text new page (beta)
Spanish (pdf)
Article in xml format
Article references
Automatic translation
Send this article by e-mail
Cited by SciELO 
Similars in
SciELO 
Permalink
INTRODUCCIÓN
Identificar la vulnerabilidad del cambio climático a escala local es imperativo. La identificación de los umbrales bajo los cuales opera el clima actual, así como de las condiciones anómalas en el clima, ayuda a identificar la vulnerabilidad actual, y así poder actuar con mecanismos propios de los habitantes e instituciones regionales. Disponer de herramientas que permitan construir escenarios del clima futuro y sus impactos son requisitos básicos para analizar la vulnerabilidad futura e identificar las estrategias de adaptación (Puma & Gold, 2011). La adaptación al cambio climático es un conjunto de acciones que garanticen el bienestar de la sociedad y de los sistemas naturales bajo escenarios climáticos futuros para enfrentar los aspectos negativos del cambio climático, disminuir su vulnerabilidad, minimizar daños y aprovechar posibles beneficios de las nuevas condiciones climáticas (Baede, van der Linden & Verbruggen, 2010; Magaña, 2000). En el curso de los próximos años, la capacidad de resiliencia (Thompson, 2012) económica, social y natural de México ante el cambio climático dependerá de iniciativas de la sociedad, de las políticas públicas y de programas de desarrollo hacia la sustentabilidad (Comisión Intersecretarial de Cambio Climático [CICC], 2009).
El establecimiento de áreas naturales protegidas (ANP) es una de las herramientas más efectivas para poder mantener los ecosistemas dentro de sus funcionamientos naturales, además de permitir la adaptación de la biodiversidad y ayudar a enfrentar el cambio climático. Al designar un área definida geográficamente para su regulación y protección, se pueden ampliar corredores naturales en donde las especies puedan adaptarse y ajustar rangos de distribución frente a nuevas condiciones climáticas (Cruz, 2013; Loss, Terwilliger & Petersen, 2010; Parmesan, 2006; Unión Internacional para la Conservación de la Naturaleza [UICN], 2010). Las ANP son, en sí, una estrategia de adaptación, ya que su objetivo es conservar y restaurar ecosistemas. Los diferentes ecosistemas llegan a almacenar grandes cantidades de carbono, conservan la biodiversidad biológica y mantienen los servicios ambientales para el propio bienestar de la humanidad (UICN, 2010). Estos ecosistemas suministran bienes y servicios ambientales de los que depende la humanidad, sin embargo, pueden verse comprometidos con el cambio climático en su papel de protección y amortiguamiento ante fenómenos hidrometeorológicos extremos, el resguardo de la integridad de los ecosistemas y la moderación del efecto del clima local.
En 2010, en México se dio a conocer la Estrategia de Cambio Climático para Áreas Naturales Protegidas (ECCAP), que tiene como objetivos aumentar la capacidad de los ecosistemas y las poblaciones que habitan en ellas frente al cambio climático y contribuir a la mitigación de emisiones de gases de efecto invernadero. En 2015 se publica la Estrategia de Cambio Climático desde las ANP (Comisión Nacional de Áreas Naturales Protegidas [CONANP], 2015), con el propósito de contribuir a la construcción de un México más resiliente, a través de acciones que protejan y mejoren el manejo de los paisajes bien conservados. Por su parte, la Estrategia Nacional de Cambio Climático visión 10-20-40 (Diario Oficial de la Federación [DOF], 2013) indica que se deben conservar y usar los ecosistemas de forma sustentable, y reconoce a las ANP como soluciones para hacer frente al cambio climático. De modo paralelo, la Ley General de Cambio Climático (DOF, 2012), en los artículos 29 y 30, establece a las ANP como acciones de adaptación que impulsa la construcción de capacidades para la adaptación y aumentar la resiliencia. No obstante estos esfuerzos, la identificación de las amenazas por cambio climático apenas comienza en el sector de conservación. Por otro lado, las estrategias de cambio climático en áreas protegidas recién comienzan a implementarse, por lo que este estudio analizan las oportunidades de incorporar el conocimiento de los cambios del clima local y regional en la Reserva de la Biósfera Sierra Gorda Guanajuato (RBSGGto) para su integración en la toma de decisiones ante la adaptación y la mitigación.
Un escenario se define como una representación plausible y a menudo simplificada del clima futuro, basada en un conjunto internamente coherente de relaciones climáticas, que se construye para ser utilizada de forma explícita en la investigación de las consecuencias potenciales del cambio climático antropogénico (Solomon et al., 2007). Los escenarios de cambio climático son un insumo para las simulaciones de los impactos y requieren de información adicional acerca del clima observado en un momento determinado. Para reflejar mejor el rango de incertidumbre en el clima futuro, es conveniente aplicar un conjunto de escenarios de cambio climático (Nakicenovic et al., 2000).
Los modelos de circulación general de la atmósfera (GCM, por sus siglas en inglés) se utilizan para estudiar la variabilidad y cambio climático, pero requieren acotar su nivel de análisis a nivel regional. La construcción e implementación de escenarios de cambio climático son una de las primeras acciones para realizar evaluaciones de impactos, vulnerabilidad y adaptación al cambio climático, especialmente en el contexto de los impactos potenciales en los sectores clave de un país o una región (Programa de las Naciones Unidas para el Desarrollo [PNUD], 2005), y de ellos depende la dirección de los impactos estimados. La necesidad de contar con información detallada para diseñar políticas de adaptación ha llevado a generar escenarios de cambio climático a escala regional (Puma & Gold, 2011). Los escenarios regionales constituyen puentes entre los especialistas en los GCM y los responsables de construir estrategias de adaptación (Sánchez, Díaz, Cavazos, Granados & Gómez, 2011), ya que relacionan los posibles cambios en el clima con las capacidades humanas actuales y futuras para disminuir sus impactos.
Las técnicas de reducción de escala son generalmente utilizadas para combinar información climática de escala menor con otros datos de más alta resolución, a fin de producir pronósticos de variables climáticas a resoluciones más detalladas. Una gran variedad de métodos estadísticos de reducción que se reportan en la literatura se pueden clasificar en tres amplias categorías: (1) modelos de regresión, (2) clasificación del clima y (3) generadores climáticos (Estrada, Guerrero & Gay, 2010; Puma & Gold, 2011). Las técnicas estadísticas de reducción de escala se basan en el establecimiento de relaciones empíricas entre variables de baja y alta resolución. Por lo tanto, este método está basado en la influencia del estado climático a gran escala y en los aspectos fisiográficas regionales, como la topografía y el uso del suelo, dentro del clima de una región (Zermeño, 2008).
El escalamiento temporal puede ser de tipo estadístico y, para ello se usan los Generadores Estocásticos de Tiempo Meteorológico (GETM). Además de reducir la escala espacial de las salidas de los GCM, para obtener un mayor análisis, es necesario que los escenarios de cambio climático a escala regional posean información sobre actividad de tiempo meteorológico extremo. Para esto, se requiere pasar de escenarios mensuales a información diaria, y para ello se aplican los GETM, los cuales se basan en el establecimiento de relaciones empíricas entre variables de baja y alta resolución, de distintas variables, como precipitación, radiación, temperatura mínima, máxima de los campos observados diarios (Magaña, 2010). Así, la información diaria generada no corresponde a un pronóstico, sino a una condición que satisface condiciones estadísticas del modelo, derivadas de las relaciones empíricas entre las variables analizadas de alta resolución (Méndez, 2003; Zermeño, 2008).
Un GETM produce secuencias diarias realistas de variables climáticas como precipitación, temperatura máxima, mínima, humedad, etcétera, con las mismas características estadísticas (probabilísticas) que los datos observados para la estación o punto de malla a escalar en la proyección. La componente estocástica en un generador de tiempo está controlada por la selección de un número al azar, a través del proceso aleatorio. Cambiando este número, se obtienen secuencias de tiempo completamente diferentes, lo cual significa que es posible generar muchas secuencias de tiempo diario de un escenario en particular. Las secuencias estadísticas de cada escenario serán muy parecidas, pero no idénticas (Semenov & Brooks, 1999).
De manera similar, se pueden analizar cambios en las condiciones extremas de otros parámetros meteorológicos, como la media y la desviación estándar. El análisis de eventos extremos debe incluir variables climáticas promedios o valores promedios y extremos de las variables climáticas. La predicción depende, en gran medida, de la variable; por ejemplo, la temperatura diaria o mensual mínima, máxima y promedio (Puma & Gold, 2011). A partir de los escenarios mensuales regionalizados se generan series de cien años de datos diarios con un GETM. Las estadísticas de la distribución probabilística de condiciones diarias de temperatura y precipitación se desarrollan para los periodos de 2025, 2050 y 2075, que corresponde a las décadas centradas alrededor de estos periodos.
Un GETM permite evaluar, probabilísticamente, posibles cambios en eventos extremos de precipitación y temperatura bajo escenarios mensuales, ya que contribuye a generar series aleatorias de datos diarios de cien años, que al ser una muestra más grande da robustez estadística a la proyección. Los GETM son usados siempre que se requieran modelos de impactos en una pequeña escala (Semenov & Brooks, 1999). Un ejemplo de un GETM es el llamado Long Ashton Research Station Weather Generator (LARS-WG) (Semenov, Brooks, Barrow & Richardson, 1998) que genera datos sintéticos diarios para una estación climatológica o punto en el espacio a partir de condiciones observadas de precipitación, temperatura máxima, mínima y radiación, en relación con condiciones mensuales. Aplicaciones del modelo LARS-WS a escala local en México han resultado en alta confiabilidad en estudios aplicados al rendimiento del frijol en Durango (Esquivel-Arriaga et al., 2014), así como en la comparación con otro modelo estadístico-dinámico (Camargo-Bravo & García- Cueto, 2011).
La región de la RBSGGto recibe la influencia de diversos sistemas meteorológicos: en verano por ondas tropicales, vaguadas y líneas de convergencia, y en invierno, por frentes fríos, ocasionando bajas temperaturas (Comisión Nacional para el Conocimiento y Uso de la Biodiversidad [Conabio], 2012). Una de las principales afectaciones es la sequía, como la ocurrida entre los años 2005 y 2006 (Cruz, 2013). En el 2009, la ocurrencia del fenómeno El Niño redujo las precipitaciones en Guanajuato y ocasionó un periodo prolongado de sequía que afectó a todo el estado (Sistema Estatal de Información del Agua [SEIA], 2008).
Asimismo, en la zona que abarca el área de amortiguamiento de la reserva se encuentra la presa El Realito, que terminó de construirse en 2013, la cual se beneficia de la recarga de los acuíferos de la RBSGGto; proyecto que se basa en la creación de infraestructura hidráulica para garantizar el suministro de agua potable a San Luis Potosí y a los municipios de la región noreste del estado de Guanajuato. Hidrológicamente, la RBSGGto se localiza en una zona que siempre se ha visto limitado el recurso hídrico, tanto del agua subterránea como superficial, ocasionando que el crecimiento poblacional y económico también sea limitado (Bello, 2014; Cruz, 2013; Uzeta, 2005). Además, los servicios ambientales son fuertemente disminuidos en la zona donde se construye la cortina de la presa, por ejemplo, se ha reportado un impacto directo al bosque de galería que se encuentra establecido a las márgenes del río Santa María (Comisión Nacional del Agua [Conagua], s/a).
Ante este diagnóstico, surgen las siguientes preguntas: ¿qué cambios se esperan en la temperatura, precipitación y los eventos extremos a escala regional en la RBSGGto ante el cambio climático? y ¿qué implicaciones hidrológicas pueden tener estos cambios en el funcionamiento de la infraestructura actual y futura?
De igual forma, el objetivo principal de la investigación es identificar la amenaza climática actual y futura de la RBSGGto, mediante un Generador Estocástico del Tiempo Meteorológico (GETM-LARS) para el periodo de 2010-2099, así como calcular el balance hídrico con base en las tendencias y los escenarios del clima. La generación de escenarios de línea base y tendenciales del clima resultarán de utilidad para la toma de decisiones estatales, locales y de actividades de conservación, al igual que el uso del clima como un recurso actual y futuro por parte de las comunidades de habitan la reserva.
MATERIALES Y MÉTODOS
Sitio de estudio
En 2007, por decreto, la zona conocida como Sierra Gorda de Guanajuato aprobó las características y requisitos para ser protegida, por lo que se declaró área natural protegida (ANP) (DOF, 2007), con el carácter de reserva de la biósfera (Instituto de Ecología del Estado de Guanajuato [IEG], 2005). Se ubica en el estado del mismo nombre, entre las coordenadas geográficas 21°10’42.13’’ y 21°41’15’’ latitud norte, y 99°40’17.16’’ y 100°28’35.92’’ longitud oeste; se localiza en los municipios de Atarjea, San Luis de la Paz, Santa Catarina, Victoria y Xichú; cuenta con una superficie total de 236 882 ha, de las cuales 158 578 ha forman parte de la zona de amortiguamiento y 78 304 ha conforman la zona núcleo (figura 1).
Fuente: Elaboración propia con datos de Conanp (2012) e INEGI (2012).
Figura 1 Ubicación general de la zona de estudio.
Para asegurar la cobertura de la información climática, fue necesario generar un área de influencia (buffer) de 20 km alrededor del límite de la RBSGGto (figura 1), que incluyeron 22 estaciones climatológicas (figura 1 y tabla 1), de las cuales cinco se encuentran dentro de la poligonal de la reserva y 17 se seleccionaron con base en el área de influencia.
Tabla 1 Situación general de las estaciones ubicadas en la RBSGGto.
| Clave | Nombre | Municipio | Lat | Long | Altitud | Inicio | Fin | Prueba de Homogeneidad |
|---|---|---|---|---|---|---|---|---|
| 11015 | Charcas | Doctor Mora | 21.14 | -100.32 | 2114 | 01/04/1949 | 31/07/2008 | Homogénea |
| 11037 | Las Mesas | San Luis de la Paz | 21.5 | -100.44 | 2290 | 01/01/1961 | 31/12/1995 | Homogénea |
| 11046 | Minas de Maguey | Victoria | 21.55 | -100.13 | 1000 | 01/01/1961 | 30/06/1988 | Homogénea |
| 11053 | Pozos | San Luis de la Paz | 21.21 | -100.49 | 2203 | 01/04/1949 | 30/06/2009 | Homogénea |
| 11062 | San Antonio de los Martinez | San Luis de la Paz | 21.4 | -100.38 | 2280 | 01/01/1961 | 30/04/1992 | Homogénea |
| 11063 | San Cristobal | San Luis de la Paz | 21.26 | -100.46 | 1935 | 01/09/1965 | 31/07/2008 | Homogénea |
| 11068 | San Luis de la Paz | San Luis de la Paz | 21.29 | -100.51 | 1933 | 01/08/1924 | 31/12/2007 | Homogénea |
| 11080 | Villa Doctor Mora | Doctor Mora | 21.15 | -100.31 | 2125 | 01/07/1953 | 30/11/1990 | Homogénea |
| 11081 | Villa Victoria (Smn) | Victoria | 21.2 | -100.21 | 1800 | 01/01/1949 | 31/12/1985 | Homogénea |
| 11082 | Villa Victoria (Dge) | Victoria | 21.21 | -100.21 | 1800 | 01/01/1986 | 31/07/2008 | Homogénea |
| 11083 | Xichú | Xichú | 21.13 | -100.05 | 1310 | 01/01/1969 | 30/06/2009 | Homogénea |
| 11111 | Atarjea | Atarjea | 21.26 | -99.71 | 1200 | 01/06/1976 | 31/07/2008 | Homogénea |
| 11119 | Tierra Blanca | Tierra Blanca | 21.09 | -100.15 | 1760 | 01/07/1976 | 30/11/2008 | Homogénea |
| 22002 | Ayutla | Arroyo Seco | 21.36 | -99.59 | 950 | 01/12/1965 | 31/05/2007 | Homogénea |
| 22012 | Peñamiller (Smn) | Peñamiller | 21.05 | -99.81 | 1325 | 01/01/1944 | 31/12/1986 | Homogénea |
| 22036 | Arroyo Seco | Arroyo Seco | 21.54 | -99.68 | 990 | 01/04/1944 | 31/12/2006 | Homogénea |
| 22051 | El Comedero | Peñamiller | 21.14 | -99.77 | 1880 | 01/01/1982 | 31/12/2006 | Homogénea |
| 22057 | Peñamiller (Dge) | Peñamiller | 21.05 | -99.8 | 1325 | 01/12/1982 | 30/09/2007 | Homogénea |
| 22062 | Guillen | Peñamiller | 21.04 | -99.86 | 1370 | 01/02/1982 | 30/06/2007 | Homogénea |
| 24050 | Paredes | Rioverde | 21.7 | -100 | 1300 | 01/04/1960 | 31/05/2007 | Homogénea |
| 24054 | Pedro Montoya | San Ciro de Acosta | 21.65 | -99.83 | 830 | 01/12/1965 | 31/05/2007 | Homogénea |
| 24093 | Tierra Nueva | Tierra Nueva | 21.66 | -100.57 | 1780 | 01/01/1961 | 31/07/2007 | Homogénea |
Fuente: Elaboración propia con datos del Sistema de Clima Computarizado (CLICOM).
La prueba de recorrido consiste en evaluar los cambios de cada uno de los elementos de la serie en relación con la mediana, y compara el número de cambios con los umbrales correspondientes a una distribución de frecuencias de una serie aleatoria (para este caso Criterio de Doorenbos). Si el número de rachas está dentro del límite establecido, la serie se considera homogénea; si existen muchas rachas, indica una oscilación en la mediana durante el periodo de la muestra y, por tanto, se considera heterogénea (Fernández, 1996).
Datos del clima y aplicación de LARS-WG
Los datos de las variables climáticas se obtuvieron de Sistema Clima Computarizado (CLICOM) del Servicio Meteorológico Nacional (SMN) y de la base de datos del Extractor Rápido de Información Climática (ERIC III v.2.0) del Instituto Mexicano de Tecnología de Agua (IMTA). La base de CLICOM se utilizó para medir la calidad de los datos a partir de la prueba de funcionamiento y la prueba de recorrido (Fernández, 1996) para las 22 estaciones. El periodo de registro de las estaciones abarca un promedio de 40 años. Los datos generales de cada una de las estaciones que se encuentran en la zona de trabajo abarcan tres estados: Guanajuato (13), Querétaro (6) y San Luis Potosí (3). La prueba de homogeneidad, fue aplicada a las 22 estaciones; el resultado arrojó que 20 estaciones son homogéneas y 2 heterogéneas (tabla 1). San Luis de la Paz (11068) y Arroyo Seco (22036) tienen una mayor longitud observable y fueron utilizadas para aplicar el GETM LARS-WG. Una vez seleccionadas las estaciones de la zona y realizada la prueba de recorrido y funcionamiento se procede a aplicar LARS-WG, para lo cual se generan los archivos de sitio (Juan Matías Méndez Pérez, comunicación personal ):
-
Calibración para generar el clima sintético. Se observan los datos meteorológicos y se analizan para determinar sus características estadísticas. Los datos de calibración deben ser simulaciones correspondientes a un periodo observado para cada una de las estaciones.
Validación evalúa la capacidad de LARS-WG para simular el clima en el lugar. Se generará el número de experimentos con base en la “semilla” aleatoria de la componente estocástica del modelo (simulaciones que se repiten de la misma forma, una y otra vez) (Rand seed, se le asigna por defecto), donde las características estadísticas de la observación y los datos meteorológicos sintéticos se analizan para determinar si existen diferencias estadísticamente significativas.
-
Generación de las series de tiempo. Se selecciona el punto geográfico más cercano de cada estación y se usaron los puntos malla del modelo del escenario con base en Zermeño (2008); se selecciona el escenario según las coordenadas de la estación más cercana.
Para este estudio se usaron dos escenarios: A2 (B) muy altas emisiones y A1B (C) de emisiones medias para los periodos centrados de 25 (2010-2039), 50 (2040-2069) y 75 (2070-2099), con una resolución de 0.5 km, clasificados en eventos extremos, datos atípicos, rango de normalidad y la media. Los datos sintéticos realizados pertenecen a un escenario, que corresponde a datos de temperatura máxima, mínima y precipitación, se contrastan con la climatología de la estación para explicar las condiciones históricas y futuras en la región.
Los datos arrojados por LARS-WG sugieren cambios en las condiciones extremas de los parámetros meteorológicos, con base en gráficas como de caja (boxplot) y la Función de Densidad de Probabilidad (PDF, por sus siglas en inglés). Las estadísticas de la distribución probabilística de condiciones diarias de temperatura y precipitación se desarrollan para los periodos: proyección cercana (2010 al 2039), media (2040 al 2069) y a largo plazo (2070 al 2099).
Con las series de tiempo obtenidas de los datos observados y de los escenarios regionalizados se generaron diagramas de boxplot y PDF, con las cuales se identifica si el clima en la región presenta cambios en las series de tiempo que se desarrollan para los periodos: proyección cercana, media y a largo plazo.
c) Aplicación de un modelo de balance hídrico. El modelo WebWIMP (Web-based, Water Budget, Interactive, Modeling Program, Matsuura, Willmott & Legate, 2009) está diseñado para calcular el balance hídrico de cualquier ubicación con datos de temperatura promedio mensual y de precipitación, que se han interpolado a 0.5° de latitud por 0.5° de longitud; asimismo, el balance hídrico está calculado por la modificación de Thornthwaite, mismo que considera variables como evapotranspiración y balance de vapor de agua. Cuando las necesidades de agua de la vegetación (evapotranspiración potencial) y agua, utilizadas efectivamente (evapotranspiración real), se comparan, se puede calcular la escasez de agua: déficit de humedad (Matsuura et al., 2009).
RESULTADOS
Escenarios de cambio climático para la RBSGGto
Con la aplicación del GETM LARS-WG para escenarios de cambio climático regionalizados se obtuvo para la RBSGGto el promedio de la temperatura mínima, la cual tiende a aumentar 1 °C, mientras que los valores atípicos alcanzan un incremento de hasta 6 °C respecto a la temperatura observada. Los resultados apuntan a un incremento en la frecuencia de los eventos máximos extremos, pero sin cambios en la intensidad. Estos escenarios sugieren un aumento en los valores de las temperaturas mínimas de la región. Por otro lado, la temperatura máxima tiende a aumentar entre 1 °C y 2 °C para la región de la reserva. Para algunas estaciones, los valores mínimos atípicos de las temperaturas máximas disminuyen su intensidad aproximadamente 1 °C (11 068, 11 080, 11 083, 11 111, 11 119, 22 036, 22 057, 22 062 y 24 093), mientras que en otras aumenta con valores de 1 °C (11 015, 11 046, 11 063, 11 082, 22 002, 22 012, 22 051 y 24050). La precipitación presenta resultados diferentes en cada estación, solo en algunas se incrementa la intensidad en 2 mm (11 046, 11 068, 11080, 11082, 11 119, 11111, 22 036, 22 051), mientras que diez estaciones no presentan cambios en los valores promedio (11 015, 11 053, 11080, 11 083, 11 111, 11 119, 22 002, 22 051, 22 057, 24 093). Los valores moderadamente atípicos y atípicos de la precipitación presentan incremento de 5 mm en varias estaciones (11 046, 11 068,
11 080, 11 082, 11 111, 11 119, 22 002, 22 036, 22 051, 24 050), a excepción de cuatro estaciones (11 015, 11 063, 11 083, 22 062) que muestran una disminución de 1 mm en valores máximos moderadamente atípicos. Los valores atípicos no presentan cambios solo en las estaciones (11 015, 11 082, 11 083). En casi todas las estaciones (72%) se presenta una disminución en la intensidad de los valores extremos, entre 10 mm y 25 mm menos que la precipitación observada; con excepción de una estación (11 083), que presentó un aumento de 3 mm y en tres estaciones disminuye (11 053, 11 080, 24 050).
Los resultados de la simulación con el GETM-LARS demuestran que en la estación Atarjea, bajo el escenario B (A2 muy altas emisiones), la temperatura máxima representada incrementa 1 °C al escenario cercano, 2010-2039 (figura 2a) con respecto a la temperatura observada, que es de 28 °C.
Fuente: Elaboración propia con datos del Servicio Meteorológico Nacional (SMN) (2011).
Figura 2 Gráficas de Boxplot y PDF del escenario B para la estación Atarjea de los datos observados, contrastados con los realizados con LARS-WG a) Boxplot de temperatura máxima observada con los escenarios proyectados; b) PDF de la temperatura máxima y proyección a mediano plazo.
El incremento de la mediana va aumentando conforme se aleja de la serie observada, llegando a una temperatura máxima de 30.5 °C al escenario lejano (2070-2099). En cuanto a las condiciones extremas, también se identifica un cambio, tanto en los valores máximos y mínimos atípicos como en los extremos, presentándose mayor intensidad y frecuencia en los máximos atípicos, aumentando de 44° C (observada) a 51.2 °C del escenario lejano (2070-2099). Los valores mínimos extremos ya no se presentan en las series de tiempo proyectadas, lo que indica un desplazamiento en el tiempo hacia temperaturas más cálidas.
Asimismo, la temperatura máxima para el escenario cercano en su PDF (figura 2b) presenta un desplazamiento de la curva, incrementando la temperatura y disminuyendo en frecuencia. El valor de la media cambia, incrementando 1.3 °C. Los valores mínimos atípicos aumentan 2 °C y disminuirán su frecuencia. En los valores máximos atípicos se presentan nuevas frecuencias que van de los 47.5 °C a los 49.5 °C; las frecuencias observadas van de los 40.5 °C a los 42.5 °C. La tendencia de la curva es desplazarse a temperaturas más cálidas; esto es, presentarse menos eventos de temperaturas mínimas extremas y se observan nuevos eventos de temperaturas máximas con una mayor intensidad y menor frecuencia.
Los resultados de boxplot para la temperatura mínima (figura 3a) se observa que el valor de la media aumenta 1 °C en el escenario cercano (2010-2039) con respecto a la observada de 14 °C.
Fuente: Elaboración propia con datos de SMN (2011).
Figura 3 Gráficas de Boxplot y PDF del escenario B para la estación Atarjea de los datos observados, contrastados con los realizados con LARS-WG a) Boxplot de la temperatura mínima observada con los escenarios proyectados; b) PDF de la temperatura mínima y su proyección a mediano plazo.
La temperatura se desplaza a temperaturas más cálidas conforme se recorren las series de tiempo. Los valores mínimos atípicos presentan un decremento de la temperatura de 0.5 °C para el escenario cercano (2010-2039) con respecto a los observados de -3 °C.
La temperatura mínima para la gráfica de PDF muestra un escenario medio (figura 3b) que presenta un desplazamiento de la curva, incrementando la temperatura y disminuyendo en frecuencia. El valor de la media cambia, incrementando 1.5 °C. Los valores mínimos extremos aumentan 2 °C y disminuyen su frecuencia. En los valores máximos extremos se presentan nuevas frecuencias, que van de los 27.5 °C a los 29.5 °C, las frecuencias observadas van de los 20.5 °C a los 22.5 °C. La tendencia de la curva es desplazarse a temperaturas más cálidas, esto significa que, se esperan menos eventos de temperaturas mínimas extremas y más eventos de temperaturas máximas.
Para la precipitación para las gráficas de boxplot (figura 4a), el valor de la mediana se conserva. El cambio más representativo se observa en los valores atípicos y en los extremos.
Fuente: Elaboración propia con datos de SMN (2011).
Figura 4 Gráficas de Boxplot y PDF del escenario B para la estación Atarjea de los datos observados, contrastados con los realizados con LARS-WG a) Boxplot de precipitación con los distintos escenarios proyectados; b) PDF de la precipitación y su proyección a mediano plazo.
En el caso de los valores atípicos, hay un aumento en la intensidad que va de los 48 mm (observada) a los 50 mm (para el periodo lejano del 2070 al 2099). En cuanto a los extremos, se observa una disminución en la frecuencia y en la intensidad de 107 mm (observada) a 92 mm (para el periodo lejano del 2070 al 2099).
Asimismo, la precipitación y su gráfica en PDF para el escenario medio (figura 4b) muestra que la curva del escenario se desplaza hacia menores frecuencias de los valores, en donde se concentra la media de los datos. La intensidad permanece como la observada. La frecuencia permanece al igual que la observada en los datos que se encuentran debajo de la curva. Las frecuencias extremas del escenario incrementan con respecto a las observadas y su intensidad aumenta 4 mm.
Balance hídrico para la RBSGGto
El análisis del balance hídrico muestra que para los meses de noviembre, diciembre, enero, febrero y marzo existe una carga estimada negativa en la humedad del suelo, mientras que para los meses de febrero, marzo, abril y mayo se encuentra el déficit en la humedad del suelo, y los meses favorecedores para la zona son junio, julio, agosto, septiembre y octubre de entre 80 mm y 140 mm sin presentar un superávit (figura 5).
Fuente: WebWIMP (Matsuura et. al., 2009).
Figura 5 Gráfica obtenida por el programa WebWIMP donde se observa el ciclo anual: DEF: Déficit de humedad del suelo, DST: Carga estimada en la humedad del suelo, (-) Es el agua tomada del suelo para satisfacer las necesidades de evapotranspiración, (+) Es el agua que regresa al suelo por precipitación, SURP: Superávit estimado.
Los datos a nivel mensual del modelo WebWIMP (tabla 2) registran como valor máximo 22.4 °C de temperatura mensual máxima para mayo, que corresponde con el déficit mostrado en la figura 3 y de temperatura mínima 15.1 °C para el mes de enero.
Tabla 2 Datos mensuales obtenidos mediante el modelo de balance hídrico.
| Mes | Temp (C°) | Prec (mm) |
|---|---|---|
| Enero | 15.1 | 13.4 |
| Febrero | 16.8 | 7.8 |
| Marzo | 19.1 | 12.9 |
| Abril | 21.0 | 25.5 |
| Mayo | 22.4 | 55.7 |
| Junio | 22.1 | 92.5 |
| Julio | 21.2 | 72.9 |
| Agosto | 21.1 | 71.4 |
| Septiembre | 20.5 | 79.0 |
| Octubre | 18.7 | 34.4 |
| Noviembre | 16.9 | 12.2 |
| Diciembre | 15.6 | 6.8 |
| Anual | 19.2 | 484.5 |
Fuente: Elaboración propia con datos de CLICOM.
El valor máximo de precipitación es de 92.5 mm en junio y el valor mínimo fue de 6.8 mm para diciembre.
DISCUSIÓN
Los escenarios regionales ofrecen una medida de confianza o posible incertidumbre en las proyecciones (Méndez, 2003). La aplicación de escenarios regionales de cambio climático permite aproximar las tendencias globales con el comportamiento local del clima. Para este estudio, los resultados señalan que la temperatura tiende a incrementarse entre 1 °C y 2 °C proporcionalmente a los años proyectados; es decir, conforme transcurra el tiempo se incrementará la temperatura de la RBSGGto. En lo que respecta a la precipitación, los valores extremos muestran una tendencia a disminuir, serán menos frecuentes e intensos.
Los resultados obtenidos en este estudio por medio del GETM-LARS muestran coincidencias con los valores obtenidos en el Programa Estatal de Cambio Climático del Estado de Guanajuato (PECCEG), con base en escenarios no regionalizados en donde el escenario A2 del IPCC para la región presenta cambios significativos para el noreste del estado, con un aumento en la temperatura entre 0.5 °C y 2.5 °C, así como una disminución entre 0% a 5% de la precipitación. Mientras que los del PECCEG, para su escenario cercano (2010-2039) la temperatura tendrá un aumento de entre 0.5 °C y 1 °C, para el escenario medio (2040- 2069) la temperatura aumentará entre 1.5 °C y 2 °C, para el escenario lejano (2070-2099) aumentará entre 2 °C y 2.5°C, alta coincidencia con los obtenidos con el GETM-LARS que también aumenta 1 ºC en valores promedios, mientras que la precipitación media anual para los tres casos disminuirá entre 0% y 5%, los obtenidos con el GETM-LARS tienden a la disminución entre 0% y 30%.
En este trabajo se pudo acotar el cambio a escala regional con una mayor precisión (0.5 km por 0.5 km de malla) por medio de la aplicación del LARS-WG. En general, existe un incremento de 1 °C a 2° C con respecto a la temperatura observada. Habrá consecuencias en tres presiones que se presentan en la reserva, las cuales son: sequía, erosión y pérdida de la biodiversidad. Debido al incremento de la temperatura, se hace más recurrente e intensa la sequía, lo cual puede reducir la productividad de los suelos, especialmente en las zonas secas de la RBSGGto.
Martínez, Ortega-Sánchez & Ramos (2013), en un estudio sobre índices climáticos regionales para el estado de Guanajuato, detectaron que habrá aumento de sequía meteorológica asociado con el aumento de temperaturas para los siguientes años. Asimismo, en el diagnóstico realizado para la RBSGGto (Cruz, 2013; SEIA, 2008) se identificó la presencia del fenómeno El Niño en 1998, lo que provocó altas temperaturas, sequía e incendios forestales, incidiendo en la propagación de plagas forestales en la región. Aunado a esto, la presencia del descortezador (Dendroctonus mexicanus) ha afectado severamente los bosques de pino piñonero (Pinus cembroides) en los municipios de Atarjea y Xichú (Cruz, 2013). Otro de los problemas presentes en la región causados por el cambio en el clima es la presencia de muérdago (plantas parásitas); en los bosques de encino (Quercus) de San Luis de la Paz se identifican afectaciones por Phoradendron lanceolatum y P. longifolium (Cruz, 2013).
En el estado de Guanajuato, en general, y en la RBSGGto, en lo particular, el recurso hídrico es limitado, dificultando el abastecimiento a la población. Esta condición de aridez del clima se ha presentado siempre, por lo que aparentemente la disminución de la precipitación no representa una problemática apremiante para las autoridades, ya que, a decir de ellos, ante tales amenazas no se puede hacer nada más que adaptarse (Ing. A. Ildefonso, comunicación personal). Sin embargo, las tendencias del clima, de acuerdo con los escenarios obtenidos en este estudio, apuntan a una necesidad urgente en la toma de decisiones sobre la gestión regional del agua. De acuerdo con Cruz (2013), existe desabasto de agua en la zona, por lo que la Conagua construyó la presa El Realito. No obstante, los resultados de este estudio indican que en la región no llueve lo suficiente, ya que alrededor de los 40 mm- 50 mm son considerados como eventos extremos y que para la operación de la presa se requiere alcanzar los 50 hm3 (50 000 000 m3) de agua, por lo que no fue viable su ubicación. Esta conclusión fue identificada en otros estudios como Martínez et al. (2013). Existen también opiniones encontradas sobre la construcción de la presa entre las personas beneficiadas, a quien se les destinará el recurso agua y los habitantes de la RBSGGto que se vieron afectados por el mal pago de tierras por procesos de expropiación. Con los resultados obtenidos del modelo de balance hídrico de este estudio, la construcción de más obras de almacenamiento de agua puede no ser la mejor solución si se considera que debido al cambio climático existiría un serio problema de evaporación (Martínez et al., 2013). Una opción más adecuada sería trabajar en la recarga de acuíferos como una opción de bajo costo, con alta capacidad, y en donde se evitaría la evaporación, así también en la recuperación de la calidad del agua en las fuentes superficiales (Delgado, Gay, Imaz & Martínez, 2010; Urbina & Martínez, 2006).
Aunado al problema hídrico, la RBSGGto es además susceptible a la erosión. Al ser una zona con relieve montañoso, la topografía accidentada y su régimen de lluvias es susceptible de sufrir el efecto de la erosión. Se presenta así el riesgo por inestabilidad de ladera, lo que deriva en el uso de mallas de protección para evitar la caída del material (Cruz, 2013). No obstante, en la RBSGGto se cuenta con programas de asociaciones como Suelo Feliz y del Consejo de Agricultura Orgánica y Permacultura (COAS) (Cruz, 2013), que complementan las acciones relacionadas con el uso de mallas para atenuar los deslizamientos. Sin embargo, existen sitios en riesgo, en especial durante la temporada de lluvias, dejando incomunicadas a las comunidades. Por lo anterior, hacen falta trabajos y acciones relacionadas con la erosión del suelo.
Una de las acciones que refuerzan el monitoreo climático en la zonas es la implementación de una red de estaciones meteorológicas dentro de las ANP, una de ellas está localizada dentro del ANP desde 2012 (Conanp / Fondo Mexicano para la Conservación de la Naturaleza A.C. [FMCN] / The Nature Conservancy [TNC], 2011). Además de la identificación climática actual y futura, es necesario continuar el trabajo en la evaluación de las capacidades locales de adaptación. Dado a que la población vive en condiciones de pobreza y marginación, la RBSGGto se considera una zona con una baja capacidad de adaptación al cambio climático, por lo que la fragilidad económica y social son las principales fuentes de vulnerabilidad. Esta alta vulnerabilidad al cambio climático ocasionará graves consecuencias para aquéllos que dependen de los servicios ambientales que proveen los ecosistemas. Los diagnósticos para la evaluación de la vulnerabilidad son incluidos en diversos programas estatales. Los resultados de este estudio pueden ser de utilidad para que el Programa de Manejo de la Reserva en el componente de mitigación y adaptación al cambio climático, así como para su respectiva Estrategia de Cambio Climático de la Zona y su Programa de Adaptación al Cambio Climático, en sus módulos de escenarios y proyecciones futuras.
CONCLUSIONES
El trabajo desarrollado aporta un avance en cuanto a la identificación de la vulnerabilidad climática futura en la RBSGGto, ya que se generaron escenarios climáticos regionalizados, por medio del GETM-LARS, con resultados de una resolución espacial detallada de utilidad para los estudios de evaluación de impactos regionales. A partir de estos escenarios regionalizados se logró comprobar el cambio en el clima para el periodo del 2010 al 2099, y con base en ellos se explica que habrá un impacto debido al cambio climático el cual conllevará a un incremento de los eventos de temperaturas máximas extremas y a un decremento de los eventos de temperaturas mínimas extremas.
Por el incremento de 1 °C a 2 °C con respecto a la temperatura observada, habrá consecuencias en tres presiones que se presentan en la reserva: sequía, erosión y pérdida de la biodiversidad. Debido al incremento de la temperatura, se hace más recurrente e intensa la sequía, lo cual puede reducir la productividad de los suelos, especialmente en las zonas secas de la RBSGGto. La erosión afecta los suelos locales llevándolos a un punto crítico de desertificación, los efectos en primera instancia se reflejarán en la pérdida de la biodiversidad y en el bienestar de las familias que se encuentran dedicadas a la agricultura de subsistencia, poniendo en riesgo su propia seguridad alimenticia. Por estas condiciones, resulta evidente la importancia de establecer medidas de adaptación que sean óptimas y que realmente cumplan con el nivel de compromiso para poder reducir los impactos adversos del cambio climático. Solo por medio de la implementación de las estrategias de adaptación al cambio climático, la población que habita la RBSGGto podrá reducir la vulnerabilidad, además de fortalecer e impulsar medidas que favorezcan una mayor resiliencia de los ecosistemas. Es importante considerar que para implementar una estrategia de adaptación, independientemente de las medidas que se incorporen, siempre van a tener un costo; sin embargo, el costo de la acción siempre será menor que el de la inacción. Finalmente, deberán valorarse la viabilidad, eficiencia y el plazo de dichas medidas de adaptación al cambio climático, así como su incorporación dentro de las políticas de manejo actuales y futuras de la RBSGGto.
