3.4.d Escenarios de calor (CMIP6) - EVA — Evaluación y análisis de riesgos de desastres

# Preparación del entorno. En Colab instala el paquete del proyecto desde GitHub (1–2 minutos);
# en una copia local usa el paquete ya instalado con `pip install -e .`.
import sys, subprocess
if "google.colab" in sys.modules:
    subprocess.run([sys.executable, "-m", "pip", "install", "-q", "leticia @ git+https://github.com/mromerot/leticia"], check=True)
from leticia.libro import preparar, intentar
preparar()

El calor es la amenaza con la señal de cambio climático más robusta: todos los modelos y escenarios proyectan calentamiento. La pregunta es cuánto y qué tan rápido. Esta página usa el ensamble de 25 modelos CMIP6 con reducción de escala estadística (NEX-GDDP-CMIP6) que publica el Portal de Conocimiento sobre Cambio Climático del Banco Mundial World Bank Group, 2024Thrasher et al., 2022.

import matplotlib.pyplot as plt
import numpy as np
import pandas as pd
from IPython.display import Markdown, display

from leticia import clima, fuentes, viz
from leticia.config import aoi_cfg, parametros

1. Trayectoria de la temperatura máxima¶

tr = fuentes.cckp_trayectoria("tasmax")
base_cckp = float(fuentes.cckp_historico(["tasmax"]).iloc[0])
era = fuentes.clima_diario()
tmax_anual = era["temperature_2m_max"].groupby(era.index.year).mean()
tmax_anual = tmax_anual[tmax_anual.index < pd.Timestamp.today().year]
sesgo = tmax_anual.loc[1995:2014].mean() - base_cckp
fig, ax = plt.subplots(figsize=(10, 4))
ax.plot(tmax_anual.index, tmax_anual - sesgo, color="k", lw=1, label="ERA5 (ajustado a la base del CCKP)")
for esc in ("ssp126", "ssp245", "ssp585"):
    ax.fill_between(tr.index, tr[f"{esc}_p10"], tr[f"{esc}_p90"], color=viz.ESCENARIOS[esc], alpha=0.12)
    ax.plot(tr.index, tr[f"{esc}_median"], color=viz.ESCENARIOS[esc], lw=2, label=viz.NOMBRE_ESC[esc])
ax.set_ylabel("temperatura máxima media anual (°C)")
ax.set_title("Temperatura máxima en Leticia: observada y proyectada (mediana y p10–p90 del ensamble)")
ax.legend(ncol=2)
fig.tight_layout()
display(Markdown(f"Diferencia ERA5 − CCKP en 1995–2014: {sesgo:+.2f} °C (se resta a ERA5 para comparar en la misma base)."))

2. Indicadores de calor extremo¶

VARS = {"tas": "temperatura media (°C)", "tasmax": "temperatura máxima (°C)", "txx": "máxima absoluta anual (°C)",
        "hd35": "días con Tmax > 35 °C", "hi35": "días con índice de calor > 35 °C", "tr26": "noches con Tmin > 26 °C"}
tabla = fuentes.cckp_tabla(list(VARS))
base = fuentes.cckp_historico(list(VARS))
med = tabla[tabla.percentil == "median"].pivot_table(index="variable", columns=["periodo", "escenario"], values="valor")
med.columns = [f"{p} {viz.NOMBRE_ESC[e]}" for p, e in med.columns]
med.insert(0, "1995–2014 (base)", base)
med.index = [VARS[v] for v in med.index]
display(Markdown("**Valor de base y cambio proyectado (mediana del ensamble):**"))
display(med.round(1))

Lectura. La temperatura máxima media sube entre ~1 °C (SSP1-2.6) y ~2 °C (SSP5-8.5) hacia mediados de siglo, y hasta 4–5 °C a final de siglo con altas emisiones. Lo más relevante para la salud es el aumento de los días con índice de calor sobre 35 °C y de las noches tropicales, que eliminan el alivio nocturno: pasan de ser raros a ocurrir durante buena parte del año. Coincide con la Tercera Comunicación Nacional, que proyecta para Amazonas aumentos de 1,5 °C (2041–2070) y 2,4 °C (2071–2100) de la temperatura media IDEAM et al., 2017.

3. Días sobre el umbral actual (método delta)¶

pc = parametros()["calor"]
base_p = tuple(aoi_cfg()["clima"]["periodo_base"])
tmax = era["temperature_2m_max"]
ref = tmax[(tmax.index.year >= base_p[0]) & (tmax.index.year <= base_p[1])]
umbral = clima.umbral_percentil(tmax, pc["percentil_umbral"], base_p)
tabla_tx = tabla[(tabla.variable == "tasmax")]
filas = []
for (per, esc), g in tabla_tx.groupby(["periodo", "escenario"]):
    d = g.set_index("percentil")["valor"]
    fila = {"periodo": per, "escenario": viz.NOMBRE_ESC[esc]}
    for q in ("p10", "median", "p90"):
        futura = ref + d[q]
        fila[f"días/año ({q})"] = (futura > umbral).groupby(futura.index.year).sum().mean()
    filas.append(fila)
res = pd.DataFrame(filas).set_index(["periodo", "escenario"])
display(Markdown(f"Umbral actual: Tmax > **{umbral:.1f} °C** (p{pc['percentil_umbral']} de {base_p[0]}–{base_p[1]}); hoy ≈ 36 días/año por construcción."))
display(res.round(0))

El método delta suma a la serie diaria observada de 1991–2020 el cambio medio proyectado de la temperatura máxima. Es sencillo y transparente, pero no cambia la variabilidad diaria: los resultados indican el orden de magnitud del desplazamiento, no la forma exacta de las olas futuras. Aun en el escenario más bajo, lo que hoy es un día caluroso excepcional se volverá común.

References¶

World Bank Group. (2024). Climate Change Knowledge Portal: Projected Climate Data, CMIP6 0.25-degree. https://climateknowledgeportal.worldbank.org
Thrasher, B., Wang, W., Michaelis, A., Melton, F., Lee, T., & Nemani, R. (2022). NASA Global Daily Downscaled Projections, CMIP6. Scientific Data, 9, 262. 10.1038/s41597-022-01393-4
IDEAM, PNUD, MADS, DNP, & Cancillería. (2017). Análisis de vulnerabilidad y riesgo por cambio climático en Colombia. Tercera Comunicación Nacional de Cambio Climático [Techreport]. IDEAM, PNUD, MADS, DNP, Cancillería, FMAM.