedades)
Abióticos (clima, suelos)
El clima es el factor menos predecible Hace vulnerables los sistemas
El clima es altamente no lineal x lo cual se necesitan modelos numéricos
El clima va a cambiar
Cada sistema es un caso específico Se necesitan conocer los factores locales
Verdad: no hay forma de saberlo actualmente
2030 limite de corto plazo para adaptación… impactos no muy severos esperados
2050 límite crítico para políticas de adaptación y mitigación
>2050 son irrelevantes para la toma de decision en agricultura
Necesidades
1) Cualquier agroecosistema responde a:
Factores antropogénicos, Bioticos, Abióticos
2) Cálculos de vulnerabilidad
Desarrollar modelos → Conocer incertidumbres → Planes de acción → Generación de políticas
Nichos de muchas especies podrían cambiar
Limitaciones
1) Modelos todavía no pueden representar cientos de procesos de forma adecuada
2) Resoluciones de modelos inadecuadas: Se requieren modelos con escalas finas.
3) Incertidumbres: futuras emisiones f(suposiciones concentraciones, población, desarrollo económico, tecnológico)
Las mediciones de tiempo para un sitio determinado menudo no están disponibles debido a que (1) no hay ninguna estación meteorológica, (2) las estaciones meteorológicas no están en buen estado para que los datos son o bien sólo está disponible por un corto período, o contienen lagunas, (3) Los datos recogidos no son correctamente almacenados, (4) los datos no pasan los controles de calidad básicos, y / o (5) el acceso a los datos está restringido mediante la celebración de las instituciones (Fig. 1). Esto limita aún más los análisis de impacto agrícola, destacando la importancia de que los datos públicos. Aparte de las limitaciones relacionadas con el acceso y la ubicación de las estaciones meteorológicas, probablemente la cuestión más importante en relación con los datos de clima es la calidad (Begert et al, 2008;. DeGaetano, 2006) (Fig. 1), que también afecta en gran medida el rendimiento de los modelos de impacto. Por lo tanto, la comunidad del clima y la agricultura se ha centrado en parte en el desarrollo de métodos, ya sea para llenar lagunas de datos temporal o espacial, y en el uso de estos métodos para el desarrollo de conjuntos de datos mundiales o regionales con acceso público (Hijmans et al, 2005;. Jones y Thornton, 1999; Soltani et al., 2004). Sin embargo, las incertidumbres en los conjuntos de datos globales derivados de los métodos de interpolación han sido apenas (si en absoluto) estimado (Buytaert et al, 2009;. Challinor y Wheeler, 2008;. Soria-Auza et al, 2010). Los investigadores que utilizan conjuntos de datos globales y cualquier estación meteorológica fuente Fig. 1. deben ser conscientes de estos problemas y debe tener esto en cuenta al probar la sensibilidad de sus enfoques a los problemas de exactitud (es decir, falta de homogeneidad, discontinuidades) y (si es posible) que proporcionan resultados dentro del rango de incertidumbre en los datos de entrada (es decir, como la salidas de los métodos de interpolación validados cruz) (Challinor et al., 2005).
Superficies mensuales para prec, tmean, tmin y tmax.
Compilación de registros nivel, local, regional, nacional.
Interpolación 1km usando Latitud, longitud, elevación como variables independientes
Calidad.. Depende de ρ y topografía
GHCN (Global Historical Climatology Network),
FAOCLIM,
WMO Climatological Normal (CLINO)
Centro Internacional de Agricultura Tropical (CIAT, )
R-Hydronet
Metodo wcl diario algoritmo
Un esquemita
Superficies mensuales para prec, tmean, tmin y tmax.
Interpolación 1 km de resolución
Calidad.. Depende de ρ y topografía
Resultados de esta interpolacion (cifras)
Resultados de esta interpolacion (cifras)
Resultados de esta interpolacion (cifras)
Resultados de esta interpolacion (cifras)
Recomendaciones
Calibrar swat con un periodo mas corto
Estaciones de especial interes en swat
La interpolacion permite crear seudoestaciones
Series extraídas para todos los puntos, están terminando de calibrar el modelo
GCMs y Resoluciones
Difieren en
Formulación (ecuaciones)
Resolución
Entradas
Precisión
Disponibilidad
Proyectan diferentes patrones y magnitudes para un mismo periodo.
Incertidumbre
Amplio rango de GCMs
Calibrados desde el pasado
Sin duda el mayor problema es la resolución.
Metodo wcl diario algoritmo
Un esquemita
Superficies mensuales para prec, tmean, tmin y tmax.
Interpolación 1 km de resolución
Calidad.. Depende de ρ y topografía
Cuantificación de rendimientos en base a modelos climáticos
Cascada de incertidumbres
Corto plazo: casi toda variabilidad interna de las tendencias climaticas
Largo plazo: + importante emisiones
> Método de calibración (corrección del sesgo)…. Más grande que la eleccion del scenario
Muy similar a la elección de la respuesta del modelo
Modelos usados
Different research institutes developed different global circulation models for each of the scenario projecting the global annual precipitation and mean temperature until 2100…
Correlacion En comparación con las observaciones….
No reemplazan a los GCMs, añaden detalles
Área limitada
Integraciones en áreas intermedias de los GCMs