Predicción estacional de sequía meteorológica y anomalía de la actividad de incendios

Resumen

Las sequías generan impactos muy significativos tanto en la sociedad como en el medioambiente. Comprender los factores que expliquen su variabilidad y, por lo tanto, permitan su predicción, ha sido y es un reto científico. Una predicción fiable de la sequía permitirá adelantar una estimación de sus consecuencias y, por consiguiente, una herramienta fundamental en la toma de decisiones. El objetivo fundamental de este trabajo se basa en el ajuste, evaluación, e implementación operativa de modelos de predicción estacional empíricos simples de la sequía e incendios. En la primera parte del trabajo se presenta un prototipo operativo de alta resolución espacial para predecir la sequía meteorológica estacional en España (4SPAIN). El sistema de predicción se basa en un método empírico conocido como Ensemble Streamflow Prediction (ESP). El modelo predice la sequía mediante el Índice de Precipitación Estandarizado (SPI) a partir de los datos de precipitación mensual. La validación del modelo nos muestra que tiene capacidad predictiva, realizando predicciones probabilistas estacionales con una anticipación de cuatro meses. No obstante, los resultados deben tomarse con cautela después de la estación seca. En segundo lugar, se plantea un modelo similar para todo el planeta usando ESP. Se analiza cuál es el papel de utilizar la incertidumbre asociada al uso de las distintas bases de precipitación incluidas en DROught Probabilistic (DROP). Así pues, ESP se aplica a cada una de las bases de datos de DROP, obteniéndose SPI (ESP). Al conjunto de modelos lo denominados 4DROP. Además, se analiza el valor añadido de incorporar predicciones de precipitación estacional dinámicas, en concreto las predicciones del modelo estacional System5 del ECMWF (SEAS5). Las predicciones de SPI se obtendrán aplicando la metodología de 4DROP, usando las observaciones como condiciones iniciales y las predicciones de SEAS5. A las propiedades del nuevo conjunto lo denominamos S5. Aunque ambos sistemas presentan una habilidad similar, el modelo S5 demuestra un mejor comportamiento en plazos de predicción más largos, especialmente en regiones tropicales. Además, es importante resaltar que la habilidad de las predicciones se incrementa significativamente al tener en cuenta el conjunto completo de las once predicciones, en contraste con las predicciones basadas en cada base de datos individual. Finalmente, se propone un modelo empírico simple basado en regresión logística que predice la anomalía del área quemada por los incendios como función de las condiciones climáticas (sequías) tanto antecedentes como concurrentes a la temporada de incendios (CLIBA). El modelo se replica en los once miembros de DROP, lo que da como resultado once predicciones probabilistas de la anomalía del área quemada. El conjunto de todas estas predicciones se identifica como CLIBA-DROP. Al igual que en 4DROP, se prueba la inclusión de SEAS5 (S5) en el sistema como condiciones concurrentes, manteniendo las observaciones para las condiciones antecedentes. Este proceso se optimiza para predicciones estacionales con un horizonte predictivo de 4 meses. El conjunto de CLIBA(S5) aplicado a las bases de datos de DROP lo denominamos CLIBA-4FIRE. El análisis de los resultados por medio de la métrica probabilista del ROC area, muestra una relación estadísticamente significativa en alrededor del 68% del área total donde hay datos del área quemada (en al menos 10 de los 20 años) cuando se considera el modelo CLIBA-DROP, es decir, con condiciones observadas. CLIBA-4FIRE, que incluye condiciones concurrentes provenientes de S5, presenta capacidad predictiva en alrededor del 60% del área. Es decir, el comportamiento de CLIBA-4FIRE presenta resultados muy prometedores. Este enfoque subraya la importancia de considerar la incertidumbre de las observaciones en la predicción estacional y permite el desarrollo de productos operativos para emitir alertas tempranas (https://matv.shinyapps.io/app_APPS/). Se ponen a disposición los códigos y datos en (https://github.com/MTAV26/thesis/).