Evaluación del método de análogos para la simulación de la precipitación diaria en una región de orografía compleja

Abstract

Los Modelos Climáticos Globales (GCM) son la principal herramienta disponible para realizar predicciones sobre el clima en escenarios futuros, sin embargo, los mismos presentan un desempeño bajo para reproducir el clima local debido a su resolución espacial limitada. Esta característica se acentúa en regiones de orografía compleja. En el presente trabajo, se exploró la posibilidad de añadir valor agregado al modelado de la precipitación diaria a través de un método estadístico de reducción de escala (downscaling) en la región de los Andes Centrales. Se utilizó la precipitación diaria de 83 estaciones de la región durante el periodo 1981-2015 para calibrar el método de análogos utilizando el reanálisis ERA-Interim. Las series construidas a partir de los modelos de downscaling estadístico mostraron resultados más fidedignos en comparación con datos crudos del reanálisis, especialmente en el cálculo de valores medios y de estadísticos de escala diaria. En líneas generales, los modelos basados en la información de predictores atmosféricos locales obtuvieron un mejor desempeño que los constituidos utilizando la información de gran escala simplificada en base a un análisis de componentes principales. El desempeño de los modelos de downscaling a lo largo del dominio no fue uniforme, obteniéndose mejores resultados en las estaciones chilenas del sector sur. Esto posiblemente fue debido a que el forzante sinóptico dominante es bien capturado por los modelos de downscaling. Los distintos aspectos temporales de la variabilidad de la precipitación (intraanual, interanual y tendencias de largo plazo) fueron hábilmente reproducidos por los modelos estadísticos.

Global Climate Models (GCMs) are the main tool available to predict future climate scenarios, nevertheless their performance of GCMs might be hindered by their limited spatial resolution in complex orography regions, such as the Central Andes. In this paper, possible added value via statistical downscaling modeling for daily precipitation in Central Andes region was explored. Data from 83 rain gauge stations in the period 1981-2015 was used in order to calibrate an analog method employing ERA-Interim reanalysis. Statistical downscaling models proved to be more accurate than reanalysis precipitation raw data, particularly for mean precipitation values and variables built on a daily basis. Models based on information from local atmospheric predictors showed better performances than those built on large scale data simplified via principal component analysis. Performance of downscaling models was not even throughout the domain, showing more accurate results in Southern Chilean stations. This was probably due to synoptic forcing being well captured by downscaling models. Precipitation variability at different time scales (intraannual, interannual and long-term tendencies) was successfully replicated by statistical models.