Cuenca de estudio

La Figura 1 muestra la localización, zonas climáticas y corrientes principales de la cuenca del río Tampaón. La cuenca tiene un rango de altitud entre 18m y 3500 m, una superficie de 23 373 km² y se localiza principalmente en el estado de San Luis Potosí. La cuenca tiene su parteaguas más lejano en el estado de Guanajuato, donde se origina el río Santa María, que corre de este a oeste hasta encontrarse con el río Verde, donde en esta confluencia se toma el nombre de río Tampaón. Otros ríos importantes que aportan considerables volúmenes son el río Gallinas y el río Valles. Finalmente, el río Tampaón confluye con el río Moctezuma para tomar el nombre de río Pánuco, el cual desemboca en el Golfo de México. El cauce principal tiene una longitud de 323.8 km y una pendiente de 0.007.

Figura 1 Localización de la cuenca del río Tampaón. Los climas se clasifican en tipo A (tropical), tipo B (árido) y tipo C (templado). Consultar ^{Peel et al. (2007}) para detalles de la clasificación de climas Köppen-Geiger. El número de la estación meteorológica corresponde al asignado en la base de datos ^{CLICOM (2016)} 

La cuenca del río Tampaón presenta una gran variedad de climas debido, a las variaciones de altitud de la Sierra Madre Oriental y, por otro lado, a la influencia marítima del Golfo de México. Así, la cadena montañosa actúa como una barrera orográfica que detiene la humedad atmosférica proveniente del océano, originando tres zonas climáticas muy diferentes: en la parte Oriental predomina el clima cálido y húmedo (Climas tipo A), en la parte central se cuenta con un clima templado semihúmedo (Climas tipo C) y la parte occidental presenta un clima árido y templado (Climas tipo B). Esta variedad de climas origina un gran contraste en la vegetación de la cuenca. Así, se puede encontrar bosque de pino-encino en la zona oriental de la cuenca y matorral con una gran variedad de cactáceas en la zona occidental.

Los datos climatológicos para la cuenca se obtuvieron de la base de datos ^{CLICOM (2016)} del Servicio Meteorológico Nacional, periodo 1971-2000, para las estaciones meteorológicas mostradas en la Figura 1. La temperatura promedio anual de la cuenca es de 21.5⁰C y la precipitación promedio anual es 1080 mm. Los datos hidrométricos del periodo histórico se recuperaron de la estación “El Pujal” de la Comisión Nacional del Agua (Figura 1) a partir de la base de datos Banco Nacional de Aguas (i.e., ^{BANDAS; IMTA, 2016}). La Figura 2 muestra el ciclo anual de precipitación, temperatura y caudal para la cuenca de estudio.

Figura 2 Temperatura, precipitación y caudal promedio observados en la cuenca de estudio (1971-2000) 

Simulaciones climáticas

Las simulaciones climáticas provienen de los cinco MCGs mostrados en la Tabla 1. La presente investigación se realizó con base en el escenario de emisión A2, que describe un mundo muy heterogéneo y considera un incremento sostenido de la población mundial; además, el crecimiento económico proyectado con el escenario A2 es regional y el cambio tecnológico hacia fuentes de combustible más limpias es más lento que en otras familias de escenarios (^{IPCC, 2007}). Por lo tanto, este escenario estima un aumento de temperatura medio global mayor que el resto de los escenarios de emisión, lo cual generaría a su vez un impacto mayor en el régimen hidrológico de la cuenca de estudio. Por otro lado, el estudio de ^{Hawkins and Sutton (2009}) que evalúa el cambio en la temperatura media global, revela que en los próximos años y hasta el 2025, los diferentes modelos y escenarios estiman cambios muy semejantes, demostrando el efecto retardado de las emisiones futuras; por lo tanto, este estudio se enfoca entre el periodo de 2046 a 2065 en donde la variabilidad de las proyecciones que aporta el modelo climático es más importante.

Las simulaciones climáticas no se emplean directamente como datos de entrada en los modelos hidrológicos, debido al sesgo sistemático (i.e. bias) que las simulaciones tienen respecto a las observaciones (^{Teutschbein y Seibert, 2012}). Por otro lado, los MCGs tienen una escala muy grande que no es adecuada para la simulación hidrológica. Los métodos estadísticos de corrección de sesgo (i.e. bias correction) permiten corregir el error sistemático entre observaciones y simulaciones climáticas. El método seleccionado para este estudio es el Daily Translation (DT); (^{Mpelasoka y Chiew, 2009}), que encuentra una función estadística entre las simulaciones climáticas y las observaciones en el periodo histórico. Dado que la función se aplica a la serie de observaciones de cada estación meteorológica, las simulaciones provenientes de los MCG se regionalizan al mismo tiempo que se corrige el sesgo.

La corrección de sesgo se realiza como describen las ecuaciones siguientes

En este estudio, la corrección de sesgo se realizó para 50 percentiles. A continuación, la función estadística encontrada en el periodo de referencia se aplica a las simulaciones diarias de clima futuro bajo la hipótesis de que la relación entre simulaciones y observaciones será la misma que en periodo histórico (^{Ho et al., 2012}). Para el periodo futuro (fut), las variables corregidas se obtienen con

El método DT se ha utilizado ampliamente en estudios de impacto del cambio climático en recursos hídricos (e.g. ^{Teutschbein and Seibert, 2012}; ^{Chen et al., 2013}; ^{Levison et al., 2014}).

El balance hídrico de la cuenca se estimó con el modelo hidrológico SWAT (Soil and Water Assessment Tool (^{Arnold et al., 1998}). Los datos de entrada de SWAT son las temperaturas diarias máximas y mínimas, así como la precipitación promedio diaria. SWAT es un modelo semidistribuido, esto es, toma en cuenta la variabilidad espacial del uso y tipo de suelo en la estimación de caudales al dividir la cuenca en múltiples unidades de respuesta hidrológica (URH). El cálculo del balance hídrico de la cuenca se estima con la siguiente ecuación

Los datos de relieve utilizados en SWAT corresponden al Continuo de Elevaciones Mexicano 3.0 (^{INEGI, 2013}).

Diseño experimental

La cadena de modelación para evaluar el impacto del cambio climático a nivel cuenca incluye la calibración y validación del modelo hidrológico en el periodo histórico, y el uso de simulaciones climáticas como datos de entrada al modelo para obtener series de caudales tanto en el periodo de referencia como en el futuro. A continuación se calculan indicadores hidrológicos y la señal de cambio climático se evalúa (e.g. ^{Muerth et al., 2013}; ^{Seiller and Anctil, 2014}; ^{Troin et al., 2015}; ^{Velázquez et al., 2015}).

En el estudio, SWAT se calibró para el periodo 1971-1985 y se validó durante el periodo 1986-2000. El coeficiente ^{Nash-Sutcliffe (NS; Nash and Sutcliffe, 1970}) se utilizó para evaluar la eficiencia del modelo en la simulación de caudales diarios. Un valor de NS = 1 representa la correspondencia perfecta entre observaciones y simulaciones. Se obtuvieron valores de NS entre 0.91 y 0.85 para los periodos de calibración y validación, respectivamente. La Tabla 2 muestra los parámetros más sensibles en la calibración de SWAT para la cuenca de estudio y su descripción.

Tabla 2 Parámetros más sensibles en la calibración de SWAT, su rango y los valores ajustados para la cuenca de estudio 

En el segundo paso, las simulaciones climáticas (una vez corregido el sesgo) se emplearon como datos de entrada en SWAT para simular el caudal tanto en el periodo histórico (1971-2000) como en el periodo futuro (2046-2065). Finalmente se estimó la Señal de Cambio Climático (SCC) en los indicadores hidrológicos calculados con las simulaciones hidrológicas (IH _sim ).

Los indicadores hidrológicos seleccionados son:

La SCC se calculó con la siguiente ecuación

Cambios proyectados en temperatura y precipitación

La Figura 3 muestra el cambio en el promedio anual para la temperatura máxima (T_max), la temperatura mínima (T_min) y la precipitación (P) entre el periodo histórico y el periodo futuro. El cambio más importante en T_max se estima para el periodo de primavera, con valores entre 2.3° y 3.8°, mientras que el invierno es la estación donde se estima el menor incremento, con valores entre 1.5°C y 2.6° (Figura 3a). Como puede notarse en esta figura, los valores del cambio en las variables meteorológicas varían según el MCG considerado. Por ejemplo, el mayor cambio en T_max para verano y otoño se proyecta por CGC, mientras que el menor se proyecta por CM3 (Figura 3a). Por otro lado, el cambio estimado en T_min es menor que el cambio en T_max. Así, el cambio T_min en primavera varía entre 1.2°C y 2.7°C, donde los modelos MK5 y MRI son los que generalmente presentan el mayor y el menor cambio de T_min, respectivamente (Figura 3b). Los resultados varian más para la precipitación, donde se estiman cambios tanto positivos como negativos dependiendo del MCG considerado. Por ejemplo, para el periodo de lluvias (verano) se evalúa un cambio entre -20% y +9%. Estos resultados muestran la variabilidad que existe en las simulaciones climáticas provenientes de diferentes MCG y que, como se verá más adelante, se transmite a las simulaciones hidrológicas. En cuanto a promedios anuales, el rango del cambio en temperatura máxima varía entre 2.12°C (MRI) y 3.05°C (CGC) y para la precipitación anual el rango varía entre -19% (CGC) y +15% (CM3).

Figura 3 Cambio en el promedio de temperatura máxima (T_max), temperatura mínima (T_min) y precipitación (P) entre el periodo futuro (2046-2065) y el periodo histórico (1971-2000) para el invierno (Inv.), la primavera (Pri.), el verano (Ver.) y el otoño (Oto.) calculados para la cuenca de estudio 

La evaluación del posible cambio de la temperatura en la zona de estudio muestra que las estimaciones de los MCGs coinciden con un aumento en la temperatura para el futuro. Sin embargo, las estimaciones del cambio en la precipitación en la región son más variadas. La causa de estas diferencias radica en las diferentes conceptualizaciones de algunos procesos que regulan la precipitación y que no pueden representarse de manera explícita en los modelos climáticos (e.g., la nubosidad) y por lo tanto, deben incluirse de manera aproximada. Además existen limitaciones en cuanto al conocimiento científico y a la disponibilidad de observaciones detalladas de algunos procesos físicos. En general, la confianza que se tiene en las estimaciones de los modelos climáticos es mayor para algunas variables climáticas, por ejemplo, la temperatura, que para otras, como la precipitación (^{IPCC, 2007}).

Cambios en el régimen hidrológico

La Figura 4a muestra los hidrogramas simulados por SWAT con las simulaciones climáticas en el periodo de referencia (1971-2000), las cuales reproducen correctamente el caudal simulado con observaciones. Se analiza que en el periodo de referencia existen dos extremos mensuales, en julio y septiembre, y que el ciclo anual se representa correctamente por SWAT a partir de las simulaciones de los MCGs (Figura 1). El caudal del río Tampaón disminuye en agosto debido a la sequía interestival que se presenta en el ciclo de precipitación del centro y sur de México (^{Magaña et al., 1999}).

Figura 4 Hidrogramas para la cuenca de estudio simulados en a) el periodo histórico y b) en el periodo futuro. Se muestra en las dos secciones de la figura la simulación de SWAT con las observaciones en el periodo 1971-2000 (sim obs) 

Los promedios mensuales de caudal estimados con SWAT para el periodo futuro (2046-2065) se muestran en la Figura 4b. Se observan cambios de caudales tanto positivos como negativos, dependiendo del MCG considerado. Por ejemplo, CGC estima un cambio negativo en el futuro, respecto al periodo de referencia, mientras que ECH y CM3 proyectan un cambio de caudal positivo para el extremo de septiembre. Asimismo, estos tres MCG estiman que el ciclo anual que se presenta en el periodo de referencia se conservará en el futuro. Por otro lado, MK5 y MRI simulan un cambio en el ciclo anual en el futuro, dado que el extremo de julio es mayor que el de septiembre, mientras que ECH no estima el periodo de sequía interestival.

La Figura 5 muestra la Señal de Cambio Climático (SCC) obtenida para los tres indicadores hidrológicos (Q_m, Q_min y Q_max). Cada diagrama de caja muestra los 12 valores mensuales para un indicador y un modelo dado. Podemos notar que CGC proyecta un decremento en los tres indicadores, ya que el valor mediano es de -30%, -28 y -32% para Q_m, Q_min y Q_max, respectivamente, donde es el único MCG que tiene estimaciones negativas en todo su rango. El resto de los MCGs proyecta cambios tanto positivos como negativos para los indicadores seleccionados, donde los valores medianos positivos son para CM3, ECH y MRI y negativos para MK5. Sin embargo, el valor mediano de la SCC es de magnitud comparable, por ejemplo, para Q_m la mediana de la SCC varía entre +4% (para CM3) y -7% (para MK5, Figura 5a). Si bien la mediana de la SCC puede mostrar un incremento o decremento, existen casos en que el rango de SCC de un modelo cubre el rango de la SCC de otro modelo. Por ejemplo, el rango de MK5 para Q_min (entre +25 y -25%) cubre el rango de CM3 (+22 y -23%), si bien el primer modelo tiene una SCC mediana negativa y el segundo una SCC mediana positiva (Figura 5b).

Figura 5 Señal de cambio climático (SCC) en los indicadores hidrológicos. Cada diagrama de caja toma en cuenta los doce valores mensuales obtenidos para un indicador y un MCG dado. En los diagramas de caja la línea central es la mediana y los límites de la caja son los percentiles 25 y 75 

La prueba de ^{Wilcoxon (Wilcoxon 1945}) se usó para comparar la SCC obtenida con dos diferentes GCMs (mostradas en la Figura 5). La hipótesis nula es que dos series de datos son muestras independientes de la misma distribución continua, contra la hipótesis alternativa de que no lo son (^{Wilks, 2006}). La Tabla 3 muestra el valor p (del inglés p-value) obtenido con la prueba de Wilcoxon para los pares de modelos, donde 5% es el valor de rechazo de la hipótesis nula.

Los resultados de la Tabla 3 muestran que la hipótesis nula se rechazó para todos los casos en que se comparó CGC con algún otro modelo. En la prueba al resto de pares de modelos, la hipótesis nula no se rechazó. Puede observarse que, de acuerdo con la prueba estadística, con cuatro de cinco modelos utilizados se obtienen SCC comparables en magnitud y por lo tanto, pueden usarse con cierta confianza para comunicar el rango de la SCC obtenida. Así, la SCC mediana proyectada se encuentra entre +4% y -7%, para Q_m, entre +4 y -5% para Q_min y entre +6 y -10% para Q_max. En otras palabras, la magnitud de la SCC proyectada es comparable para cuatro de los modelos seleccionados, aunque la dirección varía (hay incrementos y decrementos).

La evaluación del riesgo asociado al cambio climático se establece en relación con el grado de confianza que se tiene de que el riesgo se presentará. Así, se tiene un nivel de confianza alto de que los cambios en la temperatura y la precipitación en el futuro tendrán un efecto en el ciclo hidrológico en todo el orbe (^{Arnell y Gosling, 2013}). Sin embargo, el impacto en los recursos hídricos no depende exclusivamente del clima, sino también está ligado a cambios en el uso de suelo (como consecuencia de las actividades de la industria agropecuaria y forestal), a la gestión de los recursos hídricos, y a las condiciones sociales, económicas y políticas de las regiones posiblemente afectadas (^{Conde, 2010}).

La evaluación del impacto del cambio climático en los recursos hídricos se afecta por los múltiples pasos que comprende la cadena de simulación hidrológica (MCG, el escenario de emisión, el método de corrección de sesgo y el modelo hidrológico). La presente investigación evaluó la señal de cambio climático en los indicadores hidrológicos para una cuenca de México con simulaciones provenientes de cinco modelos climáticos del experimento CMIP3, los cuales se consideran igualmente probables para la evaluación del impacto del cambio climático (^{IPCC, 2007}). Estudios en la literatura muestran que la elección del MCG es una fuente importante de incertidumbre (e.g. ^{Graham et al., 2007}). Los resultados muestran que con cuatro GCMs se obtienen SCC comparables en magnitud (aunque varían en sentido). El modelo restante (CGC) proyecta un cambio negativo importante y sobresale entre la muestra de MCGs.

Por otra parte, trabajos previos señalan que la variabilidad en la señal del impacto del cambio climático asociada a los modelos hidrológicos es significativamente menor a la que proviene de los MCGs (e.g. ^{Dibike and Coulibaly, 2005}; ^{Crosbie et al., 2011}). Sin embargo, el estudio de ^{Velázquez et al. (2013}) muestra que la selección del modelo hidrológico tiene una influencia importante cuando se estima el impacto del cambio climático en los caudales pequeños durante la época seca. Por lo tanto, es necesario que el trabajo futuro incluya un ensamble de otros modelos hidrológicos para evaluar la respuesta hidrológica de la cuenca a la estructura del modelo, con lo que aumentará nuestra confianza en las proyecciones del impacto del cambio climático en los indicadores hidrológicos. Asimismo, el trabajo futuro en cuencas mexicanas deberá incluir los recientes escenarios de emisión del IPCC.