Hidrologia. Los pronósticos climáticos estacionales

INTRODUCCIÓN

Mayor disponibilidad en conjuntos de datos climáticos de área amplia, políticas de datos abiertos en agencias meteorológicas nacionales y herramientas de predicción de código abierto han resultado en una proliferación de servicios climáticos adaptados localmente. Debido a la fuerte dependencia de las condiciones climáticas y climáticas favorables, la agricultura es uno de los sectores que se ha beneficiado enormemente del establecimiento de dichos servicios climáticos, en parte a través del desarrollo de pronósticos estacionales que respaldan la mejora de las decisiones de elaboración por productores agrícolas. Una forma en que los pronósticos estacionales apoyan las decisiones de los agricultores es a través de un mejor entendimiento de cómo las condiciones estacionales esperadas pueden influir en el crecimiento y desarrollo de los cultivos y, por extensión, qué fechas de siembra, variedades y otras prácticas de manejo ofrecerán los mayores rendimientos potenciales. La determinación de este tipo de información depende de pronósticos estacionales hábiles.

Los servicios climáticos en la agricultura requieren el establecimiento de enfoques rigurosos para garantizar que la calidad de los pronósticos estacionales que se generan sea lo más alta posible. Esto es especialmente cierto cuando las asociaciones entre las variables de predicción del clima a menudo se complican por las geografías locales y la alta complejidad regional. En Colombia, las variaciones climáticas interanuales y especialmente aquellas impulsadas por la Oscilación Sur de El Niño (ENOS) pueden interrumpir la producción, disminuir los ingresos de los agricultores y aumentar los precios de mercado. Por ejemplo, Delerce et al. (2016) informan que alrededor del 30–60% de la variación del rendimiento del arroz en los departamentos de Meta y Tolima puede explicarse por la variabilidad climática estacional, con un papel importante para la precipitación. Del mismo modo, Cortes Bello et al. (2013), utilizando el modelo AquaCrop, informaron que el crecimiento y desarrollo del maíz en los departamentos de Córdoba, Meta, Tolima y Valle del Cauca se ven afectados por el fenómeno de la Oscilación del Sur (ENOS) de El Niño, así como por el sistema atmosférico de la Zona de Convergencia Intertropical (ZCIT). En Colombia, existe una creciente demanda de servicios agroclimáticos y enfoques científicamente sólidos y consistentes para implementar los pronósticos climáticos estacionales subyacentes. En particular, los agricultores requieren tomar decisiones sobre si plantar, cuándo sembrar y qué plantar, lo que podría ser útil para las perspectivas de 3 a 6 meses. Además, cuando se conectan a herramientas de simulación de cultivos, los pronósticos estacionales se pueden usar para evaluar las implicaciones para la productividad de los cultivos, así como para guiar las decisiones de manejo de cultivos.

En Colombia, como en muchos otros países latinoamericanos, el pronóstico estacional se ejerce típicamente utilizando una técnica estadística llamada Análisis de Correlación Canónica, implementado a través del paquete de software de la Herramienta de Predicción del Clima (CPT). El desarrollo de un pronóstico de clima estacional sólido es un proceso de varias partes y depende de una serie de datos clave y pasos metodológicos. Estos incluyen (1) la definición de un modelo conceptual que vincula las condiciones del clima local (a menudo la precipitación) y los patrones de forzamiento atmosférico u oceánico a gran escala; (2) el establecimiento formal (es decir, el ajuste) de dicho modelo a través de CCA; (3) la validación de la precisión del modelo; y (4) el reajuste del modelo conceptual (por ejemplo, el ajuste del dominio de predicción) basado en el desempeño del modelo, el conocimiento experto y los conocimientos sobre las condiciones en curso en el área de interés y su relación con los patrones de circulación a gran escala.

Los pronósticos climáticos estacionales a escala nacional operativa en Colombia son generados principalmente por el servicio meteorológico nacional (Instituto de Hidrología, Meteorología y Estudios Ambientales, IDEAM) para grandes áreas geográficas conocidas como "regiones naturales" (es decir, Amazonas, Llanos Orientales, Andinos, Caribe y Pacífico). A niveles más locales, las organizaciones de agricultores, a saber, la asociación de productores de arroz (FEDEARROZ) y la asociación de productores de maíz y leguminosas (FENALCE), también producen pronósticos climáticos estacionales operacionales. Los últimos pronósticos son de particular relevancia ya que actualmente se incorporan a los procesos de toma de decisiones a nivel de finca. A pesar de los avances en estas diferentes instituciones, hasta la fecha, no existe un análisis que muestre qué tan predecibles son las condiciones climáticas estacionales, o si la capacidad de predecir y el modelo de pronóstico estacional son suficientes para apoyar la toma de decisiones en la agricultura.

En este documento, usamos CCA para evaluar la previsibilidad de la precipitación estacional local y la habilidad de pronóstico observando (Extended Reconstructed SST version 4), y modelando (Centros Nacionales para el Predicción Ambiental - Sistema de Pronóstico del Clima, NCEP CFSv2), datos de la temperatura de la superficie del mar (SST), así como la precipitación a escala regional modelada por CFSv2. Nos centramos en la precipitación local, ya que es uno de los principales impulsores de los rendimientos agrícolas en la región y es, asimismo, la variable con la mayor variación interanual. Los análisis se realizan por separado para cinco departamentos (Córdoba, Santander, Valle del Cauca, Tolima y Casanare) con áreas de cultivo principales para cereales (arroz, maíz) y legumbres (frijoles secos), y durante cuatro temporadas que representan períodos húmedos y secos ( DJF: Diciembre – Enero – Febrero, MAM: Marzo – Abril – Mayo, JJA: Junio – Julio – Agosto, SON: Septiembre – Octubre – Noviembre). Para las TSM, exploramos el uso de una región tropical estándar (30 ° S – 30 ° N), mientras que para la precipitación modelada  por NCEP-CFSv2 usamos una región alrededor de Colombia. La última elección de área se debe a que, al utilizar la precipitación, estamos interesados ​​en reducir la escala y corregir el sesgo del campo de precipitación CFSv2 a través de un análisis Modelo-Resultados-Estadísticas (MOS). Usando dos estrategias diferentes de preparación y reservación (Validación Cruzada y Evaluación Retrospectiva), comparamos los pronósticos generados utilizando la relación SST observada y simulada mencionada anteriormente a diferentes subconjuntos de reserva.

...