3.6.d Escenarios: aguaceros más intensos - 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()

Una atmósfera más cálida contiene más vapor de agua: ~7 % más por cada grado de calentamiento (relación de Clausius-Clapeyron). Por eso, aunque la lluvia anual cambie poco, los aguaceros más intensos tienden a crecer Castellanos 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 fuentes, viz

VARS = {"rx1day": "lluvia máxima en 1 día (mm)", "rx5day": "lluvia máxima en 5 días (mm)", "pr": "lluvia anual (mm)"}
tabla = fuentes.cckp_tabla(list(VARS))
base = fuentes.cckp_historico(list(VARS))

med = tabla.pivot_table(index="variable", columns=["periodo", "escenario", "percentil"], values="valor")
rel = pd.DataFrame({(per, viz.NOMBRE_ESC[esc]): 100 * tabla[(tabla.periodo == per) & (tabla.escenario == esc) & (tabla.percentil == "median")]
                    .set_index("variable")["valor"] / base for per in ("2040-2059", "2080-2099") for esc in ("ssp126", "ssp245", "ssp585")})
rel.index = [VARS[v] for v in rel.index]
display(Markdown("**Cambio porcentual de la mediana del ensamble respecto a 1995–2014:**"))
display(rel.round(1))
r20 = fuentes.cckp_tabla(["r20mm"])
b20 = float(fuentes.cckp_historico(["r20mm"]).iloc[0])
t20 = r20[r20.percentil == "median"].pivot_table(index="periodo", columns="escenario", values="valor").rename(columns=viz.NOMBRE_ESC)
display(Markdown(f"**Días con lluvia ≥ 20 mm:** {b20:.0f} por año en 1995–2014; cambio proyectado (días/año, mediana):"))
display(t20.round(1))
fig, ax = plt.subplots(figsize=(8, 3.4))
for j, esc in enumerate(("ssp126", "ssp245", "ssp585")):
    sub = tabla[(tabla.variable == "rx1day") & (tabla.escenario == esc)]
    for k, per in enumerate(("2040-2059", "2080-2099")):
        d = sub[sub.periodo == per].set_index("percentil")["valor"]
        x = k * 4 + j
        ax.bar(x, d["median"], color=viz.ESCENARIOS[esc], label=viz.NOMBRE_ESC[esc] if k == 0 else None)
        ax.errorbar(x, d["median"], yerr=[[d["median"] - d["p10"]], [d["p90"] - d["median"]]], color="k", capsize=3, lw=0.8)
ax.set_xticks([1, 5]); ax.set_xticklabels(["2040–2059", "2080–2099"])
ax.axhline(0, color="k", lw=0.6)
ax.set_ylabel("mm")
ax.set_title("Cambio de la lluvia máxima diaria (mediana y p10–p90)")
ax.legend()
fig.tight_layout()

Lectura. El ensamble proyecta un aumento moderado de la lluvia máxima diaria y de 5 días, mayor con más emisiones, con una dispersión amplia entre modelos. Para el diseño de drenajes urbanos conviene adoptar un factor de seguridad climático (por ejemplo, +10 % a +20 % sobre las intensidades actuales) mientras se actualizan las curvas IDF del IDEAM. Las proyecciones de viento extremo de los modelos globales son poco confiables para tormentas convectivas; la gestión debe apoyarse en la vigilancia y la alerta temprana.

References¶

Castellanos, E., Lemos, M. F., Astigarraga, L., Chacón, N., Cuvi, N., Huggel, C., Miranda, L., Moncassim Vale, M., Ometto, J. P., Peri, P. L., Postigo, J. C., Ramajo, L., Roldán, L., & Rusticucci, M. (2022). Central and South America. In Climate Change 2022: Impacts, Adaptation and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the IPCC (pp. 1689–1816). Cambridge University Press. 10.1017/9781009325844.014