Fecha: 20/12/2015

La utilización de datos en rejilla (grids) puede conducir a conclusiones erróneas sobre cambios en la variabilidad climática

Cuando los investigadores estudian los cambios en la variabilidad climática sobre grandes regiones o a escala global, generalmente prefieren utilizar datos en rejilla (comúnmente denominados grids) a utilizar directamente los datos brutos medidos en los observatorios climáticos. Al contrario que las nubes de puntos irregularmente distribuidas en el espacio y en el tiempo que constituyen las observaciones brutas, las rejillas climáticas tienen una cobertura espacial y temporal completa, y cubren la región de estudio en una malla regular muy adecuada para el análisis estadístico o la modelización.

Los datos en rejilla se construyen a partir de las observaciones brutas irregulares en el espacio mediante un proceso de interpolación espacial. Existe un gran número de métodos para la creación de rejillas, y como característica general todos preservan de manera adecuada la media de los datos, ya que han sido diseñados para no introducir ningún sesgo en la media estimada de los datos. Sin embargo, estos métodos no garantizan una adecuada estimación de la varianza de los datos.

En realidad, la varianza de los datos de rejilla depende directamente de la densidad espacial de las observaciones, es decir del número de observaciones y de su distribución espacial. Cuando se analizan las bases de datos climáticas globales en uso por la comunidad científica internacional resulta evidente que existe una gran variabilidad temporal en el número y distribución espacial de las observaciones. Tras una fase de incremento progresivo en el número de estaciones climáticas a lo largo del siglo 20, todas las bases de datos muestran un descenso muy acentuado en los últimos 30 años aproximadamente.

 

Time series of the number of ground stations in the CRU TS 3.21 dataset for precipitation and temperature.

Serie temporal del número de observaciones en la base de datos CRU TS 3.21 para las variables de temperatura y precipitación.


En un contexto de cambio climático, la frecuencia y la magnitud de las anomalías climáticas (valores alejados de la climatología media) y de los eventos extremos como las olas de calor y las sequías depende más de cambios en la varianza que de cambios en la media de las variables, como han mostrado entre otros los trabajos de Katz y Brown (1992) o de Schär et al. (2004). Por tanto, la cuestión de hasta qué punto la variabilidad climática (la varianza) se está incrementando con el cambio climático es una cuestión crucial. No existe un acuerdo acerca de la relación entre el cambio climático y la variabilidad del clima, y un número de estudios recientes han sugerido que esta relación es muy pequeña o inexistente, tanto para temperatura (Huntingford et al., 2013) como para precipitación (Sun et al., 2012; Greve et al., 2014). También se ha minimizado el impacto del cambio climático sobre la ocurrencia y magnitud de las sequías (Sheffield et al., 2012). Todos estos estudios se basan en el análisis de datos en rejilla, por lo que surge la pregunta de si estos análisis pueden estar afectados por artefactos estadísticos en las bases de datos derivadas de la variación en el número de observaciones utilizadas en la creación de las rejillas. Por ejemplo, la reducción de las observaciones brutas desde la década de los ’80 en todos los grandes conjuntos de datos climáticos puede haber conducido a una aparente reducción en la varianza de los datos en rejilla, que puede ser erróneamente atribuida a un cambio real en la variabilidad climática.

Sabemos que los cambios en el número de observaciones se trasladan como cambios en la varianza de las rejillas creadas a partir de éstas. Estos cambios en la varianza son puros artefactos estadísticos y no reflejan una realidad climática. Este hecho, que se deriva de la teoría matemática que hay detrás de los métodos de interpolación espacial utilizados para crear las rejillas, puede también ser demostrado mediante técnicas de simulación de datos o a partir del análisis de alguna de las bases de datos globales comúnmente utilizadas por los científicos. Por ejemplo, se obtiene una gráfica muy diferente de la evolución de las anomalías de precipitación y temperatura (desviaciones estándar con respecto a los valores medios) a escala global dependiendo de si se utilizan todas las celdas de la rejilla o si se utilizan sólo las celdas que contienen al menos una observación real.
 

Time series of global precipitation and temperature standard deviation (in standardized units) in the CRU TS 3.21 dataset (excluding dummy cells).
Serie temporal de la desviación estándar de precipitación y temperatura en la base de datos en rejilla CRU TS 3.21 (excluyendo las celdas ‘fantasma’ relajadas al valor de la climatología media).

 

Time series of global precipitation and temperature standard deviation (in standardized units) in the CRU TS 3.21 dataset (excluding all cells without ground observations).

Serie temporal de la desviación estándar de precipitación y temperatura en la base de datos en rejilla CRU TS 3.21 (excluyendo todas las celdas que no contienen al menos una observación).

Resulta evidente que no se puede ignorar la naturaleza y la magnitud de los cambios en la varianza de los datos en rejilla que se derivan del cambio en el número y densidad espacial de las observaciones climáticas utilizadas para crear esas mismas rejillas. De no hacerse así, es muy posible que se llegue a conclusiones erróneas sobre la evolución en las últimas décadas de las anomalías climáticas e incluso de los valores extremos. Una posible solución a este problema consistiría en abandonar las técnicas de interpolación espacial al uso en la actualidad, en favor de técnicas más avanzadas de simulación estadística que proporcionan una representación no sesgada de la varianza de los campos climáticos.


Estos resultados se derivan de una investigación realizada por investigadores de la Estación Experimental de Aula Dei (EEAD-CSIC), el Instituto Pirenaico de Ecología (IPE-CSIC) y la Universidad de Montana. Para más información: S. Beguería, S. M. Vicente-Serrano, M. Tomás-Burguera, and M. Maneta (in press), Bias in the variance of gridded data sets leads to misleading conclusions about changes in climate variability. International Journal of Climatology.

Ficheros: