METODOLOGIA DE PRONÓSTICO ESTACIONAL DE LLUVIAS EN REGIONES DE ARGENTINA

Eduardo FLAMENCO, Cesar REBELLA, Stella CARBALLO, Rafael RODRIGUEZ
INTA (Instituto Nacional de Tecnología Agropecuaria)
Instituto de Clima y Agua
Las Cabañas y Los Reseros S/N-1712 - CASTELAR - Buenos Aires - Argentina
Tel/Fax: 4621-0125/5663 e-mail: Iclima@cnia.Inta.gov.ar

RESUMEN

          Las predicciones climáticas de mediano y largo plazo adquieren cada vez más importancia debido al impacto que eventos extremos tienen en la actividad socioeconómica de una región.

          Su uso en Argentina tiene un significado trascendente, dado que la ocurrencia de períodos de inundaciones y sequías afectan considerablemente la actividad agropecuaria.

          El comportamiento de la temperatura y presión superficial del mar en los océanos Pacífico, Atlántico e Indico y otros indicadores climáticos globales como son la Oscilación del Sur, del Atlántico y Pacífico Norte, influyen en los patrones de precipitación en el área analizada.

          Se ha realizado esta investigación sobre la base de técnicas estadísticas que han permitido vincular aquéllos índices con la variabilidad estacional de las precipitaciones y se muestran los resultados obtenidos de la predicción de mediano plazo.

Es importante destacar que la habilidad predictiva de los modelos mejoran ante la ocurrencia de episodios El Niño/La Niña; no significando esto que dicha señal sea el predictor más relevante.

          Es decir, este fenómeno natural podría estar provocando alteraciones de los componentes del océano y atmósfera en lugares distantes del Pacífico Ecuatorial, siendo éstos últimos los que finalmente contribuirían a mejorar las predicciones estacionales de lluvias.

          Palabras Clave: pronóstico, clima, variabilidad

INTRODUCCION

          El objetivo de esta investigación es describir la metodología aplicada para el desarrollo de modelos estadísticos de pronóstico estacional de lluvias (bimestres Octubre - Noviembre, Noviembre - Diciembre, Enero - Febrero y Marzo - Abril) en diferentes regiones de Argentina, sobre la base de indicadores que representan la variabilidad climática global.

          El área de estudio abarca aproximadamente 650000 km2 (Figura 1), y comprende las Provincias de Buenos Aries, Santa Fe, Corrientes, Entre Ríos, Noreste de La Pampa, Sur y Este de Córdoba, y sectores de Misiones, Formosa, Chaco y Santiago del Estero.

          Estos modelos utilizan un enfoque metodológico del tipo Estadístico, y las técnicas aplicadas son: Multivariate Adaptive Regression Splines y Análisis de Componentes Principales.

Figura 1. Area de estudio y región modelada

MATERIALES Y METODOLOGÍA

          Los datos utilizados en este estudio son: precipitaciones mensuales en 61 estaciones meteorológicas, período 1959 - 2001, pertenecientes al Instituto Nacional de Tecnología Agropecuaria (INTA) y Servicio Meteorológico Nacional (SMN).

Los indicadores climáticos globales considerados como predictores candidatos son:

a) Indice de Oscilación del Sur (SOI).
b) Vientos del Pacífico Ecuatorial.
c) Temperatura de la superficie del mar en la franja del Pacífico Ecuatorial: Niño1+2, Niño3, Niño3.4, Niño4.
d) Radiación de Onda Larga saliente (OLR-Outgoing Long Wave Radiation).
e) Indice de Oscilación del Atlántico Norte (North Atlantic Oscillation: NAO).
f) Oscilación Decádica del Pacífico Norte ( Pacific Decadal Oscillation: PDO).
g) Dipolo Atlántico Tropical de las temperaturas de la superficie del mar.
h) Temperatura (1950-2001) y presión a nivel del mar (1960-2001), en escala mensual y una grilla de resolución 2ºx2º latitud - longitud.

          La información necesaria es obtenida de la National Oceanic and Atmospheric Administration (NOAA-U.S.A.), período 1950-2001.

          La técnica de Análisis de Componentes Principales "ACP" permite reducir la información del predictando que en este caso son las lluvias estacionales de las estaciones de observación, a un menor número de variables denominadas Componentes Principales, las que son obtenidas mediante combinaciones lineales, y tratando de perder la menor cantidad de información posible en lo referente a la variabilidad espacio - temporal.

          El área fue dividida en regiones, las que han sido delimitadas en función de los resultados obtenidos al aplicar la técnica de ACP con el objeto de captar la mayor variabilidad temporal - espacial de las lluvias según el período analizado (varianza > 80%).

          La técnica no lineal denominada Multivariate Adaptive Regression Splines (MARS), según indicado por Friedman, J. H.(1991), es usada para vincular o asociar el predictando o las componentes principales seleccionadas, con las variables independientes o predictores, es decir, indicadores climáticos del estado océano - atmósfera.

          A partir del pronóstico de las componentes principales, son calculados los pronósticos de lluvias bimestrales para cada estación pluviométrica, vinculando éstas con las componentes principales mediante la técnica de Regresión Múltiple Lineal (step-wise).

          Para validar los modelos, es aplicada la técnica de Validación - Cruzada, y los parámetros estadísticos utilizados para evaluar la bondad de ajuste son: coeficiente de correlación múltiple, error cuadrático medio, test t-Student de cada predictor, F-Fisher-Snedecor.

          Aplicando la función de distribución Gamma Incompleta a la serie histórica de cada estación pluviométrica, se han determinado las probabilidades de ocurrencia del 80%, 60%, 40% y 20%, que corresponden a las categorías: " Muy Húmedo, Húmedo, Normal, Seco y Muy Seco ".

          Esta clasificación permite caracterizar que régimen de lluvias es de esperar para cada temporada en función del pronóstico cuantitativo.

Teleconexiones

          El objetivo en esta fase, es ubicar celdas en los océanos donde las temperaturas y presiones a nivel del mar puedan estar vinculadas estadísticamente (teleconexión) con la variabilidad espacio - temporal de las lluvias estacionales.

          Es aplicado en el caso de las temperaturas de la superficie del mar (SST) el modelo estadístico denominado CLIMLAB, según indicado por Tanco y Berri (2000), desarrollado en el International Research Institute (IRI) del Observatorio Terrestre Lamont Doherty de la Universidad de Columbia (N.Y.;USA).

          Uno de sus módulos permite obtener mapas de isolíneas de correlación lineal entre el predictando y las SST observadas de un mes, bimestre, o trimestre, etc... rezagadas con respecto al período de pronóstico.

          De esta forma es posible identificar si existen en alguno de los tres océanos más importantes (Indico, Atlántico o Pacífico) celdas donde las SST alcancen un grado de correlación estadísticamente significativo en relación con las Componentes Principales de cada región en estudio.

          De manera similar al modelo ClimLab, en el INTA se ha desarrollado una técnica que permite detectar teleconexiones entre las componentes principales y las presiones a nivel del mar (SLP) del océano global según lo indicado por Woodruff, S.D y otros (1987, 1993, 1998).

          Además se han delimitado zonas ubicadas en el Atlántico Sur que conforman dos dipolos de presiones, el primero frente a las costas de Brasil y Argentina y el segundo entre una zona frente a las costas de Argentina y Africa, y otra región del Pacífico Sur, que tienen vinculación con la variabilidad del clima en nuestro país.

          Es importante destacar que, las observaciones que han conformando la matriz de predictores candidatos son las indicadas más arriba, lo cual no significa que todas son predictores sino que la técnica MARS ha permitido elegir aquélla/s de mayor peso en la explicación de la variabilidad estacional de las lluvias.

RESULTADOS

          Mostraremos un ejemplo de la aplicación de la metodología descripta, en la subregión delimitada en la Figura 1, para construir el modelo de pronóstico de lluvias del bimestre Enero - Febrero.

          Como estos modelos serán desarrollados sobre la base de teleconexiones entre lluvias e indicadores de la variabilidad climática global existen antecedentes que expresan que a partir de fines de la década de los '70, los registros de estas variables, entre las que podemos mencionar temperaturas de la superficie del mar, presión a nivel del mar, son más consistentes.

          Esto debido a que los datos son reconstruidos considerando una mezcla "blended" de observaciones in situ, como son observaciones de buques, estaciones de marea, boyas a la deriva y fijas, etc., e información de satélite incorporada en este análisis a partir de la década de los '80.

Análisis de Componentes Principales

          El resultado de la aplicación de esta técnica para el período 1968 - 2000 es mostrado en el Cuadro 1, donde de un total de 6 variables que son las lluvias bimestrales, se ha logrado reducir esta cantidad a 2 variables que son las Componentes Principales, explicando las mismas el 80% de la varianza total.

          Hemos resaltado en este cuadro la carga o correlación significativa de las lluvias de Enero - Febrero en cada estación pluviométrica con relación a la correspondiente Componente Principal asociada. La Componente Principal 1 "CP1" esta vinculada a la variabilidad de las lluvias de las estaciones Junin, 9 de Julio, Pehuajo y Bolivar, mientras la CP2 a las estaciones Anguil y Santa Rosa.

Cuadro 1. Análisis de Componentes Principales

Identificación de predictores candidatos

Figura 2. Correlación entre la CP1 y las SST del mes de Octubre

Figura 3. Correlación entre la CP2 y las SST del mes de Octubre

          En esta etapa se ha aplicado el modelo ClimLab. Las Figuras 2 y 3 son ejemplos de las correlaciones entre las componentes CP1 y CP2, período 1980-2000 y las SST (Reynolds R.W. and Smith T.M., 1994) del mes de Octubre período 1979-1999, siendo el rezago (lag) de 2 meses, entre el período de pronóstico Enero - Febrero y los predictores candidatos SST de Octubre.

          En estas figuras se observa el importante grado de correlación logrado entre la CP1 y las SST del mes de Octubre en los Océanos Pacífico Sur y Atlántico Tropical; como así también entre la CP2 y las SST en el Océano Atlántico (ver recuadros).

Figura 4. Correlación entre la CP1 y las SLP del mes de Octubre

          Asimismo, la Figura 4 muestra la significativa correlación (0.4 < r < 0.6) entre la CP1 período 1968 -1998 y las presiones a nivel del mar, del mes de Octubre período 1967 - 1997, en la región ubicada en el Océano Pacífico Noroeste (ver recuadro).

Modelos estadísticos de pronóstico estacional de lluvias

          Aplicando la técnica MARS, la expresión del mejor modelo obtenido para la región bajo estudio, y en este caso para la Primera Componente Principal es:

Siendo:

R² = 0.83  F(3,17) = 27.5   Error estandar de las estimaciones = 0.42

 CP1_ef(t): índice estandarizado de la Primera Componente Principal bimestre Enero - Febrero, año [t].

BFi: funciones básicas (splines).

slpOPNW_10(t-1): SLP [en milibares] mes de Octubre año [t-1] de la región ubicada en el Océano Pacífico Noroeste (Figura 5).

sstOAT_10(t-1) : SST [en ºC] mes de Octubre año [t-1] de la región ubicada en el Océano Atlántico Tropical (Figura 3).

sstOPS_10(t-1) :SST [en ºC] mes de Octubre año [t-1] de la región ubicada en el Océano Pacífico al Sur (Figura 3).

a, b,  j, e: coeficientes de regresión

 El análisis de los estadísticos R², F-Fisher, error estandar de las estimaciones, t-Student de los predictores prueban que el modelo (1) logrado es estadísticamente muy significativo

Figura 5. Series observada y pronosticada de la CP1

          En la Figura 5 se han representado las series observadas y pronosticadas históricamente de la CP1 aplicando la técnica de validación cruzada.

           Con la finalidad de evaluar categóricamente los resultados para cada región, se ha realizado un análisis de contingencia entre observaciones y pronósticos de cada componente principal, considerando las categorías detalladas más arriba.

           Los resultados, en este caso para la CP1, son mostrados en el Cuadro 2, y podemos concluir que de un total de 21 pronósticos, hemos obtenido 8 coincidencias directas H (skill), que representan el 38% de éxitos.

           Si se considera una categoría de diferencia entre observación y pronóstico, por ejemplo, que la observación corresponde a un período Seco y el pronóstico a uno Muy Seco o Normal, la cantidad de coincidencias es de 17 aciertos, es decir, el 80% de coincidencias.

           El valor calculado de c² (Chi2) = 29.98 excede el 98% del valor de dicha distribución, con 4 grados de libertad, es decir, que la probabilidad de tener un pronóstico al azar es sólo el 2%.

Cuadro 2. Análisis de Contingencia

          Es importante destacar, que no hubo un sólo fracaso sobre 21 casos pronosticados, es decir, el modelo ha pronosticado una temporada Muy Húmeda mientras la observada fue Muy Seca.

           Finalmente, a partir de los pronósticos históricos de cada una de las componentes principales, son pronosticadas aplicando la técnica de Regresión Múltiple Lineal, las precipitaciones estacionales Enero - Febrero de cada estación de observación.

           La metodología descripta ha sido aplicada para el desarrollo de los modelos regionales de pronóstico estacional de lluvias para los bimestres Octubre – Noviembre año [0], Noviembre – Diciembre año [0] y Enero – Febrero, Marzo - Abril año [1], siendo éstos calculados en Agosto, Setiembre, Octubre y Diciembre año [0], respectivamente.

 CONCLUSIONES

          Las Figuras 6, 7 y 8 muestran ejemplos, de los resultados obtenidos para el bimestre Enero - Febrero durante eventos Neutro/El Niño/La Niña en el Pacífico Ecuatorial.

Figura 6. Precipitación observada y pronosticada. Enero - Febrero 2000. Evento Neutro

Figura 7. Precipitación observada y pronosticada. Enero - Febrero 1998. El Niño.

Figura 8. Precipitación observada y pronosticada. Enero - Febrero 1989. La Niña.

          Esta metodología ha permitido identificar predictores relevantes en distintos lugares del planeta, que hicieron posible obtener buenos pronósticos estacionales en ausencia de la señal El Niño/La Niña, como mostramos en la Figura 6.

          Se evaluaron también los eventos El Niño más fuertes del siglo (1982/83 - 1997/98), donde el comportamiento espacial de las lluvias fue diferente, y éstas son pronosticadas aceptablemente por los modelos desarrollados, de la misma forma que para el episodio La Niña 88/89 con sequías en toda esta parte del territorio argentino. Ejemplos de éstos son mostrados en las Figuras 7 y 8.

          Con estos criterios se ha enfocado el desarrollo de pronósticos estacionales de lluvias, en importantes regiones de la Argentina, donde existe una importante actividad agrícola - ganadera que necesita de esta información para la planificación y el manejo de cultivos y ganado.

          Hemos logrado mediante el uso de técnicas estadísticas vincular lluvias de distintas regiones de la Argentina, con índices y variables que están relacionadas a la variabilidad océano - atmósfera, y que la climatología a denominado "teleconexión", es decir, que existen conexiones muy importantes entre los grandes sistemas de la circulación atmosférica y oceánica, como las del el Océano Pacífico, Atlántico e Indico y estas regiones del continente Americano.

          En este estudio no sólo se ha considerado la base de datos de las SST publicadas por la NOAA (NCEP OI Analyses), sobre la base del método de Interpolación Optima (Reynolds and Smith, 1994), sino también la presión atmosférica a nivel del mar (COADS: Comprenhesive Ocean and Atmospheric DataSet), ambas en una resolución de 2ºx2º.

          Es de tener en cuenta además, que en el caso de las SLP no existe un algoritmo con en el caso de las SST, que permita tener información consistente, habiendo datos faltantes fundamentalmente en celdas del Pacífico Sureste y Atlántico Sur.

          Otro aspecto importante al comparar las observaciones y pronósticos de lluvias, es que la red de observaciones en operación no es la más adecuada para representar eventos climáticos significativos, si tenemos en cuenta que sólo se han usado en este estudio 61 estaciones, irregularmente distribuidas.

          Reconocimiento: Los autores del presente trabajo agradecen la colaboración de las Sras. Graciela Galvani y Graciela Cazenave.

BIBLIOGRAFIA

Friedman, J. H. (1991a) "Multivariate Adaptive Regression Splines (with discussion)". Annals of Statistics, 10,1-141 (March).

Reynolds R.W. and Smith T.M. (1994) "Improved global sea surface temperature analyses using optimum interpolation". J. Climate, 7, 929-948.

Tanco R.A. y Berri G.J.(2000) "CLIMLAB2000, Version 1.1.0, A Statistical Software Package for Climate Applications". IRI-TR-00/1, International Research Institute (IRI) for Climate Prediction, LDEO, Palisades, N.Y., 10964 USA.

Woodruff, S.D., R.J. Slutz, R.L. Jenne, and P.M. Steurer (1987) "A comprehensive ocean-atmosphere data set". Bull. Amer. Meteor. Soc., 68, 1239-1250.

Woodruff, S.D., S.J. Lubker, K. Wolter, S.J. Worley, and J.D. Elms (1993) "Comprehensive Ocean-Atmosphere Data Set (COADS) Release 1a: 1980-92". Earth System Monitor, 4, No. 1, 1-8.

Woodruff, S.D., H.F. Diaz, J.D. Elms, and S.J. Worley (1998) "COADS Release 2 Data and Metadata Enhancements for Improvements of Marine Surface Flux Fields". Phys. Chem. Earth, 23, 517-527.