Análisis de fuentes de incertidumbre en los modelos climáticos CMIP6 para las proyecciones climáticas de temperatura y precipitación en Sudamérica

Abstract

Ante la realidad del cambio climático se requiere de rigurosos métodos en las predicciones del clima, uno de estos es el cálculo de incertidumbre de modelos climáticos que ayudan a los tomadores de decisiones y comunidad científica, a establecer medidas de prevención. En el presente estudio se muestran los resultados y el análisis de las fuentes de incertidumbre de un conjunto de modelos climáticos representativos del Proyecto de Intercomparación de Modelos Acoplados en su sexta fase (CMIP6), con resolución espacial 100 km y datos mensuales, teniendo período de referencia 1981 - 2010 y Rutas Socioeconómicas Compartidas SSP2-4.5 y SSP5-8.5 en el período 2015-2100. El área de estudio es Sudamérica y se filtraron los modelos más representativos considerando las siguientes metodologías, la parte física considera la posición e intensidad del núcleo de los sistemas sinópticos; Anticiclón del Pacifico Sur Oriental (APSO), Alta de Bolivia (AB) y Baja Amazónica (BA), y la estadística se evaluó mediante Correlación Pearson, Error medio (BIAS) y Error Cuadrático Medio (RMSE), teniendo como modelo observado ERA5, los resultados indicaron que los modelos climáticos representativos son los desarrollados por el instituto EC-Earth-Consortium, de Europa, E3SM-1-1-ECA de E3SM-Project-USA, GFDL-ESM4 de NOAA-USA, GFDL-USA y NorESM2-MM de NCC-Noruega. El cálculo de las fuentes de incertidumbre se define mediante la suma de la variabilidad interna, incertidumbre del modelo e incertidumbre del escenario. Se evidencia que la variable precipitación acumulada estacional en las proyecciones climáticas indican que la variabilidad interna es el factor de incertidumbre dominante, la incertidumbre del escenario varía en cada estación presentando mayor área en primavera (SON), la incertidumbre del modelo crece continuamente hasta el 2100, la temperatura del aire promedio estacional indica que la variabilidad interna es dominante hasta el 2050, debido a que la incertidumbre del escenario tiene un impacto sobre la región esta aumenta continuamente hasta el 2100, a diferencia de la incertidumbre del modelo que aumentan hasta el 2050 y luego disminuye.

Given the reality of climate change, rigorous methods that seek quantitative climate predictions are required, one of which is the calculation of uncertainty in climate models that help decision makers and the scientific community to establish preventive measures. The present study calculates and analyzes the sources of uncertainty of a set of representative climate models of the Coupled Model Intercomparison Project in its sixth phase (CMIP6), with spatial resolution 100 km and monthly data, having historical period 1981 - 2010 and Shared Socioeconomic Pathways SSP2-4.5 and SSP5-8.5 in the future period 2015-2100. The study area is South America and the most representative climate models were filtered using two methodologies, the physical part considers the position and intensity of the core of the synoptic systems; Anticyclone of the South East Pacific (APSO), High of Bolivia (AB) and Amazonian Low (BA), and the statistical part was evaluated by Pearson Correlation, Mean Error (BIAS) and Root Mean Square Error (RMSE), having as observed model ERA5, the results indicated that the representative climate models are EC-Earth-Consortium, from Europe, E3SM-1-1-ECA, GFDL-ESM4 and NorESM2-MM. The calculation of the sources of uncertainty is defined by the sum of internal variability, model uncertainty and scenario uncertainty, obtained results that the seasonal cumulative precipitation variable in the climate projections indicate that internal variability is the dominant uncertainty factor, the scenario uncertainty varies in each season presenting greater area in spring (SON), the model uncertainty increases continuously until 2100, the seasonal average air temperature indicates that the internal variability is dominant until 2050, because the scenario uncertainty has an impact on the region it increases continuously until 2100, unlike the model uncertainty that increases until 2050 and then decreases.