3.2.d Escenarios: sequías más frecuentes y más calientes - 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 Panel Científico por la Amazonía advierte que las sequías fuertes pasaron de unas cuatro por siglo a cuatro en menos de 25 años, y que la sinergia entre sequía, deforestación, fuego y degradación puede llevar al bosque a un punto de no retorno Costa et al., 2024Flores et al., 2024. Esta página reúne lo que proyecta el ensamble CMIP6 para la celda de Leticia y lo que implicaría extrapolar la tendencia observada de las vaciantes.

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

from leticia import fuentes, hidro, viz

1. Proyecciones del ensamble CMIP6 (CCKP, Banco Mundial)¶

VARS = {"cdd": "máx. días secos consecutivos", "spei12": "SPEI-12 (adimensional)", "pr": "lluvia anual (mm)",
        "tasmax": "temperatura máxima media (°C)"}
tabla = fuentes.cckp_tabla(list(VARS))
base = fuentes.cckp_historico(list(VARS))
piv = tabla.pivot_table(index=["variable", "escenario"], columns=["periodo", "percentil"], values="valor")
piv.index = piv.index.set_levels([[VARS[v] for v in piv.index.levels[0]], [viz.NOMBRE_ESC[e] for e in piv.index.levels[1]]])
display(Markdown("**Cambio respecto a 1995–2014** (mediana y rango p10–p90 del ensamble):"))
display(piv.round(2))
display(base.rename(index=VARS).round(2).to_frame("climatología 1995–2014"))

fig, ax = plt.subplots(1, 2, figsize=(11, 3.6))
for a, var, titulo in ((ax[0], "spei12", "Cambio del SPEI-12"), (ax[1], "cdd", "Cambio de días secos consecutivos")):
    sub = tabla[tabla.variable == var]
    for k, per in enumerate(("2040-2059", "2080-2099")):
        for j, esc in enumerate(("ssp126", "ssp245", "ssp585")):
            v = sub[(sub.escenario == esc) & (sub.periodo == per)].set_index("percentil")["valor"]
            x = k * 4 + j
            a.bar(x, v["median"], color=viz.ESCENARIOS[esc], label=viz.NOMBRE_ESC[esc] if k == 0 else None)
            a.errorbar(x, v["median"], yerr=[[v["median"] - v["p10"]], [v["p90"] - v["median"]]], color="k", capsize=3, lw=0.8)
    a.set_xticks([1, 5])
    a.set_xticklabels(["2040–2059", "2080–2099"])
    a.axhline(0, color="k", lw=0.6)
    a.set_title(titulo)
ax[0].legend(fontsize=8)
fig.tight_layout()

Lectura. Aunque la lluvia anual cambia poco en la mediana, el SPEI, que incluye la evaporación, se desplaza hacia condiciones más secas en todos los escenarios, y más con mayores emisiones: el calor es el motor principal de la sequía futura, como lo fue en 2023 Clarke et al., 2024. Los modelos subestiman además el efecto de la deforestación sobre el reciclaje de humedad, que reduce la lluvia en la estación seca Marengo et al., 2021.

2. Si la tendencia observada de las vaciantes continúa¶

nivel = hidro.limpiar_nivel(fuentes.nivel_rio())
minimos = hidro.extremos_anuales(nivel, "min")["valor"]
mk = hidro.mann_kendall(minimos)
from scipy import stats
params = hidro.ajustar_gev(minimos.values, minimos=True)
filas = []
for anio in (2026, 2040, 2050):
    desplazamiento = mk["sen"] * (anio - 2026)
    p = stats.genextreme.sf(-(400 - desplazamiento), *params)
    filas.append({"año": anio, "desplazamiento del mínimo típico (m)": desplazamiento / 100,
                  "probabilidad anual de bajar de 4 m (%)": 100 * p})
display(pd.DataFrame(filas).set_index("año").round(2))
display(Markdown(f"Pendiente de Sen de los mínimos anuales: **{mk['sen']:.1f} cm/año** (p = {mk['p']:.2f}). La extrapolación supone que "
                 "la tendencia de las últimas décadas continúa sin cambios; es un escenario de sensibilidad, no una proyección hidrológica."))

References¶

Costa, F. R. C., Marengo, J. A., Albernaz, A. L. M., Cunha, A. P., Cuvi, N., Espinoza, J. C., Ferreira, J., Fleischmann, A. S., Jimenez-Muñoz, J. C., Páez, M. B., Querido, L. C. A., & Schöngart, J. (2024). Droughts in the Amazon [Policy Brief]. Science Panel for the Amazon. 10.55161/LVYB6857
Flores, B. M., Montoya, E., Sakschewski, B., & others. (2024). Critical transitions in the Amazon forest system. Nature, 626, 555–564. 10.1038/s41586-023-06970-0
Clarke, B., Barnes, C., Rodrigues, R., & others. (2024). Climate change, not El Niño, main driver of exceptional drought in highly vulnerable Amazon River Basin. World Weather Attribution. https://www.worldweatherattribution.org/climate-change-not-el-nino-main-driver-of-exceptional-drought-in-highly-vulnerable-amazon-river-basin/
Marengo, J. A., Espinoza, J. C., Fu, R., Muñoz, J. C. J., Alves, L. M., Rocha, H. R., & Schöngart, J. (2021). Chapter 22: Long-term variability, extremes and changes in temperature and hydro meteorology in the Amazon region [Amazon Assessment Report 2021]. Science Panel for the Amazon. 10.55161/ZGJG8060
Forbes Perú. (2025). Perú y Colombia acuerdan preservar las condiciones de navegabilidad del río Amazonas. https://forbes.pe/actualidad/2025-09-15/peru-y-colombia-acuerdan-preservar-las-condiciones-de-navegabilidad-del-rio-amazonas/