Comparación entre siete capas climáticas digitales para identificar áreas con alta precipitación anual en México (al menos 1,500 mm en promedio)

Contenido principal del artículo

Armando Rincón-Gutiérrez
Martin Ricker
Jean-François Mas

Resumen

El modelaje espacial de la precipitación es fundamental para entender la distribución de la vegetación silvestre, el crecimiento de las plantas y las consecuencias del cambio climático. Aquí comparamos, para el territorio continental de México, la estimación de alta precipitación anual (≥ 1,500 mm en promedio) de siete capas climáticas digitales disponibles en internet. ¿Es relevante con qué capa se identifican las áreas con alta precipitación? ¿Es recomendable usar una capa de precipitación elaborada con datos satelitales en lugar de pluviómetros terrestres? Resultó que hay enormes diferencias entre las estimaciones de las siete capas digitales: la superficie con promedios de precipitación anual ≥ 1500 mm varía, según la capa seleccionada, entre 143 964 km2 (“Cuervo”) y 232 439 km2 (“Satelital”), o de 7.4% a 11.9% de la superficie terrestre de México. La segunda superficie es 1.6 veces la primera. La superficie total, donde al menos una de las siete capas estima un promedio de precipitación anual ≥ 1500 mm, es de 287 042 km2 (14.7% de la superficie de nuestro país). El coeficiente de variación para la precipitación anual estimada entre las siete capas varía de 1.8 a 60.9%. La categoría con un coeficiente de variación relativamente bajo abarca 74.7% de los 287 042 km2, la categoría intermedia 24.1%, y la que tiene mayor variación 1.2%. Todas las capas, excepto la “Satelital”, se basan en los datos de la Comisión Nacional del Agua (CONAGUA). Para ninguna capa es posible rastrear cuáles estaciones climatológicas se usaron para su elaboración, y solo para algunas capas se indica el número de estaciones utilizadas. Otras limitaciones para el análisis de las capas fueron la imposibilidad de encontrar la siguiente información: ¿cuáles correcciones estadísticas se efectuaron a los datos crudos? ¿Cómo se manejaron los datos faltantes sobre precipitación (que son comunes en los datos de la CONAGUA)? ¿Cuáles son las especificaciones precisas para la metodología que se empleó para la interpolación espacial? ¿Cuáles factores ambientales se tomaron en cuenta? ¿Cuáles parámetros de exactitud estadística se pueden reportar? Por otra parte, utilizamos 504 estaciones climatológicas de la CONAGUA donde, para los años de 1951 a 2010 (o dos periodos de “normales” de 30 años), se habían medido en promedio ≥ 1500 mm. Tomando en cuenta los datos faltantes, las 504 estaciones climatológicas cubrieron, en promedio, solo 32.7 años para este intervalo de 60 años. Para los datos de las estaciones climatológicas tampoco encontramos información metodológica adecuada: ¿cuáles instrumentos de medición se emplearon y qué exactitud tienen? ¿A qué se debe el gran número de datos faltantes? ¿Hubo algún proceso de corrección y mejora de los datos? Analizamos las diferencias entre la precipitación medida en las 504 estaciones climatológicas y la estimada por la capa, determinando el promedio (“sesgo”) y el intervalo entre los cuantiles de 10% y 90% de las diferencias (“dispersión 1”). La capa “Satelital” presentó el mayor sesgo (−481 mm) y la mayor dispersión (1707 mm), mientras que “García” tenía el menor sesgo (−23 mm) y “UNIATMOS” la menor dispersión (781 mm). Los promedios de las diferencias absolutas (“dispersión 2”), según la capa de 226 a 630 mm, también fueron altos. La situación de grandes inconsistencias entre las capas resultó similar en 110 525 sitios ubicados equidistantes entre pares de las estaciones. En estos sitios, las estimaciones de precipitación por las capas resultaron de interpolar datos entre estaciones climatológicas. El extremo fue en un sitio, donde una capa estimó una precipitación de 886 mm y la otra de 4929 mm, 5.6 veces el primer valor. La gran variación en la precipitación estimada por las capas se explicó de manera considerable por la heterogeneidad topográfica en un círculo de 1 km diámetro alrededor de las 504 estaciones. Como información suplementaria, proporcionamos los vínculos a dos archivos en Excel con los datos de precipitación anual de la CONAGUA, y las estimaciones de las capas en los sitios de las estaciones. En conclusión, sí es relevante con cuál de las siete capas se identifican áreas con alta precipitación, y una capa basada exclusivamente en datos satelitales (todavía) no es recomendable. La capa “UNIATMOS” destacó aquí con los mejores parámetros comparativamente. De cualquier forma, la estimación espacial de precipitación anual alta en México presenta todavía grandes problemas de exactitud, lo que da como resultado tres recomendaciones. Primero, sería importante mejorar la base científica de datos empíricos de precipitación y otras variables climáticas para México, con menos datos faltantes en el futuro, con la descripción de los métodos e indicadores de calidad, y en lo posible con un mayor número de estaciones climáticos en regiones con alta precipitación; segundo, se deberían incluir métodos reproducibles en la descripción de las capas climáticas, y tercero, sería recomendable modelar una capa específica para precipitación alta en la superficie correspondiente, estimada aquí en 14.7% de la superficie de México, donde se tome en cuenta a detalle la topografía.

Palabras clave: datos faltantes estaciones climatológicas inconsistencia satélite climatológico
Publicado: abr 1, 2024

Descargas

Los datos de descargas todavía no están disponibles.

Detalles del artículo

Citas

Booth, T. H. (2018). Why understanding the pioneering and continuing contributions of BIOCLIM to species distribution modelling is important. Austral Ecology, 43(8), 852–860. https://doi.org/10.1111/aec.12628

Busby, J. R. (1991). BIOCLIM - a bioclimate analysis and prediction system. Plant Protection Quarterly, 6(1), 8-9. https://caws.org.nz/PPQ567/PPQ%2006-1%20pp008-9%20Busby.pdf
Cuervo‐Robayo, A. P., Téllez‐Valdés, O., Gómez‐Albores, M. A., Venegas‐Barrera, C. S., Manjarrez, J., y Martínez‐Meyer, E. (2014). An update of high‐resolution monthly climate surfaces for Mexico. International journal of climatology, 34(7), 2427-2437.

Cuervo-Robayo, A. P., Téllez-Valdés, O., Gómez-Albores, M. A., Venegas-Barrera, C. S., Manjarrez, J. y Martínez-Meyer, E. (2014). An update of high-resolution monthly climate surfaces for Mexico: CLIMATE SURFACES FOR MEXICO. International Journal of Climatology, 34(7), 2427–2437. https://doi.org/10.1002/joc.3848

Cuervo-Robayo, A. P., Ureta, C., Gómez-Albores, M. A., Meneses-Mosquera, A. K., Téllez-Valdés, O. y Martínez-Meyer, E. (2020). One hundred years of climate change in Mexico. PLOS ONE, 15(7), e0209808. https://doi.org/10.1371/journal.pone.0209808

Fernández Eguiarte, A., Romero Centeno, R. y Zavala Hidalgo, J. (2014). Metodologías empleadas en el atlas climático digital de México para la generación de mapas de alta resolución. Geoacta, 39(1), 165–173. http://www.scielo.org.ar/scielo.php?script=sci_arttext&pid=S1852-77442014000100013

Fick, S. E. y Hijmans, R. J. (2017). WorldClim 2: New 1‐km spatial resolution climate surfaces for global land areas. International Journal of Climatology, 37(12), 4302–4315. https://doi.org/10.1002/joc.5086

García, E. (1965). Distribución de la precipitación en la República Mexicana. Investigaciones Geográficas, 1, 2–30. https://doi.org/10.14350/rig.59179

García y CONABIO. (1998). Portal de Información Geográfica—CONABIO. Comisión Nacional para el Conocimiento y Uso de la Biodiversidad (CONABIO). http://www.conabio.gob.mx/informacion/gis/ (2023, marzo 10)

Hijmans, R. J., Cameron, S. E., Parra, J. L., Jones, P. G., y Jarvis, A. (2005). Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology: A Journal of the Royal Meteorological Society, 25(15), 1965-1978. https://doi.org/10.1002/joc.1276

Hou, A. Y., Kakar, R. K., Neeck, S., Azarbarzin, A. A., Kummerow, C. D., Kojima, M., Oki, R., Nakamura, K. y Iguchi, T. (2014). The Global Precipitation Measurement Mission. Bulletin of the American Meteorological Society, 95(5), 701–722. https://doi.org/10.1175/BAMS-D-13-00164.1

Huffman, G. J., Bovin, D. T., Braithwaite, D., Hsu, K., Joyce, R., Kidd, C., Nelkin, E. J., Sorooshian, S., Tan, J. y Xie, P. (2020). Global Precipitation Measurement (GPM) National Aeronautics and Space Administration (NASA) Algorithm Theoretical Basis Document (ATBD) Version 06. National Aeronautics and Space Administration. https://gpm.nasa.gov/sites/default/files/2020-05/IMERG_ATBD_V06.3.pdf

INEGI. (2017) Guía para la interpretación de cartografía: uso del suelo y vegetación, escala 1:250, 000, serie VI. Instituto Nacional de Estadística y Geografía. Aguascalientes, México. https://www.inegi.org.mx/contenidos/productos/prod_serv/contenidos/espanol/bvinegi/productos/nueva_estruc/702825092030.pdf

Karger, D. N., Conrad, O., Böhner, J., Kawohl, T., Kreft, H., Soria-Auza, R. W., Zimmermann, N. E., Linder, H. P. y Kessler, M. (2017). Climatologies at high resolution for the earth’s land surface areas. Scientific Data, 4(1), 170122. https://doi.org/10.1038/sdata.2017.122

Lawrimore, J. H., Menne, M. J., Gleason, B. E., Williams, C. N., Wuertz, D. B., Vose, R. S. y Rennie, J. (2011). An overview of the Global Historical Climatology Network monthly mean temperature data set, version 3. Journal of Geophysical Research, 116(D19), D19121. https://doi.org/10.1029/2011JD016187

Masunaga, H. (2022). Satellite Measurements of Clouds and Precipitation: Theoretical Basis. Springer Nature. https://doi.org/10.1007/978-981-19-2243-5

Mayor, Y. G., Tereshchenko, I., Fonseca-Hernández, M., Pantoja, D. A., Montes, J. M. (2017). Evaluation of error in IMERG precipitation estimates under different topographic conditions and temporal scales over Mexico. Remote Sensing, 9, 503. https://doi.org/10.3390/rs9050503

Morice, C. P., Kennedy, J. J., Rayner, N. A., Winn, J. P., Hogan, E., Killick, R. E., Dunn, R. J. H., Osborn, T. J., Jones, P. D. y Simpson, I. R. (2021). An Updated Assessment of Near‐Surface Temperature Change From 1850: The HadCRUT5 Data Set. Journal of Geophysical Research: Atmospheres, 126(3). https://doi.org/10.1029/2019JD032361

Portier, A., Kirschbaum, D., Gebremichael, M., Kemp, E., Kumar, S., Llabres, I., Snodgrass, E. y Wegiel, J. (2023). NASA’s Global Precipitation Measurement Mission: Leveraging Stakeholder Engagement & Applications Activities to Inform Decision-making. Remote Sensing Applications: Society and Environment, 29, 100853. https://doi.org/10.1016/j.rsase.2022.100853

Richards, P. W. (1952). The Tropical Rain Forest. Cambridge University Press.

Sáenz-Romero, C., Rehfeldt, G. E., Crookston, N. L., Duval, P., St-Amant, R., Beaulieu, J. y Richardson, B. A. (2010). Spline models of contemporary, 2030, 2060 and 2090 climates for Mexico and their use in understanding climate-change impacts on the vegetation. Climatic Change, 102(3–4), 595–623. https://doi.org/10.1007/s10584-009-9753-5

Strangeways, I. (2010). A history of rain gauges. Weather, 65(5), 133–138. https://doi.org/10.1002/wea.548

Xu, T. y Hutchinson, M. F. (2013). New developments and applications in the ANUCLIM spatial climatic and bioclimatic modelling package. Environmental Modelling & Software, 40, 267–279. https://doi.org/10.1016/j.envsoft.2012.10.003