Rutas hidrológicas : recordando a un colega por los senderos de la hidrología

M EZA ET AL . I MPACTOS DEL CAMBIO CLIMÁTICO EN LA GENERACIÓN HIDROELÉCTRICA R UTAS H IDROLÓGICAS 97 metodología de reducción de escala o downscaling (escalamiento estadístico). Análisis del ensamble de GCM El objetivo de este análisis es asegurar que los cambios futuros proyectados por los GCM seleccionados sean representativos del cambio proyectado por los 21 conjuntos de GCM. Este paso es necesario para garantizar que la proyección de temperaturas y precipitaciones futuras no esté sesgada hacia valores altos o bajos. Esta métrica o índice evalúa la distancia del cambio en precipitaciones y temperaturas del GCM analizado con respecto a la mediana del ensamble de todos los modelos, empleando las siguientes ecuaciones: = |∆ − ∆ | (8) = |∆ − ∆ | (9) Donde MTi y MPi, representan la desviación absoluta de los cambios de temperatura (ΔTi) y precipitación (ΔPi) para el i-ésimo GCM, con respecto a la mediana del ensamble de los 21 de GCM (ΔTmed y ΔPmed). El cambio de temperatura se define como la diferencia entre el período de referencia (línea base) y el período 2070- 2099. Los valores de MPi se normalizaron por la media de precipitación anual promedio modelada en el período base 1976-2005 (promedio anual), ya que algunos GCM pueden tener sesgos húmedos o secos (con respecto a la media de todos los GCM) en este período. Cabe señalar que en este estudio se considera únicamente el escenario de emisión RCP8.5 como representativo de lo que se espera en el futuro, acorde a los resultados obtenidos por Peters et al. [2012], que sugieren que las trayectorias globales de emisión han superado las proyecciones del escenario RCP8.5. El escenario RCP4.5 se incluye únicamente para fines comparativos. Escalamiento Meteorológico Las variables meteorológicas entregadas por cada uno de los GCM seleccionados se corrigen espacial y temporalmente. La primera corrección consiste en una desagregación espacial de la escala global (0,25°x0,25°) a una grilla más fina (Desagregación espacial) y la segunda es una corrección de las curvas de duración mensual de cada variable (llamada Corrección de sesgo). El escalamiento espacial se realiza primero y se genera mediante una interpolación basada en el inverso de la distancia de los valores asociados a la grilla NEX (base de datos unificada de todos los GCM analizados), hasta el punto donde se encuentran las estaciones meteorológicas seleccionadas (Colorado y Armerillo). El escalamiento temporal se realiza correlacionando las curvas de duración de los datos mensuales simulados por cada GCM y las curvas de duración de los datos mensuales observados en las estaciones meteorológicas seleccionadas. A través de este segundo paso, los datos simulados de los GCM obtenidos en el escalamiento espacial se ajustan a los datos observados en el área de estudio. Este ajuste tiene como objetivo corregir tanto la magnitud como la estacionalidad de los datos simulados por los GCM, para que sean consistentes con los datos históricos observados. R ESULTADOS Calibración y Validación de los Modelos Hidrológicos en WEAP Las métricas de rendimiento del proceso de calibración y validación se muestran en la Tabla 4, para escorrentía (Q) y SWE. Los modelos se calibraron manualmente, rastreando tanto Q como SWE para equilibrar las compensaciones que surgen en la capacidad del modelo para simular estas variables [Moriasi et al. , 2007]. De acuerdo con Moriasi et al. [2007] los resultados de la eficiencia Nash-Sutcliffe (NSE) pueden clasificarse entre buenos (0.65 <NSE <0.75) y muy buenos (0.75 <NSE <1.00) para casi todos los modelos de subcuenca. Maule y Garzas representan una excepción, pero aún tienen un desempeño satisfactorio (0.50 <NSE <0.65) tanto en Q como en SWE. En general, el SWE presenta un mejor rendimiento que Q. Resultados de la Selección de GCM En general, se observa una buena representación de la estacionalidad para todos los GCM, con coeficientes de correlación en el rango de 0,960-0,999 para todos los casos analizados de precipitación y temperatura. La Fig. 2 muestra las correlaciones entre las series observadas y Ri simuladas por cada GCM evaluado, y la Fig. 3 muestra los resultados del índice Di. Aunque el análisis Ri muestra buenos resultados, los modelos presentan un sesgo de precipitación negativo para la zona, como se muestra en la Fig. 4. Este sesgo probablemente se deba al hecho de que los GCM presentan una grilla original más gruesa que 0,25°x0,25° (entre 0,7° y 3,75° de latitud), lo que significa que el efecto orográfico de la montaña no se captura a pesar de la escala anterior de la NASA en el NEX- Base de datos GDDP. La representación correcta de los efectos orográficos en las montañas de los Andes es una limitación bien conocida de los GCM. El índice de estacionalidad Di indica si la oscilación de temperatura mensual representada por el modelo es consistente con la oscilación mensual observada. La Fig. 5 muestra las temperaturas mensuales promedio para cada uno de los modelos, donde se puede ver que el sesgo entre los valores observados y modelados es proporcionalmente menor que en el caso de la precipitación. El análisis de variabilidad de cada GCM muestra una buena representación de los datos observados. La Fig. 6 presenta el resultado de la correlación en el caso de la lluvia, donde las