Área de estudio

El área de estudio se encuentra entre las coordenadas geográficas 18.6° y 19.8° LN y 97.4° y 96.0° LO, tiene una superficie de 20 328 km² y representa la región montañosa central del estado de Veracruz, México. En la zona se encuentran 12 ingenios azucareros y cuatro alcoholeras (Figura 1). Estas cuatro empresas producen etanol para consumo y venta como combustible en la zona conurbada Veracruz-Boca del Río (^{Agüero-Rodríguez, Tepetla-Montes, & Torres-Beristaín, 2015}). Con base en lo anterior, se deduce que en la zona de estudio existe demanda potencial para la producción de caña de azúcar, jatropha y moringa con fines bioenergéticos, lo que a su vez podría incentivar también la producción de biodiesel, tal como lo ha planteado la ^{SAGARPA (2009)}.

Figura 1 Orografía de las áreas de interés. A) Dominio madre (resolución 27 km) cubriendo gran parte del territorio nacional; dominio con resolución de 9.0 km (cuadro de línea negra). B) Área de interés (cuadro con línea roja) para la introducción de cultivos.  

Modelo RegCM4

Actualmente, en México no hay información relacionada con la implementación del modelo RegCM para la evaluación de los cambios de uso de suelo; sin embargo, a nivel internacional, hay estudios sobre escenarios futuros en África, en la región conocida como el Gran Cuerno de África (^{Otieno & Anyah, 2012}), en tres glaciares del Himalaya (^{Zaman, Waqas, & Rasul, 2011}) y en China (^{Hua, Chen, & Li, 2015}).

El RegCM4 es un modelo climático regional, actualmente en su versión 4, desarrollado y distribuido por el Centro Internacional de Física Teórica (ICTP, por sus siglas en inglés). El RegCM4 fue el primer modelo de área limitada para el estudio del clima a largo plazo, razón por la cual se utilizó esta aproximación metodológica en el presente estudio.

El modelo está compuesto principalmente por tres etapas: preprocesamiento, integración numérica y posprocesamiento. Las características y procesos en superficie son representados por un esquema de transferencia biosfera-atmósfera (BATS por sus siglas en inglés), el cual consiste en describir la interacción de la vegetación y el suelo en los intercambios de energía, momento y agua entre la superficie y atmósfera (^{Dickinson, Henderson-Sellers, & Kennedy, 1993}). Con el esquema BATS se asigna un tipo de cobertura de suelo a cada punto de la malla del modelo. Actualmente, el modelo RegCM4 reconoce 22 clases de uso de suelo y vegetación (Cuadro 1), tomadas de las modificaciones y actualizaciones de BATS, aunque también se han agregado dos tipos, que son entornos urbanos y suburbanos. Esto debido a que dichos entornos modifican no solo el albedo y el equilibrio energético de la superficie, sino que también crean superficies impermeables con grandes efectos en escorrentía y evapotranspiración (^{Elguindi et al., 2013}).

Secuencia para la asignación del uso de suelo y simulaciones

Paso 4

Posterior a la simulación del dominio madre, la escala dinámica se redujo (downscaling) para la eliminación de errores potenciales debidos a cambios orográficos bruscos y para que el modelo pudiera representar estos cambios con mayor exactitud (^{Önol, 2012}). La técnica downscaling consiste en utilizar la información generada por el dominio madre para establecer las condiciones iniciales y de frontera que requieren las simulaciones con los cultivos de caña de azúcar, jatropha y moringa, más las condiciones actuales de uso de suelo, identificadas como el control. La simulación del control se hizo con el uso de suelo y vegetación que la cartografía del ^{INEGI (2015)} proporciona (paso 1). Las cuatro nuevas simulaciones tuvieron una resolución espacial de 9.0 km y el mismo periodo simulado que el del dominio madre. El diagrama de flujo del proceso se muestra en la Figura 2.

Figura 2 Flujo del proceso para evaluar el cambio de uso de suelo con la introducción de tres cultivos bioenergéticos, mediante el modelo RegCM4. 

Análisis de datos

En el análisis de los datos se consideraron cuatro regiones donde existiera mayor contraste con respecto al cambio de uso de suelo y vegetación y que además contara con información climatológica cercana al momento de la sustitución de los tres cultivos, para determinar el comportamiento de la temperatura ambiente y la precipitación. De acuerdo con la descripción cartográfica del ^{INEGI (2015)}, las zonas fueron las siguientes: la región 1, que se caracteriza por estar destinada para el uso de agricultura; la región 2, que representa zonas con árboles perennes de hoja acicular; y las regiones 3 y 4, donde se localizan bosques diversos y agricultura de riego, respectivamente. Posteriormente, la climatología mensual de cada simulación se obtuvo para hacer la comparación de la variabilidad climatológica derivada de la sustitución de cada uno de los tres cultivos en las cuatro regiones.

Calibración y validación del modelo sobre la región de estudio

Para el mejor desempeño del modelo se realizó la corrección del sesgo de las variables temperatura ambiente y precipitación. Para la temperatura se utilizó la metodología de ^{Piani et al. (2010)} mediante la ecuación siguiente:

xcor=a+bx donde x y x _cor representan la variable simulada y corregida, respectivamente. Los valores a y b, que son parámetros del modelo, se estimaron mediante:

a=Tobs--Tsim- b=xobs-xsim- donde Tobs- y Tsim- representan las temperaturas mensuales climáticas observadas y simuladas; y   xobs- y xsim- son las variables promedio diarias observadas y simuladas.

La precipitación se ajustó con la técnica de ^{Ines y Hasen (2006)}:

xi'=xixobs-xsim- donde xi' y xi representan la corrección de la simulación con el modelo en el día i. Por su parte xobs- y xsim- representan las precipitaciones mensuales climáticas observadas y simuladas.

Para evaluar los resultados del modelo, la simulación del control se comparó contra los datos observados en cuatro estaciones climatológicas ubicadas dentro de las regiones analizadas: Villa Tejeda (región 1), Maltrata (región 2), Naranjal (región 3) y El Copital (región 4) (Figura 3). Estas estaciones pertenecen al Servicio Meteorológico Nacional (^{Comisión Nacional del Agua [CONAGUA], 2010}) y se seleccionaron por su cercanía con las zonas de estudio (menor de 5.0 km) y porque contenían el mayor número de datos registrados durante el periodo de análisis. Las diferencias entre los dos conjuntos de datos se determinaron mediante el error cuadrático medio (ECM), cuya fórmula es la siguiente:

ECM=1n∑i=1nSi-Oi2

Figura 3 Estaciones climatológicas (triángulos negros) seleccionadas en la región de estudio del estado de Veracruz. 

donde S _i y O _i representan los datos simulados y observados, respectivamente, y n indica el número total de datos de cada conjunto. Esta técnica se utiliza en climatología porque permite evaluar el desempeño de modelos numéricos; los valores grandes de ECM indican que existe mayor diferencia entre los conjuntos de datos (^{Bonilla-Ovallos & Mesa, 2017}). Adicionalmente, la raíz cuadrada del error cuadrático medio se utilizó para determinar umbrales de valores que permiten evaluar la buena respuesta de un modelo (^{Andrade & Blacutt, 2010}).

Validación del modelo RegCM4

La Figura 4 ilustra los resultados de las simulaciones de la temperatura ambiente. En la región 1, el modelo RegCM4 obtuvo datos similares a los observados, ya que las mayores diferencias fueron de 1 °C. Para el caso de la región 4, el modelo logró simular adecuadamente la temperatura en prácticamente todo el año, teniendo una pequeña sobrestimación de solo 0.3 °C en los meses de octubre y noviembre. En cambio, para la región 3, el ECM aumentó casi tres unidades (Cuadro 2), lo que resultó en una diferencia máxima de 2.0 °C entre datos reales y simulados. Con respecto a la región 2, el ECM incrementó más de 20 veces, lo que se tradujo en diferencias de hasta 6 °C entre las temperaturas observadas y simuladas.

Figura 4 Gráficos de comparación entre la información de las estaciones seleccionadas en el estado de Veracruz y los resultados de la simulación del control (situación actual: carta de uso de suelo y vegetación serie V del ^{INEGI [2015]}) con el modelo RegCM4, respecto a la temperatura ambiente: a) región 1, b) región 2, c) región 3 y d) región 4. 

De acuerdo con la Figura 5, en las regiones 1, 2 y 4, el modelo sobrestimó la precipitación mensual acumulada en todo el ciclo anual; caso contrario se registró en la región 3, donde el modelo subestimó las precipitaciones para los meses de verano (junio, julio y agosto). Se debe resaltar que el modelo detectó canícula en las estaciones de Maltrata, El Naranjal y El Copital (regiones 2, 3 y 4, respectivamente); sin embargo, los datos de control solamente manifestaron una canícula débil en Maltrata (región 2). Adicionalmente, en las regiones 1, 3 y 4, el modelo simuló los máximos de precipitación en los meses de septiembre y octubre, lo que resultó en un desfase en relación con los datos del control.

Figura 5 Comparación de la información de las estaciones seleccionadas en el estado de Veracruz y los resultados de la simulación del control (situación actual: carta de uso de suelo y vegetación serie V del ^{INEGI [2015]}) con el modelo RegCM4, respecto a la variable precipitación: a) región 1, b) región 2, c) región 3 y d) región 4. 

En las cuatro regiones, el ECM de la variable precipitación tuvo valores mayores de 7 000 unidades, mientras que la raíz del error cuadrático medio (RECM) fue mayor de 60 unidades (Cuadro 2); de acuerdo con ^{Andrade y Blacutt (2010)}, el valor 60 se considera como umbral de referencia para determinar que el modelo no logra simular adecuadamente dicha variable. Caso contrario se tiene en la temperatura, donde el RECM se encontró por debajo de cinco unidades. Al respecto, las investigaciones de ^{Fuentes-Franco, Coppola, Giorgi, Graef, y Pavia (2014)}, ^{Pal et al. (2007)} y ^{Ali, Li, Congbin, y Yang (2015)}, realizadas en regiones de México, Sudáfrica, Sudamérica, sur de Asia y China, respectivamente, indicaron que el modelo RegCM muestra sesgos mayores en zonas de orografía compleja, tales como las que se evaluaron en esta investigación. Con base en lo anterior se considera que el modelo RegCM presenta problemas al momento de simular el comportamiento de la precipitación en regiones con gradientes altitudinales muy marcados. En este sentido, se debe enfatizar que, en la zona de estudio, las altitudes varían desde el nivel del mar hasta casi los 2 000 m; las estaciones climatológicas de El Copital y Villa Tejeda se encuentran a menos de 350 m (14 y 348 m, respectivamente), mientras que las estaciones de Maltrata y Naranjal se encuentran por arriba de los 900 m (1 713 y 967 m, respectivamente). Acorde con los resultados y las referencias citadas, se considera que el modelo no logró simular adecuadamente las condiciones de los sitios de estudio para la variable de precipitación.

Esta condición no es única del modelo RegCM, ya que ^{Andrade y Blacutt (2010)}, en su estudio realizado en Bolivia, encontraron que el modelo climático regional PRECIS tiene mejor desempeño al momento de simular la temperatura y precipitación de zonas bajas (<500 m) que en zonas intermedias (500 a 3 500 m) y altas (>3 500 m). Por lo anterior, se considera que, en sitios con altas variaciones altitudinales, la estimación de la temperatura y, en especial, de la precipitación genera problemas de sesgos en estos modelos climáticos.

En este estudio, la temperatura fue la variable con mayor capacidad para simularse adecuadamente con el modelo RegCM4, mientras que la precipitación presentó fuertes sesgos de intensidad y magnitud en todos los sitios. Lo anterior coincide con los resultados de ^{Sanabria, Marengo, y Valverde (2009)}, ^{Camargo-Bravo y García-Cueto (2012)}, ^{Fuentes-Franco et al. (2014)}, ^{Hassan et al. (2014)}, y ^{Ji y Kang (2015)}, quienes concluyeron que la temperatura puede simularse más adecuadamente. En contraste, ^{Tiwari et al. (2015)} indican que la variable mejor simulada es la precipitación, aunque tal situación pudo deberse a cuestiones orográficas de los sitios de estudio.

Simulación de temperatura y precipitación a partir de la introducción de cultivos

La Figura 6 muestra las simulaciones de temperatura ambiente con el modelo RegCM4 para cada cultivo. En las regiones 1 y 4 se obtiene la mayor variación de temperatura respecto al uso de suelo actual. En este sentido, el cultivo de caña de azúcar (agricultura de riego), para los meses de enero a mayo, provoca enfriamiento de la superficie (0.7 °C); posteriormente, de junio a diciembre tiene un comportamiento parecido al control (con variaciones menores de 0.3 °C). Dicho enfriamiento coincide con lo encontrado por ^{Lobell, Bala, y Duffy (2006)}; ^{Kueppers, Snyder, y Sloan (2007)}; ^{Sacks, Cook, Buenning, Levis, y Helkoski (2009)}; y ^{Marcella y Eltahir (2014)}, quienes mencionan que el enfriamiento es provocado por el aumento de la humedad del suelo y albedo, causado por el cultivo de riego, lo que genera cambios en los flujos de calor latente y sensible (^{Mahmood et al., 2014}; ^{Pielke et al., 2007}). Para los cultivos de jatropha (arbusto caducifolio) y moringa (árbol perenne de hoja acicular), el comportamiento con relación a la caña de azúcar se invierte en los meses de junio a diciembre con un enfriamiento máximo de 0.5 °C. Este enfriamiento se debe a que existe contraste con áreas desnudas destinadas a cultivos, con respecto a las áreas con vegetación que poseen follajes más densos y mayor profundidad de raíces, lo que genera aumento de la evapotranspiración y descenso en el calor sensible (^{Pielke Sr. et al., 2007}). Para los casos de las regiones 2 (árbol perenne de hoja acicular) y 3 (bosque mixto), al ser zonas con vegetación arbolada, los cambios en la temperatura se ubicarían entre 0.1 y 0.2 °C debido a que los cultivos de jatropha y moringa también son especies arbóreas, que en caso de sustituir a la vegetación original tendrían un comportamiento similar.

Figura 6 Comparación de la temperatura obtenida en las simulaciones con el modelo RegCM4 para cada cultivo respecto al control (situación actual: carta de uso de suelo y vegetación serie V del ^{INEGI [2015]}) en las cuatro regiones seleccionadas del estado de Veracruz. Situación actual del control: a) región 1 = agricultura/cultivo mixto (Villa Tejeda), b) región 2 = árbol perenne de hoja acicular (Maltrata), c) región 3 = bosque mixto (Naranjal) y d) región 4 = agricultura de riego (El Copital). 

La Figura 7 muestra las comparaciones de precipitación entre los cultivos. Aun cuando el modelo no simuló adecuadamente dicha variable, los resultados fueron congruentes con los tipos de vegetación evaluados, ya que, en la región 1, el modelo con caña de azúcar (agricultura de riego) produjo las mayores precipitaciones de enero a junio con un incremento promedio de 21 mm respecto al control. Este resultado se correlaciona directamente con el aumento de la humedad del suelo, que provoca mayor evapotranspiración y movimiento ascendente de la baja troposfera, lo que conduce a mayor precipitación (^{Zhao, Fang, Cui, & Huang, 2012}). Para las demás regiones (2, 3 y 4), la precipitación tendría una variación máxima de 6.4 mm respecto al control. Para el caso de moringa y jatropha se tendría un aumento de 7.0 mm de precipitación causado por la mayor cobertura vegetal y humedad del suelo que se puede evapotranspirar, lo que genera mayor humedad en la atmósfera, provoca mayor actividad convectiva y, con ello, mayores precipitaciones (^{Mahmood et al., 2014}; ^{Pielke Sr. et al., 2007}). Esto coincide con lo indicado por varios autores, que a mayor cantidad de cobertura vegetal es mayor la precipitación (^{Lee & Berbery, 2015}; ^{Malhi et al., 2008}; ^{Pitman, Narisma, Pielke Sr., & Holbrook, 2004}; ^{Salazar et al., 2016}).

Figura 7 Comparación de precipitación obtenida con las simulaciones del modelo RegCM4 para cada cultivo respecto al control (situación actual: carta de uso de suelo y vegetación serie V del ^{INEGI [2015]}) en las cuatro regiones seleccionadas del estado de Veracruz. Situación actual del control: a) región 1 = agricultura/cultivo mixto (Villa Tejeda), b) región 2 = árbol perenne de hoja acicular (Maltrata), c) región 3 = bosque mixto (Naranjal) y d) región 4 = agricultura de riego (El Copital). 

Con base en el Cuadro 3, al hacer el comparativo por cada región y con cada cultivo para las estaciones de invierno y verano, se obtuvo que la mayor variación de temperatura y precipitación se presentaría en las regiones 1 y 4. De las tres especies, jatropha resultó ser el cultivo que menor variación climática ocasionaría, debido a que es la planta con mayor área foliar y cobertura de suelo, características que ayudan a la conservación de la humedad de la superficie (^{Salazar et al., 2016}). Caso contrario se muestra para el cultivo de caña de azúcar, el cual provoca la mayor variación en la temperatura y precipitación. Por otra parte, la moringa tiene menor área foliar y ocasiona que mayor radiación llegue a la superficie, debido a que es un árbol con hojas pequeñas y delgadas, lo que repercute en mayores variaciones de temperatura y precipitación que con jatropha. Es importante mencionar que a pesar de que la variación de temperatura es menor de 1 °C, autores como ^{Georgescu et al. (2013)}, ^{Hallgren et al. (2013)} y ^{Khanal et al. (2013)} indican que incluso estas pequeñas variaciones climáticas podrían generar afectaciones tanto a nivel local como a nivel mesoescala.