ANÁLISIS ESTADÍSTICO CON CLIMDEX DE ÍNDICE CLIMÁTICOS … · PRAA ANÁLISIS ESTADÍSTICO CON CLIMDEX DE ÍNDICE CLIMÁTICOS PARA LAS PROVINCIAS DE PICHINCHA Y NAPO INFORME FINAL

PRAA

ANÁLISIS ESTADÍSTICO CON CLIMDEX DE ÍNDICE CLIMÁTICOS

PARA LAS PROVINCIAS DE PICHINCHA Y NAPO

INFORME FINAL

Ángel G. Muñoz S.1

1 Centro de Modelado Científico (CMC) de La Universidad del Zulia. Maracaibo, 4004. Venezuela

E-mail: [email protected]

Octubre 2013

mailto:[email protected]

Análisis Estadístico con Climdex para Pichincha y Napo (2013) Á. G. Muñoz

Asistencia Técnica para la Generación de Escenarios de Cambio Climático

2

Resumen

Se presentan los aspectos metodológicos y resultados de un análisis estadístico que

considera indicadores básicos del Expert Team on Climate Change Detection and Indices

(ETCCDI/CRD), calculados por la herramienta FClimdex, para la caracterización,

vigilancia y detección de Cambio Climático en Ecuador.

Se ha llevado a cabo un estudio que considera 10 estaciones en las provincias

ecuatorianas de Pichincha y Napo con series de tiempo diaria para el período 1984-2012

(28 años). Con los datos de temperatura mínima, máxima y precipitación se produjeron

los 12 mapas de tendencias con significancia estadística con p=0.1 (un mapa por índice

con señal). Los detalles aparecen en la sección de metodología y resultados, y en el

siguiente párrafo se resumen las principales conclusiones de manera suscinta.

En general, en términos de temperatura, se encontró que los mínimos de temperatura

mínima y máxima están incrementándose a una tasa de entre 0 y 0.5 oC/década para toda

la zona de estudio. Este resultado es en general consistente con las tendencias de

disminución para el porcentaje de días con noches frías y días fríos, y con las tendencias

de incremento del porcentaje de noches y días cálidos reportadas aquí.

En cuanto a precipitación, los resultados muestran una señal clara de aumento de

precipitación total para las provincias de Pichincha y Napo. Las precipitaciones extremas

se están incrementando también en la zona de estudio, mientras que las precipitaciones

muy extremas evidencias aumento ligero en los valles interandinos y moderados en Tena.

El número de días secos consecutivos se está incrementando también de modo ligero en

toda la zona de estudio, indicando en conjunción con el análisis recién descrito que días

con precipitación están tendiendo a ser menos frecuentes en la zona de estudio, pero que

cuando llueve ésta tiende a ser más extrema.

Finalmente, se ha prestado especial atención a los caveats y limitaciones que la

presente aproximación posee, toda vez que se conoce que no se trata de un producto

libre de incertidumbres. En todo caso, se reconoce que se trata de un producto muy útil

para detectar y reconocer tendencias climáticas en el territorio ecuatoriano, aunque la



3

señal de variabilidad climática debe ser tomada en consideración también. Futuros

estudios podrían arrojar luz al respecto de esta otra componente.



4

ÍNDICE GENERAL

ANTECEDENTES ............................................................................................... 5

I. INTRODUCCIÓN ......................................................................................................................... 7

II. DATOS .................................................................................................................................... 11

III. METODOLOGÍA ..................................................................................................................... 13

a) Revisión y Análisis de la Data ............................................................................................. 13

b) Ejecución de Climdex ......................................................................................................... 15

c) Graficación y Análisis en Mapas de Tendencia .................................................................. 16

IV. RESULTADOS ......................................................................................................................... 19

V. LIMITACIONES, CAVEATS E INCERTIDUMBRES ...................................................................... 37

VI. CONCLUSIONES Y RECOMENDACIONES ............................................................................... 38

VII. BIBLIOGRAFÍA ...................................................................................................................... 44

VIII. ANEXOS ............................................................................................................................... 46



5

ANTECEDENTES

Existe consenso general en la Comunidad Científica de que cualquier cambio

en la frecuencia o intensidad de los eventos climáticos extremos tendría profundos

impactos en la naturaleza y la sociedad. Por lo tanto, es muy importante analizar

los eventos extremos. La vigilancia, detección y atribución de los cambios en los

extremos climáticos generalmente requiere datos con resolución diaria; sin

embargo, la compilación, provisión y actualización de una base de datos diaria

completa y disponible a escala global es una tarea muy complicada. Esto se debe

en parte a que no todos los Servicios Meteorológicos e Hidrológicos Nacionales

(SMHN) cuentan con la capacidad o autoridad de distribuir gratuitamente la

información diaria que obtienen. En consecuencia, el ETCCDI (Expert Team on

Climate Change Detection and Indices) y su predecesor, el Grupo de Trabajo

CCl/CLIVAR en Detección de Cambio Climático, ha venido coordinando un

esfuerzo internacional para desarrollar, calcular y analizar un conjunto de índices

de tal modo que los individuos, países y regiones puedan calcularlos exactamente

de la misma manera, y que sus análisis puedan compaginarse en un panorama

global [Karl et al., 1999, Peterson et al., 2001].

El Proyecto de Adaptación al Impacto del Retroceso Acelerado de Glaciares en los

Andes Tropicales – PRAA, liderado por el Ministerio del Ambiente en el Ecuador,

tiene como objeto reforzar la resiliencia de los ecosistemas y economías locales

ante los impactos del retroceso glaciar de los Andes Tropicales a través de la

implementación actividades pilotos que muestren los costos y beneficios de la

adaptación al cambio climático en cuencas seleccionadas en Bolivia, Ecuador y

Perú.

El componente 1 del PRAA “Diseño Detallado de Medidas de Adaptación” incluye

la elaboración de mapas de impactos en las cuencas glaciares, previéndose la

aplicación de modelos climáticos que generen información base que permita



6

cuantificar los impactos del retroceso glaciar, la disponibilidad de recursos hídricos

de escorrentías y la regulación en cuencas seleccionadas.

En el año 2010 se llevó a cabo un estudio previo en el que se calcularon índices

climáticos con la herramienta Climdex para todo el territorio ecuatoriano, pero

usando datos en retícula a una resolución baja que permitieron tener una primera

aproximación a la caracterización climática –usando los índices mencionados- de

la zona de acción del PRAA. Como nuevos alcances de este nuevo proyecto

destaca el poder trabajar a una resolución mayor, o inclusive a escala de

estaciones propiamente dicha, para poder proveer productos más precisos para la

zona de interés del PRAA.

El 30 de junio de 2011, la Secretaría General aprueba el contrato No. 121-

2011-SGCA - Trabajos Menores mediante Pago de una Suma Global, para la

prestación del servicio de Consultoría “Asistencia Técnica para la generación

de escenarios de cambio climático y pronósticos climáticos – PRAA/Bolivia”,

realizada en el marco del Proyecto de: “Adaptación al Impacto del Retroceso

Acelerado de los Glaciares en los Andes tropicales” financiado mediante Acuerdos

de Donación GEF-SCCF TF 091712 y PHRD Grant TF 090328. Posteriormente, y

con miras a incluir áreas de intervención del PRAA Ecuador, el consultor ha

suscrito las adendas del caso para incorporar en este análisis a las provincias

ecuatorianas de Napo y Pichincha.

El presente estudio es ejecutado dentro de dicho contrato.



7

I. INTRODUCCIÓN

El Grupo de Expertos en Detección de Cambio Climático e Índices (ETCCDI

por sus siglas en inglés) de CCl/CLIVAR/JCOMM tiene el mandato de solventar

las necesidades en la medición y caracterización objetivas de la variabilidad y el

cambio climáticos, mediante la provisión de coordinaciones internacionales que

ayuden a organizar colaboraciones sobre detección, vigilancia y particularmente

estandarización de metodologías e índices relevantes, fomentando la

comparación entre datos modelados y observaciones. Lo anterior incluye los

aspectos prácticos del desarrollo de materiales y guías para los Servicios

Meteorológicos, herramientas que incluyen software, documentación y otros

materiales para guiar el cálculo y uso de los índices de detección de Cambio

Climático y la homogeneización de datos climáticos, el mejoramiento de la

cobertura global y la evaluación de los índices [Zhang, 2008].

El Grupo de Trabajo CCl/CLIVAR en Detección de Cambio Climático aprobó

una lista de 40 índices. Algunos de ellos son utilizados más frecuentemente que

otros. Diferentes grupos de investigación pueden definir diferentes índices para

sus propósitos particulares. Por ejemplo, los índices de temperatura basados en

percentiles (e.g. el número de días en que la temperatura diaria es mayor al

percentil 90) definidos por el proyecto STARDEX (http://www.ist-

world.org/ProjectDetails.aspx?ProjectId=732460bb44d34626a495d23203c7e9d4)

son muy distintos de los definidos por el ETCCDI. Albert Klein Tank compiló una

lista de los índices utilizados por diversos investigadores. [Zhang, 2008]

El ETCCDI revisó recientemente sus definiciones de índices. Un total de 27

índices fueron considerados los índices básicos. Éstos están basados en los

valores de temperatura diaria o en la cantidad diaria de precipitación. Algunos

índices están basados en umbrales fijos que son de relevancia para aplicaciones

particulares. En tales casos, los umbrales son los mismos para todas las

estaciones. Otros índices están basados en umbrales que varían de una localidad

a otra. En este caso, los umbrales son típicamente definidos como un percentil de

http://www.clivar.org/organization/etccdi/etccdi.php

http://www.clivar.org/organization/etccdi/etccdi.php

http://www.ec.gc.ca/scitech/default.asp?lang=En&n=1FF2A953-1

http://www.cru.uea.ac.uk/projects/stardex#_blank

http://www.ist-world.org/ProjectDetails.aspx?ProjectId=732460bb44d34626a495d23203c7e9d4

http://www.ist-world.org/ProjectDetails.aspx?ProjectId=732460bb44d34626a495d23203c7e9d4

mailto:[email protected]

http://200.33.112.33/ETCCDI/docs/ETCCDMIndicesComparison1.pdf


http://200.33.112.33/ETCCDI/list_27_indices.shtml

http://200.33.112.33/ETCCDI/list_27_indices.shtml



8

las series de tiempo relevantes [Zhang, 2008]. Detalles sobre los 27 índices

mencionados se encuentran en el Anexo A.

Entre las herramientas disponibles por el Grupo, un paquete de software

basado originalmente en Excel (Climdex), que luego fue migrado a lenguaje R

(RClimdex) y a FORTRAN (FClimdex) han sido desarrollados para el cálculo de

estos índices [Zhang, 2008]. El FClimdex es muy adecuado cuando ha de

trabajarse con un gran número de estaciones, si bien no posee acoplado ningún

graficador o subrutinas que se encarguen del análisis estadístico, detección de

tendencias, etc.

Por otra parte, debido a su ubicación geográfica y variada topografía (ver

Figura 1), el Ecuador es un país altamente vulnerable a los impactos del cambio y

variabilidad climáticos [Primera Comunicación Nacional, Quito, 2000]. Los eventos

periódicos de El Niño, especialmente aquellos ocurridos en 1982-1983 y 1997-

1998, han demostrado la vulnerabilidad ante fenómenos extremos en el país. Se

espera que el aumento de temperatura, sequías e inundaciones recurrentes,

derretimiento de glaciares y una intensificación y variación de los patrones de

precipitación, tengan un amplio espectro de impactos en el país.

Es natural, pues, pensar en la necesidad de realizar estudios que conlleven a

una detección, caracterización y vigilancia de Variabilidad y Cambio Climático en

Ecuador, y salta a la vista la utilidad de las metodologías y herramientas sugeridas

por el ETCCDI. El inconveniente al respecto consiste en la escasez de datos de

estaciones con las especificaciones requeridas (i.e.: resolución, calidad,

homogeneidad, relleno).

Estudios semejantes se han llevado a cabo en otras partes del planeta. Entre

los más citados se encuentran los trabajos de Frich et al. [2002] y Kiktev et al.

[2003], sin embargo en los mismos no se considera Latinoamérica. Esto pone en

perspectiva de modo adicional la importancia de este tipo de estudios para la

Región, como se indica también en las conclusiones de Kiktev et al.


http://200.33.112.33/ETCCDI/software-sp.shtml

http://200.33.112.33/ETCCDI/software-sp.shtml

http://www.r-project.org/

http://www.r-project.org/




9

Figura 1. Fotografía Satelital representando la distribución de fenómenos geográficos en el

Ecuador. A grosso modo el territorio puede dividirse en tres regiones: Litoral (Oeste), Cordillera

(Centro) y Selva Tropical (Oriente). Fuente National Geographic/NASA.

Un primer esfuerzo al respecto se llevó a cabo para el litoral ecuatoriano en

2007 [CIIFEN-INAMHI-INOCAR, 2007], para el período 1963-2004. El reporte final

indica que se consideró una población original de 305 estaciones y que tras

efectuar los controles de calidad correspondientes se logró trabajar, en el mejor de

los casos, con apenas unas 16 estaciones (las que presentaron menos del 15% de

datos faltantes). El número de estaciones final representa el 5,24% de las

estaciones originales, y sólo pudieron determinarse 11 índices (ver Tabla No. 1 en

[CIIFEN-INAMHI-INOCAR, 2007]), todos relacionados únicamente con

precipitación.

No resulta fácil, pues, disponer de los datos a la resolución y calidad

necesarios. En el INAMHI, para el caso de datos mensuales, el escenario es

ligeramente distinto [Muñoz, 2009], sin embargo para la gran mayoría de los

índices en cuestión (pero no para todos) es menester poseer datos de calidad a

resolución temporal diaria.



10

Como una alternativa exploratoria, en el año 2010 el PRAA (en conjunto con

otras instituciones, ver referencia) llevó a cabo un estudio para todo el Ecuador

[Muñoz et al., 2010], empleando datos de reanálisis. El estudio encontró un

incremento de la precipitación total para la mayor parte del territorio, así como el

mismo comportamiento para la intensidad simple anual de precipitación. Para el

litoral noroccidental se encontró evidencia de un decremento de precipitaciones

mayores o iguales a 10 mm por día, sin embargo cuanto éstas suceden tienden a

hacerlo con mayor carácter de extremas (mayores o iguales a 50 mm por día). En

cuanto a temperaturas, las tendencias estudiadas evidencian un incremento de

períodos fríos en el noroccidente del país, y noches más cálidas en la costa sur.

Para mayores detalles el lector puede consultar [Muñoz et al., 2010]. En las

recomendaciones de dicho estudio se sugirió llevar a cabo una segunda fase a

una mayor resolución y empleando datos confiables de estaciones. El presente

estudio está alineado en este sentido.

El objetivo general del presente trabajo es el de realizar un análisis estadístico

del comportamiento de la precipitación y temperaturas máxima y mínima en las

provincias de Pichincha y Napo, en términos de los índices climáticos que sean

posible calcular, y proveer mapas de las tendencias estadísticamente significativas

a un límite de confianza del 90% (p=0.1). Índices para los que las estaciones no

ofrezcan una señal clara no serán incluidos para evitar proveer información

ruidosa a los tomadores de decisión.

En la siguiente sección se discuten los datos empleados, con especial atención

a los cuidados (caveats) que hay que tener para su análisis y considerándolos

como una aproximación a la realidad debido a la carencia de mayores datos

locales a resolución diaria. En la Sección III se presenta la metodología general

llevada a cabo para la obtención de los resultados, los cuales se tratan en la

Sección IV. La Sección V discute las limitaciones, atenciones e incertidumbres del

trabajo, y finalmente la Sección VI presenta las principales conclusiones.



11

II. DATOS

Las variables necesarias para la ejecución del Climdex son temperatura

máxima (TX), temperatura mínima (TN) y precipitación (R), todas a escala diaria.

Según los datos suministrados para realizar este trabajo a la fecha de su

elaboración (2012-2013), en la zona de estudio operan diferentes redes de

vigilancia que atienden a objetivos institucionales específicos de acuerdo al interés

de cada uno de los administradores. Los datos usados provienen

fundamentalmente del Instituto Nacional de Meteorología e Hidrología del Ecuador

(INAMHI) y la Dirección de Aeronáutica Civil (DAC).

La mayor cantidad de datos disponibles para la zona de estudio posee escala

temporal mensual, mientras que una caracterización óptima requiere datos diarios.

Si bien el número de estaciones es considerablemente menor, se pusieron a

disposición del proyecto datos diarios de más de 15 años consistiendo en un total

de 29 archivos de precipitación (PRECIP), 13 de temperatura máxima (TX) y 12 de

temperatura mínima (TN).

Para este trabajo, del total de las 54 series de tiempo preliminares, un total de

47 fueron trabajadas (27 de precipitación, 10 de temperatura máxima y 10 de

temperatura mínima), dado que poseen series de tiempo lo suficientemente largas

como para ser aceptables para los fines de este estudio. Para los detalles

referentes a las estaciones, ver Tabla 1. Los detalles relacionados con el criterio

de selección se explican en la siguiente sección.

Vale mencionar que la estación Quinindé (Código 156) se emplea para uso

meramente referencial, dado que no se encuentra ni en Pichincha ni en Napo.



12

TABLA 1. Resumen de los datos diarios disponibles. En rojo variables con series de

tiempo muy cortas. En naranja variables con series de tiempo con más de 16 años que se

analizaron adicionalmente para decidir si se mantenían o no en el proceso de cálculo de

índices. Columnas vacías indican variables sin datos.

CODIGO NOMBRE PRECIP TMAX TMIN

02 LA TOLA 1980-2012 1980-2012 1980-2012

03 IZOBAMBA 1964-2012 1965-2012 1965-2012

09 LA VICTORIA 1984-2012 1984-2012 1984-2012

23 OLMEDO PICHINCHA 1975-2012 1975-2012 1975-2012

24 INAMHI-IÑAQUITO 1975-2012 1975-2012 1975-2012

70 TENA 1964-2009 1991-20091 1991-2009

111 MALCHINGUI 1964-2006 1982-2006 1982-2006

113 UYUMBICHO 1964-2012 1982-1990

156 QUININDE 1964-2012 1982-2012 1982-2012

188 PAPALLACTA 1963-2012 1963-2012 1963-2012

336 PACTO 1964-1993

337 SAN JOSE MINAS 1964-2012

339 NANEGALITO 1964-2012

343 EL QUINCHE 1965-2012

344 CANGAHUA 1964-2012

345 CALDERÓN 1964-2012

346 YARUQUI 1964-2012

353 RUMIPAMBA 1964-2012

354 SAN JUAN 1965-2012

358 CALACALI 1976-2012

359 CAYAMBE 1976-2012

364 LORETO 1964-2012

436 CUJUYÁ 1982-2012

485 ZATZAYACU 1964-2012

490 SARDINAS 1972-2012

710 CHONTA PUNTA 1982-2012

1094 TOMALÓN 1990-2012 1990-2012 1990-2012

1124 SIERRAZUL 1996-20122 1996-2012 1996-2012

1219 TENA HDA CHAUPI 2008-2012 2008-2012 2008-2012

1 Esta estación posee 19 años para temperaturas máxima y mínima, pero se ha mantenido.

2 Esta estación sólo posee 17 años para todas las variables y se ha descartado.



13

III. METODOLOGÍA

Está claro hasta este punto que es necesario recurrir a bases de datos a

resolución temporal diaria o subdiaria para las variables en estudio (TX,TN y R),

en aras de poder calcular a cabalidad los distintos índices climáticos.

La metodología general consiste en los siguientes pasos: (a) revisión y análisis

de los datos, (b) ejecución de RClimdex para cada estación, y (c) elaboración de

gráficas con NCL/R involucrando todas las estaciones posibles. Los pasos se

explican en detalle a continuación:

a) Revisión y Análisis de la Data

Es importante tener claro que en las series de tiempo de interés en estudios

climatológicos es posible reconocer una componente asociada a la señal climática

per se y otra que puede identificarse como ruido. Es normal en este tipo de

estudios el considerar el llamado “cociente señal-ruido” (S/N ratio, en inglés)

cuando se analizan las series de tiempo, en aras de conocer, por ejemplo, qué tan

útil es la información disponible para calcular tendencias a futuro de la variable en

consideración. Existen estudios (ver por ejemplo Santer et al. [2011] y referencias

allí citadas para un ejemplo particular) que muestran que existe una longitud

mínima de la serie de tiempo para que pueda ser utilizada para estudios como los

planteados en este proyecto. La longitud en cuestión (o la magnitud de la razón

señal a ruido) depende en parte de la región en consideración, pero en general es

una buena costumbre estimar que el S/N es adecuado para series de tiempo con

al menos 20 años (por ejemplo, en su estudio Santer et al. [2011] encuentran un



14

S/N=~1 para 10 años y S/N=~3.9 para 32 años3) . Este criterio se adoptó en el

presente estudio para garantizar la confiabilidad de los resultados que puedan

desprenderse de la información disponible en las estaciones disponibles, con la

única excepción de la estación Tena (ID 70), que posee 19 años. Es

principalmente por esta falta de un mínimo de años para tener una adecuada

relación señal-ruido que se descartaron estaciones en el proceso de

homogeneización. La ventana de tiempo escogida para realizar el análisis de

prácticamente todas las estaciones es 1984-2012 (28 años). Una vez más, es

importante resaltar que Quinindé no pertenece al dominio de estudio de Pichincha

y Napo, pero se incluyen a modo de comparación teniendo en cuenta que

representan microclimas distintos a los del Valle Interandino4. Como puede verse

en la Tabla 1, Tena posee una serie de tiempo útil de 1991 a 2009, mientras que

Quinindé de 1982-2012.

En conclusión el total de estaciones trabajadas, para llevar consistencia

entre las tres variables requeridas, fue de 10 estaciones, una de las cuales sirve

simplemente de referencia. En la Figura 2 se aprecia la ubicación de las

estaciones finales.

El siguiente paso es la revisión y ajuste, de ser el caso, de las series de

tiempo a resolución diaria disponibles para el dominio espacial de interés,

realizando el control de calidad [Aguilar et al, 2009], homogeneización de datos

(con pruebas como la de penalización máxima de Wang [2003; 2008]) y el

reconocimiento de la ubicación de cada estación en la compleja orografía de la

zona de estudio, lo cual es importante en términos de identificar posibles patrones

comunes de acuerdo a la vertiente en la que las estaciones se encuentren.

3 Un S/N =~1 significa que la señal es aproximadamente igual al ruido, de modo que tales series de

tiempo no son útiles para este tipo de estudios. 4 Esta es la razón por la cual se escogió Tena, a pesar de tener sólo 19 años de datos.



15

Figura 2. Ubicación de las estaciones finales empleadas en el presente estudio. Las estaciones del

Valle Interandino se han enumerado en el cuadro inferior. Nótese que se ha exagerado el tamaño

de las estaciones para dar claridad a la figura por lo que la ubicación de las mismas es relativa.

b) Ejecución de Climdex

Posteriormente al análisis de los datos se llevó a cabo el análisis estadístico

del comportamiento de la precipitación y temperaturas máximas y mínimas, en

términos de los índices climáticos disponibles en el software FClimdex/RClimdex.

En el Anexo I puede encontrarse un archivo comprimido con la información cruda

y procesada, en el formato electrónico correspondiente. Los Anexos II al IV



16

incluyen información importante sobre el formato de los datos que requiere el

paquete, así como la definición de los índices y detalles técnicos con respecto al

funcionamiento del Climdex.

El paquete se encarga, para cada “estación virtual”, de llevar a cabo el control

de calidad, los análisis estadísticos correspondientes, obtención de índices

climáticos y calcular las tendencias. FClimdex no lleva a cabo las gráficas en

mapas o el cálculo de las estadísticas asociadas a cada índice, ni los niveles de

significancia correspondientes. Para ello se desarrollaron scripts en NCL y

autómatas especiales, que se describen en la siguiente subsección.

Se identificaron señales de variabilidad al nivel espacial correspondiente, en el

área de las provincias de Pichincha y Napo. El análisis se realizó considerando

todas las estaciones posibles con las series de tiempo más largas disponibles

(dadas las restricciones mencionadas anteriormente) y para la mayor resolución

espacial que sea científicamente permisible en función del número de estaciones y

el relieve existente en la zona.

El análisis reveló un total de 12 índices con señal para las 10 estaciones:

precipitación total (PRCP), percentil 95 y 99 de precipitación (R95p y R99p,

respectivamente), máximos de precipitación para 1 y 5 días (RX1D y RX5D,

respectivamente), días secos consecutivos (CDD), percentiles 10 y 90 para

temperaturas mínima y máxima (TN10p, TN90p, TX10p y TX90p,

respectivamente), mínimo de temperatura mínima (TNn) y mínimo de temperatura

máxima (TXn).

c) Graficación y Análisis en Mapas de Tendencia

Una vez producidos los archivos cuyo contenido corresponde a cada uno de

los índices climáticos requeridos, es útil intentar reconocer tendencias a partir de



17

los mismos. Son estas tendencias las que interesan sobremanera a los tomadores

de decisión.

Para la detección de tendencias es usual el empleo de regresiones lineales, las

que –si bien deben usarse con la debida atención- por su simplicidad permiten

rápidamente reportar si un índice en particular evidencia incrementos,

decrementos o por el contrario no presenta cambios significativos en el tiempo. El

parámetro clave es, pues, la pendiente de la regresión lineal ajustada, que será la

representada en los mapas de tendencia.

Sin embargo, está claro que, dado un conjunto de puntos, es posible llevar a

cabo una regresión lineal sin que necesariamente ésta posea una significancia

estadística que garantice que efectivamente la tendencia reconocida no sea

causada por el azar. Es por ello que el cálculo del nivel de significancia es tan

importante, toda vez que provee una garantía al analista de qué tan confiable es la

tendencia “detectada”.

Estos niveles de significancia, usualmente dados por medio del parámetro

p –el p-valor (p-value, en inglés)-, están asociados a la estadística particular de la

distribución, siendo una de las más frecuentes la estadística t-Studentis (o t de

Student), normalmente de “dos colas” [Brownlee, 1965]. Es común, en este caso,

referirse más al “t-valor”, el cual, en conjunto con el número de grados de libertad,

define el nivel de significancia estadística, NS. Por prueba de hipótesis es

entonces posible rechazar o no una tendencia significativa para el analista. Para

mayores detalles, ver por ejemplo [Zwiers & von Storch, 1995]. Por ejemplo, si se

escoge el nivel de confianza que se ha usado en este trabajo (90%) y el valor del

nivel de significancia es inferior a este límite de confianza, entonces se dice que la

tendencia no es estadísticamente significativa. Mayores detalles se explican a

continuación.

Naturalmente, lo que se busca es que NS en cada uno de los análisis de

tendencias sea mayor que un cierto umbral de confianza, que es escogido, como



18

se ha dicho, por el analista. En el presente documento se sugiere un valor crítico

de p=0.1, o NS=0.90 (90%) como mínimo para confiar en que la tendencia no

pueda asociarse al azar, sino a una señal “real”. Todos los mapas y análisis

producidos emplean este valor.

Vale destacar que el hecho de que una determinada señal no alcance el

mínimo estipulado del nivel de significancia NS, no implica en modo alguno que

los valores reportados por un índice determinado no coincidan con lo observado.

Lo que implica es que el analista no puede confiar, por sus propios cánones

establecidos, en que la señal detectada sea significativa desde un punto de vista

estadístico, y que por ende una hipótesis nula deba ser o no rechazada.

En resumen, al analizar un índice en particular, lo básico que hay que estudiar

es, aparte de si el perfil que presenta tiene o no sentido físico, su nivel de

significancia, NS. Si el mismo está por encima del umbral que se ha escogido,

entonces se tiene suficiente confianza como para asumir que hay una tendencia

lineal, cuya pendiente indicará si el perfil es creciente, decreciente (o sin

crecimiento) y en qué magnitud.

Existen, por supuesto, otras maneras de detectar señales, que no tienen por

qué involucrar regresiones lineales, sino no-lineales por ejemplo. Sin embargo,

seguiremos la práctica normal de hacer uso de regresiones lineales, sin descartar

generalizar el estudio más adelante de ser necesario.

Se han elaborado los scripts en NCAR Command Language (NCL) y los

autómatas en BASH para que de modo eficiente se pudieran hacer todos los

cálculos de las estadísticas, grados de libertad, nivel de significancia, regresiones

lineales y gráficos correspondientes, para cada una de los índices de cada una de

las 10 estaciones.

Los gráficos de variables e índices se agruparon finalmente en un total de 12

figuras de tendencia, una por índice, que se discuten a continuación.



19

IV. RESULTADOS

Como se ha mencionado anteriormente, el primer paso en el análisis consistió

en estudiar las series de tiempo de las distintas variables y estaciones

seleccionadas. La Figura 3 muestra la serie de tiempo completa de precipitación

diaria de la estación Izobamba (R003), una de las estaciones con mayor cantidad

de datos. Como se recordará, para garantizar homogeneidad en el período de

análisis se escogió trabajar con la ventana 1984-2012 (la Figura 3 muestra el inicio

de la ventana con una línea roja vertical punteada en el año 1984). Es posible

apreciar directamente en la serie de tiempo, sin mayores herramientas, que la

magnitud de las precipitaciones diarias se ha venido incrementando en las últimas

décadas. El máximo de precipitación diaria medida en esta estación del Valle

Interandino muestra unos 80 mm/día, a inicios de 2009. Asimismo valores de 40

mm/día tienden a ser más comunes luego del año 2000, si se compara con

períodos anteriores.

A pesar de que las propias series de tiempo proveen información muy valiosa,

un análisis minucioso empleando índices climáticos posee la ventaja de poder

concentrarse en aspectos específicos del cambio y la variabilidad de las variables

en estudio. Estos índices están, además, orientados a responder preguntas

específicas que en general son útiles para la toma de decisión. Para detalles

adicionales sobre los índices calculados, ver Tabla 2.

Como se ha explicado en la sección metodológica, a partir del análisis

estadístico de las series de tiempo diarias de las estaciones escogidas para el

estudio, se calcularon las tendencias y su significancia estadística. El anexo I

incluye los resultados en los archivos electrónicos, mientras que en las siguientes

páginas se analizan las tendencias de los índices estadísticamente significativos.

A pesar de que el número de estaciones es bajo, la información acá proporcionada



20

es valiosa para caracterizar el comportamiento de las variables y los probables

cambios que puedan esperarse para el futuro. Para facilitar el análisis las

tendencias se presentan en términos de categorías (rangos) en lugar de valores

concretos. Esta fue una de las lecciones aprendidas en el estudio anterior (Muñoz

et al., 2010] con respecto al manejo de información por parte de los tomadores de

decisión.

Figura 3. Serie de tiempo diaria de precipitación (mm) para Izobamba, una de las estaciones con

mayor número de datos. La línea a trazos roja al inicio de 1984 indica que desde ese año los datos

de la estación fueron incluidos en el análisis estadístico, como se ha mencionado en la sección III.

En general, se obtiene señal de un incremento leve (entre 0 y 2 días por

década) en el número de días secos consecutivos para toda la región de estudio

(ver Figura 4). En comparación, los resultados del estudio anterior realizado por



21

Muñoz et al. [2010] no encontró señal para la zona de estudio (las series de

tiempo consideraron períodos y datos distintos) excepto para la estación Tena,

con una magnitud de entre 0.3 y 0.6 días/década, consistente con los resultados

encontrados aquí. Para el índice de días húmedos consecutivos no hubo una

señal consistente y por ende no se incluye el mapa aquí. Como se ha mencionado

lo mismo ocurre para todos los demás índices no incluidos en la Tabla 2.

TABLA 2. Resumen de los índices con señal clara. Los siguientes índices presentaron

tendencias estadísticamente significativas para al menos 80% de las estaciones. Tomar

en cuenta que para el análisis las unidades se consideran por década.

ID Nombre del Indicador Definición UNIDAD

TN10p Cool nights (Noches frías) Porcentaje de días cuando TN<10mo percentil %días

TN90p Warm nights (Noches calientes) Porcentaje de días cuando TN>90mo percentil %días

TX10p Cool nights (Noches frías) Porcentaje de días cuando TN<10mo percentil %días

TX90p Warm days (Días calientes) Porcentaje de días cuando TX>90mo percentil %días

TNn Temperatura mínima nocturna Mínimo de la temperatura mínima Celsius

TXn Temperatura mínima diurna Mínimo de la temperatura máxima Celsius

CDD Consecutive dry days (Días secos consecutivos)

Número máximo de días consecutivos con RR<1mm

días

R95p Very wet days (Días muy húmedos)

Precipitación anual total en que RR>95 percentil mm

R99p Extremely wet days (Días extremadamente húmedos)

Precipitación anual total en que RR>99 percentil mm

RX1D Precipitación máxima diaria Precipitación máxima en 1 día mm

RX5D Precipitación máxima 5 días Precipitación máxima en 5 días mm

PRCP

Annual total wet-day precipitation (Precipitación total anual en los días húmedos)

Precipitación anual total en los días húmedos (RR>=1mm)

mm



22

Figura 4. Mapa de tendencia para días secos consecutivos. Se aprecia incremento general

entre 0 y 2 días por década para todas las estaciones.



23

El índice de precipitación total (Figura 5) presenta prácticamente la misma

tendencia para todas las estaciones en las áreas de estudio, excepto para

Quinindé (estación meramente referencial) que contrasta con un leve

decrecimiento en la precipitación, entre -25 y 0 mm/década. En los Valles

Interandinos (25-75 mm/década) y Tena (> 75 mm/década) la magnitud es positiva

y entre media y alta, respectivamente. Esto implica que la señal de incremento de

precipitación es clara y positiva en la zona de interés de este estudio: Pichincha y

Napo. Esta es la misma señal obtenida en el estudio anterior, aunque la magnitud

por década es considerablemente menor. No es posible hacer una comparación

directa, sin embargo, dado que en el estudio de Muñoz et al. [2010] se calculó este

índice para una celda a baja resolución, mientras que acá se tienen resultados

directos para estaciones. Esto es, no es posible comparar directamente una celda

con una estación.

Continuando con índices extremos de precipitación, las Figuras 6 y 7 presentan

las tendencias de R95p y R99p. En general se aprecia que los máximos (al

percentil 95 y 99) de precipitación se están claramente incrementando para todo el

territorio en estudio (incluso para Quinindé, que muestra en la Figura 5 un

decremento en la precipitación total anual). Queda claro entonces que las

precipitaciones extremas están aumentando, a una tasa de entre 25 y 75

mm/década para R95p y entre 0 y 25 mm/década para R99p. Este resultado, de

nuevo, es consistente con lo reportado por Muñoz et al. [2010].

Un aspecto interesante que revelan las Figuras 4, 6 y 7, es que muestran que

para la región de interés el número de días secos consecutivos se incrementa, y

simultáneamente esto ocurre con las lluvias extremas. Esto puede apuntar a

conclusiones como las que se aprecian en general en otras partes del planeta, en

la que se tiende a una disminución del número de días con precipitación, pero que

cuando éstas ocurren, lo hacen en mayor cantidad por unidad de tiempo.



24

Figura 5. Mapa de tendencia para precipitación total. Se aprecia incremento entre 25 y 75

mm/década para el Valle Interandino, mayor a 75 mm/década para Tena y tendencia negativa

baja (entre -25 y 0 mm/década) para Quinindé.



25

Figura 6. Mapa de tendencia para días muy húmedos. Se aprecia incremento general entre 25

y 75 mm/década para todas las estaciones en el percentil 95mo.



26

Figura 7. Mapa de tendencia para días extremadamente húmedos. Se aprecia incremento

general entre 0 y 25 mm/década para todas las estaciones en el percentil 99mo.



27

En cuanto a los índices de precipitación acumulada diaria y en 5 días

(péntadas), las Figuras 8 y 9, respectivamente, muestran que hay una señal clara

de incremento en la tendencia, que tiende a ser menor hacia la costa Ecuatoriana

(Quinindé) y mayor hacia las estaciones más cercanas o directamente ubicadas

sobre la vertiente amazónica (área de estudio). Esto es mucho más claro para la

precipitación acumulada de 5 días, que incluso muestra tendencia negativa para

Quinindé. Las magnitudes son también mayores para el caso de la intensidad de

precipitación en 5 días. Se concluye que para Pichincha y Napo las intensidades

de precipitación diaria y pentádica se están incrementando a razón de entre 0 y 6

mm/década para la intensidad diaria, y es mayor (entre 2 y 6 mm/década o más)

para el caso de la precipitación por péntada, siendo mayores estas últimas cuanto

más cerca del Amazonas se encuentre la estación.

Vale mencionar que Muñoz et al. [2010] no reportaron estos dos últimos

índices por no haberse encontrado entonces señal estadísticamente significativa.

Las siguientes figuras contemplan índices relacionados con temperatura. Por

ejemplo, las Figuras 10 y 11 muestran los resultados de las tendencias para los

índices de extremos fríos en temperatura mínima (TN10p, Figura 10) y en

temperatura máxima (TX10p, Figura 11). Está claro que en términos del índice

TN10p el porcentaje de días con noches frías ha estado disminuyendo

pronunciadamente (<-6 %días/década) en valles interandinos y Quinindé, pero

disminuyendo ligeramente en Tena (-2 a 0 %días/década). El índice TX10p, por su

parte, muestra que el porcentaje de días con mañanas o tardes frías ha venido

disminuyendo moderadamente (-6 a -2 %días/década) en valles interandinos y

Quinindé, pero incrementándose ligeramente (0 a 2 %días/década) en Tena.

Comparado con el estudio de Muñoz et al. (2010), la señal parece ser la misma

para TX10p en Tena y Quinindé (sin señal en los valles interandinos); mientras

que para TN10p el estudio anterior no encontró señal estadísticamente

significativa en la zona de estudio.



28

Figura 8. Mapa de tendencia para precipitación acumulada diaria. Se aprecia incremento entre

ligero (0 a 2 mm/década) a moderado (2 a 6 mm/década) para todas las estaciones en estudio.



29

Figura 9. Mapa de tendencia para precipitación acumulada diaria. Se aprecia incremento entre

moderado (2 a 6 mm/década) a pronunciado (>=6 mm/década) para todas las estaciones, excepto

Quinindé, que tiene un comportamiento inverso, aunque ligero.



30

Figura 10. Mapa de tendencia para porcentaje de noches frías. Se aprecia decremento

pronunciado (<-6 %días/década) para Quinindé y valles interandinos, y ligero para Tena (-2 a 0

%días/década) para Tena.



31

Figura 11. Mapa de tendencia para porcentaje de días (mañanas y tardes) fríos. Se aprecia

decremento moderado (entre -6 a -2 %días/década) para Quinindé y valles interandinos, e

incremento ligero para Tena (0 a 2 %días/década).



32

Figura 12. Mapa de tendencia para porcentaje de días con noches cálidas. Es evidente el

incremento moderado (2 a 6 %días/década) para toda la zona de estudio.



33

Figura 13. Mapa de tendencia para porcentaje de días con mañanas y tardes cálidas. Es evidente el

incremento ligero (0 a 2 %días/década) para toda Quinindé, moderado (2 a 6 %días/década) para

el valle interandino y pronunciado (>= 6 %días/década ) para Tena.



34

Las Figuras 12 y 13 presentan tendencias estadísticamente significativas en

los índices asociados al porcentaje de noches cálidas (TN90p) y de días cálidos

(TX90p), respectivamente. Se evidencia en las figuras un incremento moderado (2

a 6 %días/década) en el porcentaje de noches cálidas para toda la zona de

estudio, mientras que en el caso del porcentaje de días cálidos se muestra un

incremento ligero (0 a 2 %días/década) para Quinindé, medio (2 a 6

%días/década) para los valles interandinos y pronunciado (>=6 %días/década)

para Tena. En el estudio anterior no se encontró señal para TN90p, pero para

TX90p la celda incluyendo Quinindé mostró una tendencia pronunciada de

disminución, lo que contrasta con el ligero incremento encontrado en el presente

estudio. No se encontró en ese estudio señal para la zona interandina (lo que una

vez más muestra la importancia de este estudio, al incluir información nueva y a

escala de estaciones para este importante sector) pero ambos estudios coinciden

en el incremento pronunciado para Tena.

Finalmente se tienen las figuras 14 y 15, que muestran tendencias para los

índices de temperatura mínima nocturna (TNn) y diurna (TXn), respectivamente.

Ambos mapas evidencian incrementos de entre 0 y 0.5 oC/década para todo el

dominio en estudio.



35

Figura 14. Mapa de tendencia para temperatura mínima nocturna. Se observa un incremento

ligero (0 a 0.5 oC/década) para todo el dominio de estudio.



36

Figura 15. Mapa de tendencia para temperatura mínima diurna. Se observa un incremento ligero

(0 a 0.5 oC/década) para todo el dominio de estudio.



37

V. LIMITACIONES, CAVEATS E INCERTIDUMBRES

La principal limitación de este trabajo está relacionada al número bajo de

estaciones y sobre todo a su distribución geográfica. Una segunda limitación está

asociada a la ausencia de series de tiempo más largas, de modo que puedan

encontrarse resultados más robustos en términos de tendencias para el largo

plazo. Con poco menos que 30 años de datos no es posible hablar directamente,

como se describe abajo, de señales de cambio climático. Sin embargo este

estudio sigue siendo importante en la medida en que reporta tendencias

estadísticamente significativas para un período lo suficientemente largo de tiempo.

Un tercer aspecto es que siempre hay incertidumbres que dependen del

método empleado para el cálculo de la tendencia. Si en lugar de tendencias

lineales se consideraran no-lineales las magnitudes reportadas podrían ser

distintas, aunque cabría esperar que los signos (crecimiento o decrecimiento) sean

consistentes.

La incertidumbre asociada a las proyecciones a los próximos pocos años

depende del perfil de la curva correspondiente a la serie de tiempo de cada índice,

para cada celda en cuestión. En promedio podría decirse que son válidas para los

próximos 5 años, aunque en series con una tendencia mucho más clara podrían

éstas ser válidas a escalas temporales mayores, o en algunos casos podrían tener

una validez temporal menor. Es importante aclarar que esto no significa que estas

tendencias son un pronóstico para los próximos 5 años o más. Significa que si la

serie de tiempo es lo suficientemente larga (en nuestro caso 28 años) y se

agregan 5 años extra, el signo y magnitud deberían permanecer prácticamente

invariables en la mayoría de los casos.



38

VI. CONCLUSIONES Y RECOMENDACIONES

En el presente documento se han provisto los resultados del análisis estadístico

efectuado por medio de Climdex y un conjunto de autómatas y scripts diseñados

para facilitar el procesamiento de las celdas (se incluyen en los archivos del Anexo

I). Asimismo se ha llevado a cabo un análisis en términos de las tendencias

estadísticamente significativas puestas en evidencia en los distintos índices

climáticos.

En breve, se ha llevado a cabo un estudio que considera 9 estaciones en las

provincias de Pichincha y Napo con series de tiempo diaria para el período 1984-

2012 (28 años). Con los datos de temperatura mínima, máxima y precipitación se

produjeron 12 mapas de tendencias con significancia estadística con p=0.1 (un

mapa por índice con señal). Los detalles aparecen en la sección de metodología y

resultados, y en el siguiente párrafo se resumen las principales conclusiones de

manera suscinta.

En general, en términos de temperatura, se encontró que los mínimos de

temperatura mínima y máxima están incrementándose a una tasa de entre 0 y 0.5

oC/década para toda la zona de estudio. Este resultado es en general consistente

con las tendencias de disminución para el porcentaje de días con noches frías y

días fríos, y con las tendencias de incremento del porcentaje de noches y días

cálidos reportadas aquí.

En cuanto a precipitación, los resultados muestran una señal clara de aumento de

precipitación total para las provincias de Pichincha y Napo. Las precipitaciones

extremas se están incrementando también en la zona de estudio, mientras que las

precipitaciones muy extremas evidencias aumento ligero en los valles interandinos

y moderados en Tena. El número de días secos consecutivos se está

incrementando también de modo ligero en toda la zona de estudio, indicando en

conjunción con el análisis recién descrito que días con precipitación están



39

tendiendo a ser menos frecuentes en la zona de estudio, pero que cuando llueve

ésta tiende a ser más extrema.

A manera de resumen, se incluye la Tabla 3, que además fue discutida y aprobada

por los expertos locales durante el taller de capacitación técnica llevado a cabo al

final del proyecto (Anexo VI).

Vale resaltar que los resultados del presente estudio muestran aproximadamente

las mismas señales que un estudio reciente llevado a cabo por Skansi et al. [2013]

pero con un número menor de estaciones para la zona de estudio que el

empleado en ese trabajo (aunque para un período diferente).

La recomendación más importante consiste en mantener actualizado el conjunto

de datos al menos una vez al año con la calidad, densidad, homogeneidad y

demás características que se han mencionado en este documento. Esto permitirá

tener una caracterización de las tendencias (e índices) que pueda ser útil para

entender los procesos que ocurren. Otra recomendación es establecer grupos de

investigación local que puedan explicar los procesos físicos asociados a las

tendencias encontradas. Este proceso, conocido como “atribución” es crucial para

poder desarrollar modelos predictivos a futuro.

Finalmente, se ha prestado especial atención a los caveats y limitaciones que la

presente aproximación posee, toda vez que se conoce que no se trata de un

producto libre de incertidumbres y que por el contrario merece múltiples

atenciones. En todo caso, se reconoce que se trata de un producto muy útil

basado en estaciones con control de calidad y homogeneización, que sirve para

para detectar y reconocer tendencias climáticas en el territorio ecuatoriano. Este

estudio ha mejorado de modo importante no sólo la resolución de los resultados

del trabajo anterior (Muñoz et al., 2010), que consideró datos en retícula a baja

resolución, sino que se presenta ahora información para las provincias de

Pichincha y Napo que en los mapas del estudio anterior aparecían sin señal.

Aunque, como se ha mencionado varias veces en este informe, es necesario tener



40

información también sobre la variabilidad climática y no sólo las tendencias, este

trabajo provee resultados robustos en términos de estas últimas, para los últimos

28 años.

TABLA 3. Resumen del análisis de las tendencias encontradas en los índices con

significancia estadística. Esta tabla fue analizada, discutida y ajustada en conjunto

con los expertos locales que participaron en el entrenamiento llevado a cabo en el

proyecto.

Índice

Climático

Precipit.

Unidad

(en 10

años)

Tendencia

Quinindé

(referenc)

Tendencia

Valles y

Estribaciones

interandinas

Tendencia

Tena

Interpretación

(para décadas)

PRCPTOT

(cantidad)

mm -25 a 0 25 a 75 >75 Precipitación total anual incrementándose más

pronunciadamente en la vertiente amazónica que en los

valles interandinos, y disminuyendo ligeramente en la

vertiente del Pacífico.

R95p

(cantidad)

mm 25 a 75 25 a 75 25 a 75 Precipitaciones extremas incrementándose

moderadamente en la zona de estudio.

R99p

(cantidad)

mm 0 a 25 0 a 25 25 a 75 Precipitaciones muy extremas incrementándose

ligeramente en la vertiente del Pacífico y en la sierra, pero

moderadamente en la vertiente amazónica.

RX1D

(intensidad)

mm 2 a 6 2 a 6 2 a 6 Precipitación máxima diaria incrementándose

moderadamente y de modo homogéneo en la zona de

estudio.

RX5D

(intensidad)

mm -2 a 0 0 a 6 >=6 Precipitación máxima en 5 días consecutivos

disminuyendo ligeramente en Quinindé, e

incrementándose entre ligera y moderadamente

(dependiendo de la estación) en los valles interandinos.

En Tena el crecimiento es pronunciado.

CDD

(frecuencia)

días 0 a 2 0 a 2 0 a 2 Número de días secos consecutivos (mínimo 5 días)

incrementándose ligeramente en la zona de estudio.



42

Nota: en la columna de interpretación, porcentaje de días con mañanas o tardes fríos está asociado aproximadamente al período 6am-6pm, mientras que el

porcentaje de noches frías/cálidas está asociado aproximadamente al período 6pm-6am.

Índice

Climático

Temper.

Unidad

(en 10

años)

Tendencia

Quinindé

(referenc)

Tendencia

Valles y

Estribaciones

interandinas

Tendencia

Tena

Interpretación

(para décadas)

TN10p %días <-6 <-6 -2 a 0 Porcentaje de días con noches frías disminuyendo

pronunciadamente en valles interandinos y Quinindé pero

disminuyendo ligeramente en Tena.

TX10p

%días -6 a -2 -6 a -2 0 a 2 Porcentaje de días con mañanas o tardes frías

disminuyendo moderadamente en valles interandinos y

Quinindé, pero incrementándose ligeramente en Tena.

TN90p %días 2 a 6 2 a 6 2 a 6 Porcentaje de noches cálidas incrementándose

moderadamente en la zona de estudio.

TX90p %días 0 a 2 2 a 6 >=6 Porcentaje de días (mañanas o tardes) cálidos

incrementándose ligeramente en Quinindé,

medianamente en los valles interandinos y

pronunciadamente en Tena.

TNn oC 0 a 0.5 0 a 0.5 0 a 0.5 Temperatura mínima nocturna incrementándose

ligeramente en la zona de estudio.

TXn oC 0 a 0.5 0 a 0.5 0 a 0.5 Temperatura mínima diurna incrementándose

ligeramente en la zona de estudio.



44

VII. BIBLIOGRAFÍA

Brownlee, K.A., 1965: Statistical Theory and Methodology, Jon Wiley and Sons,

pp. 342-346.

CIIFEN-INAMHI-INOCAR, 2007: Información climática de amenazas

hidrometeorológicas en las provincias costeras del Ecuador. Guayaquil. Proyecto

SARE-CAM. Reporte Final.

Cressman, G. P., 1959: “An operational objective analysis system”, Mon. Weather

Rev. 87, 367-374

Frich, P., Alexander, L., Della-Marta, P., et al., 2002: Observed coherent changes

in climatic extremes during the second half of the twentieth century, Clim Res, 19,

192-212.

Hyndman, R.J., y Y. Fan, 1996: Sample quantiles in statistical packages. The

American Statistician, 50, 361-367.

INAMHI, 2009: Anuarios Meteorológicos. Instituto Nacional de Meteorología e

Hidrología del Ecuador. Quito.

Kalnay, E., et al., 1996: The NCEP/NCAR 40-year reanalysis project. Bull. Amer.

Meteor. Soc., 77, 437-471.

Karl, T.R., N. Nicholls, and A. Ghazi, 1999: CLIVAR/GCOS/WMO workshop on

indices and indicators for climate extremes: Workshop summary. Climatic Change,

42, 3-7.

Kiktev, D., Sexton, D., Alexander, L. and Folland, C., 2003: Comparison of

Modeled and Observed Trends in Indices of Daily Climate Extremes, J. Climate,

16, 3560-3571.

Kistler, R., et al., 2001: The NCEP-NCAR 50-Year Reanalysis: Monthly Means CD-

ROM and Documentation, Bull. Amer. Meteor. Soc., 82, 247-267.



45

Mitchell, T.D, Jones, 2005: An improved method of constructing a database of

monthly climate observations and associated high-resolution grids, International

Journal of Climatology vol 25,DOI:10.1002/joc.1181 693 - 712

Muñoz, Á.G., 2009: Diagnóstico General del Área de Modelación del INAMHI.

Reporte Interno Consultoría CDC-INAMHI-004-2009. Quito.

Muñoz, Á.G., Recalde, C., Cadena, J., Núñez, A., Díaz, J., Mejía, R., 2010:

Análisis estadístico con FClimdex para Ecuador. Informe Final. PRAA-MAE-

INAMHI. 78 pp.

Peterson, T.C., 2005: Climate Change Indices. WMO Bulletin, 54 (2), 83-86.

Santos, J., et al, 2004: User Manual RClimDex (1.0) Versión Español.

Skansi, M., et al., 2013: Warming and wetting signals emerging from analysis of

changes in climate extreme indices over South America. Global and Planetary

Change 100, 295–307.

Zhang, X., et al, 2004: User Manual RClimDex (1.0)

Zhang, X., G. Hegerl, F.W. Zwiers, y J. Kenyon, 2004: Avoiding inhomogeneity in

percentile-based indices of temperature extremes. J. Climate, submitted.

Zwiers, F.W., von Storch, H., 1995: Taking Serial Correlation into Account in Test

of the Mean, J. Climate, pp336-.

http://dx.doi.org/10.1002/joc.1181

http://200.33.112.33/ETCCDI/papers/WMO.Bulletin.April.2005.indices.pdf



46

VIII. ANEXOS



47

ANEXO II: Formato de entrada de datos

Todos los archivos de datos que son leídos o escritos están en formato de “list formatted”. La

única excepción es el primer archivo de datos que es procesado en el paso de “Quality Control”.

Este archivo de entrada de datos tiene varios requerimientos:

1. Archivo de texto ASCII

2. Columnas en las siguientes secuencias: Año, Mes, Día, PRCP, TMAX, TMIN. (NOTA:

unidades de PRCP= milímetros y unidades de Temperatura= grados Celsius)

3. El formato descrito arriba debe ser delimitado por espacios (e.g. cada elemento separado

por uno o más espacios).

4. Para los registros de datos, los datos faltantes deben se codificados como -99.9; los

registros de datos deben estar en orden cronológico. Se permite fechas faltantes.

Ejemplo de formato de datos para el archivo de datos inicial (e.g. usados en el paso de ‘Quality

Control’):

1901 1 1 -99.9 -3.1 -6.8

1901 1 2 -99.9 -1.3 -3.6

1901 1 3 -99.9 -0.5 -7.9

1901 1 4 -99.9 -1 -9.1

1901 1 7 -99.9 -1.8 -8.4



48

ANEXO III: Definición de los Índices

A continuación se incluyen definiciones para los indicadores enumerados en el Apéndice A. Por

razones prácticas, en esta versión del software, no todos los índices son calculados en una base

mensual. Índices mensuales son calculados si en un mes hay no más de 3 días faltantes, mientras

que los valores anuales son calculados si en un año no hay más de 15 días faltantes. No se

calculará un valor anual si cualquier mes de datos está faltando. Para índices con umbral, el

umbral se calcula si por lo menos el 70% de los datos están presentes. Para indicadores de

duración de temporada (marcados con un *), una temporada puede continuar en el año siguiente

y se la cuenta en el año en que la temporada termina e.g. una temporada fría (CSDI) en el

Hemisferio Norte comenzando el 31st Diciembre 2000 y terminando el 6th Enero 2001 se cuenta

dentro del número total de temporadas frías en el 2001.

FD0

Sea ijTn la temperatura mínima diaria en el día i en el periodo j . Cuente el número de días

cuando:

0ijTn C

SU25

Sea ijTx la temperatura máxima diaria en el día i periodo j . Cuente el número de días cuando:

25ijTx C

ID0

Sea ijTx la temperatura máxima diaria en el día i en el periodo j . Cuente el número de días

cuando:

0ijTx C

TR20

Sea ijTn la temperatura mínima diaria en el día i en el periodo j . Cuente el número de días

cuando:



49

20ijTn C

GSL

Sea ijT la temperatura media en el día i en el periodo j . Cuente el número de días entre la

primera ocurrencia de por lo menos 6 días consecutivos con:

5oijT C

Y la primera ocurrencia después de 1st Julio (1st Enero en HS) de por lo menos 6 días consecutivos

con:

5oijT C

TXx

Sea kjTx la temperatura máxima diaria en el mes k , periodo j . La máxima temperatura máxima

diaria cada mes es entonces:-

max( )kj kjTXx Tx

TNx

Sea kjTn la temperatura mínima diaria en el mes k , periodo j . La máxima temperatura mínima


max( )kj kjTNx Tn

TXn

Sea kjTx la temperatura máxima diaria en el mes k , periodo j . La mínima temperatura máxima


min( )kj kjTXn Tx

TNn

Sea kjTn la temperatura mínima diaria en el mes k , periodo j . La mínima temperatura mínima

diaria en cada mes es entonces:-

min( )kj kjTNn Tn

Tn10p



50

Sea ijTn la temperatura mínima diaria en el día i en el periodo j y sea 10inTn el día calendario del

percentil 10th centrado en una ventana de 5-días (calculado usando el método del Anexo D). El

porcentaje del tiempo es determinado, donde:

10ij inTn Tn

Tx10p

Sea ijTx la temperatura máxima diaria en el día i en el periodo j y sea 10inTx el día calendario

del percentil 10th centrado en una ventana de 5-días (calculado usando el método del Anexo D).

El porcentaje del tiempo es determinado, donde:

10ij inTx Tx

Tn90p

Sea ijTn la temperatura mínima diaria en el día i en el periodo j y sea 90inTn el día calendario



90ij inTn Tn

Tx90p




90ij inTx Tx

WSDI*



Entonces el número de días por periodo es sumado donde, en intervalos de por lo menos 6 días

consecutivos:-

90ij inTx Tx

CSDI*



51

Sea ijTn la temperatura mínima diaria en el día i en el periodo j y sea 10inTx el día calendario del

percentil 10th centrado en una ventana de 5-días (calculado usando el método del Anexo D).

Entonces el número de días por periodo es sumado donde, en intervalos de por lo menos 6 días

consecutivos:-

10ij inTn Tn

DTR

Sean ijTx y ijTn las temperaturas diarias máximas y mínimas respectivamente en el día i en el

periodo j . Si I representa el número de días en j , entonces:

1

I

ij ij

ij

Tx Tn

DTRI

RX1day

Sea ijRR el total diario de precipitación en el día i en el periodo j . Entonces los valores máximos

de 1-día para el periodo j son:

1 max( )j ijRx day RR

Rx5day

Sea kjRR la cantidad de precipitación para el intervalo de cinco días terminando en k , periodo j .

Entonces los valores máximos de 5-días para el periodo j son:

5 max( )j kjRx day RR

SDII

Sea wjRR la cantidad diaria de precipitación en días húmedos, ( 1 )w RR mm en el periodo j . Si

W representa el número de días húmedos en j , entonces:

1

W

w

wj

j

RRSDII

W

R10



52

Sea ijRR la cantidad diaria de precipitación en el día i en el periodo j . Cuente el número de días

donde:

10ijRR mm

R20

Sea ijRR la cantidad diaria de precipitación en el día i en el periodo j . Cuente el número de días

donde:

20ijRR mm

Rnn

Sea ijRR la cantidad diaria de precipitación en el día i en el periodo j . Si nn representa cualquier

valor razonable de precipitación diaria entonces, cuente el número de días donde:

ijRR nnmm

CDD*

Sea ijRR la cantidad diaria de precipitación en el día i en el periodo j . Cuente el más grande

número de días consecutivos donde:

1ijRR mm

CWD*

Sea ijRR la cantidad diaria de precipitación en el día i en el periodo j . Cuente el más grande

número de días consecutivos donde:

1ijRR mm

R95pTOT

Sea wjRR la cantidad diaria de precipitación en un día húmedo ( 1.0 )w RR mm en el periodo j y

sea 95wnRR el percentil 95th de precipitación en los días húmedos en el periodo 1961-1990. Si W

representa el número de días húmedos en el periodo, entonces:



53

W

w=1

95 where 95j wj wj wnR p RR RR RR

R99p

Sea wjRR la cantidad diaria de precipitación en un día húmedo ( 1.0 )w RR mm en el periodo j y

sea 99wnRR el percentil 99th de precipitación en los días húmedos en el periodo 1961-1990. Si W

representa el número de días húmedos en el periodo, entonces:

W

w=1

99 where 99j wj wj wnR p RR RR RR

PRCPTOT

Sea ijRR la cantidad diaria de precipitación en el día i en el periodo j . Si I representa el número

de días en j , entonces

1

I

j ij

i

PRCPTOT RR



54

ANEXO IV: Estimación de umbrales y cálculo del periodo base para los índices de

temperatura

Estimación empírica del cuantil:

El cuantil de una distribución se define como

})(:inf{)()( 1 pxFxpFpQ , 1<p<1,

Donde F(x) es la función de distribución. Sea },...,{ )()( na XX la estadística de orden de

},...,{ 1 nXX (i.e. valores ordenados de {X}), y sea )(ˆ pQi la definición del cuantil ith. Los cuantiles

muestrales pueden ser generalmente escritos como

)1()()1()(ˆjji XXpQ .

Hyndman y Fan (1996) sugieren una fórmula para obtener estimados medios un-biased del cuantil

haciendo ))3/)1(*int( pnpj y haciendo jpnp 3/)1(* , donde int(u) es el

entero más grande que no sea mayor que u. El cuantil empírico es igual al valor en la muestra más

grande o al más pequeño cuando j<1 o j> n respectivamente. Esto es, estimados de cuantiles

correspondientes a p<1/(n+1) son fijados al valor más pequeño de la muestra, y aquellos

correspondientes a p>n/(n+1) son igualados al valor más grande de la muestra.

Procedimiento “Bootstrap” para la estimación de la tasa de excedencia para el periodo base:

No es posible hacer una estimación exacta de los umbrales debido a incertidumbres en el

muestreo. Para proporcionar estimados temporalmente consistentes de la tasa de excedencia a lo

largo del periodo base y fuera del periodo base, adaptamos el siguiente procedimiento (Zhang et

al. 2004) para estimar la tasa de excedencia para el periodo base.

(a) El periodo base de 30-años se divide en un año “fuera-de-base”, el año para el cual la

excedencia se va a estimar, y un “periodo-base” que consiste en los restantes 29 años a

partir de los cuales se estimarán los umbrales.



55

(b) Se construye un bloque de datos de 30-años usando el set de datos del “periodo-base” de 29

años y añadiendo un año adicional de datos a partir del “periodo-base” (i.e., uno de los años

en el “periodo-base” es repetido). Este bloque de 30-años construido es usado para estimar

los umbrales.

(c) El año “fuera-de-base” es entonces comparado con los umbrales y se obtiene la tasa de

excedencia para el año “fuera-de-base”.

(d) Pasos (b) y (c) se repiten 28 veces, repitiendo cada uno de los 28 años en-base para así

construir el bloque de 30-años.

(e) El índice final para el año “fuera-de-base” es obtenido promediando los 29 estimados

obtenidos en los pasos (b), (c) y (d).



56

ANEXO V: Protocolo de Actualización de los Productos

A continuación se detallan las actividades a seguir para mantener actualizados los productos

presentados en este informe final. Específicamente explica cóm realizar la inclusión de nuevos

datos recogidos en las estaciones, el chequeo de calidad y homogeneización de las nuevas series

de tiempo actualizadas, cálculo de índices y tendencias.

Los pasos a seguir consisten en:

1. Recolección de los datos en el formato Climdex.

2. Ejecución en lenguaje R del control de calidad.

3. Ejecución en lenguaje R de las pruebas de homgeneidad.

4. Ejecución de RClimdex para calcular índices climáticos y tendencias.

5. Preparación de los archivos de tendencias y ejecución de scripts NCL para graficar los

mapas correspondientes.

6. Análisis de resultados.

1. Recolección de los datos en formato Climdex

Los datos deben estar en ASCII, un archivo por estación, y siguiendo el formato especificado en el

Anexo II de este documento: año, mes, día, precipitación, temperatura máxima y mínima. Ver

Anexo II para detalles.

2. Ejecución en lenguaje R del control de calidad.

El paquete de software (que puede descargarse en

http://cmc.org.ve/descargas/Cursos/CRRH/) posee una interfaz gráfica intuitiva que

permite la ejecución de los algoritmos de control de calidad. Lo único que hace falta es tener los

datos en el formato correcto, ejecutar el paquete, seleccionar (ver figura V.1) la opción “Load data

and run QC” y/o la opción “Run extra qc”., que automáticamente ejecutan para el archivo en

cuestión los procesos correspondientes. Al terminar el control de calidad, salir del programa

RClimdex.

http://cmc.org.ve/descargas/Cursos/CRRH/



57

Figura V.1. Interfaz gráfica del RClimdex.

3. Ejecución en lenguaje R de las pruebas de homogeneidad.

Descargar el paquete del enlace http://cmc.org.ve/descargas/Cursos/CRRH/RHtests_dlyPrcp.r y

ejecutar en la línea de comandos del R:

source(RClimDex_RHtest.r)

Luego crear un archive con todos los nombres de los archivos en format Climdex a ser procesados.

Por ejemplo, si se tiene en un subdirectorio a todos estos archivos en formato txt, basta hacer un:

ls *.txt > lista.ls

A continuación, crear el subdirectorio de salida:

make salidas

Finalmente, crear un ciclo para tratar todos los archivos incluidos en "lista.ls":

ifnames<-readLines("lista.ls")

for(ifile in ifnames)

FindU(paste("./",ifile,sep=""),paste("salidas/",ifile,sep=""),"-999.9")

http://cmc.org.ve/descargas/Cursos/CRRH/RHtests_dlyPrcp.r



58

Si se desea modificar los parámetros que trae por "default" el paquete, se puede escribir algo como:

for(ifile in ifnames)

FindU(paste("./",ifile,sep=""),paste("salidas/",ifile,sep=""),

Iadj=10000, Mq=10, Ny4a=0, p.lev=0.99,MissingValueCode="-99.9")

La serie de datos diarios de precipitación QM-ajustados aparecen en la 5a columna del archivo de

salida *_QMadjDLY_UC.dat o *_QMadjDLY_UDfinal.dat. Usar esta columna para actualizar el

archivo de datos original, siguiendo el formato explicado en el Anexo II y punto 1 de este

protocolo.

4. Ejecución de RClimdex para calcular indices climáticos y tendencias.

Ejecutar de nuevo el paquete RClimdex y hacer click en “Load Data” para cargar el archivo a

trabajar y luego “Indices Calculation”. RClimdex calculará los índices climáticos que sean posibles

calcular dados los datos y proveerá archivos ASCII de salida, así como algunos PDF.

5. Preparación de los archivos de tendencias y ejecución de scripts NCL para graficar los mapas

correspondientes.

El penúltimo paso consiste simplemente en escribir en un único archivo las tendencias

estadísticamente significativas provistas por RClimdex en las unidades que se prefiera (se

recomienda la escala de 10 años). Para ello se crea un archivo ASCII por cada índice con el

siguiente formato:

LATITUD LONGITUD TENDENCIA

Este archivo debe tener el nombre del índice correspondiente. Por ejemplo, para las tendencias

del índice de días secos consecutivos (CDD) el nombre del archivo debe ser “CDD.dat”. La

terminación dat es importante pues es también parte de cómo los scripts NCL leen el archivo.

En general no es necesario modificar los scripts NCL excepto en la línea correspondiente al campo

“nlin” que debe indicar el número de estaciones con las que se ha trabajado y corresponde al

número de líneas del archivo. El resto de las líneas puede dejarse sin cambios.

begin

arch="CDD"

minlat=-6 ; lo obvio

maxlat=3

minlon=-82

maxlon=-76

nlin=10; número de líneas del archivo (estaciones)

ncol=3; número de columnas del archivo

colat=1; número de columna en la que esta la latitud

colon=2; número de columna en la que esta la longitud



59

colda=3;

Ejecutar los scripts simplemente escribiendo en el terminal:

ncl INDICE.ncl

donde INDICE corresponde al índice en cuestión. Esto genera las figuras correspondientes.

5. Análisis de resultados.

Finalmente se llevan a cabo los análisis del caso. Aspectos clave a considerar son (a) los

relacionados con los procesos físicos que pudieran explicar la detección de señales que Climdex

realiza (aunque en estos trabajos no se realiza atribución de causas, es importante tener la física

presente), (b) el papel del relieve y su complejidad, (c) la definición y unidades de cada índice, y (c)

las distintas limitaciones de la metodología, como se han mencionado en el texto principal de este

informe final. Puede usarse como guía del análisis a actualizar este mismo documento.



60

ANEXO VI: Reporte de Capacitación Técnica

Entre los días 28 y 30 del mes de Julio de 2013 se llevó a cabo en las instalaciones del Ministerio

del Ambiente del Ecuador la capacitación técnica del proyecto “Análisis Estadístico con Climdex de

Índices Climáticos para las Provincias de Pichincha y Napo”. Los expertos locales representaron

diversas instituciones asociadas a toma de decisión en Ecuador, entre las que destacan el

Gobierno de Pichincha, INAMHI, ECOPAR, Secretaría del Ambiente de Quito, FONAG, PACC, PRAA y

Dirección de Cambio Climático del Ministerio del Ambiente del Ecuador.

Durante la primera jornada (28 de Julio) se realizaron las introducciones del caso, presentando

conceptos fundamentales sobre el sistema climático terrestre, las distintas interacciones y agentes

climáticos, la manera en que las incertidumbres están siempre presente en todo producto (se

realizó una dinámica grupal –Figura VI.1- en la que los participantes pudieron entender con un

juego breve la importancia de la provisión de productos probabilísticos), las diferentes escalas de

tiempo, con énfasis en escalas interanual, decadal y de largo plazo, así como una introducción a la

cuantificación de riesgos climáticos en términos de distribuciones de probabilidad de amenazas y

vulnerabilidades. Se finalizó el día con una presentación general de la metodología llevada a cabo

para obtener los productos de este trabajo.

El día 29 de Julio se inició la jornada con un repaso de lo aprendido el día anterior y se continuó

con la presentación y discusión de la metodología seguida, explicando aspectos técnicos

relacionados con los elementos estadísticos empleados, de manera que ls expertos locales

pudieran entender a cabalidad el significado de las distintas métricas y procedimientos usados,

especialmente lo relacionado al cálculo de índices climáticos, tendencias y significancia estadística

para un nivel dado del límite de confianza. En la tarde se presentaron los resultados del estudio y

se detalló, analizó y discutió mapa por mapa (Figura VI.2) hasta que hubo concenso tanto en el

significado de los resultados del estudio como en su comprensión por parte de todos los

participantes. Para esto se inició el ejercicio de usar ejemplos concretos en los que los distintos

productos podían usarse en concreto para la toma de decisión, prestando especial atención a las

limitaciones e incertidumbres expuestas en el informe final.



61

Figura VI.1. Expertos locales de las distintas instituciones participando en el juego de

incertidumbres en los modelos de predicción climática y reporte de probabilidades asociadas.

Figura VI.2. Discusión de resultados obtenidos en el proyecto.



62

En la última jornada, día 30 de Julio, se repasó primeramente el contenido de los dos días

anteriores y una vez más se presentaron los resultados del estudio, esta vez siendo explicados por

los participantes del entrenamiento, bajo la supervisión del instructor. Como dinámica de

discusión y aplicación de los mismos, se llevó a cabo una sesión en la que se escogieron sectores

específicos de interés para las provincias de Pichincha y Napo y, una vez selecionadas

actividades/aplicaciones asociadas a cada sector, se discutió qué indices serían los más

importantes y qué tipo de productos y decisiones podrían tomarse a partir de los mismos. Esto

ejemplificó casos reales de aplicación de los productos y en especial el énfasis en las limitaciones

que pudieran tenerse. La Tabla VI.1 muestra un resumen de los ejercicios llevados a cabo.

Sector Índices Aplicaciones

Agricultura y ganadería PRCPT, RX5D, todas de

temperatura, combinación de

TN90p y TN10p

Uso en ETpotencial para ver

días de riego.

Inundaciones: efectos en

cosecha.

Ganado y cultivos dañados

por precipitación y

temperatura.

Cambio en la frecuencia de

heladas.

Riesgos RX5D Inundaciones, cosechas,

deslaves.

Desastres RX5D, CDD Deslaves, incendios

Salud TX*, TN* y PRCPT, R95p,R99p Densidad espacial de vectores

Tabla VI.1. Resumen de los ejercicios por sector llevados a cabo en la última jornada del taller de

entrenamiento.

Uno de los productos más importantes del taller fue la discusión y análisis de la Tabla 3 del

informe final, que resume los resultados obtenidos en este trabajo de manera sucinta. Este

producto debe verse como producido no sólo por el autor del informe, sino que involucra el

consenso y sugerencias de los expertos locales en términos de interpretación óptima de los

resultados.

Finalmente, las presentaciones del taller se han incluido en el paquete de archivos como parte del

Anexo I del informe final.

Documents

ANÁLISIS ESTADÍSTICO CON CLIMDEX DE ÍNDICE CLIMÁTICOS … · PRAA ANÁLISIS ESTADÍSTICO CON CLIMDEX DE ÍNDICE CLIMÁTICOS PARA LAS PROVINCIAS DE PICHINCHA Y NAPO INFORME FINAL