PARTNERING FOR ADAPTATION AND RESILIENCE AGUA (PARA-AGUA) PROJECT CONTRACT NO. 14S16492WK01, ORDER NO. OAA-TO-13-00037

DEVELOPING CLIMATE SCENARIOS

December 2014

This publication was produced for review by the United States Agency for International Development. It was prepared by AECOM.

1

PARTNERING FOR ADAPTATION AND RESILIENCE AGUA (PARA-AGUA) PROJECT CONTRACT NO. 14S16492WK01, ORDER NO. OAA-TO-13-00037

Submitted to:

AECOM International Development

Prepared by:

University Corporation for Atmospheric Research, acting on behalf of The National Center for Atmospheric Research David Yates and Hector Angarita

Subcontract Number:

Master Services Agreement No: 14S16492WK01

Deliverable: Report summarizing Activity 1, Activity 2.1, and Activity 3.1 and 3.2

Activity No. 1: Acquiring and Analyzing Global Climate Model Datasets for study basins and draft basin scenarios for WEAP.

Activity No. 2.1: Development of GCM boundary forcing for current and future periods

Activity No. 2.2: Development of Current and Future regional climate datasets from WRF and analysis of results.

Activity No 3.1 and 3.2: Archiving of historic and future boundary forcing data.

Project Task:

Task 3: Strengthening planning systems that optimize water use over the whole length of watersheds in the context of climate change adaptation

Language:

Activity 1 is in Spanish, while Activity 2.1, 2.2, 3.1 and 3.2 are in English.

DISCLAIMER:

This document is made possible by the generous support of the American people through the U.S. Agency for International Development (USAID). The contents of this document are the sole opinion of AECOM and do not necessarily reflect the views of USAID or the U.S. Government.

2

Acronymns AOGCM Atmosphere-Ocean Global Climate Model BCCA Bias Correction-Constrructed Analog BCSD Bias Correcation-Spatial Disaggregation CCSM Community Climate System Model CMIP-5 Climate Model Intercomparison Project- 5 DHI Delft Hydraulics Institute ECMWF European Center for Medium Range Forecast GHG Green House Gases IDEAM Instituto de Hidrologa, Meteorologa y Estudios Ambientales de Colombia IPCC Intergovernmental Panel on Climate Change AR5 Assessment Report 5 KNN K-Nearest Neighbor LAC Latin America and the Caribbean LSM Land Surface Model MACA Multivariate Adaptive Constructed Analogs MPAS Model for Prediction Across Scales MPI-MR Max Plank Institute- Medium Resolution Model NCAR National Center for Atmospheric Research NOR-ESM Norwegian Earth System Model RCP Representative Concentration Pathway SEI Stockholm Environment Institute SENHAMI Servicio Nacional de Meteorologa e Hidrologa del Per SST Sea Surface Temperature SWAT Soil Water Assessment Model USAID United States Agency for International Development WCRP World Climate Research Program WEAP Water Evaluation and Planning System WRF Weather Research Forecast Model

3

Contenidos

Acronymns .................................................................................................................................................. 3

1 Presentacin .......................................................................................................................................... 8

2 Executive Summary ............................................................................................................................... 9

3 Actividad 1: Las proyecciones regionales sobre el clima para los Andes del norte del IPCC AR5 y la adquisicin de datos y anlisis de los MCG para las cuencas de estudio y el desarrollo de la cuenca escenarios climticos especficos para WEAP. .................................................................................... 11

3.1 Propuesta metodolgica para incluir variabilidad climtica y escenarios de cambio climtico en el modelos WEAP ......................................................................................................................... 11

3.2 Otros estudios del efecto del cambio climtico con informacin disponible para Chira-Piura .. 15

3.3 Metodologa ................................................................................................................................. 17

3.3.1 Fuentes de informacin- CMIP-5 ...................................................................................... 19

3.3.2 Registros de la red meteorolgica .................................................................................... 20

3.3.3 Comparacin del desempeo y priorizacin de modelos ................................................. 21

3.3.4 Reduccin de escala - downscaling ................................................................................... 24

3.4 Resultados de las simulaciones y discusin. ............................................................................. 30

3.4.1 Resultados para la Cuenca Chinchin ............................................................................... 30

3.4.2 Resultados para la Cuenca Chira-Piura ............................................................................. 36

3.5 Resumen de la Actividad 1 ........................................................................................................ 49

3.6 Referencias para la Actividad 1 ................................................................................................. 49

4 Activity 2.1 (Development of GCM boundary forcing for current and future periods) ....................... 51

5 Activity 2.2. (The WRF Regional Climate Simulations) ........................................................................ 55

5.1 WRF benchmark simulations with ERA-Interim ........................................................................ 56

5.2 WRF simulations with CCSM for current and future periods. ................................................... 58

Appendix: Description of Software ........................................................................................................... 62

4

Lista de figuras

Figura 1 Trayectorias representativas de concentracin RCP- en trminos de a. Forzamiento Radiativo y b.Emisiones de CO2 de la industria y del consumo energtico. Tomada de (Moss et al. 2010) .................................................................................................................................... 12

Figura 2 Niveles de integracin de los diferentes modelos climticos globales (GCMs) en sus diferentes generaciones de desarrollo. Tomado de Yates et al. .................................................. 13

Figura 3 Proyecciones de temperatura presentadas en la comunicacin ms reciente sobre cambio climtico del IDEAM. Se presentan series de temperatura media del aire observados (1976 a 2005), y futuros (2011 a 2070) del promedio de modelos para cada RCP. Tomado de (Ruiz et al. 2013) ................................................................................................................................................. 15

Figura 4 Climate wizard.......................................................................................................................................... 16

Figura 5 reas adoptadas para evaluar el desempeo de los modelos GCM en la representacin de los atributos diferentes atributos del clima de la cuencas Chinchin (alto) y Chira-Piura (inferior). .................................................................................................................................................... 18

Figura 6 Caracterizacin de atributos del clima observado y modelado a diferentes escalas .............. 21

Figura 7 Indicadores utilizados para caracterizar atributos del GCM y del clima observado. Adaptado de (Gutmann et al. 2013) ....................................................................................................................... 22

Figura 8 Seal del Nio- Ocenica (Oceanic Nio Index ONI) ................................................................ 23

Figura 9 Nocin del espectro de potencia (periodigrama), ........................................................................... 23

Figura 10 Diferentes aproximaciones para la reduccin de escala. Adaptado de Maraun et al. (2010), Rev of Geo. .................................................................................................................................................. 24

Figura 11 Ilustracin del algoritmo de K-NN-bootstraping ............................................................................. 27

Figura 12 Ejemplo de una secuencia de clima generada mediante el mtodo K-NN. ............................... 28

Figura 13 Procedimiento de correccin de eventos extremos ...................................................................... 29

Figura 14 Presentacin de Resultados GCM para Cuenca Chinchin, Colombia ...................................... 30

Figura 15 Comparacin del patrn estacional (mensual) observado y simulado por los diferentes GCM ........................................................................................................................................................... 32

Figura 16 Cambios proyectados en diferentes atributos de la precipitacin por los dos modelos de mejor desempeo MPI-ESM-MR y CCSM4 ....................................................................................... 34

Figura 17 Presentacin de Resultados GCM para Cuenca Piura, Peru ......................................................... 36

Figura 18 Presentacin de precipitacin mes GCM Resultados para Cuenca Piura, Peru ....................... 40

Figura 19 Periodogram plots para Cuenca Chira-Piura, Peru ......................................................................... 42

Figura 20 Cambios proyectados en diferentes atributos de la precipitacin por los dos modelos de mejor desempeo MPI-ESM-MR y CCSM4 para Cuenca Chira-Piura, Per. ............................ 44

Figure 21 Terrain height (m, color scale at bottom) and land/sea mask for CCSM4 (top) and 6-km WRF (bottom). Actual coastlines and political boundaries shown in black. ............................. 52

5

Figure 22 Schematic of the bias-correction method for a generic variable. The CCSM4 perturbation term is added to the 1981-2005 ERA-Interim mean term. ........................................................... 54

Figure 23 Schematic of the bias-correction method for a generic variable. The CCSM4 perturbation term is added to the 1981-2005 ERA-Interim mean term. ........................................................... 54

Figure 24 The WRF domains for northern South America (Domain 1 at 18-km resolution); and the higher resolution domain (Domain 2 at a 6-km resolution) over the northern Andean Region of South America. ...................................................................................................................... 55

Figure 25 Figure of CCSM 4 output (Activity 2.1; GCM boundary forcing). Run 5 configuration was used. ............................................................................................................................................................ 57

Figure 26 CMORPH monthly mean December precipitation for 7 years (left) and December 2010 (right). ......................................................................................................................................................... 58

Figure 27 CCSM4 estimate of the ENSO output for the contemporary period. 1981 was the La Nia event, while 1997 and 2057 have been the El Nio events in which we have focused our WRF modeling efforts. ........................................................................................................................... 59

Figure 28 Domain 2 (6-km) total annual rainfall (top left), topography (top right) and daily rainfall given across a transect for a current La Nia, a current El Nio and a future El Nio. ................... 60

6

Lista de tablas

Tabla 1 Caractersticas generales del modelo de la cuencas Chira-Piura (Peru) y Chichina (Colombia) actualmente implementado en WEAP ..................................................................................................... 15

Tabla 2 Otras fuentes de informacin sobre cambio climtico disponibles para la zona de estudio ...... 15

Tabla 3 Listado de modelos CMIP5 utilizados en este estudio ......................................................................... 20

Tabla 4a Fuentes de informacin hidrolgica utilizadas en este estudio para cuenca Chira-Piura, Per 20

Tabla 5 Algunas tcnicas estadsticas de reduccin de escala (statistical downscaling) .................................. 25

Tabla 6 Resumen de la comparacin de atributos modelados y observados en los diferentes GCM analizados. ....................................................................................................................................................... 35

Tabla 7 Resumen de la comparacin de atributos modelados y observados en los diferentes GCM analizados. ....................................................................................................................................................... 39

7

1 Presentacin El reporte contiene la metodologa utilizada por el NCAR para analizar los datos y la variabilidad de los modelos climticos globales, con la finalidad de desarrollar los escenarios de cambio climtico a insertarse en el modelo WEAP, que se aplicar en las cuencas del ro Chinchin en Colombia y Chira-Piura en Per.

Se analizan las proyecciones diarias de los modelos de clima global (MCG), expuestos en el quinto reporte (AR5) del Panel Intergubernamental sobre Cambio Climtico (IPCC). Se ha creado un archivo de precipitacin y temperatura diaria (1TB), a partir de 10 MCG, y se han generado rutinas en el lenguaje estadstico R para procesar y evaluar estos escenarios en las cuencas de inters. En general, los MCG sobreestiman la precipitacin en los Andes del norte, para periodos contemporneos; y solo tres de ellos simulan de alguna manera la estacionalidad, distribucin espacial y frecuencia de precipitacin en la regin. Estos modelos son MPI-MR, CCSM4 y NOR-ESM. Todos los modelos climticos indican calentamiento en el siglo 21 como resultado del incremento de las concentraciones de gases de efecto invernadero.

A partir de estos archivos de precipitacin y temperatura diaria, se ha desarrollado un procedimiento de regionalizacin estadstica (statistical downscaling) que utiliza informacin de los MCG conjuntamente con datos de observacin de precipitacin y temperatura diaria para generar proyecciones de clima futuro en las cuencas de Chira-Piura y Chinchin. El mtodo general se conoce como vecino mas cercano K (K-NN), que es un esquema de muestreo estadstico que genera el tiempo a nivel diario, preservando el clima estacional y sus dependencias espaciales y temporales en distintas estaciones de una regin. El algoritmo est condicionado por las caractersticas de los datos estadsticos del MCG, tales como condiciones clido-hmedas incrustadas en las proyecciones del MCG. Este algoritmo se describe en el reporte y luego es usado para generar un ensamble de escenarios climticos para ambas cuencas.

Un segundo conjunto de actividades est abocado a desarrollar proyecciones climticas regionales basadas en el Modelo de Clima Regional (MCR) del NCAR, denominado WRF (Weather Research Forecast model). El proceso de utilizar un MCR para proyectar el impacto del cambio climtico en el clima regional usualmente se conoce como regionalizacin dinmica (dynamical-downscaling). Un MCR necesita datos meteorolgicos de un MCG en sus fronteras, que permiten integrar el modelo hacia el futuro. Para ello se han utilizado los resultados del modelo CCSM4, generados como parte del 5to reporte del IPCC. El primer paso para usar WRF para la regionalizacin dinmica, se gener un conjunto de archivos de frontera climtica intermedia con correccin en los sesgos (a set of bias-corrected intermediate climate boundary files) utilizados como condiciones iniciales del modelo WRF.

CCSM4 es un modelo climtico global acoplado de fuente abierta y de dominio pblico, con datos generados del IPCC y a los que pueden accederse desde la cuadrcula federada de la tierra (https://www.earthsystemgrid.org/). CCSM4 est compuesto de cuatro modelos que simulan la atmsfera, el ocano, la superficie terrestre y los glaciares marinos. A partir de estos archivos NCAR corre simulaciones del modelo climtico regional y analiza los resultados.

Para la regin noroccidental de Sudamrica, hemos configurado el modelo WRF con dominio doblemente anidado (doubly nested-domain), que incluye una malla de baja resolucin de 18 km que se extiende en el ocano pacfico y que captura importantes caractersticas dinmicas de temperatura superficial del mar. La malla de 18 km se extiende Amrica Central por el norte y supera la frontera entre Per y Chile al sur. Una malla con resolucin final de 6 km se focaliz en una regin que incluye Colombia y Per, para asegurarse que las cuencas de inters estn apropiadamente representadas en las simulaciones dinmicas con WRF. Se configur el WRF para la malla basada en pruebas de varias configuraciones parametradas usando patrones espaciales y cantidades de precipitacin como criterios

8

primarios. Esta configuracin de WRF se us despus para simular el clima presente y futuro, seleccionando las anomalas ENSO, que considera la fase clida (El Nio) y la fase fra (La Nia) en las condiciones actuales y futuras del clima. Estos resultados se presentan en el informe.

2 Executive Summary This report describes the development of climate scenarios to aid in the development of integrated water management activities in river basins in both Colombia and Peru, under the servicing contract AID-EDH-I-00-08-00024. According to the requirements of the contract, the report contains the methodology to analyze Global Climate Model data and their variability and develop climate change scenarios for the WEAP model for the Chira-Piura basin in Peru and the Chinchin basin in Colombia

Climate change affects water resources, agriculture, and ecosystems in the Latin America and Caribbean (LAC) region. Increasing temperatures and alterations of the hydrological cycle can affect crop productivity and biodiversity and cause more frequent and extreme weather events, leading to more intense flooding and drought. Andean glaciers and pramos, vital sources of fresh water for tens of millions of people, are under severe threat. Policymakers, researchers, and water resources managers across the LAC region need assistance in adapting to the impacts of climate change and help reduce vulnerability, strengthen resilience and build adaptive capacity. As part of the Partnering for Adaptation and Resilience Agua (PARA-Agua) Project, a regional project that is working directly with scientists, decision-makers, and communities to strengthen watershed resilience to climate change impacts. Under this project, NCAR is assisting AECOM, the Stockholm Environment Institute and their partners to develop innovative climate adaptation approaches at the watershed level in Colombia and Peru, and to facilitate regional replication of best practices through twinning partnerships. NCARs role is to develop regional climate change projections that can be used in watershed and water management models within the region.

In this report, we summarize our analysis of the Intergovernmental Panel on Climate Change (IPCC) Assessment Report 5 (AR5) archive of daily Global Climate Model (GCM) projections. We have created a 1 TB archive of daily precipitation and temperature data from 10 GCMs, and generated scripts in the R statistical language to process and evaluate these scenarios over the watersheds of interest. In general, the GCMs overestimate precipitation over the region of the Northern Andes for the contemporary period. Of the ten climate models, we found that only three seem to represent the seasonality, spatial distribution, and frequency of precipitation over the region with some level of skill. These models were the Max Plank Institutes Medium Resolution model (MPI-MR), the NCAR Community Climate System Model (CCSM4) and the Norwegian Earth System Model (NOR-ESM). All the climate models indicate warming into the 21st century, as a result of increasing greenhouse gas concentrations.

From this GCM archive of daily precipitation and temperature, we have developed a statistical downscaling procedure that uses the information from the GCMs, along with observational data of daily precipitation and temperature to generate projections of future climate over the watersheds of the Chira-Piura Watershed in Peru and the Chinchin Watershed in Colombia. The general method is known as K-Nearest Neighbor or K-NN, which is a statistical resampling scheme that generates daily weather, preserving the seasonal climate and their spatial and temporal dependencies at multiple stations in a given region. The algorithm is conditioned on the statistical characteristics of GCM data, such as warmer-wetter conditions embedded within the GCM projection. The algorithm is described in the report and then used to generate an ensemble of climate scenarios for both the Chira-Piura and Chinchin Watersheds. The work of analyzing the GCM data and generating climate scenarios for

9

watershed management are in support of Activity 1 and Activity 4 in the NCAR sub-contract agreement with AECOM.

A second set of NCAR activities (Activities 2 and 3) center around the development of regional climate projections based on the NCARs Regional Climate Model (RCM), the Weather Research Forecast model, commonly referred to as WRF. This process of using an RCM to project the impact of climate change on regions climate is commonly referred to as dynamical-downscaling. Regional climate models require on their boundary, meteorological data from a Global Climate Model to integrate the model forward in time. For this study, we have used output from the NCAR Community Climate Systems Model (CCSM4) that was generated as part of the IPCC 5th Assessment Report process. In a first step to using WRF for dynamical downscaling, we generated a set of bias-corrected intermediate climate boundary files that were used as the initial and boundary conditions for the WRF model.

The CCSM4 is a coupled global climate model (GCM) and is open source and in the public domain, with datasets generated from these IPCC runs freely available from the Earth Federation Grid (https://www.earthsystemgrid.org/). The CCSM4 is comprised of four component models that simulate the atmosphere, ocean, land surface and sea-ice (Activity 3). With these files from CCSM4 generated and archived, NCAR then ran the regional climate model simulations and have analyzed their results (Activity 2.2).

For the region of the Northwestern South America, we have setup the WRF model configured as a doubly nested-domain, that includes a coarse resolution domain of 18-km that extends well out into the Pacific Ocean and which captures important, dynamical sea-surface temperature characteristics. The 18-km domain also extends north into Central America, and South beyond the border of Chile. A final resolution domain of 6-km was then focused over a region that includes Colombia and Peru, to ensure that watersheds of interest are appropriately represented during the dynamical simulations with WRF. We have established a WRF model configuration with WRF for our domain based on testing of various parameterization configurations using spatial patterns and rainfall amounts as the primary criteria. We have then used this WRF configuration to simulate the present-day and future climate of select El Nio-Southern Oscillation (ENSO) anomalies, which considers the warm phase (El Nio) and the cold phase (La Nia) under current and future climate conditions. These results are presented in this report.

Activity 4 will use the results from the WRF model and integrate these data along with the K-NN method, into a refined set of climate data suitable for hydrologic model at the watershed level, specifically suitable for use in the Water Evaluation and Planning (WEAP) decisions support system. These data will be made available to the water resource system models and will be included in the final report.

10

3 Actividad 1: Las proyecciones regionales sobre el clima para los Andes del norte del IPCC AR5 y la adquisicin de datos y anlisis de los MCG para las cuencas de estudio y el desarrollo de la cuenca escenarios climticos especficos para WEAP.

3.1 Propuesta metodolgica para incluir variabilidad climtica y escenarios de cambio climtico en el modelos WEAP

Las evaluaciones de cambio climtico en los sistemas hidrolgicos fundamentalmente buscan establecer como, a diferentes escalas espaciales y temporales, los cambios en los atributos del clima pueden modificar la disponibilidad de agua en una cuenca. Por ejemplo, buscan determinar cmo los cambios en las magnitudes esperadas o en los patrones estacionales de la temperatura del aire, precipitacin y humedad relativa, modificarn los procesos de circulacin de agua que ocurren a escala de la cuenca: la escorrenta, evaporacin, transpiracin, y almacenamiento de humedad en el suelo. A su vez, buscan establecer como estos cambios pueden producir alteraciones en los sectores hidro-dependientes (como la hidroenerga, los acueductos y la agricultura) o los ecosistemas que dependen de patrones especficos de disponibilidad de agua en la cuenca.

Este tipo de estudios supone tres grandes de interrogantes:

1. Cules son los atributos actuales del clima, entendidos como los atributos estadsticos del estado del tiempo?, y a su vez, cuales son los cambios en dichos atributos antes los factores de cambio asociados a factores antrpicos o naturales, por ejemplo, los cambios en la concentracin de gases de efecto invernadero y aerosoles en la atmsfera, cambios en la radiacin solar, etc. Estos atributos incluyen por ejemplo, las magnitudes medias, de las variables de estado del tiempo y su variabilidad, los patrones estacionales (su variacin a lo largo de una ao), las tele-conexiones macroclimticas (por ejemplo la relacin del fenmeno del nio), y los ciclos seculares, o de baja frecuencia.

2. Cul es la respuesta hidrolgica de una cuenca o un rea de una cuenca determinada al clima?, o en otras palabras, el movimiento y almacenamiento del agua en los procesos hidrolgicos que ocurren en la cuenca, como la escorrenta, la evapotranspiracin, el almacenamiento en el suelo, la recarga/descarga de acuferos, etc. A su vez, cul ser la respuesta hidrolgica de una cuenca ante cambios en el clima y otros factores antropognicos sobre los sistemas naturales y humanos? Es decir, cules sern los patrones del cambio espacial y temporal en la disponibilidad de recursos hdricos.

3. Finalmente, Cules son las implicaciones de estos impactos a escala de cuencas sobre el sistema socio-econmico y ambiental?

En conjunto, estos interrogantes suponen una gran dificultad y constituyen un reto al desarrollo cientfico actual, pues requieren predecir el comportamiento de sistemas altamente complejos: el sistema climtico, los sistemas hidrolgicos y sus factores de alteracin antrpicos y naturales, cada uno compuesto de muchos elementos mutuamente interdependientes y con ciclos de retroalimentacin no muy bien comprendidos. Ante este reto, existen avances que permiten, si bien con niveles significativos de incertidumbre, vislumbrar a nivel exploratorio cuales son los futuros posibles del sistema climtico y sus efectos sobre los sistemas hidrolgicos, de forma que contribuyan como gua en el proceso de planificacin.

Con respecto al primer interrogante, un nmero importante de instituciones cientficas de diferentes pases, han desarrollado desde la dcada de 1960s investigaciones orientadas a simular el sistema

11

climtico clima terrestre y predecir los cambios esperados por factores naturales y antrpicos. Los factores de cambio analizados incluyen por ejemplo, el incremento en la concentracin atmosfrica de gases de efecto invernadero y aerosoles, los cambios en la cobertura y el uso del suelo 1y los cambios en el albedo por el derretimiento del hielo. Dichos esfuerzos han sido coordinados desde la dcada 1990 por el Programa Mundial de Investigaciones Climticas de las Naciones Unidas (WCRP), que desarrolla cada 5 a 7 aos las proyecciones climticas globales a travs de su Proyecto de Intercomparacin de Modelos Acoplados (CMIP, Coupled Modeling InterComparison Project).

En septiembre 2013 el WCRP public su quinto informe de evaluacin (CMIP5) sobre el estado del arte del entendimiento cientfico del cambio climtico. Este informe presenta los resultados compilados de la modelacin de clima realizados por 36 instituciones de diferentes pases, bajo un consenso sobre los periodos de simulacin (1850-2100), y los escenarios de los factores de alteracin del sistema climtico, denominados rutas representativas de concentracin, o RCP. (por sus siglas en ingls: Representative concentration Paths), que se ilustran en la Figura 1. Cada RCP es definido como un conjunto posible de cambios antrpicos y/o naturales en propiedades del sistema terrestre asociadas principalmente con el balance radiativo del sistema climtico, tales como: Concentracin de aerosoles atmosfricos (Volcnicos, Sulfatos, etc), Concentracin de gases de efecto invernadero, Polvo, Cambios de cobertura terrestre, Ozono (troposfrico y estratosfrico), Carbono Orgnico, Sal Marina y Radiacin solar. Por lo tanto, trayectorias de forzamiento radiativo no estn asociadas con los escenarios socioeconmicos o de emisin nicos, sino son la combinacin de diferentes futuros econmicos, tecnolgicos, demogrficos, polticos e institucionales (Ruiz et al. 2013).

Figura 1 Trayectorias representativas de concentracin RCP- en trminos de a. Forzamiento Radiativo y b.Emisiones de CO2 de la industria y del consumo energtico. Tomada de (Moss et al. 2010)

1 Desde 1850, los niveles de CO2 han aumentado ms de un 40 por ciento, por encima del nivel preindustrial de 278 ppm en torno.

12

El proyecto CMIP5 pretende proveer una herramienta basada en mltiples modelos y escenarios, para ilustrar el rango de los cambios posibles en el clima durante el siglo 21. Los modelos utilizados en el CMIP5 varan desde aquellos que representan solamente la interaccin entre el ocano y la atmsfera, hasta modelos del sistema climtico terrestre que representan adems las interacciones de los ciclos biogeoqumicos, la vegetacin, capas de hielo, etc., como se muestra en la Figura 2. Sin embargo, mediante los Escenarios RCP, la investigacin del sistema climtico global se realiza en la actualidad sobre una base homognea que permite su posterior comparacin y sntesis.

Figura 2 Niveles de integracin de los diferentes modelos climticos globales (GCMs) en sus diferentes generaciones de desarrollo. Tomado de Yates et al.

Los modelos del CMIP5 son la principal fuente de informacin disponible actualmente para predecir el clima en horizontes de largo plazo, y pueden informar sobre el rango de futuros posibles del clima terrestre frente a diferentes cambios naturales o antrpicos, y a su vez, informar los modelos hidrolgicos utilizados para representar las condiciones locales en las cuencas y los efectos esperados por los cambios en el clima. Sin embargo, la aplicacin de los resultados del CMIP5 en la estimacin del efecto del cambio climtico global sobre sobre los sistemas hidrolgicos, presenta varias limitaciones. En primer lugar el nivel de detalle espacial alcanzado por los modelos globales no es suficiente para representar los atributos del clima local. Si bien un modelo de escala global simula los patrones de circulacin utilizando una grilla de entre 1 a 2 millones de puntos, en la prctica la resolucin espacial horizontal alcanzada vara entre 1 a 3 (aproximadamente 40 a 120 km en el ecuador, que equivalen reas de entre 1600 a 14400 km2). Esto significa que los modelos solamente proporcionan informacin promedio del clima de la atmsfera libre en grandes reas de la superficie, y no alcanzan a representar atributos locales que dependen de las condiciones fsicas o biticas, por ejemplo, por caractersticas orogrficas, patrones de circulacin local asociados a la precipitacin convectiva, almacenamientos locales, etc.

13

Por esta razn, para apoyar la evaluacin de los impactos locales en los recursos hdricos existe la necesidad de desarrollar proyecciones climticas a escala reducida. Las tcnicas de Reduccin de escala Downscaling consisten en asociar las propiedades de la atmsfera libre obtenidas a partir de las salidas de los GCM, a las condiciones meteorolgicas locales, ya sea mediante modelos matemticos de base fsica (downscaling dinmico) o modelos estadsticos (downscaling estadstico). Tales mtodos recurren a los registros meteorolgicos locales para establecer los modelos ptimos.

Otra limitacin en la aplicacin de los modelos climticos globales est asociada a la no linealidad de las ecuaciones que describen los diferentes componentes del sistema climtico: la atmsfera, el ocano, la biota, etc., y sus interacciones. Por lo tanto, si bien la dependencia de los procesos naturales en el tiempo sugiere su previsibilidad, las complejas relaciones entre los componentes de los modelos, incluso con cantidades pequeas de incertidumbre (por ejemplo, en las condiciones iniciales) dan lugar a la imprevisibilidad de los procesos despus de un cierto horizonte temporal (Koutsoyiannis 2010). Esta limitacin, generalmente se trata mediante enfoques de mltiples modelos, realizaciones y escenarios, que en conjunto, buscan informar sobre el rango de futuros posibles esperados del clima, esencialmente en trminos de propiedades de largo plazo, sin ahondar en la precisin de las predicciones.

Con respecto al segundo interrogante, para comprender los posibles efectos de los cambios en el clima en la disponibilidad de agua en las cuencas, es necesario utilizar modelos hidrolgicos, que permitan representar adecuadamente los diversos procesos que ocurren en la cuenca. Por ejemplo, como incrementos en la temperatura, cambios en las rachas de das secos o hmedos, o cambios en los patrones estacionales de lluvia, etc., pueden conducir a cambios en los volmenes totales de evapotranspiracin, escorrenta o almacenamientos en el suelo. A su vez, para comprender los cambios en los patrones de circulacin de agua en las cuencas, no solo es necesario incluir aspectos relacionados con el cambio en el clima y sus efectos directos en los procesos hidrolgicos, sino tambin indirectos en trminos de los cambios en las condiciones de operacin de la infraestructura como almacenamientos, trasvases y desviaciones de agua y la irrigacin. Los anlisis de cambio climtico, por lo tanto, tambin buscan estimar las complejas interacciones entre el clima, las actividades humanas hidro-dependientes, y la hidrologa de las cuencas. Existen diversos modelos hidrolgicos que pueden capturar a la escala de las cuencas hidrogrficas los procesos antes mencionados, entre desde modelos aglutinados como los propuestos por Domnguez (2005) hasta modelos distribuidos y semi-distribuidos como SWAT , MikeSHE (DHI), WEAP (Yates et al. 2005; Young et al. n.d.). Debido a su caracterizacin de los procesos hidrolgicos, muchos de estos modelos requieren datos climticos de alta resolucin (por ejemplo, la precipitacin, la temperatura, el viento, la radiacin solar, y as sucesivamente) a escalas de tiempo relativamente finas (diarias o semanales).

En las cuencas Chira-Piura (Per) y Chinchin (Colombia), est liderando el desarrollo de los sistemas de modelamiento para estas cuencas utilizando el WEAP Decision Support Modelo. Estos modelos integran la oferta y demanda de agua de las cuencas, y el uso de un conjunto de escenarios que incluyen el crecimiento de la poblacin, el uso del suelo, las limitaciones ambientales, y el clima, para estudiar los flujos de regmenes. Como parte de este proceso, este estudio busca proveer informacin sobre escenarios de clima futuro, que sumados a los dems componentes que determinan la oferta y demandas hdricas, permitan establecer el rango de futuros posibles de alteracin del rgimen hidrolgico en las cuencas.

14

Tabla 1 Caractersticas generales del modelo de la cuencas Chira-Piura (Peru) y Chichina (Colombia) actualmente implementado en WEAP

Modelo Caractersticas

Cuenca Chira-Piura

El dominio de modelacin es la totalidad de la cuenca Chira-Piura (30.000 km), representado mediante 122 unidades hidrolgicas de anlisis. El modelo opera a paso de tiempo mensual. El modelo actualmente incluye la infraestructura hidrolgico de gran escala (4 embalses) y otras demandas hdricas de gran magnitud (distritos de riego) y centros poblados

Cuenca Chichina

El dominio de modelacin es Ch (1.030 km), representado mediante 31 unidades hidrolgicas de anlisis. El modelo opera a paso de tiempo mensual. El modelo actualmente incluye la infraestructura hidrolgico en la cuenca (1 embalses).

3.2 Otros estudios del efecto del cambio climtico con informacin disponible para Chira-Piura

Otras fuentes de informacin disponible a escala local se describen en la Tabla 2. Si bien estos estudios proveen informacin de contexto sobre la cuenca, los requerimientos especficos de este estudio no hacen viable su utilizacin.

Tabla 2 Otras fuentes de informacin sobre cambio climtico disponibles para la zona de estudio

FUENTE REPORTADO DESCRIPCIN Worldclim (Hijmans et al.

2013) WorldClim es un conjunto de grillas de clima global generadas mediante reduccin de escala estadstica de los resultados del IPCC5-CMIP5, interpoladas para zonas terrestres mundiales (excluyendo la Antrtida) con una resolucin espacial de 30 (~1 km de resolucin espacial). Las variables del clima considerados son: la precipitacin media, y la temperatura mnima y mxima. Los resultados estn disponibles a paso de tiempo mensual para tres periodos de tiempo: Actual (representativo de 1950-2010), 2050 y 2070. La reduccin de escala de los periodos futuros (2050 y 2070), se realiz adoptando como referencia al data set WorldClim 1.4 construido mediante la interpolacin de los registros del perodo 1950-2000 (mtodo SPLINE-ANUSPLIN). (Hijmans et al. 2005).

Comunicacin Nacional sobre el Cambio climtico

IDEAM. (Ruiz et al. 2013)

En Colombia en trabajos previos de anlisis de cambio climtico han sido fundamentalmente desarrollados por el IDEAM. En su comunicacin ms reciente sobre la evaluacin de los efectos del Cambio Climtico en Colombia basados en el informe IPCC V4-CMIP3, se presentan proyecciones de escala reducida para diferentes regiones del pas, utilizando mtodos estadsticos y dinmicos. Los resultados se encuentran disponibles a escala de tiempo mensual, y proporcionan valores de referencia indicativos sobre los cambios medios esperados en la temperatura media del aire (del orden de 1.4C para el periodo 2011-2040 y de 2.4C para el periodo 2041-2070) y de la precipitacin por su parte, con reducciones proyectadas de hasta un 36%. La figura 4 ilustra algunas de las proyecciones presentadas en este estudio.

Figura 3 Proyecciones de temperatura presentadas en la comunicacin ms

15

FUENTE REPORTADO DESCRIPCIN reciente sobre cambio climtico del IDEAM. Se presentan series de temperatura media del aire observados (1976 a 2005), y futuros (2011 a 2070) del promedio de modelos para cada RCP. Tomado de (Ruiz et al. 2013)

Cambio Climatico en el Peru: Impactos Economicos Y Sociales

SENAMHI (Avalos, 2009;

Anlisis de futuros cambios del clima en regiones alto andinas del Per. Las evidencias presentadas en este trabajo sugieren una tendencia de calentamiento en la regin alto andina del Per (incremento de das y noches clidas). En relacin a lluvias, la tendencia general es de reduccin en los totales anuales (incremento de das secos consecutivos). http://www.senamhi.gob.pe/?p=0901&idNota=090326

Climate Wizard

Maurer et al (2007)

ClimateWizard es un conjunto de grillas de clima global generadas mediante reduccin de escala estadstica de los resultados del IPCC4-CMIP3 con una resolucin espacial de 30 (~50 km de resolucin espacial). Las variables del clima considerados son: la precipitacin media, y la temperatura mnima y mxima. Los resultados estn disponibles para el promedio mensual multianual de tres periodos: Actual (representativo de 1950-2000), 2050 y 2080.

Figura 4 Climate wizard

16

FUENTE REPORTADO DESCRIPCIN

3.3 Metodologa El propsito de la metodologa propuesta es generar series de proyecciones climticas de las variables de temperatura y precipitacin para la cuenca Chira-Piura en Per, y la cuenca Chinchin en Colombia, a nivel de las unidades de anlisis del modelo WEAP, informadas por las predicciones del proyecto CMIP5, que sumadas al clima actual, permitan establecer un rango de comportamiento hidrolgico posible para los aos 2010 a 2080.

Especficamente, los objetivos trazados son:

Compilar informacin de estudios CMIP5 para modelos climticos globales cuyos resultados se encuentren disponibles a resolucin diaria.

Establecer el desempeo actual de los modelos para diferentes secciones de la cuenca Magdalena Cauca en trminos de diferentes atributos del clima a diferentes escalas temporales e identificar los 2 modelos con mejor desempeo, que pueden informar la generacin de series climticas para la cuenca.

Generar 2 escenarios de cambio climtico de escala reducida para la cuenca magdalena Cauca, a escalas temporales diarias y mensuales, que corresponden a condiciones extremas en trminos de humedad y temperatura, en el horizonte 2010 2050, que reflejen los cambios en los patrones de estado del tiempo representados en las simulaciones del clima global.

17

Figura 5 reas adoptadas para evaluar el desempeo de los modelos GCM en la representacin de los atributos diferentes atributos del clima de la cuencas Chinchin (alto) y Chira-Piura (inferior).

18

3.3.1 Fuentes de informacin- CMIP-5 La principal fuente de informacin disponible en la actualidad para establecer los escenarios de cambios en el clima consiste en los resultados compilados por el proyecto CMIP5. Estos resultados comprenden 61 modelos de circulacin global - o GCM - desarrollados por 36 instituciones internacionales. Para cada uno de los modelos, son reportados datos a escala global, de diferentes conjuntos de resultados, tales como:

Experimentos histricos, que reproducen los atributos del clima durante el periodo 1850 a 2005

Experimentos futuros, que comprenden el periodo 2005 2100, en cuatro escenarios de cambios antrpicos y naturales en las propiedades del sistema climtico, denominados RCPs o rutas representativas de concentracin: RCP2.6, RCP4.5, RCP6.0 y RCP8.5.

Experimentos Histricos Miscelneos: que buscan reproducir los atributos del clima durante el periodo 1850 a 2005, en condiciones de forzamiento simplificado. Estas modelaciones tienen como propsito proveer informacin sobre la importancia relativa de diferentes forzamientos climticos en los atributos generales del clima (por ejemplo, los gases de efecto invernadero, los aerosoles atmosfricos).

En este estudio, fueron utilizados los resultados de 10 GCMs, cuyo listado se presenta en la Tabla 3. Los datos utilizados corresponden a las salidas globales de los modelos climticos, para los

19

experimentos Histrico (1850 a 2005) y RCP8.5, a paso de tiempo diario, para las variables Precipitacin y Temperatura media.

Tabla 3 Listado de modelos CMIP5 utilizados en este estudio

CENTRO DE MODELACIN INSTITUCIN MODELO

CCCma Canadian Centre for Climate Modelling and Analysis CanESM2

CNRM-CERFACS Centre National de Recherches Meteorologiques / Centre Europeen de Recherche et Formation Avancees en Calcul Scientifique CNRM-CM5

CSIRO-QCCCE Commonwealth Scientific and Industrial Research Organisation in collaboration with the Queensland Climate Change Centre of Excellence CSIRO-Mk3.6.0

MOHC (additional realizations by INPE)

Met Office Hadley Centre (additional HadGEM2-ES realizations contributed by Instituto Nacional de Pesquisas Espaciais) HadGEM2

MPI-M Max Planck Institute for Meteorology (MPI-M) MPI-ESM-MR

MRI Meteorological Research Institute MRI-CGCM3

NCAR National Center for Atmospheric Research CCSM4

NCC Norwegian Climate Centre NorESM1-M

NIMR/KMA National Institute of Meteorological Research/Korea Meteorological Administration HadGEM2

NSF-DOE-NCAR National Science Foundation, Department of Energy, National Center for Atmospheric Research CESM1(CAM5)

3.3.2 Registros de la red meteorolgica 1. Cuenca Chira-Piura - La informacin hidrolgica y meteorolgica en la cuenca Chira-Piura

Cauca corresponde a los registros de la red de monitoreo hidrolgico y meteorolgico del SENAMHI. La disponibilidad de estaciones y registros vara ampliamente en funcin de la variable que se est analizando: 32 estaciones de precipitacin y 10 estaciones de temperatura.

2. Cuenca Chinchin -

En la Tabla 4 se presenta un resumen de las fuentes de informacin hidrolgica utilizadas el modelo estudio.

Tabla 4a Fuentes de informacin hidrolgica utilizadas en este estudio para cuenca Chira-Piura, Per

INFORMACIN AOS FUENTE TIPO DE DATOS

Series de precipitacin (32 Estaciones) 1972-1991 SENAHMI Series de tiempo (resolucin diaria) Series de Temperatura (10 Estaciones) 1972-1991

Tabla 3b Fuentes de informacin hidrolgica utilizadas en este estudio para Cuenca Chinchin, Colombia.

INFORMACIN AOS FUENTE TIPO DE DATOS

Series de precipitacin (23 Estaciones) 1981-2010 IDEAM Series de tiempo (resolucin diaria) Series de Temperatura (6 Estaciones) 1981-2010

20

3.3.3 Comparacin del desempeo y priorizacin de modelos La bondad de un modelo climtico debe verse en trminos de su capacidad de representar atributos del clima, por definicin estadsticos, que ocurren a diferentes escalas temporales: desde elementos asociados a pasos de tiempo diario hasta oscilaciones de aos o dcadas. En conjunto, estos atributos caracterizan el clima y su variabilidad. La Figura 6 ilustra esta nocin. Los resultados de un GCM a pasos de tiempo diario (en un dominio espacial relativamente amplio - entre 10000 a 40000 km2), pueden compararse respecto al promedio regional observado a diferentes escalas de agregacin temporal: Anuales, ej., las magnitudes medias anuales y sus desviaciones, Intra-anual, ej., la estacionalidad de las magnitudes mensuales y los eventos extremos, la duracin de las rachas de das secos, hmedos, etc.), e inter-anual, asociadas a oscilaciones seculares o teleconexiones macro-climticas

Es este estudio, se implementa un conjunto de 8 indicadores (cuantitativos y cualitativos) con los que se busca medir el desempeo de diferentes modelos en la representacin de dichos atributos. A su vez, estos indicadores permiten identificar y priorizar los modelos que mejor representan el clima local.

Figura 6 Caracterizacin de atributos del clima observado y modelado a diferentes escalas

21

Figura 7 Indicadores utilizados para caracterizar atributos del GCM y del clima observado. Adaptado de (Gutmann et al. 2013)

INDICADOR FORMULA DESCRIPCIN

Sesgo (Bias)

[%] : Media de la seal del GCM : Media regional de la seal observada

Longitud de rachas secas (Dry_spell_lenght)

: Total de das secos en el periodo analizado (P 0.1 mm) : Nmero de periodos sin lluvia en el periodo analizado

Media diaria (Daily mean)

[%] : Seal (GCM o Observada) N: Nmero de das del periodo Magnitud de eventos extremos

95 P95: Percentil 95 (probabilidad de excedencia 0.05) Fraccin de das con lluvia (P > 0.1 mm) Wet fraction

: Total de das hmedos en el periodo analizado (P > 0.1 mm) N: Nmero de das del periodo Longitud media de rachas humedas (Wet spell length)

: Total de das secos en el periodo analizado (P 0.1 mm) : Nmero de periodos con lluvia en el periodo analizado

Estacionalidad mensual Reproduce o no el patrn estacional (un mximo, dos mximos)

Oscilaciones de baja frecuencia y teleconexines macroclimticas

()

: Periodograma (Vase Figura 8 Seal del Nio- Ocenica (Oceanic Nio Index ONI)

Figura 9) : Seal nio ocenica (media anual). Figura 8 X:Seal media anual del GCM X:Seal media anual del observada

22

Figura 8 Seal del Nio- Ocenica (Oceanic Nio Index ONI)

Figura 9 Nocin del espectro de potencia (periodigrama),

23

3.3.4 Reduccin de escala - downscaling El problema de la reduccin de escala consiste en identificar como utilizar las seales de clima global generadas por un modelo GCM, para inferir los cambios en los atributos de las variables de estado del clima local , a diferentes escalas temporales. En la Figura 10 y la Tabla 5, se ilustran diferentes aproximaciones existentes para este fin, desde las ms sencillas, como los anlisis de sensibilidad basados en incrementos constantes ( -Delta), hasta los mtodos dinmicos. Los mtodos estadsticos por su parte, ocupan una posicin intermedia y comprenden mtodos paramtricos y no paramtricos. Los primeros se basan en modelos, por ejemplo regresiones lineales de tipo = + , que utilizan como predictores atributos de las series de un GCM () para predecir los atributos del clima local ().

Por ejemplo, las tcnicas de Anlogos Construidos como BCCA y MACA, utilizan combinaciones lineales de variables de estado presentes y pasados del GCM (Ver Tippett & DelSole (2013) para una descripcin detallada) que son estadsticamente ptimas para estimar las caractersticas del clima local. Por su parte, los mtodos no paramtricos, como los mtodos de reordenamiento o bootstrapping (Gangopadhyay et al. 2005; Yates et al. 2003) construyen series sintticas como secuencias de observaciones histricas, utilizando reglas probabilsticas que buscan preservan algunos atributos presentes en las series histricas, como la estacionalidad, la variabilidad, la correlacin espacial, etc, y que a su vez, se modifican en funcin de los cambios predichos por la seal del modelo climtico.

Figura 10 Diferentes aproximaciones para la reduccin de escala. Adaptado de Maraun et al. (2010), Rev of Geo.

24

Tabla 5 Algunas tcnicas estadsticas de reduccin de escala (statistical downscaling)

Metodo Referencia Descripcin

Delta Incrementos constantes: Temperatura: aditivos: e.g. +1C Precipitacin: multiplicativos: e.g. 1.05% Pr

hstorica

BCCA (Bias Corrected Constructed Analogs)

Maurer, E. P., Hidalgo, H. G., Das, T., Dettinger, M. D., and Cayan, D. R.: The utility of daily large-scale climate data in the assessment of climate change impacts on daily stream flow in California, Hydrol. Earth Syst. Sci., 14, 11251138, doi:10.5194/hess- 14-1125-2010, 2010.

Preprocesamiento (PP): Eliminacin de tendencias y mapeo de cuantiles Downscaling (DS): Anlogos construidos Post Procesamiento (PostP): Ninguno

BCSD (Bias Corrected Statistical Disaggregation)

Wood, A. W., Maurer, E. P., Kumar, A., and Lettenmaier, D. P.: Long-range experimental hydrologic forecasting for the eastern United States, J. Geophys Res., 107, 4429, doi:10.1029/2001JD000659, 2002. Wood, A. W., Leung, L. R., Sridhar, V ., and Lettenmaier, D. P.: Hydrologic implications of dynamical and statistical approaches to downscaling climate model outputs, Climatic Change, 62, 189 216, 2004.

PP: Eliminacin de tendencias y mapeo de cuantiles para el llenado de vacos DS: Interpolacin PostP: Ninguno

ARRM Stoner, A. M. K., Hayhoe, K., Yang, X. and Wuebbles, D. J. (2012), An asynchronous regional regression model for statistical downscaling of daily climate variables. Int. J. Climatol.. doi: 10.1002/joc.3603

PP: Ninguno DS: Interpolacin POstP: BC (Regression asincrona de cuantiles)

MACA (Multivariate Adaptive Constructed Analogs)

Abatzoglou J.T. and Brown T.J. "A comparison of statistical downscaling methods suited for wildfire applications " International Journal of Climatology (2011) doi: 10.1002/joc.2313

PP: Eliminacin de tendencias y mapeo de cuantiles para el llenado de vacos DS: Analogos construidos PostP: BC y reemplazo de tendencia

Bayesian Neural Net Regression

JVSD (Joint Variable Statistical Downscaling)

Zhang, F. & Georgakakos, A. P. Joint variable spatial downscaling. Climatic Change 111, (2011).

BCSA Hwang, S. and Graham, W. D.: Development and comparative evaluation of a stochastic analog method to downscale daily GCM precipitation, Hydrol. Earth Syst. Sci. Discuss., 10, 2141-2181, doi:10.5194/hessd-10-2141-2013, 2013.

HMM/NHMM (Homegeneous and Non-Homegeous Hidden Markov Method)

Robertson, Andrew W., Sergey Kirshner, Padhraic Smyth, 2004: Downscaling of Daily Rainfall Occurrence over Northeast Brazil Using a Hidden Markov Model. J. Climate, 17, 44074424.doi: http://dx.doi.org/10.1175/JCLI-3216.1

Tomado de: https://earthsystemcog.org/projects/downscalingmetadata/methods.

Para aplicaciones de modelacin de recursos hdricos, los mtodos no paramtricos ofrecen algunas ventajas, entre otras:

Capturan atributos climticos de diferentes escalas temporales, tales como: la duracin de las rachas de das secos y hmedos, que son de particular inters en la modelacin de sistemas hidrolgicos, la estacionalidad, y las oscilaciones de baja frecuencia

25

Permiten conservar la correlacin espacial de las observaciones

Pueden construirse conjuntos arbitrariamente grandes de series de clima posible, e identificar en dichos conjuntos secuencias asociadas a narrativas especficas en un contexto de planificacin, por ejemplo, aquellas que contengan eventos, o rachas de eventos ms secos o ms hmedas.

En este estudio se implementa el mtodo K-NN bootstraping (por sus siglas en ingls: K Nearest Neighbor), para generar secuencias diarias de estado del tiempo (precipitacin y temperatura) informadas a partir de la salida especfica de un GCM. Este proceso se repite para diferentes GCM priorizados (por ejemplo CCSM4, MPI), para crear un conjunto de proyecciones a escala local, con las que es posible examinar el rango de los cambios potenciales en los atributos del clima.

El mtodo KNN genera series aleatorias que preservan la probabilidad conjunta de los estados de humedad consecutivos del clima regional a paso de tiempo diario, definidos como:

Seco (Dry), Precipitacin media diaria regional menor a min(0.3, P0.05), Humedo (Wet): Precipitacin media regional entre 0.3 mm y P95 Estremadamente hmedo (Extremely wet): Precipitacin media regional > P95

La regla de probabilidad es derivada del anlisis de la seal observada y del GCM, tal y como se muestra en el siguiente ejemplo:

Donde:

(): Probabilidad observada para el periodo climtico presente T = [1970-2010] (): Probabilidad del GCM, para el periodo climtico presente T = [1970-2010] (): Probabilidad del GCM, para un periodo climtico especfico, por ejemplo, T = [2010-

2040]

() = () + [() ()]: Probabilidad para periodo proyectado

Jobserved (Tpresent) dry(t+1) wet(t+1) ewet(t+1) Jshifted = Jobserved + J

dry(t+1) wet(t+1) ewet(t+1)

dry(t) 0.20 0.10 0.05 dry(t) 0.25 0.10 0.05wet(t) 0.10 0.20 0.02 wet(t) 0.10 0.15 0.02

e-wet(t) 0.20 0.12 0.01 e-wet(t) 0.13 0.19 0.01

Jmodel(Tpresent) dry(t+1) wet(t+1) ewet(t+1) Jmodel (Tfuture) dry(t+1) wet(t+1) ewet(t+1)

dry(t) 0.15 0.10 0.03 dry(t) 0.20 0.10 0.03wet(t) 0.10 0.25 0.05 wet(t) 0.10 0.20 0.05

e-wet(t) 0.27 0.05 0.01 e-wet(t) 0.20 0.12 0.01

Loca

l clim

ate

Present (T = 1970-2010) Future (e.g. T = 2010-2040)

GC

M, e

.g.

CC

SM4

J model (future,present)

dry(t+1) wet(t+1) ewet(t+1)

dry(t) 0.05 0.00 0.00wet(t) 0.00 -0.05 0.00

e-wet(t) -0.07 0.07 0.00

GC

M

Pred

icte

d sh

ifts

26

En la Figura 11 se presenta un ejemplo del algoritmo K-NN.

i. Las secuencias de estado del tiempo son construidas mediante una caminata aleatoria de registros histricos, seleccionados del clima regional en una ventana de 2*W-das alrededor del da juliano n que se busca predecir.

ii. El mtodo inicializa la simulacin seleccionando aleatoriamente una fecha en la ventana contenida entre [n-W,n+W].

iii. A partir del estado de humedad registrado en la fecha seleccionada, utilizando la matriz de probabilidad conjunta, se establece el estado de humedad del periodo siguiente,

iv. se identifican cuales valores observados en la ventana cumplen la condicin de estados humedad consecutivos establecida en el paso anterior (por ejemplo hmedo-seco).

v. El valor siguiente se la simulacin se determina aleatoriamente entre estos puntos, o puntos candidatos. La probabilidad de ocurrencia de los estados consecutivos que cumplen la condicin seleccionada, se describe mediante la siguiente funcin de distribucin de probabilidad:

() = = =

Donde es la distancia entre el estado de humedad presente, y el estado de humedad de los puntos candidatos:

= (() ()) Una vez seleccionado el valor del da siguiente, se repite la secuencia desde el paso iii. El resultado del proceso es una secuencia de fechas (Vase Figura 12), que puede ser utilizada para reconstruir series sintticas de estado del tiempo de las diferentes meteorolgicas (TA, HR) en las estaciones locales en las que se cuenta con observaciones.

Figura 11 Ilustracin del algoritmo de K-NN-bootstraping

i.

ii.

iii. iv.

27

v.

vi.

Las series sintticas generadas por el mtodo K-NN no incluyen seal de cambio de temperatura debido a que se basan en las magnitudes del periodo histrico. En el mtodo la seal de incremento de temperatura se estima como:

() = () [] Donde:

(): Media mvil de W das de la seal de temperatura en el modelo para el dia t (Por ejemplo 01-Ene 2015)

[]: Media mvil de W das de la seal media de temperatura en el modelo para el periodo de referencia (Por ejemplo 1970-2010)

Figura 12 Ejemplo de una secuencia de clima generada mediante el mtodo K-NN.

28

Las secuencias de precipitacin son posteriormente evaluadas en trminos de tendencias en las magnitudes de eventos extremos. Estas magnitudes son corregidas mediante un mapeo de cuantiles sobre la funcin de distribucin de extremos corregida, como se muestra en la Figura 13.

Figura 13 Procedimiento de correccin de eventos extremos

29

3.4 Resultados de las simulaciones y discusin. 3.4.1 Resultados para la Cuenca Chinchin Comparacin de las magnitudes de diferentes atributos del clima observados y simulados por diferentes GCM para el periodo 1970-2000. a. Sesgo relativo, b. Precipitacin media diaria, c. Duracin media de rachas secas, d. duracin media de rachas hmedas, e. Fraccin de das con lluvia y f. P5. Percentil de probabilidad de excedencia 5%. A partir de este anlisis, parece que el de los modelos de Noruega NOR-ESM-NCAR CCSM4, el Max Plank Institutos MPI-RM, y son de mejor rendimiento. Aunque como prueba por las figuras de abajo, para algunos ndices, algunos modelos funcionan mejor que otros. Por ejemplo, la longitud de racha seca en el modelo NOR-ESM es mucho ms largo que los otros modelos, mientras que para otras mtricas, que preformes bastante bien.

Figura 14 Presentacin de Resultados GCM para Cuenca Chinchin, Colombia

30

31

Figura 15 Comparacin del patrn estacional (mensual) observado y simulado por los diferentes GCM

32

33

Figura 16 Cambios proyectados en diferentes atributos de la precipitacin por los dos modelos de mejor desempeo MPI-ESM-MR y CCSM4

34

Tabla 6 Resumen de la comparacin de atributos modelados y observados en los diferentes GCM analizados.

Modelo Sesgo Duracin media de rachas secas (das) Precipitacin media diaria

Percentil 95 (mm)

Fraccin de das con lluvias

Duracin media de

rachas hmedas

(das) CCSM4 GCM 22% 3.75 6.64 25.60 75% 11.36 obs 2.45 5.45 19.16 74% 7.01 CNRM-CM5 GCM 59% 1.89 9.16 21.77 97% 51.83 obs 2.36 5.76 19.64 76% 7.55 CSIRO-Mk3-6-0 GCM 165% 2.49 15.30 32.36 92% 28.38 obs 2.36 5.76 19.64 76% 7.55 HadGEM2-CC GCM 161% 1.81 15.02 35.07 97% 56.41 obs 2.36 5.76 19.64 76% 7.55 MPI-ESM-MR GCM -4% 3.29 5.55 17.71 65% 6.13 obs 2.36 5.76 19.64 76% 7.55 MRI-CGCM3 GCM 90% 3.04 10.98 36.44 78% 10.95 obs 2.36 5.76 19.64 76% 7.55 MRI-ESM1 GCM 86% 2.99 10.74 36.11 78% 10.44 obs 2.36 5.76 19.64 76% 7.55 NorESM1-M GCM 7% 8.90 6.16 18.42 69% 19.51 obs 2.36 5.76 19.64 76% 7.55

Series WEAP compatibles de tiempo diarias se han generado para cada uno de los escenarios de MCG. Escenarios similares de datos se generaron para la cuenca del Piura y se colocan en una caja de reenvo para el acceso de personal SEI. Estos datos consisten en series de tiempo todos los das de precipitacin y temperatura en un formato similar al que se muestra a continuacin:

;fecha,Las Brisas (4150),La Esperanza (3280) 1/1/1981,5,5 1/2/1981,3,3 .... 12/30/2050,0,3,0,1 12/31/2050,0.3,0,4

35

3.4.2 Resultados para la Cuenca Chira-Piura Se presentan los resultados de los modelos de circulacin general ms de la cuenca del Piura, lo que demuestra una vez ms que el modelo MPI-RM aparece tener la mayor habilidad para simular el clima de la regin.

Precipitation stats:

Figura 17 Presentacin de Resultados GCM para Cuenca Piura, Peru

36

37

38

Tabla 7 Resumen de la comparacin de atributos modelados y observados en los diferentes GCM analizados.

Modelo Sesgo Precipitacin media diaria Percentile 95

(mm)

Fraccin de das con lluvias

Duracin media de

rachas secas (das)

Duracin media de

rachas hmedas

(das)

CanESM2 GCM 159% 5.47 19.28 72% 3.37 8.52

obs 2.11 10.04 39% 8.50 5.40

CCSM4 GCM 147% 4.45 17.41 62% 3.54 5.75

obs 1.80 8.66 37% 8.03 4.66

CESM1-CAM5 GCM 205% 5.49 17.05 78% 3.06 10.84

obs 1.80 8.66 37% 8.03 4.66

CNRM-CM5 GCM 135% 6.06 12.00 68% 3.76 8.03

obs 8.89 34% 9.35 4.85

CSIRO-Mk3-6-0 GCM 304% 9.26 28.53 59% 10.63 15.54

obs 2.29 11.12 40% 6.13 4.08

HadGEM2-CC GCM 310% 9.40 27.46 89% 2.95 23.68

obs 2.29 11.12 40% 6.13 4.08

MPI-ESM-MR GCM 44% 3.31 15.21 41% 5.50 3.83

obs 2.29 11.12 40% 6.13 4.08

MRI-CGCM3 GCM 281% 7.70 28.33 64% 5.33 9.62

obs 2.02 9.96 37% 8.60 5.10

MRI-ESM1 GCM 304% 8.17 29.30 64% 5.51 9.98

obs 2.02 9.96 37% 8.60 5.10

NorESM1-M GCM 312% 7.21 21.94 72% 5.18 13.31

obs 1.75 8.58 34% 9.38 4.80

39

Figura 18 Presentacin de precipitacin mes GCM Resultados para Cuenca Piura, Peru

40

41

Figura 19 Periodogram plots para Cuenca Chira-Piura, Peru

CanESM2

CCSM4

CESM-CAM5

CNRM-CM5

CSIRO MK3

HagGEM2 CC

MPI-ESM-MR

42

MRI-CGCM3

MRI-ESM1

NorESM1

43

Figura 20 Cambios proyectados en diferentes atributos de la precipitacin por los dos modelos de mejor desempeo MPI-ESM-MR y CCSM4 para Cuenca Chira-Piura, Per.

44

45

46

47

48

3.5 Resumen de la Actividad 1 Este informe presenta series meteorolgicas de estado de tiempo (diarias) informadas por cambio climtico cuencas Chira-Piura en Per y Chinchin en Colombia, para escenarios de cambio climtico de temperatura media y precipitacin, usando los resultados ms recientes del proyecto CMIP5 - Escenario RCP8.5.

Los escenarios se generaron usando el mtodo K-NN, para que corrige el sesgo y espacialmente desagregados los datos, para secuencias de resolucin diaria desde 2015 hasta 2089, tomando como referencia las observaciones entre 1970-2010 y los modelos MPI-ESM-MR (Max Plank Institute) y Community Climate Systems Model (CCSM) cuyas proyecciones climticas se encontr reflejan la mayora de los patrones de estado del tiempo locales. Si bien se evalu una cantidad importante se modelos, el escenario seleccionado se bas en un enfoque de secuencias informadas por el modelo de mejor desempeo, debido a que se encontr que hay modelos que presentan sesgos considerables en la estimacin de los diferentes atributos del clima, y que en consecuencia, se consideran no representativos de los factores generadores del clima local.

Las series sintticas fueron generadas para las estaciones locales (1259 estaciones de precipitacin y 184 estaciones de temperatura). Los resultados de este anlisis aportan y complementan a los estudios existentes sobre cambio climtico en la cuenca, especficamente en la representacin a escala reducida de atributos de la variabilidad climtica a pasos de tiempo diarios y semanales, que hasta el momento no se encuentran disponibles en los estudios previos implementados por el IDEAM y otras instituciones (WorldClim y ClimateWizard). Si bien estos resultados aportan mayor detalle en relacin con las escalas temporales a los estudios previos, a niveles de agregacin mayores (anuales y mensuales) los resultados obtenidos corroboran la informacin obtenida por otros estudios, por ejemplo, los incrementos esperados en la temperatura a mitad a 2050 para el escenario RCP 8.5 (+0.9 0.4C).

3.6 Referencias para la Actividad 1

Domnguez, E., 2005. Pronstico probabilstico de afluencias para la evaluacin de riesgos en embalses. Avances en Recursos Hidrulicos, 12, p.25.

Gangopadhyay, S., Clark, M. & Rajagopalan, B., 2005. Statistical downscaling using K -nearest neighbors. Water Resources Research, 41(2), p.n/an/a. Available at: http://doi.wiley.com/10.1029/2004WR003444 [Accessed June 20, 2014].

Gutmann, E. et al., 2013. Statistical Downscaling Inter Comparison, Available at: http://www.cesm.ucar.edu/events/ws.2013/presentations/SDWG/gutmann.pdf.

Hijmans, R.J. et al., 2005. Very high resolution interpolated climate surfaces for global land areas. International Journal of Climatology, 25(15), pp.19651978. Available at: http://doi.wiley.com/10.1002/joc.1276 [Accessed May 25, 2014].

Hijmans, R.J., Cameron, S. & Parra, J., 2013. WorldClim - Global Climate Data. Available at: http://www.worldclim.org/about.

49

Koutsoyiannis, D., 2010. HESS Opinions A random walk on water. Hydrology and Earth System Sciences, 14(3), pp.585601. Available at: http://www.hydrol-earth-syst-sci.net/14/585/2010/.

Moss, R.H. et al., 2010. The next generation of scenarios for climate change research and assessment. Nature, 463.

Ruiz, F. et al., 2013. Informe de Escenarios de Cambio Climtico para Temperatura y Precipitacin en Colombia, Bogot.

Tippett, M.K. & DelSole, T., 2013. Constructed Analogs and Linear Regression. Monthly Weather Review, 141(7), pp.25192525. Available at: http://journals.ametsoc.org/doi/abs/10.1175/MWR-D-12-00223.1 [Accessed June 26, 2014].

Yates, D. et al., 2003. A technique for generating regional climate scenarios using a nearest-neighbor algorithm. Water Resources Research, 39(7), p.n/an/a. Available at: http://doi.wiley.com/10.1029/2002WR001769 [Accessed June 5, 2014].

Yates, D. et al., 2005. WEAP 21. A demand, priority and preference driven water planning model. Part 2: Aiding Freshwater Ecosystem Service Evaluation. Water International, 30(4), pp.501512.

Young, C.A. et al., MODELING THE HYDROLOGY OF CLIMATE CHANGE IN CALIFORNIA S SIERRA NEVADA FOR SUBWATERSHED SCALE ADAPTATION 1. , pp.115.

50

4 Activity 2.1 (Development of GCM boundary forcing for current and future periods)

To quantify 21st century climate change over the Northern Andean region, we performed simulations using version 3.5.1 of the Weather Research and Forecasting Model (WRF, Skamarock et al. 2008). WRF is a fully compressible conservative-form nonhydrostatic atmospheric model with demonstrated ability for resolving small-scale phenomena and clouds (Skamarock and Klemp 2008). Here, WRF is employed to dynamically downscale climate fields from NCARs comparatively coarse-scale gridded global climate model (GCM), the Community Climate System Model- Version 4 (CCSM4) which covers the global domain. The WRF simulations are comparatively fine-scale, covering the regional domain of the Northern Andes, which is relevant for assessing climate change impacts at regional-to-local scales.

The goal of this regional climate modeling activity was to develop projections of regional climate at fine spatial and temporal scale, that reflect the large-scale features and temporal trends from Atmosphere Ocean Global Climate Model (AOGCM or GCM for short) simulations (AR5), but also the historical patterns of climate variables at the regional and local scale (Fowler et al., 2007; Wood et al., 2004). To achieve this, a regional climate model (RCM) was deployed that dynamically downscaled the climate of the Northern Andes using GCM data for lateral boundary conditions. Boundary conditions are time-dependent lateral meteorological data that drive the high-resolution RCM. This driving data is derived from GCMs (or analyses of observations) and can include GHG and aerosol data. The RCM simulations should better represent the topographic gradients across the domain, including the influence of the Andean mountain region, which potentially increases and re-distributes precipitation due to enhanced lifting.

WRF benchmark simulations were performed over a historical period to best estimate the true state and dynamics of the atmosphere. The benchmark simulations in this study derive their initial and boundary conditions from the European Centre for Medium-Range Weather Forecasting (ECMWF) Interim Reanalysis (ERA-Interim; Dee et al. 2011). ERA-Interim is considered to be the most accurate atmospheric reanalysis available at the present time (e.g., Lorenz and Kunstmann 2010).

We then used data from the using the bias-corrected CCSM4 output, for the contemporary period (5-years at 18 and 6 km) and the RCP8.5 future period (selective years of ENSO states), which is described below. The purpose of performing the GCM-driven WRF climate simulations for the historical period is to:

1. Generate a dataset that can be used to validate the GCM-driven WRF simulations against the reanalysis-driven WRF benchmark simulations described above for some common historical period, and

2. Provide a baseline dataset against which future GCM-driven WRF climate simulations can be assessed.

The purpose of performing the GCM-driven WRF climate simulations for the future period is to provide a projection for the future state of the atmosphere in some latter portion of the 21st century. The WRF climate simulations in this study derive their initial and boundary conditions from version 4 of the Community Climate System Model (CCSM4; Gent et al. 2009). CCSM4 is a subset of Version 1 of the Community Earth System Model (CESM1; Hurrell et al. 2013). CCSM4 is a coupled global climate model (GCM) comprised of four component models that simulate the atmosphere, ocean, land surface and sea-ice. The CCSM4 simulations used to generate the present dataset were performed in support of the Coupled Model Intercomparison Experiment Phase 5 (CMIP5; Taylor et al., 2012) and the Fifth Assessment Report of the Intergovernmental on Climate Change (IPCC 2013). CCSM4 ranks at the top of all CMIP5 GCMs in its ability to simulate observed temperature and rainfall globally

51

(Knutti et al. 2013). Model fields were obtained from the National Center for Atmospheric Research on their Globally Accessible Storage Environment (GLADE), and are also available from the Earth System Grid - Program for Climate Model Diagnosis and Intercomparison (ESG-PCMDI) gateway at Lawrence Livermore National Laboratory (http://pcmdi3.llnl.gov/esgcet/home.htm). The CMIP5 model scenarios used to construct the present bias-corrected dataset include a historical simulation and three future projections. The historical simulation was forced by observed natural and anthropogenic atmospheric composition changes spanning 1861-2005.

Figure 21 compares the terrain from the CCSM4 GCM to that from the WRF 18-km (top) and 6-km (bottom) domains (described below). It is clear that CCSM4, with a spatial resolution of 0.9 degrees latitude x 1.25 degrees longitude (approximately 100 km), cannot adequately resolve the topography of the Andes and other important orography of the region compared to WRF, demonstrating the necessity of performing the WRF dynamical downscaling simulations in order to provide a dataset that is appropriate for assessing climate change in the region.

CCSM3 WRF

Figure 21. Terrain height (m, color scale at bottom) and land/sea mask for CCSM4 (top) and 6-km WRF (bottom). Actual coastlines and political boundaries shown in black.

52

The future projections are the Representative Concentration Pathway (RCP; Moss et al. 2010) 4.5, 6.5 and 8.5 scenarios, which span 2006-2100. RCP4.5 is a low-to-moderate emissions scenario with GHG radiative forcing reaching 4.5 W m-2 near 2100. It represents a trajectory that may be plausible if, for instance, GHG emissions pricing were introduced in order to limit radiative forcing (Thompson et al. 2011). RCP6.0 is a moderate GHG emissions scenario that is similar to RCP4.5 in that a variety of strategies for reducing GHGs would be applied to eventually stabilize radiative forcing near the end of the 21st century (Masui et al. 2011). RCP8.5 is a high-emissions scenario with greenhouse-gas (GHG) radiative forcing reaching 8.5 W m-2 near 2100. It represents a plausible trajectory if little is done to curb greenhouse gas emissions (Riahi et al. 2011). While an ensemble of CCSM4 simulations was performed for each scenario in order to characterize model-based uncertainty, only output from Ensemble Member #6 -- also known as the "Mother of All Runs (MOAR)" -- was used to construct the present files, because that is the only member that has available at 6-hourly intervals the full three-dimensional fields required to force WRF or MPAS. The specific CCSM4 Ensemble Member #6 simulations used were: b40.20th.track1.1deg.012 (20th Century), b40.rcp4_5.1deg.006 (RCP4.5), b40.rcp6_0.1deg.006 (RCP6.0) and b40.rcp8_5.1deg.007 (RCP8.5) (additional details at: http://www.cesm.ucar.edu/experiments/cesm1.0/).

Like all GCMs, CCSM4 contains regional-scale biases due to its relatively coarse spatial resolution and a limited representation of many complex physical processes. Such biases can adversely affect the dynamical downscaling process and contribute to uncertainty. To remedy these biases, it is common to bias correct the climate model output before using it to drive regional-scale models like WRF (e.g., Rasmussen et al. 2011, Xu and Yang 2012, Done et al. 2013). The present Intermediate files were constructed with a recently-developed bias correction method that uses a global atmospheric reanalysis to correct for the mean bias in the CCSM4 3-dimensional temperature, geopotential height, wind, and humidity fields, as well as the surface pressure, sea level pressure, sea surface temperature (SST), skin temperature, and soil temperature and moisture fields (Bruyere et al. 2013). Although the bias in the mean state is corrected with the reanalysis fields for each variable, the methodology still allows synoptic-scale and climate-scale variability to change in the future as simulated by CCSM4. The reanalysis used for the bias correction is the European Centre for Medium-Range Weather Forecasting (ECMWF) Interim Reanalysis (ERA-Interim; Dee et al. 2011), obtained from NCAR's Research Data Archive for the surface and pressure levels (ECMWF 2009, 2012). ERA-Interim is considered one of the most accurate atmospheric reanalysis available at the present time according to a variety of measures (e.g., Lorenz and Kunstmann 2010).

Bias-corrected Intermediate files that can be used as the initial and boundary conditions for the WRF were constructed with simulations from Version 4 of the Community Climate System Model (CCSM4; Gent et al. 2011). A description of the bias correction procedure is provided in the Appendix. The bias-corrected CCSM4 output was produced by summing the 1981-2005 average 6-hourly annual cycle (the Reynolds-average mean term) from Era-Interim ("ERAINT") and a 6-hourly perturbation term (the Reynolds-average eddy term) from CCSM4:

Where the overbar terms are the mean climatology, primed terms are perturbations from the climatology, and CCSMR is the revised (bias-corrected) CCSM4 output at 6-hourly intervals, which is subsequently used as the initial and boundary conditions for the WRF climate simulations. A schematic of the bias-correction method is shown in Figure 22.

R

CCSM CCSM CCSM

ERAINT ERAINT ERAINT

CCSM ERAINT CCSM

= +

= +

= +

53

Using the bias-correction technique, 6-hourly Intermediate files were generated for the historical period and the three RCP scenarios. The files have the following naming conventions:

1. Historical Period (1951-2005): CCSM4_CMIP5_MOAR_BC_20THC:YYYY-MM-DD_HH 2. RCP4.5 Scenario (2006-2100): CCSM4_CMIP5_MOAR_BC_RCP45:YYYY-MM-DD_HH 3. RCP6.0 Scenario (2006-2100): CCSM4_CMIP5_MOAR_BC_RCP60:YYYY-MM-DD_HH 4. RCP8.5 Scenario (2006-2100): CCSM4_CMIP5_MOAR_BC_RCP85:YYYY-MM-DD_HH

where YYYY is the present year, MM is the present month, DD is the present day and HH is the present hour.

Figure 22. Schematic of the bias-correction method for a generic variable. The CCSM4 perturbation term is added to the 1981-2005 ERA-Interim mean term.

Figure 23 shows the precipitation anomaly over the Northern Andean region for the CCSM4 RCP 8.5 experiment. The take-home message of this plot is that the scenario that we are using generally shows a slightly increasing rainfall trend over the region while the temperature anomaly is approximately 3.5oC for the RCP 8.5 projection (not shown).

Figure 23. Schematic of the bias-correction method for a generic variable. The CCSM4 perturbation term is added to the 1981-2005 ERA-Interim mean term.

54

5 Activity 2.2. (The WRF Regional Climate Simulations) The WRF computational domains are shown in Figure 24, with the outer domain on a grid spacing of 18-km resolution (D1), which covers much of northern South America and the Eastern Pacific Ocean. Nested inside the 18-km domain is a 6-km domain (D2) covering the region that includes Colombia and Peru. The WRF simulations feature 40 vertical levels from the surface to 10 hPa (about 30 km above the surface). The WRF simulations are reinitialized every eight days, and each eight-day period is preceded by a 12-hour period that allows the WRF hydrological fields to spin up, and which is subsequently discarded. Throughout the simulations, four-dimensional data assimilation (FDDA, Stauffer and Seaman 1994) -- i.e., grid nudging is employed on the 18-km domain to keep the model solution from diverging from the large-scale global boundary conditions, which are described in detail below.

Physical parameterization schemes, which simulate the sub-grid scale processes in WRF empirically, include the Lin microphysics scheme, the RRTM longwave radiation scheme, Dudhia shortwave scheme, MM5 surface layer scheme, Noah land surface model, YSU PBL scheme, and the Grell-Devenyi convective scheme (for both the 18-km and 6-km domains). These parameterizations are chosen because they yielded optimal WRF performance over Northern Andean regions when compared to satellite remote precipitation for the case study periods. The global domains providing the initial and lateral boundary conditions for the WRF dynamical downscaling simulations come from two sources depending on whether they are benchmark simulations or climate simulations, which are described next.

Figure 24. The WRF domains for northern South America (Domain 1 at 18-km resolution); and the higher resolution domain (Domain 2 at a 6-km resolution) over the northern Andean Region of South America.

55

5.1 WRF benchmark simulations with ERA-Interim The ERA-Interim fields employed here for the benchmark simulations have a ~0.7 grid spacing on 38 vertical levels. Sea surface temperature (SST) data at the lower oceanic boundaries of these benchmark simulations are from version 2 of the National Oceanic and Atmospheric Administration (NOAA) Optimum Interpolation (OISST) 0.25 degree product (Reynolds et al. 2007). A first and critical step in configuring the WRF model to simulate both the current and future climate of the region, is to evaluate which set of model physics gives the best representation of the regional climate. We did this by testing various configurations of the model setup, which are summarized in Figure 25. This figure shows a 6-day accumulated precipitation over the 6-km domain of the Northern Andes for a strong La Nia year, for the period 12 to 17 December, 2010 for different configurations of the WRF model (Runs 1 to 8) compared to a satellite-based observational product-CMORPH (Joyce 2004).

Figure 25 shows the various configurations of the model in terms of WRF model configuration, including the convective parameterization (KF is Kain-Fritsch, GD is the Grell-Devenyi scheme), microphysics (Lin, Thompson), the radiation and planetary boundary layer schemes including (YSU PBL). These various runs were used to conclude that the best performing set of model configurations. Run #5 seemed to exhibit the best performance in terms of a reasonable comparison to the CMORPH rainfall estimates, as the values look reasonable compared to other gauge-based precipitation climatologies. Importantly, run Number 5 used convective parameterization (CP), while when CP was turned off and convection was explicitly resolved (Run 6), the rainfall patterns were much more concentrated as compared with Run 5, which was more distributed in nature. Also, note that in the southwestern portion of Colombia, the spatial patterns of rainfall is much different, with the influence of the Andean topography demonstrated. Note the low precipitation band stretching from the southwest to the northeast of the domain.

The December 2010 precipitation pattern is similar to 7-year climatology, but with more intense precipitation north and south of isthmus and greater localized amounts over the higher terrain and the Amazon region (Fig 26). Keep in mind CMORPH data are averaged over 30 km boxes while WRF model inner domain has a 6 km grid resolution. WRF modeled values are generally comparable to CMORPH, with maximum rates generally 2-5 time the CMORPH, which is consistent with the higher resolution of the atmospheric model. The CMORPH will smooth out rainfall, and so we should observe considerably higher rainfall rates as simulated by WRF. Interestingly, using convective parametrization on the 6km grid results in precipitation patterns that more closely match CMORPH, with CP runs generally having lower max precipitation rates, with precipitation from CP runs generally exhibiting more smoothly varying spatial patterns, which are more coherent and look better over the Amazon region. We concluded that Run 5 was subjectively determined be the best performing configuration for this case study in terms of accumulated precipitation. Note the lower precipitation values over the higher terrain of the Andean plateau; which is a difficult attribute to model, with some of the WRF runs not able to capture this (Fig 25 and Fig 26).

56

Figure 25. Figure of CCSM 4 output (Activity 2.1; GCM boundary forcing). Run 5 configuration was used. Run 1

Kain-Frisch CP LIN and YSU

Run 2 KF CP off, Lin,

and YSU

Run 3 GD CP On, Lin,

YSU

Run 4 GD CP off, Lin,

YSU

CMORPH (OBS) (280 mm)

*Run 5

GD CP ON, Thomson, YSU

Run 6 GD CP Off,

Thompson, YSU

Run 7 GD On, Goddard

MP, YSU

Run 8 GD Off, Goddard

MP, YSU

CMORPH (OBS) (280 mm)

57

Figure 26. CMORPH monthly mean December precipitation for 7 years (left) and December 2010 (right).

Dec 2003-2010 CMORPH Climo (max760 mm) Dec 2010 CMORPH (max =1100 mm)

5.2 WRF simulations with CCSM for current and future periods. Due to computing constraints (simply not enough computing time or resources available to run long transient simulations at high resolution), our focus for running current and future climate simulations was to focus on physical process understanding, rather that long runs of the WRF model. What we hope to understand is the nature of the climate over the region of interest (northern Andes), both now and in the future. For this reason, we decided to focus on the use of the El Nio-Southern Oscillation (ENSO) cycle and its different phases.

Our simulation with WRF were then based on the selection of different phases of the ENSO signal that included: 1) extreme La Nia, 2) moderate La Nia, 3) neutral ENSO events, 4) a moderate El Nio and 5) an extreme El Nio. Note that the historical ENSO events using the NCAR CCSM4 runs do not coincide with observed historical events because the internal variability in CCSM4 is not temporally consistent with the observed climate system.

To define the years for which to simulate, our ENSO definition was defined using Region 3.4 following Steinhoff et al. (2014) for the geographic region defined over the area, 5S-5N, 170-120W, and we then computed an SST Anomaly as: SSTa = (SST(month) SST(monthly_mean)). The periods that were used included, the present day 1905-2005 and the future 2005-2100 and we then computed a Mean SST for DJF. A major ENSO event was defined as those less than 25th percentile or greater than 75th percentile which is a mean anomaly close to +/-1.5 K SST variation.

Figure 27 shows the DJF SST anomaly for the ENSO3.4 region from the CCSM4 results, where the anomalies were computed by subtracting ~100 year monthly mean from the monthly value and computing the average anomaly for the 3 month period DJF for each winter. The Red Dots and the anomalies greater than 1.5oC (El Nio Winter DJF); Blue Dots are the anomalies less than -1.5oC (La Nia Winter for DJF) and the green line is the detrended DFJ SST anomalies. Of note is the absence

58

of La Nia events in the latter half of the 21st century. There appear to be fewer, but longer lived El Nio events in future climate which may require multi-year simulations to capture entire El Nio period. Note that for La Nia, strong events become less frequently toward the end of present day and occur only prior to 2060 in the future and their duration appears shorter in the future as well. We use these results to select specific events in the future for understanding the impact of regional climate change on precipitation and temperature.

Figure 27. CCSM4 estimate of the ENSO output for the contemporary period. 1981 was the La Nia event, while 1997 and 2057 have been the El Nio events in which we have focused our WRF modeling efforts.

13 El Nio and 7 La Nia Events 10 El Nio and 8 La Nia Events.

Figure 28 shows WRF runs run to data for current and future conditions. We have run a major La Nia event (1981 in the CCSM4 run), a strong El Nio event (1998 in the CCSM4 run) and a future El Nio (2057).

59

Figure 28. Domain 2 (6-km) total annual rainfall (top left), topography (top right) and daily rainfall