3.6.b Amenaza por lluvias intensas y vendavales - 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()

Leticia recibe cerca de 3 000 mm de lluvia al año. Los aguaceros convectivos de la tarde, a menudo con ráfagas fuertes, granizo pequeño y descargas eléctricas, son la causa de los vendavales que levantan techos de zinc y de los encharcamientos en los barrios con drenaje insuficiente. El 22 de septiembre de 2024, en plena sequía, un vendaval afectó los 32 barrios de la ciudad y llevó a declarar la calamidad pública El País (Cali), 2024.

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

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

pl = parametros()["lluvias"]
era = fuentes.clima_diario()
era = era[era.index.year < pd.Timestamp.today().year]
p = era["precipitation_sum"]

1. Régimen de lluvias¶

mensual = p.groupby([p.index.year, p.index.month]).sum().groupby(level=1).mean()
fig, ax = plt.subplots(figsize=(8, 3.2))
ax.bar(mensual.index, mensual, color=viz.AZUL_RIO)
ax.set_xticks(range(1, 13)); ax.set_xticklabels(list("EFMAMJJASOND"))
ax.set_ylabel("mm/mes")
ax.set_title(f"Lluvia media mensual en Leticia (ERA5, {p.index.year.min()}–{p.index.year.max()})")
fig.tight_layout()
display(Markdown(f"Lluvia media anual: **{p.groupby(p.index.year).sum().mean():,.0f} mm**.".replace(",", ".")))

2. Lluvia extrema¶

idx = clima.indices_lluvia(p, pl["umbral_lluvia_fuerte_mm"])
mk1, mk5 = hidro.mann_kendall(idx["rx1day"].loc[1980:]), hidro.mann_kendall(idx["rx5day"].loc[1980:])
fig, ax = plt.subplots(1, 2, figsize=(12, 3.4))
ax[0].bar(idx.index, idx["rx1day"], color=viz.AZUL_RIO)
ax[0].set_title("Lluvia máxima en un día (Rx1day, mm)")
ax[1].bar(idx.index, idx["r20mm"], color="#08519c")
ax[1].set_title("Días con lluvia ≥ 20 mm por año")
fig.tight_layout()
display(Markdown(f"Tendencia 1980–presente: Rx1day {mk1['sen']*10:+.1f} mm/década (p = {mk1['p']:.2f}); "
                 f"Rx5day {mk5['sen']*10:+.1f} mm/década (p = {mk5['p']:.2f}). Las tendencias de lluvia de un reanálisis pueden "
                 "reflejar cambios en las observaciones asimiladas; deben confirmarse con estaciones."))

T = parametros()["periodos_retorno"]
x = idx["rx1day"].loc[1980:].values
ret = hidro.niveles_retorno_ic(x, T)
display(Markdown("**Lluvia diaria máxima por periodo de retorno (GEV por L-momentos, ERA5 1980–presente):**"))
display(ret.round(0).rename(columns={"nivel": "mm/día", "ic5": "IC 5 %", "ic95": "IC 95 %"}))

3. Vientos fuertes¶

racha = era["wind_gusts_10m_max"]
anual = pd.DataFrame({"racha máxima anual (km/h)": racha.groupby(racha.index.year).max(),
                      f"días con racha ≥ {pl['umbral_racha_kmh']} km/h": (racha >= pl["umbral_racha_kmh"]).groupby(racha.index.year).sum()})
fig, ax = plt.subplots(figsize=(10, 3.2))
ax.plot(anual.index, anual.iloc[:, 0], color=viz.GRIS, marker="o", ms=3)
ax.set_ylabel("km/h")
ax.set_title("Racha máxima anual en ERA5")
fig.tight_layout()
display(anual.loc[2015:].T.round(0))

Las rachas de ERA5 rara vez superan 50 km/h porque el reanálisis no resuelve las corrientes descendentes de las tormentas, que en la Amazonía pueden superar 80–100 km/h durante minutos. Por eso, para los vendavales el mejor dato es el registro de impactos.

4. Registro de vendavales y lluvias intensas¶

di = fuentes.desinventar()
ung = fuentes.emergencias_ungrd()
v1 = di[di["evento"].str.contains("Vendaval|Lluvia|Tempestad|Granizada|Eléctrica", case=False, na=False)][["evento", "afectados", "vivafec", "vivdest"]]
v1 = v1.rename(columns={"vivafec": "viviendas_averiadas", "vivdest": "viviendas_destruidas"}).assign(fuente="DesInventar")
v2 = ung[ung["evento"].str.contains("VENDAVAL|LLUVIA|TORMENTA", case=False, na=False)][["evento", "personas", "viviendas_averiadas", "viviendas_destruidas"]]
v2 = v2.rename(columns={"personas": "afectados"}).assign(fuente="UNGRD")
eventos = pd.concat([v1, v2]).sort_index()
eventos = eventos[~(eventos.index.year.isin(v2.index.year) & (eventos.fuente == "DesInventar"))]
display(eventos.assign(año=eventos.index.year).set_index("año")[["evento", "afectados", "viviendas_averiadas", "viviendas_destruidas", "fuente"]])

Lectura. Los vendavales son eventos frecuentes y de impacto disperso: pocas víctimas, pero decenas a cientos de viviendas destechadas. Su recurrencia en los registros (casi todos los años desde 2021) y la calamidad de 2024 justifican tratarlos como un escenario de riesgo propio en el PMGRD.

References¶

El País (Cali). (2024). Calamidad pública en Leticia, Amazonas: fuerte vendaval dejó más de 300 personas afectadas. https://www.elpais.com.co/colombia/calamidad-publica-en-leticia-amazonas-fuerte-vendaval-dejo-mas-de-300-personas-afectadas-2310.html