Professional Documents
Culture Documents
TABLA DE CONTENIDO
1. INTRODUCCIÓN .................................................................................... 8
1.1 PLANTEAMIENTO Y JUSTIFICACIÓN DEL PROBLEMA ............................ 10
1.2 OBJETIVOS .......................................................................................................... 12
1.2.1 Objetivo General............................................................................................. 12
1.2.2 Objetivos Específicos ..................................................................................... 12
1.3 ORGANIZACIÓN DEL DOCUMENTO.............................................................. 12
2. ÁREA DE ESTUDIO Y DATOS UTILIZADOS .................................... 14
2.1 ÁREA DE ESTUDIO ............................................................................................ 14
2.2 DATOS UTILIZADOS ......................................................................................... 15
2.2.1 Mallas interpoladas de precipitación y temperatura ....................................... 15
2.2.2 Mapa de capacidad de almacenamiento de agua en el suelo .......................... 16
3. MARCO TEÓRICO ................................................................................ 19
3.1 SEQUÍAS ............................................................................................................... 19
3.1.1 Sequía como peligro natural ........................................................................... 19
3.1.2 Definición de la sequía ................................................................................... 20
3.1.3 Clasificación de la sequía ............................................................................... 20
3.2 FENÓMENO EL NIÑO – OSCILACIÓN DEL SUR (EL NIÑO – SOUTHERN
OSCILATION, ENSO) ...................................................................................................... 23
3.2.1 Desarrollo del fenómeno ENSO ..................................................................... 25
3.2.2 Métricas para el seguimiento del fenómeno ENSO........................................ 26
3.3 ZONA DE CONVERGENCIA INTERTROPICAL (ZCIT) ................................. 30
4. METODOLOGÍA ................................................................................... 32
4.1 METODOS UTILIZADOS ................................................................................... 32
4.1.1 Índice Estandarizado de Precipitación (SPI) .................................................. 32
4.1.2 Índice de Sequías Estandarizado de Palmer (PDSI) ....................................... 38
4.1.3 PDSI autocalibrado (SC-PDSI) ...................................................................... 41
4.2 PCA – EOF ............................................................................................................ 45
4.2.1 Generalidades ................................................................................................. 45
4.2.2 Procedimiento ................................................................................................. 46
5. RESULTADOS Y ANÁLISIS ................................................................ 48
Pontificia Universidad Javeriana Página 2
Evaluación del comportamiento de las sequías en el Norte de Sudamérica
utilizando mallas de precipitación y temperatura.
2014
TABLA DE ILUSTRACIONES
Figura 1. Comunidad indígena Wayuu, en un paisaje de sequía en La Guajira – Norte de
Colombia. Fuente: Constantine (2014)................................................................................. 10
Figura 2. Imagen del área en la cual se realizara el estudio. Contiene cuenca del Amazonas
(delimitada con la línea naranja). Fuente: Elaboración propia. ............................................ 14
Figura 3. Zona de estudio, Promedio anual de precipitación (a) y temperatura (b) en el
Norte del continente Suramericano, calculado a partir de datos de la Universidad de
Delaware, para un periodo desde 1950 hasta 2010. Fuente: Elaboración Propia................. 15
Figura 4. Mapa de capacidad de almacenamiento de agua en el suelo para el Norte del
Continente............................................................................................................................. 18
Figura 5. Esquema de las sequías y las secuencias de los impactos. Adaptado de: M.
Karamouz, Nazif, and Falahi (2012) .................................................................................... 23
Figura 6. Regiones con condiciones de sequía (Naranja) y regiones que muestran
incremento de precipitación (Azul) durante El Niño (a) y La Niña (b). Fuente: Holmgren et
al. (2001) .............................................................................................................................. 25
Figura 7. Ubicación de la termoclina en eventos Niños (a), eventos Niñas (b) y años
normales (c). Fuente: NOAA US Department of Commerce (2013) ................................... 26
Figura 8. Índice Multivariado ENSO (Multivariate ENSO Index, MEI), Valores azules
corresponden a la fase fría del ENSO y los valores rojos corresponden a la fase calida del
ENSO. Fuente: Elaboración propia. ..................................................................................... 27
Figura 9. La Oscilación del Sur (SOI) entre 1950 y 2010. Valores azules corresponden a la
fase fría del ENSO y los valores rojos corresponden a la fase cálida del ENSO. Fuente:
Elaboración propia................................................................................................................ 28
Figura 10. Índice Oceánico El Niño (Oceanic Niño Index, ONI) Valores azules
corresponden a la fase fría del ENSO y los valores rojos corresponden a la fase cálida del
ENSO. Fuente: Elaboración Propia. ..................................................................................... 29
Figura 11. Zona de Convergencia Intertropical (ZCIT) Posición de la ZCIT durante el
verano boreal (rojo) y durante el verano austral (azul). Fuente: Wikipedia ......................... 31
Figura 12. Representación Gráfica de Índice SPI3 en el mes de Marzo de 1964. Fuente:
Elaboración Propia. .............................................................................................................. 38
Figura 13. SPI03 para el año 1991. ...................................................................................... 50
Figura 14. SPI03 para año 1992. .......................................................................................... 51
Figura 15. PDSI para 1991. .................................................................................................. 52
Figura 16. PDSI para año 1992. .......................................................................................... 53
Figura 17. Promedio SPI03 El Niño Fuertes. ....................................................................... 55
Figura 18. Promedio SPI06 El Niño Fuertes. ....................................................................... 58
Figura 19. Promedio SPI09 El Niño Fuertes. ....................................................................... 61
Figura 38. Valor Z asociado con la prueba estadística para las medias mensuales del SPI03
en el periodo 1981-2010, y el mismo SPI03 en el periodo 1951-1980. Cambio no
significativo en gris, positivo en colores fríos (verde-púrpura), y negativo en colores cálidos
(amarillo-rojo). ..................................................................................................................... 95
INDICE DE TABLAS
Tabla 1. Clasificación de la capacidad de almacenamiento del agua en el suelo ................. 18
Tabla 2. Años en los cuales ocurrió un fenómeno El Niño y La Niña, de acuerdo al ONI.
Fuente: Null (2014) .............................................................................................................. 30
Tabla 3. Clasificación de Valores de SPI y sus respectivas intensidades. Fuente: Agnew
(2000).................................................................................................................................... 35
Tabla 4. Clasifican de los valores de PDSI. Fuente : Palmer (1965) ................................... 40
1. INTRODUCCIÓN
Año tras año se intenta determinar el comportamiento del clima, con el fin de hacer
predicciones para identificar la variabilidad del mismo y su influencia en diferentes
actividades humanas, principalmente agrícolas. Una de las consecuencias más evidentes de
la variabilidad del clima es la sequía, la cual es un fenómeno natural que ocurre por la falta
de precipitación durante un periodo de tiempo prolongado. Aunque es un fenómeno
extremo, no se puede decir que sea un fenómeno atípico; de hecho, se reportan sequías
todos los años en diversos lugares alrededor del mundo. Existen diversas definiciones de
sqeuía: en los desiertos de Botswana, al Sur de África, por ejemplo, los pueblos Kung
piensan que hay sequía cuando deja de llover cinco o seis años; en algunos países europeos,
como Francia o Alemania, para que esto ocurra basta con un mes sin lluvias (Antón and
Díaz, 2002). Es por esto que se dice que la sequía es un fenómeno con una dimensión
cultural de gran importancia, ya que al suceder un fenómeno de esta magnitud, varios
factores que están directamente relacionados con los seres vivos se ven afectados.
El factor más afectado es el recurso hídrico, el cual se considera como uno de los recursos
más importantes, por lo que la existencia de éste es vital para el ser humano (FAO, 2014).
Este trabajo se raliza con el fin de estudiar el comportamiento de las sequías que se
presentan en la zona Norte de Suramérica, y se pretende estudiar la relación de estos
eventos con el ENSO (El Niño – Southern Oscilation). Lo anterior se logra mediante los
índices de sequías hallados por medio de dos métodos: el Índice de Sequías Estandarizado
de Palmer Autocalibrado (Self Calibration - Palmer Drought Standarized Index, SC-PDSI)
y el Índice Estandarizado de Precipitación (Standardized Precipitation Index, SPI), los
cuales fueron calculados utilizando los datos de las mallas interpoladas de precipitación y
temperatura de la Universidad de Delaware (UD-ATP, US Department of Commerce,
2013). Al calcular los índices, es posible identificar las regiones afectadas por las sequías,
las intensidades y duraciones de las mismas a lo largo del tiempo.
La utilización de diferentes índices es relevante, ya que para su cálculo cada uno involucra
diferentes parámetros. El SPI solo tiene en cuenta series de precipitación para su cálculo
(Agnew, 2000), lo cual puede suponer una desventaja, ya que tiene en cuenta un solo
parámetro. Por otro lado, el PDSI toma como datos de entrada la precipitación y
temperatura, pero lo que lo hace diferente es que efectúa un balance hídrico que tiene en
cuenta factores como evapotranspiración, análisis de humedad del suelo, entre otros
(Elbehri, 2013).
En la Figura 1 se observa cómo se ven influenciados los suelos a falta de lluvias, afectando
así la capa vegetal. Como consecuencia de las sequías, se da la escasez de cosechas y el
aumento de precios (Tegel, 2014). Los animales que viven en la zona donde se presenta la
sequía también se ven afectados, como fue el caso de los animales muertos en el
departamento de Casanare (Colombia), donde los lugareños calculan que más de 15 mil
chigüiros perdieron la vida, al igual que miles de caimanes y unos 20 mil reses durante la
época seca del año 2014 (Hernández, 2014). Así mismo la escasez de agua afecta a las
personas ya que al estar presenciando una época de sequía se ven limitados al acceso de
agua potable, por lo cual se presentan muchas enfermedades que logran causar hasta la
muerte, como en la Guajira-Colombia que han muerto alrededor de 15 niños indígenas a
causa de la falta de agua potable. (Constantine, 2014). La carencia de lluvias en el suelo,
sumada a las altas temperaturas y falta de nutrientes generan un proceso de desertificación,
estado del cual recuperarse es complicado, debido a la afectación sufrida anteriormente
(Gathara et al., 2006).
Figura 1. Comunidad indígena Wayuu, en un paisaje de sequía en La Guajira – Norte de Colombia. Fuente: Constantine
(2014).
La sequía es un fenómeno natural que puede ocurrir en todas las zonas climáticas, y está
relacionado con la disminución de las precipitaciones en un periodo de tiempo. La
temperatura, los altos vientos, la baja humedad relativa, características de la lluvia, están
directamente relacionados con la ocurrencia de las sequías (Mishra & Singh, 2010). Los
periodos de sequías a lo largo de los últimos años han afectado en gran manera varios
aspectos de nuestro diario vivir: cultivos perdidos, bajos cauces de ríos y una alerta en
cuanto a la conservación del agua. Estos periodos pueden ser analizados por distintos
métodos, cada uno utilizando diferentes variables, que arrojan como resultado un índice de
variabilidad de sequía o humedad en la zona, tomando como base las series de
precipitaciones y/o temperatura ocurridas en un periodo de tiempo (Lloyd-Hughes, 2002;
Elbehri, 2013; Mishra & Singh, 2010).
Entre los índices de sequía más utilizados están los ya nombrados Índice de Sequías
Estandarizado de Palmer (PDSI), y el Índice Estandarizado de Precipitación (SPI). El
primero se basa en un análisis de las series de precipitación junto con diversos factores tales
como temperatura, condición inicial de humedad del suelo y humedad relativa de la
atmosfera (Palmer, 1965); para el presente estudio se utilizó una versión autocalibrada del
índice conocido también como SC-PDSI, el cual trabaja igual que el PDSI original, pero
con la diferencia que las características climáticas y factores de duración son estimados con
las tipologías de la zona de estudio. El SPI sólo tiene en cuenta las series de precipitación
Estos métodos ayudan a identificar los periodos de sequía, de tal modo que se puede
anticipar estos fenómenos y hacer una previa planificación para enfrentar dichos eventos,
caracterizando así la climatología de la zona (Núñez et al., 2005). Debido a esto, se han
desarrollado diferentes métodos de prevención y mitigación dependiendo del tipo de sequía
que se quiera tratar, como sequía hidrológica, sequía agrícola, sequía socio-económica,
sequía meteorológica y sequía subterránea (Mishra & Singh, 2010). Para diseñar mejores
medidas de prevención y mitigación frente a la sequía, se estudia el fenómeno por zonas,
teniendo en cuenta los tres principales aspectos de una sequía: severidad, intensidad y
duración (Monacelli, Galluccio, & Abbafati, 2005; Wilhite & Svoboda 2000). Así mismo
deben tenerse en cuenta los impactos de las sequías en los suelos, ya que sequías de larga
duración pueden ocasionar la desertificación de los suelos (Gathara et al., 2006).
Para Colombia, Moreno & Cadena (2002) realizaron un estudio de las sequías utilizando
los índices PDSI y SPI en la región Caribe; sin embargo, los resultados no son
representativos porque utilizaron pocas estaciones para una zona muy extensa, y además las
series utilizadas eran cortas . Así mismo Zuluaga (2009) realizo un estudio donde calcula
el SPI de forma distribuida para toda Colombia, su estudio se enfoca en parámetros
asociados a la sequía como lo el número de eventos significativos, que ocurre en un
determinado tiempo, denominando ―eventos significativos‖ los que superen un determinado
valor de Índice estimado por el autor, así mismo la duración y magnitud máxima y mínima
de dichos eventos. Debido a las especificaciones y parámetros tenidos en cuenta en dicho
trabajo se hace difícil un posible estudio y/o comparación entre los resultados obtenidos,
pero si se puede decir que aporta muchas ideas para trabajos futuros.
Por su parte el IDEAM ha estado llevando a cabo un proyecto donde calcula el índice SPI
con los datos de varias estaciones ubicadas por lo general en los aeropuerto de cada ciudad
en Colombiano, con estos datos se han construido gráficas y mapas los cuales hacen visible
el efecto de la sequias en todo el territorio, pero dicho proyecto se está llevando a cabo
desde el 2010, es decir existe información de los índices a través de mapas desde el 2010 y
por medio de graficas desde el 2013, razón por la cual es imposible realizar una
comparación con los datos obtenidos por el IDEAM.
1.2 OBJETIVOS
El tercer capítulo comprende del marco teórico donde se mencionan varias definiciones de
sequía. También se nombra el fenómeno del ENSO que es uno de los principales
fenómenos que fomentan la sequía, en gran parte del Norte del continente Suramericano.
En el cuarto capítulo se explica la metodología utilizada para el estudio, se incluye la
definición de los índices utilizados (SPI y SC-PDI), y se explica el procedimiento para
hallar cada uno de estos índices.
Contínuo a esto se hace el análisis de los resultados obtenidos donde se muestran resultados
espacio-temporales de los índices y así mismo se presentan las conclusiones del trabajo.
Entre ellas se destaca el hecho que se verifica la fuerte relación del fenómeno ENSO con la
ocurrencia de las sequías en gran parte del norte del continente.
El Norte de Sudamérica es una zona cercana al ecuador, con clima tropical muy húmedo y,
en general, con altas tasas de precipitación. A pesar de estas condiciones prácticamente
constantes de alta humedad, no es inmune a los ciclos de déficit de precipitación que
generan anomalías en su comportamiento natural. Esto se debe a diferentes factores que
varían desde la actividad humana hasta fenómenos naturales de gran envergadura. La zona
a estudiar en este proyecto corresponde a los países de Colombia, Venezuela, Ecuador y
Perú, además, una gran parte del territorio Brasileño y de Bolivia (ver Figura 2). Cuando, se
haga referencia esta zona se llamara el Norte del continente Suramericano.
Figura 2. Imagen del área en la cual se realizara el estudio. Contiene cuenca del Amazonas (delimitada con la línea
naranja). Fuente: Elaboración propia.
La zona que comprende el estudio está entre 20°S - 15°N, y 85°W - 35°W. Los datos UD-
ATP sólo contienen datos sobre las superficies emergidas, así que se omiten análisis en
zonas de océano comprendidas en estos rangos de coordenadas. Se tomó esta zona de
estudio ya que se pretende evaluar la influencia del fenómeno ENSO en el continente,
siendo esta zona la de mayor cercanía y la de una posible mayor afectación cuando este
fenómeno toma lugar. Una mejor ilustración del territorio analizado se presenta en la Figura
(a) (b)
Figura 3. Zona de estudio, Promedio anual de precipitación (a) y temperatura (b) en el Norte del continente
Suramericano, calculado a partir de datos de la Universidad de Delaware, para un periodo desde 1950 hasta 2010. Fuente:
Elaboración Propia.
Como ya se dijo, dentro del área de estudio se encuentra la cuenca del río Amazonas, cuya
área es importante al interior de la zona analizada. La cuenca del Amazonas tiene
aproximadamente seis millones de kilómetros cuadrados, casi todos cubiertos con un
espeso bosque tropical, siendo la selva más extensa del mundo. La cuenca se encuentra
repartida entre nueve países de Sudamérica: el país que posee la mayor porción es Brasil, el
cual tiene más del 50% de extensión sobre su territorio; los otros países que cuentan con
parte de la cuenca son Bolivia, Perú, Ecuador, Venezuela, Colombia, Guyana, Surinam y
Guyana Francesa. Si bien esta región es considerada de alto equilibrio ambiental, se ha
visto sometida a deforestación en los últimos años. En la Figura 2 se observa la cuenca del
Amazonas y su extensión al interior del continente Suramericano.
Una vez los datos están recortados, se usa el software R con varias librerías de apoyo como
ncdf (Pierce, 2014), mapproj (McIlroy, Brownrigg, and Minka, 2014), sp (Pebesma et al.,
2014), entre otras, que hacen más fácil la manipulación de los datos. Usando el software R
se construyó, la Figura 3 que muestra el promedio anual de precipitación (a) y temperatura
(b) en el Norte del continente Suramericano. Se puede observar claramente la zona de
estudio (20°S a 15°N y 85°W a 35°W).
Según el tipo y características del suelo se han estimado varias clases de capacidad de
almacenamiento del suelo, teniendo en cuenta dos características, la textura de la capa
superior del suelo y la profundidad/volumen que limita las fases de suelo. En la Tabla 1 se
muestran la clasificación de capacidad del suelo y en la Figura 4 se muestra el mapa de
capacidad de almacenamiento del agua en el suelo para el Norte del Continente.
Figura 4. Mapa de capacidad de almacenamiento de agua en el suelo para el Norte del Continente.
3. MARCO TEÓRICO
3.1 SEQUÍAS
Se considera peligro natural todo fenómeno que amenace y tenga efectos negativos en las
personas o el medio ambiente. La sequía se considera un peligro natural ya que es un
fenómeno de inicio lento y progresivo, el cual se define como una carencia de precipitación
durante un periodo de tiempo respecto a lo normalmente ocurrido. Dicho déficit de
precipitación puede acumularse rápidamente en un periodo de tiempo o pueden pasar meses
antes de que las consecuencias de este fenómeno sean notorias. Entre las consecuencias se
tienen reducción de caudales, reducción en niveles de embalses o aumento de la
profundidad del nivel freático (Karamouz, Nazif, and Falahi, 2012). Las razones por las que
ocurre una sequía son complejas, ya que esta no solo depende de la atmosfera, sino también
de los procesos hidrológicos. Luego que una condición hidrológica seca se establece en una
zona, es complejo abandonar las condiciones de sequía, ya que a medida que la sequía se
prolonga en tiempo, se evidencia un agotamiento de humedad en las capas superiores del
suelo, lo cual trae consigo la disminución de las tasas de evapotranspiración, que a su vez
reduce la humedad relativa atmosférica, y a menor humedad relativa menos probable la
precipitación en la zona (Mishra and Singh 2010).
El inicio y final de una sequía es difícil de determinar. Los impactos de esta aumentan
paulatinamente, se acumulan durante un tiempo y puede que persistan durante años luego
de la terminación del fenómeno. Es por esto que las sequías ocupan el primer lugar entre
todos los peligros naturales, cuando se mide en términos del número de personas afectadas
(Obasi, 1994; Hewitt, 1997). De hecho, Bryant (1991) en su libro Natural Hazards,
clasifica distintos fenómenos de riesgo en función de sus características e impactos. Le
otorga el primer lugar en muchas de estas características al fenómeno de la sequía
(características como grado de severidad, duración del fenómeno, extensión superficial,
pérdida económica total, efecto social, entre otras).
Resulta difícil llegar a una definición universal y/o global de la sequía, ya que la
generalización de esta resulta inadecuada, por lo que cada persona de acuerdo a su
actividad económica o social, tomará o desarrollará las definiciones que mejor se adecúen a
su realidad (Zuluaga, 2009). Algunas definiciones comúnmente utilizadas son:
1985; Mishra and Singh, 2010), a continuación se explicara brevemente cada una de estas
categorías.
a) Sequía Meteorológica:
b) Sequía Hidrológica:
c) Sequía Agrícola:
d) Sequía Socio-Económica:
El agua es uno de las principales fuentes de vida, en donde ésta está presente
en abundancia habrá siempre un gran movimiento comercial. La sequía
socio-económica se da cuando la demanda de agua para un bien económico
supera la cantidad disponible para ser suministrada (Mishra and Singh,
2010); es decir los sistemas de recursos hídricos encargados de satisfacer las
demandas de agua fracasan.
e) Sequía Subterránea:
El siguiente diagrama muestra un breve resumen del esquema de las sequías y la secuencia
de los impactos que ocasionan cada una de estas. Menciona las tres sequías principales que
fueron las expuestas en un principio (meteorológica, hidrológica y agrícola) y muestra la
sequía socio-económica y la subterránea como impactos derivados de los tres principales
tipo de sequía.
Figura 5. Esquema de las sequías y las secuencias de los impactos. Adaptado de: M. Karamouz, Nazif, and Falahi (2012)
El Niño – Oscilación del Sur (ENSO por sus siglas en inglés) es un evento macroclimático
el cual toma lugar en el Océano Pacífico, pero tiene consecuencias de gran impacto para el
clima de todo el planeta. Las cantidades de precipitación se ven directamente afectadas
cuando este toma lugar, por lo cual se asocia con las sequías e inundaciones. El ENSO debe
su nombre a los marineros peruanos que con frecuencia navegaban a lo largo de la costa en
pequeñas embarcaciones; ellos le otorgaron este nombre, que hace referencia al Niño Jesús,
a una corriente que se hacía notoria después de la Navidad. La anterior fue una explicación
dada por el Capitán de la Marina peruana Camilo Carrillo en Lima, Perú en el año 1892
(Glantz, 2000).
El fenómeno del Niño tiene una frecuencia irregular, entre tres y seis años. Durante un
episodio de El Niño, las sequías severas aumentan en algunas zonas del mundo, mientras
que las precipitaciones aumentan dramáticamente en otras regiones (como lo resume la
Figura 6; Holmgren et al., 2001). Si bien este fenómeno se origina en el Océano Pacifico,
como se mencionaba anteriormente, su efecto de calentamiento se extiende rápidamente por
los vientos que soplan a través del océano, alterando los patrones climáticos en más del
60% de la superficie del planeta (Serigne Tacko Kandji, Louis Verchot, and Jens
Mackensen, 2006), por lo cual se puede decir que el ENSO es una de las fuentes más
importantes de la variabilidad interanual que operan en el sistema climático de la tierra
(Trenberth and Caron, 2000)
Figura 6. Regiones con condiciones de sequía (Naranja) y regiones que muestran incremento de precipitación (Azul)
durante El Niño (a) y La Niña (b). Fuente: Holmgren et al. (2001)
Figura 7. Ubicación de la termoclina en eventos Niños (a), eventos Niñas (b) y años normales (c). Fuente: NOAA US
Department of Commerce (2013)
El MEI es una métrica creada para el seguimiento y/o monitoreo del fenómeno ENSO. Se
basa en las seis principales variables sobre el Océano Pacífico tropical que son:
El MEI es uno de los mejores índices para monitorear el ENSO, según la National Oceanic
and Atmospheric Administration (NOAA), debido a que integra más información que otros
índices, y combina análisis de múltiples componentes meteorológicos, teniendo en cuenta
tanto la variabilidad del océano como de la atmosfera. El MEI se calcula como el primer
componente principal no rotado de los seis campos mencionados anteriormente. La NOAA
solo ha registrado valores del MEI desde 1950 hasta la actualidad.
En la Figura 8 se presenta la evolución temporal del MEI. Se observa con claridad los
eventos El Niño y La Niña más fuertes: valores negativos del MEI hacen referencia a la
fase fría del ENSO (color azul), mientras que los valores positivos del MEI representan la
fase cálida del ENSO, también llamado El Niño (valores color rojo).
Figura 8. Índice Multivariado ENSO (Multivariate ENSO Index, MEI), Valores azules corresponden a la fase fría del
ENSO y los valores rojos corresponden a la fase calida del ENSO. Fuente: Elaboración propia.
El SOI es un índice basado en la diferencias de presiones a nivel del mar entre Tahití y la
isla de Darwin (Australia). Es una medida de las fluctuaciones a gran escala en la presión
del aire que se produce en el Pacifico tropical occidental y orientas durante los episodio de
El Niño y La Niña (Enloe, 2012). No es un índice muy utilizado en investigación ya que
solo maneja una variable del ambiente.
En la Figura 9 se evidencia la fase negativa del SOI (valores azules) representa la presión
de aire debajo de lo normal en Tahití y por encima de lo normal en Darwin. Los valores por
encima de 8 son asociados con El Niño los cuales están relacionados con disminución en la
potencia de los vientos del Pacifico, y valores negativos por debajo del -8 están
Pontificia Universidad Javeriana Página 27
Evaluación del comportamiento de las sequías en el Norte de Sudamérica
utilizando mallas de precipitación y temperatura.
2014
relacionados con La Niña, en donde es común que los vientos alisios del Pacifico se
intensifiquen, arrastrando de esta manera la piscina caliente hacia el Norte de la costa
Australiana.
Figura 9. La Oscilación del Sur (SOI) entre 1950 y 2010. Valores azules corresponden a la fase fría del ENSO y los
valores rojos corresponden a la fase cálida del ENSO. Fuente: Elaboración propia
En la Figura 10 se observan los datos ONI, en una escala mensual que comienza en el años
1950 hasta el 2010. Así mismo en la
Tabla 2 se muestran los años en los cuales ocurrió un fenómeno de El Niño y/o La Niña, de
acuerdo con la definición dada por el ONI. Además, estos eventos están clasificados en
moderados e intensos. Se considera que ocurre un fenómeno ENSO moderado cuando el
valor del ONI está entre 1 y 1.5 (El Niño), ó -1 y -1.5 (La Niña); y se dice que el ENSO es
intenso cuando el ONI supera 1.5 (El Niño) o es menor a -1.5 (La Niña).
Figura 10. Índice Oceánico El Niño (Oceanic Niño Index, ONI) Valores azules corresponden a la fase fría del ENSO y
los valores rojos corresponden a la fase cálida del ENSO. Fuente: Elaboración Propia.
Tabla 2. Años en los cuales ocurrió un fenómeno El Niño y La Niña, de acuerdo al ONI. Fuente: Null (2014)
El Niño La Niña
Moderado Fuerte Moderado Fuerte
1951-1952 1957-1958 1955-1956 1973-1974
1963-1964 1965-1966 1970-1971 1975-1976
1968-1969 1972-1973 1998-1999 1988-1989
1986-1987 1982-1983 2007-2008 1999-2000
1991-1992 1987-1988 2010-2011
1994-1995 1997-1998
2002-2003
2009-2010
La ZCIT tiende a moverse hacia el hemisferio Norte cuando éste se encuentra en su época
de verano, y retorna al Sur cuando sucede lo mismo en el hemisferio Sur, haciendo que
pase dos veces por la parte Norte de Sudamérica. Esto hace que se generen dos picos de
grandes lluvias en esta parte del continente (ver Figura 11).
Figura 11. Zona de Convergencia Intertropical (ZCIT) Posición de la ZCIT durante el verano boreal (rojo) y durante el
verano austral (azul). Fuente: Wikipedia
4. METODOLOGÍA
Existen diferentes métodos para calcular las intensidades y duraciones de las sequías. Dos
de los más utilizados son el SPI y el PDSI (en este trabajo, su versión autocalibrada SC-
PDSI). El primero inicia como un método alternativo para analizar el fenómeno con sólo
valores de precipitación. Este método es muy simple, por lo cual está siendo muy utilizado
para analizar la sequía como fenómeno, además se puede aplicar a cualquier región debido
a que sólo requiere de esta variable.
El SPI estandariza los valores que analiza, en este caso los de precipitación, en varias
escalas temporales, y los relaciona con una función de distribución de probabilidad. Debido
a que hay escasez de datos en diferentes lugares, se utilizó la malla interpolada UD-ATP.
Se calcularon series de SPI para diferentes escalas de tiempo, y se relacionaron con el
fenómeno ENSO, ya que es uno de los principales moduladores del clima en el Norte de
Suramérica. Por su parte el SC-PDSI toma los valores de precipitación y temperatura de
manera espacio temporal, y realiza un balance del suelo en cuanto a su humedad y la
humedad relativa del lugar de estudio; de este modo se involucra un mayor número de
factores para determinar la sequía, pudiendo alcanzar una exactitud superior a otros
métodos (Wells, Goddard, and Hayes, 2004). Los datos de SC-PDSI se calcularon con la
malla interpolada UD-ATP. A diferencia del SPI, el SC-PDSI no maneja escalas de
tiempos.
En primer lugar el método toma la serie histórica de precipitaciones, y ajusta una función
de distribución de probabilidad en un punto en el espacio, en la escala de interés a realizar y
con una función teórica de probabilidad (Núñez et al., 2005). La función que cumple con
mejores resultados es la distribución gamma, la cual sin embargo posee problemas en zonas
donde la precipitación es cero en varios meses del año, ya que no se encuentra definida para
variables de valor nulo. La función de densidad de probabilidad se convierte en una
distribución normal estandarizada en donde el resultado es el valor del índice SPI. Los
valores del índice son una medida de la anomalía de precipitación en un momento
determinado, expresado como una fracción de la desviación estándar para la escala
temporal seleccionada. De este modo, cuando este valor tiende a ser negativo es cuando
representa épocas de sequía, y los valores positivos representaran aumentos en la
precipitación con respecto al promedio de largo plazo previamente hallado.
( ) ⁄
1 para (1 )
( )
donde
2 ( ) ∫ (2 )
El cálculo del SPI incluye ajustar la función de densidad de probabilidad gamma a la serie
temporal de precipitación estación (Kumar et al., 2009). Los parámetros y de la función
de densidad de probabilidad se estiman para cada estación, para cada mes del año y para
cada escala de tiempo. Los parámetros y se estiman de la siguiente manera:
3 ̂ ( √ ) (3)
̅
4 ̂ (4 )
̂
En donde:
( )
5 (̂) (5 )
Los parámetros resultantes se usan para encontrar la probabilidad acumulada del evento de
precipitación observado para el mes dado y la escala de tiempo utilizada para la estación
estudiada (Kumar et al. 2009). La probabilidad acumulada se calcula de la siguiente
manera:
̂ ⁄̂
6 ( ) ∫ ( ) ̂̂ ̂ ∫ (6)
( ̂)
7 ( ) ( ) ( ) (7 )
8 ( ) para ( ) (8)
9 ( ) para ( ) (9)
En donde:
10 √ (( ( ))
) para ( ) (10)
11 √ (( ( ))
) para ( ) (11)
No todos los valores de SPI van a representar el mismo nivel de intensidad de sequía o
duraciones. En la Tabla 3 se puede observar la clasificación dada por este índice a las
sequías.
Tabla 3. Clasificación de Valores de SPI y sus respectivas intensidades. Fuente: Agnew (2000)
Para una escala de tres meses el valor de SPI empieza a aparecer a partir del mes número
tres de la serie, esto debido a que se necesitan al menos 3 valores para que el método
comience a calcular. Para el caso de escalas mayores, sea de seis (6), nueve (9), doce (12) y
veinticuatro (24) se requerirán igual número de datos anteriores para poder calcularse.
El método, como cualquier otro, posee ventajas que lo hacen muy usado, pero a su vez
tiene ciertas desventajas que pueden dificultar el análisis de estas anomalías de
precipitación. Algunas de estas ventajas y desventajas son las siguientes:
Ventajas:
Desventajas:
Al trabajar las escalas de menor tiempo se corre el riesgo que los valores fluctúen
entre valores positivos y negativos en un intervalo de tiempo corto. Esto sucede
debido a que el método se vuelve muy susceptible a cambios repentinos de
cantidades de precipitación, haciendo que en ocasiones se malinterprete y pierda
veracidad el método.
Debido a que el SPI se basa solamente en valores de precipitación, un dato erróneo
en la serie va a afectar altamente la exactitud del método, y se obtendrán datos de
SPI erróneos.
El SPI no es capaz de identificar regiones, es decir, las sequías extremas pueden
ocurrir en la misma intensidad en una región húmeda que en una seca, ya que el
método toma los valores espaciales y los compara con sí mismo. De este modo
Pontificia Universidad Javeriana Página 36
Evaluación del comportamiento de las sequías en el Norte de Sudamérica
utilizando mallas de precipitación y temperatura.
2014
Si se calcula el valor SPI para un mes particular en múltiples lugares, se puede construir un
mapa que represente con colores las zonas afectadas por déficits/excesos de precipitación.
Un mapa del SPI para tres meses (SPI3) para el mes de marzo de 1964 (durante un evento
El Niño moderado) se puede observar en la Figura 12: las zonas que están afectadas por
sequías presentan colores cálidos de diferente intensidad (amarillo - rojo), el color gris
presenta zonas donde los valores de precipitación están cerca de los promedios, y las zonas
con excesos de precipitación están representadas con colores fríos (verde - azul).
Figura 12. Representación Gráfica de Índice SPI3 en el mes de Marzo de 1964. Fuente: Elaboración Propia.
El PDSI fue uno de los primeros índices en demostrar éxito a la hora de cuantificar la
severidad de la sequía a través de diferentes climas, para un lugar y tiempo determinado
(Wells, Goddard, and Hayes, 2004). El PDSI se basa en la oferta y demanda de agua: se
calcula utilizando un sistema de balance hídrico que involucra características de los suelos
locales, y registros históricos de precipitación y evapotranspiración potencial. La siguiente
explicación del índice está basada directamente del artículo presentado por Palmer (Palmer,
1965), el cual describe en detalle como calcular el PDSI.
Para estudiar el balance hídrico, Palmer consideró cuatro valores relacionados con la
humedad del suelo, los cuales se calculan junto con sus valores potenciales
complementarios. Dichos valores son:
Donde el término-i indica el valor para cada mes del año, y el término-barra un valor
promedio de los datos. Los valores potenciales CAFEC se combinan para calcular una
precipitación CAFEC ( ̂ ), que sería la cantidad de precipitación necesaria para mantener un
nivel normal de humedad en el suelo para un solo mes, de acuerdo a la siguiente fórmula:
13 ̂
(13)
14 (14)
̅̅̅
lugares diferentes en siete estados de los Estados Unidos: tres en Texas, y uno en Kansas,
Iowa, North Dakota, Ohio, Pennsylvania y Tennessee.
16 (16)
Donde es el valor de PDSI del mes anterior, y los coeficientes y son llamados
factores de duración los cuales determinan que tan influyente es el PDSI del mes anterior y
el índice de anomalía de humedad del mes actual. Palmer determino que la sequía podría
estar representada adecuadamente en cuatro distintas clases (suave, moderada, severa y
extrema): él derivo dichos valores usando la pendiente entre la duración y la severidad de
las sequías más extremas que estudio en Kansas y Iowa (
Tabla 4).
Palmer creó tres índices ( , y ) para estabilizar el inicio o fin de un periodo de sequía
o humedad. Para esto clasificó los índices de la siguiente manera.
Se dice que un periodo se está estabilizando cuando éste es mayor que 1 o menor que
menos -1, de acuerdo a cada caso. En este orden de ideas, X 3 = X1 cuando es una época
húmeda estabilizada y X3 = X2 para una época de sequía estabilizada. Resumiendo, estos
tres índices indican que tan significativo fue el déficit/exceso de humedad pasada, es decir,
si la anomalía pasada es menor que 1 y mayor a -1, no es suficientemente significativa para
tenerla en cuenta en el cálculo del PDSI del siguiente mes.
Esta versión del PDSI fue originalmente presentada en el trabajo de Wells, Goddard, &
Hayes (2004), de donde se ha extraído gran parte de la siguiente explicación del mismo. El
SC-PDSI es una auto-calibración del PDSI. Este índice calibra automáticamente el
comportamiento del índice en cualquier lugar, sustituyendo variables empíricas del PDSI
original, como lo son las características climáticas y los factores de duración, por valores
calculados automáticamente con datos climáticos históricos de la ubicación donde se quiere
hacer el estudio. Para hacer dicha calibración se toman en cuenta diferentes factores los
cuales se explican a continuación:
a) Características Climáticas
17 (17)
|̅̅̅|
( )
18 { (18)
( )
Como se mencionaba anteriormente, la característica climática, tal como se define
en la ecuación 18, se calcula utilizando el método que utiliza Palmer, pero basa la
definición del índice en el lugar de estudio, tomando su registro histórico, a
diferencia de como originalmente lo hizo Palmer, que utiliza un valor medio
derivado de un conjunto de sitios. Esto elimina de la característica climática la
dependencia de las condiciones climáticas que se experimentaron en los nueve
lugares utilizados en el estudio de Palmer. Ya que el actual método toma en cuenta
el registro histórico, hay que tener en cuenta que el cambio de la longitud del
registro sobre el que se va a calcular el PDSI modifica los valores del índice.
b) Factores de Duración
Se puede afirmar que el PDSI es un fenómeno que depende del dato anterior y que
no es estacionario. Cada valor dependiente del tiempo está directamente
relacionado con su valor inmediatamente anterior ; este último representa el
estado actual de las tendencias climáticas. Adicional a lo anterior, el valor
depende de la anomalía actual de humedad , la cual, es una representación de qué
tan húmedo o qué tan seco ha estado el periodo actual. Las relaciones de las
ponderaciones que involucran a los factores que afectan a se definen a
continuación:
19 (19)
Para calcular los factores y , Palmer definió una relación lineal encontrada en
análisis empíricos entre la longitud y la severidad de las sequías más extremas en
Kansas y Iowa. Esta medida correspondía a la sumatoria entre el índice a lo largo
de los periodos que presentaban sequía extrema. Después, dibujó la línea de mejor
ajuste para los datos que recolectó manualmente, y con la pendiente definió el valor
representativo a un PDSI, que en su caso particular fue un caso de extrema sequía y
obtuvo un PDSI de .
20
(20)
21 (21)
22 (22)
23
(23)
24 ( )
(24)
Para un valor dado de (-4, -3, -2, -1) se utiliza esta última ecuación para encontrar
las cuatro primeras ecuaciones. De manera general se puede utilizar esta última
ecuación para encontrar
25 ( )
(25)
Palmer calibró esta última ecuación con los niveles de sequías más extremas
asignando un valor de -4. Palmer encontró la pendiente y el intercepto de este
―mejor ajuste‖. Después de encontrar estos factores, Palmer ajustó el valor de cada
uno de los factores dividiéndolos por -4, y posteriormente los multiplicó por otros
índices que él usaba para categorizar periodos de excesos de precipitación y sequía.
26 ( ) (26)
27 ( ) (27)
28 (28)
Luego el índice puede ser calibrado por cualquier categoría húmeda o seca con
valor , aunque Palmer calibró su índice con un valor , y usó los mismos
factores para periodos de precipitación y sequía. Este proceso puede ser repetido
para encontrar valores separados de duración para periodos húmedos al encontrar
las relaciones lineales entre la intensidad de los periodos de sequía y sus duraciones
respectivas. La importancia de esto radica en que diferentes ubicaciones tienen
diferentes tipos de precipitación y duraciones distintas de estos periodos. Por
ejemplo, un sitio que retenga agua de manera más efectiva en el suelo será más
sensible a una precipitación fuerte que a un déficit de precipitación. Se concluye que
dos conjuntos de factores de duración, uno para cada tipo de periodo (húmedo, seco)
son necesarios para que el PDSI sea calculado.
29 ( ) (29)
4.2.1 Generalidades
El método maneja conceptos fundamentales que se ven desarrollados en las fases de este.
En primer lugar, se debe realizar un análisis de la matriz de correlaciones, es decir, el PCA
vale la pena realizarlo si existe una alta correlación entre las series, ya que en caso tal de
que ésta no sea alta no habría ningún sentido en relacionarlas, y los componentes
calculados no explicarán gran parte de la variabilidad total.
El segundo paso es escoger los factores que explicarán la variabilidad. Estos irán en orden
descendente de importancia (generalmente expresado como un porcentaje de la variabilidad
total del campo). El primero será el que explique el mayor porcentaje de variabilidad, el
segundo el que más explique saliendo del primero y así hasta completar un porcentaje de la
variabilidad total previamente establecido.
(Terradez, 2001). Las filas serán las variables, y las columnas cada uno de los componentes
principales.
Finalmente son las puntuaciones que poseen los componentes principales para cada caso,
de allí se permitirá obtener una representación gráfica.
30 (30)
Los ― ‖ son los coeficientes y los ― ‖ son los valores estandarizados que tienen las
variables en cada uno de los sujetos de la muestra (Terradez, 2001).
4.2.2 Procedimiento
Debe construirse la matriz F (pxn), donde las columnas representan las series temporales de
longitud n en los p sitios con datos. Se asume que se ha removido la media de las series
temporales de cada una de las series temporales en la matriz , entonces cada columna
tiene media cero.
31 (31)
El símbolo representa una matriz diagonal que contiene los valores propios de . La
columna de vectores de son los vectores propios de , correspondientes a los valores
propios . Las matrices y son ambas de tamaño p por p.
Para cada escogido se encuentra el vector correspondiente . Cada uno de estos vectores
propios ( ) es considerado como un mapa (Björnsson and Venegas, 1997). Estos mapas (o
representaciones gráficas de ) son las llamadas Funciones Ortogonales Empíricas
(Empirical Orthogonal Function, EOF).
Cada campo espacial (EOF1, EOF2, EOF3, etc) está relacionado con un valor propio
particular (1, 2, 3, etc). El porcentaje de variabilidad explicado por cada valor va a ser
la relación entre el valor propio, y la sumatoria de todos estos ⁄ . Los vectores
Pontificia Universidad Javeriana Página 46
Evaluación del comportamiento de las sequías en el Norte de Sudamérica
utilizando mallas de precipitación y temperatura.
2014
32 ⃗ ( ) (32)
De esta manera se hace una representación gráfica de los valores más significativos de la
serie, es decir, se reduce el número de variables para explicar una serie histórica sin que
esta se vea afectada.
5. RESULTADOS Y ANÁLISIS
Para obtener los índices de sequía, se utilizaron diferentes herramientas con el fin de
realizar los cálculos. La primera, fue el software R-data, en el cual se ejecutaron los códigos
para llevar a cabo el análisis de las series de precipitación y/o temperatura y su posterior
aplicación en cada uno de los métodos.
Para la adaptación de los datos a la zona de estudio (20°S a 15°N y 85°W a 35°W), y serie
de tiempo a estudiar (1950-2010), se recortaron los datos y para el manejo de estos en R-
data se hizo uso de las librerías: ncdf que ayuda al manejo de los datos netCDF, dejando los
datos listos para su manejo en R-data (Pierce, 2014) ; mapproj que convierte
latitud/longitud en coordenadas proyectadas (McIlroy, Brownrigg, and Minka, 2014); y
finalmente, la librería sp que ayuda al manejo de datos espaciales (Pebesma et al., 2014).
Los valores calculados para cada uno de los meses van mes a mes, sin embargo sus
resultados no son independientes y van ligados unos con otros dependiendo de la escala que
se esté manejando. En el caso del SPI la agrupación de valores mensuales para identificar
un valor es importante para determinar la afectación que está presentando la zona de
estudio.
Una vez se tuvieron los datos para hallar los índices, se utilizó la librería SPEI la cual tiene
un conjunto de funciones entre las cuales se destaca la que permitió el cálculo del índice
SPI (Beguería and Vicente-Serrano, 2013). Así mismo se usó el programa PDSI versión 2.0
para hallar los índices de la auto-calibración de PDSI, este programa fue desarrollado en
principio para el cálculo de PDSI, pero al ser traducido a C++ se le hicieron varias
modificaciones entre ellas calcular el SC-PDSI (Wells, 2003). Ambos programas fueron
estudiados y puestos en ejecución para el cálculo de los índices.
Para comprobar la validez del método se tomaron como referencia los años 1991 – 1992
para graficar SPI03 y PDSI. Estos años coinciden con un evento El Niño moderado, según
el ONI (ver Tabla 2), en donde las precipitaciones bajaron drásticamente en algunas zonas,
pero en otras se puede observan que aumentaron.
De la Figura 13 a la Figura 16, se observan los efectos del ENSO para el año 1991 y 1992,
tomando el SPI03 y el PDSI. En colores cálidos se muestran los déficits de precipitación,
mientras que en colores fríos las zonas en donde las lluvias estuvieron por encima de la
media histórica. El intervalo 1991 – 1992 fueron años particularmente secos para
Colombia.
En el año 1992 la cuenca del Amazonas se empieza a ver afectada, esto se puede observar
en la gráfica Figura 14 y Figura 16 donde la cuenca del Amazonas presenta tonos cálidos;
en la costa pacífica también se presentaron sequías a la altura de Ecuador en este mismo
año, esto se puede observar claramente en el PDSI (Figura 16) debido a que este índice
tiene en cuenta las características del suelo. La zona baja de Perú presentó incrementos en
las cantidades de precipitación, contrario a lo sucedido en el Norte del continente, el
territorio venezolano presentó índices normales y no tuvo ninguna anomalía respecto a su
media histórica en 1991 pero en 1992 ya se empiezan a observar las consecuencias de El
Niño del año anterior.
Se promedió el valor de ambos índices (SPI y SC-PDSI) para los años considerados por el
ONI como El Niño fuerte (1957, 65, 72, 82, 87, 97; de ahora en adelante, año 0) y los dos
años siguientes: promedio de 1958, 66, 73, 83, 88, 98 se denominará año 1; el promedio de
1959, 67, 74, 84, 89, 99 se denominará año 2. En la Figura 20 se observan los resultados
obtenidos para el SPI para las diferentes escalas temporales consideradas (tres meses
SPI03; seis meses SPI06; nueve meses SPI09; doce meses SPI12; respectivamente). La
Figura 21 presenta los resultados para el SC-PDSI.
La escala SPI09 representa sequías más duraderas y de mayor afectación en el suelo. Para
este caso, los efectos de El Niño empiezan a verse a los ocho meses (ago-0) y se extienden
hasta los veinticuatro meses (dic-1), con una duración promedio de la sequía para esta
escala, y durante años El Niño fuerte, de 16 meses. El SPI12, el cual es sumamente
importante ya que cuenta con una gran cantidad de datos para calcular la desviación de la
media para dichos meses, arrojó que el efecto empieza durante el mes ocho (ago-0) y se
extiende hasta el mes veintisiete (mar-2), completando una duración promedio de los
efectos de sequía de diecinueve (19) meses. Se evidencia que cada vez que hay un
fenómeno de El Niño pueden presentarse afectaciones de aproximadamente veinte (20)
meses durante los cuales la cantidad de agua presente será escasa. Se concluye que, a
medida que crece la escala de tiempo para calcular el SPI, el inicio de la sequía es más
tardío, y los periodos de sequía son más largos.
El método SC-PDSI tiene en cuenta las condiciones iniciales presentes en el suelo para
realizar el balance. Posteriormente, el valor del índice muestra en sus resultados que el
efecto de El Niño se detecta a los ocho meses (ago-0), y se extiende hasta los veintiocho
meses (abr-2). Al comparar estos resultados con los obtenidos con el SPI, se observa que, al
menos cualitativamente, existe una relación del SC-PDSI más estrecha con el SPI12.
Para SPI03, el PCA2 es el relacionado con el ENSO. Lo verifican el gráfico de las series en
la Figura 23(a), y especialmente la función de autocorrelación en la Figura 23(c). La alta
correlación positiva (máxima en el rezago 1 mes) indica que, cuando se presenta un evento
El Niño (valores positivos del MEI), en las zonas del EOF2-SPI03 con colores cálidos
(EOF<0) las anomalías de precipitación calculadas por el SPI03 tenderán a ser negativas.
Una análisis parecido se puede lograr para el SPI06, donde nuevamente el PCA2 es el
relacionado con el fenómeno ENSO; sin embargo, por cuestiones numéricas la correlación
máxima fue negativa (en el rezago 2-3 meses), y en consecuencia las regiones del EOF2-
SPI06 con colores fríos (EOF>0) serán las que presenten anomalías negativas de
precipitación.
a) b)
c) d)
e)
Figura 22. Componentes Principales para a) SPI03; b) SPI06; c) SPI09; d) SPI12; e) PDSI.
a)
b)
c)
Figura 23. a) Series suavizadas del PCA2-SPI03 (azul) y del MEI (rojo); b) EOF2–SPI03; c) Función de correlación
cruzada MEI vs PCA2-SPI03.
a)
b)
c)
Figura 24. a) Series suavizadas del PCA2-SPI06 (azul) y del MEI (rojo); b) EOF2–SPI06; c) Función de correlación
cruzada MEI vs PCA2-SPI06.
a)
b)
c)
Figura 25. a) Series suavizadas del PCA1-SPI09 (azul) y del MEI (rojo); b) EOF1–SPI09; c) Función de correlación
cruzada MEI vs PCA1-SPI09.
a)
b)
c)
Figura 26. a) Series suavizadas del PCA1-SPI12 (azul) y del MEI (rojo); b) EOF1–SPI12; c) Función de correlación
cruzada MEI vs PCA1-SPI12.
a)
b)
c)
Figura 27. a) Series suavizadas del PCA1-PDSI (azul) y del MEI (rojo); b) EOF1–PDSI; c) Función de correlación
cruzada MEI vs PCA1-PDSI.
Las Figura 28 a Figura 32 muestran mapas con las funciones de correlación cruzada entre la
serie del MEI vs SPI (para las diferentes escalas temporales), y MEI vs PDSI. Las series de
SPI y PDSI en cada píxel son series reconstruidas utilizando el número de PCA que
alcanzan a explicar el 50% de la varianza, de acuerdo con la Figura 22.
La función de correlación cruzada para el SPI03 muestra que, luego de que se presenta un
evento El Niño en el Océano Pacífico, las sequías intensas y espacialmente extensas se
mantienen durante aproximadamente 7 meses, con una intensidad máxima que se da entre
el 1-2 mes de rezago. Los resultados para el SPI06 muestran que las sequías se mantienen
durante aproximadamente 14 meses, con el máximo en un rezago que oscila entre 2-4
meses. Para el SPI09, la duración de la sequía intensa es de aproximadamente 12 meses,
con un máximo en el rezago entre 4-5 meses. Finalmente, el SPI12 presenta una duración
de la sequía de 15 meses, con un máximo en el rezago entre 5-7 meses.
Por otro lado, para el PDSI se estima la longitud de la sequía intensa en 17 meses, con un
máximo entre 2-4 meses de rezago. Se observa además que las sequías detectadas por el
PDSI son más persistentes que las calculadas por el SPI12, donde no existen prácticamente
sequías para el rezago 20. Sin embargo, se confirma la mayor relación entre las sequías
detectadas por el PDSI, y las detectadas por el SPI12, al menos por la duración de las
mismas.
Los mapas de correlación cruzada confirman las zonas más afectadas en el norte de
Suramérica por las sequías asociadas con fenómenos El Niño fuertes: la región del Macizo
de las Guayanas (límites entre Venezuela y Brasil), y la región montañosa de Colombia.
Figura 28. Función de correlación espacial MEI vs SPI03 (reconstruido con los primeros 11 PCA; varianza explicada
50.17%)
Figura 28. (Continuación) Función de correlación espacial MEI vs SPI03 (reconstruido con los primeros 11 PCA;
varianza explicada 50.17%)
Figura 29. Función de correlación espacial MEI vs SPI06 (reconstruido con los primeros 10 PCA; varianza explicada
51.05%)
Figura 29. (Continuación) Función de correlación espacial MEI vs SPI06 (reconstruido con los primeros 10 PCA;
varianza explicada 51.05%)
Figura 30. Función de correlación espacial MEI vs SPI09 (reconstruido con los primeros 9 PCA; varianza explicada
51.61%)
Figura 30. (Continuación) Función de correlación espacial MEI vs SPI09 (reconstruido con los primeros 9 PCA; varianza
explicada 51.61%)
Figura 31. Función de correlación espacial MEI vs SPI12 (reconstruido con los primeros 8 PCA; varianza explicada
51.31%)
Figura 31. (Continuación) Función de correlación espacial MEI vs SPI12 (reconstruido con los primeros 8 PCA; varianza
explicada 51.31%)
Figura 32. Función de correlación espacial MEI vs PDSI (reconstruido con los primeros 7 PCA; varianza explicada
53.38%)
Figura 32. (Continuación) Función de correlación espacial MEI vs PDSI (reconstruido con los primeros 7 PCA; varianza
explicada 53.38%)
A continuación se evidencia la tendencia de las series de SPI para las diferentes escalas
temporales. Las sequías identificadas para puntos predeterminados variarán en cantidad y
duración. De la Figura 33 a la Figura 37 se presentara los resultados para diferentes puntos
(ciudades), seleccionados por diferentes razones. Estas ciudades fueron Bogotá, ya que es
la capital de Colombia, país de origen de los autores del trabajo. En segundo lugar la ciudad
de Yopal (departamento de Casanare, Colombia), debido a la profunda crisis que se
presentó en dicha región durante el año 2014, donde murieron muchos animales ante la
escasez de agua. La ciudad de Santa Marta (departamento de Magdalena, Colombia),
debido a su particular condición de ciudad costera y, a su vez, la cercanía del gran macizo
montañoso de la Sierra Nevada. El municipio de Quibdó (departamento de Chocó,
Colombia), debido a su condición de región húmeda donde se quiere observar la evolución
de los fenómenos de sequía. El último municipio seleccionado es Puerto López
(departamento del Meta, Colombia), capital de una amplia región ganadera por excelencia,
en donde se puede presenciar la inmensa llanura colombiana, así como condición del centro
de este país.
Las tendencias en la serie de SPI para sitio seleccionado consistió en calcular la pendiente
de la recta de mejor ajuste a la serie (y = mx+b), junto con el valor-p que indica la
significancia de este valor. Si el valor-p calculado para el valor de la pendiente está por
debajo de 0.05 (nivel de significancia escogido), entonces se dice que el valor de la
pendiente es significativamente diferente de cero (0).
Para la ciudad de Bogotá (Figura 33) en su serie de SPI12 se encontró una pendiente de
0.0068 positiva la cual esta sostenida en un valor de , de esta manera
existe evidencia estadística suficiente para afirmar que esta ciudad ha ido aumentando sus
cantidades de precipitación con el paso del tiempo.
a)
b)
c)
d)
Figura 33. Series de SPI construidas para Bogotá (rojo), y recta de tendencia (azul) a) SPI03, m=0.0038, valor-p=0.071;
b) SPI06, m=0.0046, valor-p=0.027; c) SPI09, m=0.0059, valor-p=0.0049; d) SPI12, m=0.0068, valor-p=0.0012.
Para Yopal, Casanare se hallaron los gráficos presentes en la Figura 34. Este municipio
presentó una pendiente 0.017 y un de para la serie de SPI12,
justificando un aumento en sus precipitaciones a lo largo de la historia.
a)
b)
c)
d)
Figura 34. Series de SPI construidas para Yopal (rojo), y recta de tendencia (azul) a) SPI03, m=0.0088, valor-p=2e-05; b)
SPI06, m=0.013, valor-p=3.4e-10; c) SPI09, m=0.016, valor-p=8.9e-15; d) SPI12, m=0.017, valor-p=2e-17.
a)
b)
c)
d)
Figura 35. Series de SPI construidas para Santa Marta (rojo), y recta de tendencia (azul) a) SPI03, m=0.0032, valor-
p=0.13; b) SPI06, m=0.0021, valor-p=0.35; c) SPI09, m=0.00054, valor-p=0.81; d) SPI12, m=-0.00022, valor-p=0.92.
En la Figura 35 para Santa Marta se obtuvo una pendiente negativa en el SPI12 y muy
pequeña correspondiente al valor de , esto indica que esta región ha tendido a
tener menor cantidad de lluvias con el paso del tiempo, sin embargo el es de
0.92 por lo cual, existe evidencia estadística suficiente para afirmar la pendiente
correspondiente a esta sequía no es representativa y no explica lo que puede estar
sucediendo en este punto.
Figura 36. Series de SPI construidas para Quibdó (rojo), y recta de tendencia (azul) a) SPI03, m=-0.0021, valor-p=0.33;
b) SPI06, m=-0.0027, valor-p=0.2; c) SPI09, m=-0.0041, valor-p=0.056; d) SPI12, m=-0.0049, valor-p=0.022.
a)
b)
c)
d)
Figura 37. Series de SPI construidas para Puerto López (rojo), y recta de tendencia (azul) a) SPI03, m=-0.00024, valor-
p=0.91; b) SPI06, m=-0.0012, valor-p=0.59; c) SPI09, m=-0.0011, valor-p=0.63; d) SPI12, m=-0.00087, valor-p=0.69.
Para establecer espacialmente las tendencias que se han venido presentando, se tomaron los
datos de SPI03 en dos periodos (1951-1980 y 1981-2010) para calcular la significancia del
cambio en los valores medios de cada uno de los periodos. Para evidenciar estos
resultados, se calculó la media del SPI03 para cada mes, junto con el valor de la varianza,
para cada uno de estos dos periodos. Luego, se hicieron los cálculos necesarios para
determinar el valor Z. En la Figura 38 se observa los resultados significativos de los valores
Z y las tendencias que se han marcado en los últimos treinta años (1980-2010) con respecto
a los mismos iniciales (1950-1980).
La escala de colores establece la significancia del cambio en la media del SPI03 en cada
uno de los meses. Los colores grises hacen referencia a lugares en donde los cambios no
son significativos, mientras que los colores cálidos (rojo, naranja) indican que en dicho
lugar los últimos treinta (30) años han presentado precipitaciones más bajas a las sucedidas
en los primeros treinta; por el contrario, los colores fríos (azul, morado) indican que las
precipitaciones de los últimos treinta años han sido superiores a las identificadas en los
primeros. En la Figura 38 se observa claramente que de acuerdo al mes estudiado y la
localización se presentan diferentes resultados. Así mismo se observa que para el caso de
Colombia específicamente los meses de Diciembre a Febrero son particularmente secos,
mientras que los meses de Abril a Junio (o Julio) son húmedos. Para la cuenca del
Amazonas y la costa pacífica por el contrario presentan estas épocas en meses diferentes,
en consecuencia los resultados de las tendencias estarán marcadas por este comportamiento
histórico.
Teniendo en cuenta los análisis anteriores se vio la relación de las tendencias con los
resultados históricos. De allí se evidencio que los lugares en donde habitualmente el
invierno sucede en los meses de Abril a Julio presentan tendencias húmedas, es decir, los
inviernos se han vuelto más severos, por otro lado y específicamente para Colombia se
presentan las sequías a final y principio de año, y por lo evidenciado en los gráficos de
tendencias estas se están intensificando.
Figura 38. Valor Z asociado con la prueba estadística para las medias mensuales del SPI03 en el periodo 1981-2010, y el
mismo SPI03 en el periodo 1951-1980. Cambio no significativo en gris, positivo en colores fríos (verde-púrpura), y
negativo en colores cálidos (amarillo-rojo).
De acuerdo al análisis anterior, los SPI12 identifican la condición del suelo y determina si
la sequía llega a ser agrícola o sus efectos están por debajo de los requeridos para llamarla
de esta manera.
6. CONCLUSIONES
El SPI siendo un método que solo tiene en cuenta las cantidades de precipitación
presenta unos resultados bastante completos en donde se evidencian los periodos de
sequías, sus duraciones e intensidades. Así mismo en la representación gráfica de
este índice se puede observar claramente la afectación del Norte del continente
después de sucedido un fenómeno El Niño. De este modo se puede evidenciar la
exactitud que posee el método en cuanto la identificación de los déficit de
precipitación. En consecuencia se puede concluir que el método es potencialmente
aplicable en la variación climática y posterior comportamiento tomando como bases
las series del SPI. Se sugiere tomar las series de precipitación y analizar las
duraciones de las rachas de sequías y sus respectivas magnitudes para hallar la
intensidad de cada una de estas en las diferentes escalas que establece el SPI.
El método PDSI presenta resultados similares a los del SPI12, como el inicio de los
efectos de las sequías después de eventos El Niño, y la duración de estos efectos. De
Pontificia Universidad Javeriana Página 97
Evaluación del comportamiento de las sequías en el Norte de Sudamérica
utilizando mallas de precipitación y temperatura.
2014
esta manera se puede inferir que esta escala de SPI es adecuada para trabajar sequías
de tipo hidrologicas, en donde la condición de los suelos y capa vegetal se ve
fuertemente afectada.
7. BIBLIOGRAFÍA
Agnew, C.T. 2000. ―Using the SPI to Identify Drought.‖ Drought Network News.
Alley, William M. 1984. ―The Palmer Drought Severity Index: Limitations Ans
Assumptions.‖ Journal of Climate and Applied Meteorology.
Antón, Danilo J., and Carlos Díaz. 2002. Sequía En Un Mundo de Agua. Piriguazú
Ediciones. Vol. V1. CIRA-UAEM.
Beguería, Santiago, and Sergio M. Vicente-Serrano. 2013. Package “SPEI”: Calculation of
the Standardised Precipitation-Evapotranspiration Index (version 1.6). R.
http://sac.csic.es/spei.
Björnsson, H., and S. A. Venegas. 1997. ―A Manual for EOF and SVD Analuses of
Climatic Data,‖ February.
http://www.principalscientific.com/downloads/Bjornsson1997Manual.pdf.
Bouma, M. J., H. E. Sondorp, H. J. van der Kaay, RonaldE. LaPorte, Francois Sauer, Eric
Marler, Carlos Gamboa, et al. 1994. ―Health and Climate Change.‖ The Lancet,
Originally published as Volume 1, Issue 8892, 343 (8892): 302–4.
doi:10.1016/S0140-6736(94)91152-5.
Bryant, Edward. 1991. Natural Hazards. 2nd Edition. Cambirdge University Press.
Constantine, Giles. 2014. ―El Niño Already Making Its Mark on Latin America | The
Impartial Latin American News Link.‖ Pulsamerica. Accessed November 27.
http://www.pulsamerica.co.uk/2014/07/30/el-nino-latin-america/.
Elbehri, Aziz. 2013. ―Economics of Climate Change and Policy Implications for Food
Production and Trade.‖ Food and Agriculture Organitazion of the United Nations.
Accessed October 23. http://www.fao.org/economic/est/temas-emergentes/est-
climatechange/es/#.Um1-n411Gm4.
Enloe. 2012. ―Southern Oscillation Index (SOI).‖ Investigación. National Climatic Data
Ceter, NOAA. http://www.ncdc.noaa.gov/teleconnections/enso/indicators/soi/#soi-
calculation.
FAO, Food and Agriculture Organization. 1983. Guidelines: Land Evaluation for Rainfed
Agriculture. FAO Soils Bulletin 52. Roma.
FAO, Organización de las Naciuones Unidas para la Alimentacion y la Agricultura. 2014.
―Agua.‖ AGUA. http://www.fao.org/water/es/.
Gathara, S.Y, L.G Gringof, E. Mersha, K.C Sinha Ray, and P. Spasov. 2006. Impacts Of
Desertification and Droguht and Other Extreme Metereological Events. Geneva,
Switzerland.
Glantz, Michael H. 2000. Currents of Change Impacts of El Niño and La Niña on Climate
and Society. 2da Edition. Cambirdge University Press.
http://www.cambridge.org/us/academic/subjects/earth-and-environmental-
science/climatology-and-climate-change/currents-change-impacts-el-nino-and-la-
nina-climate-and-society-2nd-edition.
Grimm, A. M., and R. G. Tedeschi. 2009. ―ENSO and Extreme Rainfall Events in South
America.‖ Journal of Climate 22(7): 1589–1609. doi:10.1175/2008JCLI2429.1.
Gumbel, E. J. 1963. ―Statistical Forecast of Droughts.‖ Hydrological Sciences Journal 8:
5–23. doi:10.1080/02626666309493293.
Hernández, Salud. 2014. ―La Sequía Causa La Muerte de Miles de Animales Salvajes En
Colombia.‖ ELMUNDO. March 21.
http://www.elmundo.es/internacional/2014/03/21/532cb3a4ca4741b4278b458c.html
.
Hewitt, Kenneth. 1997. ―Regions of Risk: A Geographical Introduction to Disasters,.‖
Addison Wesley Longman Harlow, 101–3.
Hisdal, H., and L. M. Tallaksen. 2000. Assessment of the Regional Impact of Droughts in
Europe. Drought Event Definition. Technical Report No 6. Oslo, Norway:
University of Oslo. http://www.hydrology.uni-
freiburg.de/forsch/aride/navigation/publications/pdfs/aride-techrep6.pdf.
Holmgren, Milena, Marten Scheffer, Exequiel Ezcurra, Julio R. Gutiérrez, and Godefridus
M. J. Mohren. 2001. ―El Niño Effects on the Dynamics of Terrestrial Ecosystems.‖
Trends in Ecology & Evolution 16 (2): 89–94. doi:10.1016/S0169-5347(00)02052-
8.
Karamouz, M., S. Nazif, and M. Falahi. 2012. Hydrology and Hydroclimatology:
Principles and Applications. CRC Press.
Kumar, M. Naresh, C.S. Murthy, M.V.R. Sesha Sai, and P.S. Roy. 2009. ―On the Use Os
Standardized Precipitation Index (SPI) for Drought Intensity Assessment.‖
Meteorogical Applications, April. doi:10.1002/met.136.
Linsely Jr., Ray K., Max A. Kohler, and Joseph L.H. Paulhus. 1949. Applied Hydrology.
New York: McGraw-Hill.
Lloyd-Hughes, Benjamin. 2002. ―The Long-Range Predictability of European Drought.‖
Tesis de Doctorado, London: University College London.
Matsuura, Kenji, and Cort J. Willmott. 2012a. ―Terrestrial Air Temperature 1900-2010
Gridded Monthly Time Series, Version V3.01.‖
http://climate.geog.udel.edu/~climate/html_pages/Global2011/README.GlobalTs
T2011.html.
———. 2012b. ―Terrestrial Precipitation 1900-2010 Gridded Monthly Time Series,
Version V3.01.‖
http://climate.geog.udel.edu/~climate/html_pages/Global2011/README.GlobalTs
P2011.html.
McIlroy, Doug, Ray Brownrigg, and Thomas P Minka. 2014. Package “Mapproj”: Map
Projections (version 1.2-2). R. http://cran.r-
project.org/web/packages/mapproj/mapproj.pdf.
Mishra, Ashok K., and Vijay P. Singh. 2010. ―A Review of Drought Concepts.‖ Journal of
Hydrology, July, 203–12.
Monacelli, Giuseppina, Maria Carmela Galluccio, and Maura Abbafati. 2005. Drought
within the Context of the Region VI. Italy: World Meteorological Organization
Weather Climate and Water.
Moreno, Gonzalo Urtado, and Marta Cecilia Cadena. 2002. ―Aplicación de Índices de
Sequía En Colombia.‖ Meteorología Colombiana, March.
Nachtergaele, Freddy, Harrij van Velthuizen, and Luc Verelst. 2009. ―Harmonized World
Soil Database.‖ Food and Agriculture Organization of the United Nations (FAO).
NOAA US Department of Commerce. 2014. ―Cold & Warm Episodes by Season.‖
National Oceanic and Atmospheric Administration (NOAA).
http://www.cpc.ncep.noaa.gov/products/analysis_monitoring/ensostuff/ensoyears.sh
tml.
———. 2013. ―University of Delaware Air Temperature and Precipitation.‖ Accessed
October 23.
http://www.esrl.noaa.gov/psd/data/gridded/data.UDel_AirT_Precip.html.
Null, Jan. 2014. ―El Niño and La Niña Years and Intensities Based on Oceanic Niño Index
(ONI).‖ Golden Gate Weather Service. http://ggweather.com/enso/oni.htm.
Núñez, Silvia E., Liliana N. Núñez, Guillermo P. Podestá, and María de los Milagros
Skansi. 2005. ―El Índice Estandarizado de Precipitación Como Herramienta Para La
Caracterización Y El Monitoreo de La Sequía: Una Prueba de Concepto.‖
Congremet IX, 9th Argentine Congress of Meteorology, October.
Obasi, G. O. P. 1994. ―WMO‘s Role in the International Decade for Natural Disaster
Reduction.‖ Bulletin of the American Meteorological Society 75 (9): 1655–61.
doi:10.1175/1520-0477.
Palmer, Wayne C. 1965. ―Meteorological Drought.‖ Office of Climatology.
Pebesma, Edzer, Roger Bivand, Barry Rowlingson, and Virgilio Gomez-Rubio. 2014.
Package “Sp”: Classes and Methods for Spatial Data (version 1.0-16). R.
http://cran.r-project.org/web/packages/sp/sp.pdf.
Peter J. Leech, Jean Lynch-Stieglitz, and Rong Zhang. 2012. ―Western Pacific Thermocline
Structure and the Pacific Marine Intertropical Convergence Zone during the Last
Glacial Maximun.‖ Earth and Planetary Science Letters, December, 133–43.
Peters, E., H. A. J Lanen, R. B Bradford, J. Cruces de Abia, and L. Martinez. 2001.
―Droughts Derived from Groundwater Recharge.‖ Assesment of the Regional
Impact of Droughts in Europe (ARIDE) / S. Demuth and K. Stahl. - Freiburg :
Institute of Hydrology.
Pierce, David. 2014. NCDF: Interface to Unidata netCDF Data Files (version 1.6.8). R.
http://cran.r-project.org/web/packages/ncdf/ncdf.pdf.
Schneider, Stephen H., Terry L. Root, and Michael D. Mastrandrea, eds. 2011.
Encyclopedia of Climate and Weather. 2nd ed. Oxford University Press.
http://www.oxfordreference.com/view/10.1093/acref/9780199765324.001.0001/acr
ef-9780199765324.
Serigne Tacko Kandji, Louis Verchot, and Jens Mackensen. 2006. Climate Change and
Variability in the Southern Africa: Impacts and Adaptation Strategies in the
Agricultural Sector.
Tegel, Simeon. 2014. ―El Nino Is about to Make Food Insecurity Even Worse.‖
GlobalPost. Accessed November 27.
http://www.globalpost.com/dispatch/news/regions/americas/peru/120815/drought-
el-nino-weather-arrives-increase-food-prices.
Terradez, Manuel. 2001. Analisis de Componentes Principales. Universitat Oberta de
Catalunya.
Thornthwaite, C. W. 1948. ―An Approach Toward a Rational Classification of Climate.‖
Geographical Review, no. 38: 55–94.
Trenberth, Kevin E., and Julie M. Caron. 2000. ―The Southern Oscillation Revisited: Sea
Level Pressures, Surface Temperatures, and Precipitation.‖ Journal of Climate 13
(24): 4358–65. doi:10.1175/1520-0442(2000)013<4358:TSORSL>2.0.CO;2.
Umpiérrez, Olga. 2011. ―Análisis de Impactos Hidrológicos Del ‗El Niño‘ - Compilación,
Estudios E Investigación.‖ In .
http://dgasatel.mop.cl/ar3/docs/Venezuela/CC_IMPACTOS-EL%20NI%C3%91O-
ARIII.pdf.
United Nations Secretariat General. 1994. ―United Nations Convention to Combat Drought
and Desertification in Countries Experiencing Serious Droughts And/or
Desertification, Particularly in Africa.‖
Valiente, Óscar Marcos. 2001. ―Sequía : definiciones, tipologías y métodos de
cuantificación.‖ http://rua.ua.es/dspace/handle/10045/363.
Wells, Nathan. 2003. PDSI (version 2.0). University of Nebraska-Lincoln.
Wells, Nathan, Steve Goddard, and Michael J. Hayes. 2004. ―A Self-Calibrating Palmer
Drought Severity Index.‖ Journal of Climate 17 (12): 2335–51. doi:10.1175/1520-
0442(2004)017<2335:ASPDSI>2.0.CO;2.
Wilhite, Donald A., and Michael H. Glantz. 1985. ―Understanding: The Drought
Phenomenon: The Role of Definitions.‖ Water International 10 (3): 111–20.
doi:10.1080/02508068508686328.
Wilhite, Donald A., and Mark D. Svoboda. 2000. ―Drought Early Warning Systems in the
Context of Drought Preparedness and Mitigation.‖ In Early Warning Systems for
Drought Preparedness and Drought Management. Proceedings of an Expert Group
Meeting Held 5-7 September, 2000. Lisboa, Portugal: Wilhite, D.A., Sivakumar,
M.V.K. and Wood, D.A. Eds.
Wolter, K., and M. S. Timlin. 2011. ―El Niño/Southern Oscillation Behaviour since 1871 as
Diagnosed in an Extended Multivariate ENSO Index (MEI.ext).‖ International
Journal of Climatology 31(7): 1074–87. doi:10.1002/joc.2336.
World Climate Data Programme, World Climate Programme WCP, World Meteorological
Organization WMO, and Climate System Monitoring Project. 1986. Report on