Resumen de Modelo estocástico para generar variables atmosféricas diarias. Aplicación a Salamanca y Oporto
Fernando de Pablo Dávila, Santiago Domínguez Martín, L. Rivas Soriano, Clemente Tomás Sánchez
En vista de los posibles cambios climáticos que se preveen en un futuro próximo, se vienen realizando importantes esfuerzos en el estudio de las influencias que estos cambios provocarán en varios campos de la actividad humana, tales como la agricultura, salud o hidrología entre otros, que son significativamente dependientes de la variabilidad atmosférica o climática (Annandale et al., 1999; Williams et al., 2001; Cubasch et al., 2001). Uno de los métodos a utilizar para disponer de un conocimiento preciso de los cambios previstos, puede basarse en el empleo de modelos de simulación capaces de generar series a largo plazo de variables atmosféricas diarias que, mostrando alta correspondencia con las variables atmosféricas observadas, sirvan para evaluar la variabilidad futura de un lugar o zona y su adaptación a los cambios. Desde hace algunos años vienen siendo utilizados modelos matemáticos deterministas capaces de simular series temporales de variables atmosféricas de largo plazo y son denominados generadores estocásticos o Weather Generator (Richardson and Wright, 1984; Semenov and Jamieson, 1999). Estos modelos utilizan datos históricos observados como “inputs” y generan datos sintéticos de variables atmosféricas estadísticamente similares a los registros observados y a muy largo plazo. El problema surge al intentar confirmar que los datos generados de esta forma representan adecuadamente las condiciones de los cambios climáticos esperados. El objetivo último de los Weather Generator es producir series temporales de variables que presenten una estructura estadística similar a la de las series observadas u originales. En el desarrollo de estos “generadores”, se debe seleccionar un modelo inicial adecuado que represente la distribución correcta de las variables atmosféricas utilizadas, además de determinar las relaciones existentes entre estas variables y su variabilidad temporal. Los modelos autoregresivos ARIMA y cadenas de Markov de primer orden o superiores son los frecuentemente utilizados para estos propósitos (Katz, 1977; Richardson, 1981). Los parámetros obtenidos por el modelo-generador son deducidos a partir de las series observadas de un lugar mediante la utilización de valores con una longitud temporal suficiente, o bien pueden ser deducidos a partir de distribuciones geográficas con características climáticas relevantes (para aquellos lugares sin disponibilidad de datos históricos observados). Una vez que la parametrización del modelo se ha realizado y obtenida la ecuación correspondiente, puede generarse un conjunto arbitrario de variables atmosféricas modificadas que posteriormente puedan ser adaptadas a los posibles escenarios climáticos previstos en la región.
