Modelo Bioclimático

Modelo Bioclimático



CRÉDITOSSra. Msg. Lorena Tapia NuñezMinistra del Ambiente

Elaboración:Pablo MeloXimena HerreraRaúl Galeas

Colaboradores:Andrea Bustos - Ministerio del Ambiente (MAE)Wouter Buytaer - Imperial College of London Oscar Chimborazo - Instituto Nacional de Meteorología e Hidrología (INAMHI)Bolívar Erazo - Instituto Nacional de Meteorología e Hidrología (INAMHI)Silvana Guitarra - Instituto Nacional de Meteorología e Hidrología (INAMHI)

Revisión técnica: Raúl GaleasCoordinador Proyecto Mapa de Vegetación.

Diseño y Diagramación:Andrés Baroja

Fotos:Archivo MAE

Quito 2013


CO

NT

EN

IDO

1. ANTECEDENTE…………………...................………………………………………………………….7

2. INTRODUCCIÓN………….................………………………………………………………….………....8

3. BASE CONCEPTUAL……………….............……………………………......……….................…9

3.1 Bioclima e índices bioclimáticos...........…............…....……………………………………….…9

3.2 Métodos de interpolación geoestadistica (kriging cokriging)……….................……..…….11

3.3 Métodos de relleno de información hidrometeorológica……………...........……..….....….12

4. METODOLOGIA………..….........…………............................................................................…14

4.1 Recopilación y revisión de información……………........…………………...........................14

4.1.1 Información disponible……………………………............……………..…………......………14

4.2 Características de l a información............…………..........……………………………………...15

4.3 Comparación de información…...…….…………….….............………………………...…...19

4.4 Vacios de información climática….....................…….............……………………………...22

4.5 Revisión y validación de información climática previo a la modelización….......……23

4.5.1 Precipitación…...........................................................................................................……23

4.5.2 Temperatura…...........................................................................................................……25

4.6 Modelamiento de datos pluviométricos y temperatura..................................................26

4.6.1 Precipitación…...........................................................................................................……26

4.6.2 Temperatura…...........................................................................................................……27

5. RESULTADOS....………………………….……..............................…………..…………………….28

5.1 Construcción de la capa del Índice ombrotérmico (Iod) – Capa de ombrotipos......28

5.2 Construcción de la capa del Índice de termicidad - Capa de termotipos...............31

5.3 Construcción de la capa de Bioclima….................................……………………………...33

6. VALIDACIÓN Y CALIBRACIÓN…...…................................................………………………….35

7. CONCLUSIONES Y RECOMENDACIONES.........………….................……………........…........37

8. REFERENCIAS BIBLIOGRÁFICAS………..............................................…............……………….39

9. ANEXOS………..................................................................................................................……41

6Modelo Bioclimático

MODELO BIOCLIMÁTICO DEL ECUADOR CONTINENTALPARA LA REPRESENTACIÓN CARTOGRÁFICA DE ECOSISTEMAS DEL ECUADOR CONTINENTAL.

7Modelo Bioclimático Modelo Bioclimático

1. Antecedentes

El Gobierno del Ecuador en su impulso por fortalecer las actividades relacionadas a una mejor planificación, acceso y uso de los recursos naturales ha impulsado una serie de políticas, programas y proyectos que el Ministerio del Ambiente del Ecuador

(MAE), ha venido desarrollando. Entre los principales proyectos de inversión pública que el MAE ejecuta, se encuentra el desarrollo del Mapa de Vegetación y Uso de la Tierra del Ecuador Continental desde inicios del año 2010, cuyo objetivo está orientado a disponer de información espacial actualizada de los ecosistemas, su remanencia, su nivel de representatividad en el Sistema Nacional de Áreas Protegidas, además de proveer una identificación de áreas prioritarias para conservación y restauración.

Adicionalmente, este Proyecto contribuye a sentar las bases para la estructuración de un sistema de monitoreo ambiental a futuro que permita identificar trayectorias de cambio de las coberturas de la tierra y analizar el impacto de las políticas nacionales de ordenamiento del territorio sobre el capital natural. Se espera que la construcción del Mapa de Vegetación del Ecuador apoye a su vez procesos de documentación y reporte respecto del estado de la biodiversidad del Ecuador en el marco de los tratados y convenios internacionales de los cuales el país es miembro activo.

Desde inicios del 2010, en el marco del proyecto, se desarrolló la propuesta metodológica para la construcción del mapa de ecosistemas la cual incorpora un modelo de representación cartográfica de los ecosistemas. En ese modelo se identifican una serie de variables diagnósticas que permitan mapear e inferir la ocurrencia de los ecosistemas. Entre las variables diagnósticas priorizadas se incluye un conjunto de variables bioclimáticas que se construyen a partir de datos mensuales de temperatura (promedio, máximas y mínimas), la precipitación total anual, y su variación mensual o estacional.

Desde esa perspectiva la construcción de un modelo bioclimático para el Ecuador continental resulta de una importancia primordial, en un territorio donde su biodiversidad está estrechamente ligada en gran parte a la variación climática y a su biogeografía. Por tal razón y a sabiendas que este insumo es un aporte científico de gran valía no solamente para el proyecto Mapa de vegetación, si no de múltiples instituciones tanto a nivel público como privado, se ha insistido en el esfuerzo de realizar el modelo con el apoyo de distintas instituciones entre las que se destacan el Instituto Nacional de Meteorología e Hidrología (INAMHI), el Consorcio para Desarrollo Sostenible de la Ecorregión Andina (CONDESAN), entre otros participantes, de tal manera que otorguen al proceso una validez técnico-científica sólida.


La caracterización del clima en el Ecuador es sumamente compleja (Pourrout et al, 1994), donde la interacción de su posicionamiento , la influencia de la cordillera de los Andes y su cercanía al Océano Pacífico determinan un conjunto de variables que afectan las

condiciones climáticas generales del país a escala local y de paisaje.

Se identifican tres grandes regiones naturales en el Ecuador Continental: Región Litoral, Andes y Amazonía, las cuales tienen características muy particulares y que se estructuran a partir de la existencia de la Cordillera de los Andes. De alguna manera este accidente geográfico marca la pauta de una primera aproximación a la distribución de las lluvias y de la temperatura en el Ecuador.

Al encontrarse el Ecuador en la zona ecuatorial, es afectado también por sistemas atmosféricos de Baja Presión como la Zona de Convergencia Intertropical, los disturbios de la cuenca Occidental de la Amazonía y la denominada Vaguada del Perú, elementos que influyen directamente en el régimen de las precipitaciones en la época lluviosa; así también, influyen en el período seco los sistemas regionales de Alta Presión Atmosférica como el Alta del Pacífico Sur, la dorsal del Alta del Caribe y la incidencia del Alta troposférica de Bolivia. Por esta razón, el régimen pluviométrico y térmico de las regiones naturales del Ecuador se caracterizan por la ocurrencia temporal de estos sistemas atmosféricos (INAMHI, 2011).

Así también, la gama de los módulos anuales de lluvia es extensa, puesto que varía de menos de 150 mm a más de 6.000 mm. La región Amazonía y el Noroeste de la provincia de Esmeraldas son las zonas de mayor pluviosidad. (Pourrout et al, 1994). En ese contexto, la temperatura, la precipitación total anual, y la variación mensual o estacional de ambas variables, son factores que definen en un grado elevado la distribución de los ecosistemas.

Dentro de la perspectiva del proyecto, el concepto que más se ajusta para modelo bioclimático, es el de aquel modelo que intenta espacializar cada uno de los tipos de clima que se distinguen atendiendo al complejo de factores climáticos que afectan al desarrollo de los seres vivos.

En este caso, la utilización de un modelo que permita la caracterización del clima se facilita considerablemente al utilizar índices bioclimáticos, ya que estos proveen escalas continuas con las cuales es posible inferir la significancia biológica, principalmente en la actividad fotosintética de las plantas, y por tanto conocer la ocurrencia de los ecosistemas.

2. Introducción


La Bioclimatología se entiende como el estudio de la o las relaciones existentes entre los factores climáticos y la distribu-ción de los seres vivos en la Tierra. Esta ciencia se estructuró en base a relacionar los valores numéricos del clima (tempera-tura y precipitación) con las zonas de dis-tribución de las plantas y de sus formacio-nes vegetales, para añadir más adelante información de las biogeocenosis (Rivas-Martínez, 2004).

Se dispone de una serie no tan extensa de clasificaciones bioclimáticas, entre las que se destacan las de Köppen (1918, 1931), Thornthwaite (1931, 1933), Gaussen (1954, 1955), Troll & Paffen (1964), Holdrid-ge (1967) y Walter (1970, 1976), aunque todas ellas mayormente aceptadas, mu-chas adolecen de no reflejar una respues-ta adecuada a situaciones que acaecen en nuestro territorio, ya que no conside-ran las variaciones altitudinales de la ter-micidad que ocurren en las zonas de alta montaña.

Bajo esta perspectiva, el conocer la dis-tribución de la vegetación sobre la Tierra de forma detallada, así como las varia-ciones causadas por factores climáticos, edáficos, geográficos y antrópicos, en el aspecto y composición de la vegetación potencial natural y de sus etapas de sus-

3. Base Conceptual

3.1 Bioclima e índices bioclimáticos

titución, permiten que puedan registrar-se los límites bioclimáticos y vegetacio-nales de manera más objetiva y precisa (Rivas-Martínez 2004). Así, reconocidos y espacializados los límites de las series y macroseries de vegetación, los valores numéricos umbrales que las diferencian se pueden calcular de forma estadística.

En tal virtud, la manera más confiable de identificar de forma cuantitativa la in-fluencia del clima respecto de la vegeta-ción y su distribución , se realiza median-te el cálculo de índices bioclimáticos, los mismos que pretenden indicar de forma explícita las distintas relaciones entre las variables climáticas claves a ser conside-radas, tales como: la Precipitación y la Temperatura.

Por las razones expuestas, el modelo de clasificación bioclimática que se utilizó para el efecto, constituye el trabajo rea-lizado por Rivas Martínez; el cual resuelve en gran parte las deficiencias presenta-das por los otros sistemas de clasificación, principalmente por que ha demostrado tener una elevada correlación entre el clima y vegetación, y por que su principal fortaleza es que logra un valor predictivo para cualquier zona, ya sea conociendo solo los datos del clima, o solo los tipos de vegetación.


En el sistema de clasificación bioclimática propuesto por Rivas Martínez, el binomio clima-vegetación se estudia y divide de manera jerárquica, comenzando con el Macrobioclima que se refiere al conjunto de factores climáticos (temperatura, pre-cipitación y radiación solar) que influyen a escala continental o global sobre las comunidades de especies-individuos. La siguiente unidad subordinada se conoce como Bioclima que hace referencia a la interrelación entre temperatura, precipi-tación, evaporación a escalas regionales y su correspondencia con diferentes tipos de vegetación. Las unidades básicas de este sistema son los Ombrotipos y Termo-tipos que suceden en una cliserie latitu-dinal o altitudinal, a escala de paisaje o local y relacionan la precipitación y tem-peratura a una determinada comunidad vegetal.

La propuesta de Rivas Martínez es de apli-cación global y para adaptarlos a nuestro país, se deben cumplir con los siguientes razonamientos en los que se fundamenta:

• Debe existir una ajustada y recíproca relación entre el clima, la vegetación y los territorios geográficos, es decir, entre los bioclimas, las series de vege-tación y las unidades biogeográficas.

• Entre los paralelos 23º N y S, (ubicación del Ecuador en su totalidad), en ra-zón de que la radiación solar es prác-ticamente cenital y que la duración

del día y de la noche varían poco a lo largo del año, el clima y la vegeta-ción existentes a cualquier altitud con independencia de la temperatura se considera tropical.

• El ritmo anual o variación de las pre-cipitaciones a lo largo del año tiene tanta o más trascendencia en la com-posición y distribución de las comuni-dades vegetales que la cuantía de las mismas.

• Es totalmente evidente que las mon-tañas situadas entre los trópicos po-seen un ritmo solar anual equinoccial, es decir prácticamente los días duran casi el mismo tiempo que las noches. En consecuencia, el ritmo diario de temperaturas en las altas montañas tropicales se ajusta a lo largo del año a un casi continuo ritmo de fuertes he-ladas nocturnas y elevadas tempera-turas diurnas, lo que conlleva a una alternancia diaria de hielo/deshielo (crioturbación).

Por lo tanto se puede concluir que todo el territorio continental ecuatoriano se clasi-fica como un Macrobioclima Tropical.

El modelo bioclimático (Rivas-Martínez) a ser utilizado, tiene una serie de índices, pero se utilizaron aquellos que proporcio-nan los suficientes criterios para poder determinar y caracterizar los ecosistemas que ocurren en el Ecuador. Los mismos se describen a continuación:


Tabla 1. Principales índices bioclimáticos utilizados para la construcción delmodelo

En función de los resultados de los cál-culos previamente establecidos para los índices escogidos, el sistema distingue in-tervalos dentro de cada Macrobioclima, bioclima, ombrotipos y termotipos. Se ha tomado en cuenta para el ejercicio, los intervalos propuestos por Navarro y Mal-donado (2002) en su publicación “Geo-grafía Ecológica de Bolivia”, el mismo que propone una clasificación de intervalos previa para su representación.

El proceso de interpolación espacial con-siste en la estimación de los valores que alcanza una variable Z en un conjunto de puntos definidos por un par de coorde-nadas (X,Y), partiendo de los valores de

3.2 Métodos de interpolación geoestadística (Kriging – Cokriging)

Z medidos en una muestra de puntos si-tuados en el mismo área de estudio (Mitas – Mitasova, 1999). En algunos casos pue-den utilizarse otras variables de apoyo de las que se conoce su variación espacial en el proceso de interpolación/extrapola-ción (en el caso de la interpolación de la temperatura puede ser la altitud ya que aquella depende de esta). El área de es-tudio vendría definida, aunque no de for-ma muy clara, por el entorno de los pun-tos en los que sí se dispone de datos.

Debe entenderse entonces que todos los métodos de interpolación se basan en la presunción lógica de que cuanto más cercanos estén dos puntos sobre la su-perficie terrestre, los valores de cualquier variable cuantitativa que midamos en ellos serán más parecidos, para expresar-lo más técnicamente, las variables espa-ciales muestran autocorrelación espacial. (Burrough, P. 2000)

La realización del modelo de distribución de precipitación implica generar a partir de datos discretos información de carác-ter continua que represente de la manera más fiable dicha distribución. La calidad de la modelación dependerá, en gran medida de una adecuada calidad de datos y una distribución homogénea de los mismos, así como que se asuma que se pueden integrar otros factores que podrían incidir en la distribución de la va-riable a modelar. Para el caso de la pre-cipitación uno de los métodos más acon-sejables es el de Cokriging, el mismo que permite establecer o limitar el análisis de distribución a capas de información pa-ralelas, tales como el relieve.


3.3 Métodos de relleno de informa-ción hidrometeorológica.

La palabra kriging (expresión anglosajo-na) procede del nombre del geólogo su-dafricano D. G. Krige, cuyos trabajos en la predicción de reservas de oro, realizados en la década del cincuenta, suelen con-siderarse como pioneros en los métodos de interpolación espacial. Kriging encie-rra un conjunto de métodos de predic-ción espacial que se fundamentan en la minimización del error cuadrático medio de predicción (Giraldo R, 2002). El mo-delo es muy flexible y permite profundi-zar en los análisis de los gráficos de auto correlación espacial. Kriging utiliza mode-los estadísticos que permiten una serie de mapas resultantes que incluyen la espa-cialización de las predicciones, y de los errores estándar de predicción, etc. La flexibilidad del Kriging puede requerir del manejo de una serie de parámetros. Para la utilización de dicho modelo se asume que la información proviene de un proce-so estocástico estacionario, además de caracterizarse por una distribución nor-mal.

Tomando en cuenta la necesidad de contar con información homogénea en cuanto a parámetros hidrometerológi-cos existen algunos métodos de relleno que pueden aplicarse, y que en el caso del Ecuador son totalmente válidos de acuerdo a los fines que se persiguen, al conjunto de datos y la distribución de las estaciones. Es así que se utilizaron algunos métodos de los cuales se pueden men-cionar los siguientes:

Método de la razón normal: este proce-dimiento estima cantidades de lluvia con base en tres estaciones cercanas y unifor-memente espaciadas con respecto a la estación en estudio (Paulhus and Kkohler, 1952). La flexibilidad de este método per-mite trabajar incluso hasta con dos esta-ciones cercanas únicamente.

Método del vector regional: el Vector Re-gional es, ante todo, un método de crítica de datos (y accesoriamente de reconsti-tución de datos faltantes), elaborado en el ORSTOM-IRD en los años setenta, con el objeto de homogenizar los datos pluvio-

Método de regresión lineal, regresión múl-tiple: éstas pueden ser utilizadas en aque-llos lugares donde se cuenta con una red de estaciones bastante cercanas y que posean condiciones similares, y cuyo pe-riodo de registro sea similar.

Método de la razón q (Barger, 1960, WMO 1966 y WMO 1983): se basa en el hecho de que para pares de estaciones, la ra-zón entre sus valores mensuales, anuales o medios, tiende a ser constante. Según este método, si se tienen dos estaciones (A y B), se requiere determinar q de la si-guiente manera:


métricos. Sin embargo, nada se opone a utilizar este método para otros datos que no sean lluvias, con tal que éstos sean re-lativamente independientes entre sí de un año a otro, y que sean seudo-propor-cionales. Esta última condición significa que los datos de las diferentes estaciones deben variar en el mismo sentido y en proporciones casi idénticas, con variacio-nes ligeras debidas al ruido de fondo. Es generalmente el caso para estaciones de una zona que no sea demasiado extendi-da, sometida al mismo comportamiento climático.

El método del Vector Regional consiste en elaborar, a partir del conjunto de la información disponible, una especie de estación ficticia que sea representativa de toda la zona de estudio. Para cada estación se calcula un promedio exten-dido sobre todo el período de estudio, y para cada año, se calcula un índice que será superior a 1 cuando el año es exce-dentario, e inferior a 1 cuando el año es deficitario. A esta serie de índices anuales se le llama Vector Regional, ya que toma en cuenta la información de una región que se supone es climáticamente ho-mogénea. Este método también puede aplicarse a datos mensuales, tratando se-paradamente cada uno de los meses del año como si se tratara de un valor anual.


Información disponible De la información recopilada y/o ges-tionada a través de los mecanismos de coordinación, previamente establecidos de instituciones públicas, se lograron ob-tener:

• 2 modelos de distribución de precipi-tación para su análisis, el uno corres-pondiente al que se encuentra de manera gratuita y se accede a través de la página de internet del Worldclim (www.Worldclim.org). Un segundo modelo de distribución de la precipi-tación realizado por técnicos del INA-MHI. Más adelante se describen las características técnicas de los méto-dos y series de datos de cada uno de estos insumos.

• Por otra parte del parte del INAMHI se obtuvo además del modelo de preci-pitación, la información alfanumérica de las estaciones, en las cuales se indi-can los valores medios anuales corres-pondientes a cada estación, además de especificar las coordenadas geo-gráficas para su ubicación.

El objetivo principal de esta sección es presentar los procesos que se ejecutaron para desarrollar en modelo bioclimático del Ecuador continental y los métodos estadísticos necesarios para generar las capas de información e índices bioclimá-ticos.

El esquema metodológico de trabajo se puede observar en la siguiente figura:

4. Metodología

4.1 Recopilación y revisión de infor-mación

Figura 1. Esquema metodológico del modelo bioclimático del Ecuador continental


El Worldclim es un conjunto de capas de información temática en formato raster con una resolución de 1 km, especial-mente diseñado para su tratamiento a través de sistemas de información geo-gráfica u otros programas de modela-miento. La base de datos que se utilizó en la construcción de este modelamiento, se documentó en relación al artículo de Hi-jmans, R.J., S.E. Cameron, J.L. Parra, P.G. Jones and A. Jarvis, 2005. Very high re-solution interpolated climate surfaces for global land areas. International Journal of Climatology 25: 1965-1978.

El desarrollo de este modelamiento inclu-yó a toda la superficie terrestre del Ecua-dor continental, excluyendo la Antártida, con una resolución aproximada de 1 km. Los elementos climáticos considerados son:

• Precipitación media mensual• Temperatura mínima, máxima y media• Los archivos de entrada para el modela-miento fueron obtenidos de una varie-dad de fuentes, y donde fuera posible restringiendo su período aquellos regis-tros entre 1950 – 2000. Se utilizo el Algorit-mo “Thin-plate smoothing spline” que se encuentra implementado en el software ANUSPLIN, utilizando latitud, longitud, y elevación como variables independien-tes. La incertidumbre del modelo deviene de la utilización de los datos fuente y de la interpolación establecida a partir de la densidad de las estaciones meteoro-lógicas, así como el reporte de altura de

4.2 Características de la información disponible del Worldclim

las estaciones. Errores con respecto a la elevación también se reportaron como negativos en altas latitudes y como positi-vos en la franja tropical. La incertidumbre también fue mayor en zonas montañosas y lógicamente en zonas poco muestrea-das o sin información.

A continuación se presenta la distribución y la de estaciones usadas en el Worldclim.

Figura. 2. Ubicación de las estaciones meteorológicas: A) Precipitación: 47554 estaciones; B) Temperatura media 24542 estaciones; C) Temperatura máx. y min. 14930 estaciones1.

1. Fuente: Hijmans et al, 2005


El formato de presentación de los datos es a manera de raster, cuyo sistema de referencia de coordenadas es WGS 84 (Lat. /Long); se presenta en 4 resoluciones espaciales (Figura 3) a 30 arc seg. (Aprox 1 km2), 2.5, 5 y 10 min. La información ori-ginal usada en el modelamiento se en-cuentra a 30 arc seg.

Los formatos del archivo se presentan tam-bién en 2 extensiones: ESRI GRID, Generic GRID (*. BIL). El formato utilizado para el análisis de la información corresponde al ESRI GRID de 30 seg de resolución.

Previo al análisis de la información que re-porta el Worldclim, se realizó un extracto de la misma correspondiente al Ecuador continental (Ver Figura 4), en el cual se pudieron distinguir algunas observacio-nes:

• La distribución de la precipitación se observó bastante homogénea en toda la región interandina, y en efec-to evidenció los núcleos históricos de precipitación (Cuenca del Esmeraldas en la vertiente pacífica, y Cuenca alta del Napo - Cuenca media del Pasta-za).

• También fue característico de este mo-delo de precipitación, su congruencia con el Modelo Numérico del Terreno (SRTM) sobre todo en las vertientes, en la región interandina y en las cordille-ras amazónicas y costeras.

• En cuanto a los valores de precipita-ción que arrojó, vemos que el máximo valor de precipitación fue de 5100 mm aproximadamente, registrándose pre-cisamente en el sector de la cuenca media del Pastaza (Entre el Puyo y el Tena); mientras que el valor más bajo arrojado por el modelo fue de 104 mm ubicado en Santa Elena.

Figura 3. A) Temperatura media anual y D) Precipitación media anual, B) y E) corresponde a un acercamiento a la zona sudeste de Bhutan con una resolución espacial de 1 km aprox. C) y F) a una resolución espacial de 18 km aprox.2

Figura 4. Modelo de precipitación3

• Cabe anotar que la incertidumbre fue proporcional al incremento de al-tura, por lo tanto, se esperó que en la región del callejón interandino y ver-tientes de la cordillera la información sea subestimada.

2. Fuente: Hijmans et al, 20053. Fuente: Worldclim.org versión 1.4


Información climática INAMHIEl Instituto Nacional de Meteorología e Hi-drología (INAMHI), a través del Subproce-so de Estudios e Investigaciones Meteoro-lógicas y con ayuda técnica del Centro de Modelamiento de la Universidad de Zulia, han generado una aplicación para operar, graficar y completar información meteorológica histórica para todo el país, en el período 1971 a 2000 (Figura 5).

La aplicación del mismo, que se encuen-tra en fase de experimentación, permitió obtener el primer producto “Valores cli-matológicos mensuales de precipitacio-nes para todo el Ecuador y sus prome-dios”, en este período, de acuerdo con información obtenida en 170 estaciones meteorológicas y pluviométricas.

Así mismo, estos análisis automatizados en software libre (GRADS 1.9), en su fase aún experimental, también determinaron “El promedio general de temperatura”, entre los años 1971-2000, con información pro-veniente de 41 estaciones meteorológi-cas. Para realizar este estudio se utilizaron los datos de estaciones meteorológicas del INAMHI y la metodología denomina-da “Análisis Objetivo de Cressman”, que se usa en varios países de la región y es reconocida por la Organización Meteoro-lógica Mundial (OMM) como un método estándar (Figura 6).

Se mencionó además que el nivel de desagregación de la información a nivel

4. Fuente: INAMHI – Bol. Prensa 109 – Junio 2010.5. Fuente: INAMHI – Bol. Prensa 109 – Junio 2010.

Figura 5. Promedios de datos de precipitaciones 1971-2000/ Meses: ene/feb./marzo y abril 4

Figura 6. Promedio general, datos de temperaturas máximas absolutas 1971- 20005

temporal es mensual, y que sin embargo se menciona al período referencial 1971 – 2000; esto no quiere decir que necesaria-mente se tengan 30 años de información para cada una de las estaciones toma-das en cuenta para el análisis.

Modelo Bioclimático 18

Figura 7. Modelo de distribución de precipitación utilizando el método de interpolación de Kriging ordinario

Datos alfanuméricos – Base de datos precipitación. De igual manera, se obtuvo la informa-ción pluviométrica a nivel mensual para las 170 estaciones, las cuales como se in-dicó corresponden al periodo 1971 – 2000, cada una además cuenta con los datos de latitud y longitud para su utilización y representación a través de un sistema de información geográfica, o programas similares que permitan el modelamiento de dichas variables.– 2000; esto no quiere decir que necesariamente se tengan 30 años de información para cada una de las estaciones tomadas en cuenta para el análisis.

Modelo de distribución de la precipi-tación – Data INAMHI A partir de los datos de precipitación de la base de datos INAMHI se generó de manera interna dentro del proyecto un modelo de distribución de precipitación utilizando el método de interpolación de Kriging ordinario, el cual presentó la virtud de manejar un número de parámetros amplio con el fin de optimizar y ajustar el modelo según la distribución de los datos.

El software utilizado fue ArcGis v 9.3 a través de la herramienta Geostatistical Analyst, cuyo potencial radica en tener los algoritmos adecuados para generar el modelo según el método de Kriging ordi-nario.

Los resultados obtenidos se presentan a continuación:

19Modelo BioclimáticoModelo Bioclimático 19

4.3 Comparación de información

En razón de observar las diferencias y evaluar los resultados obtenidos de cada modelo, se realizó una comparación de la información en función del análisis de 543 puntos, distri-buidos de forma aleatoria en toda la exten-sión de la capa de información restringida al Ecuador continental (Figura 8).

De cada uno de los 543 puntos aleatorios establecidos, se extrajeron los valores de precipitación de cada uno de los raster producto de cada uno de los modelos obtenidos, a) INAMHI Kriging b) Worldclim. Con los datos extraídos para cada uno de los puntos definidos, se realizó una compa-ración en una matriz pareada que vinculó los datos de cada uno de los modelos y se representaron en un gráfico que muestra las diferencias encontradas.

Figura 8. Puntos aleatorios utilizados en la comparación de la precipitación de ambos modelos

Figura 9. Valores contrastados de precipitación, a partir de los 543 puntos aleatorios


Las diferencias encontradas correspon-dieron tanto en su distribución espacial, así como en los valores medios (Ver Figura 9). De hecho los valores que arrojó el mode-lo de Worldclim fueron en términos genera-les, ligeramente subestimados en relación a los datos que registra de forma histórica las estaciones del INAMHI (Tabla 2), Sin embar-go existen sectores que reflejaron valores o módulos de precipitación mucho más altos, como por ejemplo en la cuenca del Esme-raldas, en el sector de Pto. Quito.

En cuanto a la distribución espacial, cabe mencionar que existió una buena corres-pondencia entre ambos modelos. Sin em-bargo existieron sectores que generaron conflicto en la distribución de las lluvias (Ver

Figura 10), se presentaron al menos 3 secto-res conflictivos, los cuales se encuentran de manera particular en las estribaciones de la cordillera, en los dos primeros casos en la vertiente de la cordillera occidental en su extremo norte, mientras que en el cordillera oriental en el extremo sur, colindando con las estribaciones de las cordilleras del Cón-dor Kutukú.

1

2

3

Figura 10. Zonas de incertidumbre respecto de los valores de precipitación.

Tabla 2. Valores de precipitación obtenidos de los modelos de Worldclim y de los datos INAMHI


De hecho parte del análisis también tomó en cuenta, ver las diferencias a nivel espa-cial. Es decir saber donde se han refleja-do en una capa de información continua aquellos lugares donde se evidenciaron excesos o decrementos de los valores de precipitación. Para tal efecto se realizó un análisis que permitió “dividir” los valo-res de las capas raster de ambos modelos y así generar una tercer capa que mostró los cambios existentes (Ver Figura 11).

El área en negro (0) mostró las zonas don-de los valores de precipitación entre am-bos modelos son prácticamente similares. Las zonas en azul mostraron una variación positiva en el rango de 1 a 2, es decir el cambio fue mínimo sin llegar a ser ne-cesariamente el doble de los valores de precipitación entre los datos INAMHI y los datos de Worldclim, (debe tomarse en cuenta que los valores de Worldclim son subestimados).

En el caso de las áreas sombreadas con color verde corresponden a zonas donde la variación positiva (precipitación) a fa-vor del modelo de INAMHI fue de 2 a 3 veces mayor. Las áreas de color amarillo mostraron variaciones de 3 a 4 veces más, mientras que las áreas de color naranja mostraron variaciones positivas de 4 a 5 veces, es decir pueden existir incrementos del 500% de precipitación según los datos del INAMHI, en comparación con la infor-mación obtenida de Worldclim. Como se observa las mayores diferencias se regis-traron en la zona de la península de Sta. Elena.

Figura 11. Zonas de anomalías respecto del modelo INAMHI – Worldclim


Se ha evidenciado en términos generales que existen diferencias en el modelamien-to de INAMHI y Worldclim, y más aun que existe mucha incertidumbre en ciertas zo-nas del país respecto a la fidelidad de la representación climática. Esto ocurrió en gran parte por una distribución irregular de las estaciones que guardan una se-rie de datos considerable, en términos de tiempo y en calidad de información.

Por tal razón, se hizo evidente realizar una evaluación de la representatividad espa-cial de las estaciones con el fin de identi-ficar aquellas áreas que no tuvieran una representación climática adecuada a priori y lo que permitió identificar aquellos lugares donde eventualmente se pudie-ron “rescatar” estaciones con serie de da-tos; aunque menores en tiempo, previo a una evaluación de la calidad de informa-ción, que dieron una aproximación a las condiciones climáticas de las zonas con vacíos de información.

En la Figura 12., se muestra la distribución de las estaciones meteorológicas con las cuales se realizó el modelo. Se muestra a su vez las áreas que carecerían de una adecuada caracterización climática, de-bido a la ausencia de estaciones que ten-gan una adecuada serie de datos o que en definitiva nunca ha existido una esta-ción en el sector.

En este sentido, fue relevante hacer un análisis de las estaciones que eventual-

4.4 Vacíos de información climática

Figura 12. Estaciones meteorológicas y su áreas de cobertura (170 estaciones – precipitación)

mente podrían considerarse para incre-mentar el número de estaciones en aque-llas áreas donde no haya información de la serie 70 – 2000, con el fin de mejorar y afinar el modelo en aquellas áreas con vacios. En principio se sugirió contar con toda la base de estaciones meteoroló-gicas con las que cuenta el INAMHI, es decir más de 1000 estaciones, y en base a esto, discriminar y seleccionar aquellas que se encuentren en las áreas con va-cío.(Figura 13.).


De dichas estaciones, se realizó un segun-do filtro para obtener aquellas con las que se cuente con una serie de datos acepta-ble (es decir mayor de 10 años), y que no se vean afectadas por eventos hidrome-terológicos extremos (i.e Eventos Niño), ya que esto produciría involucrar “ruido” al modelo, y sobreestimaría los datos de precipitación en particular.

Figura 13. Estaciones Meteorológicas de la Red del INAMHI, a ser consideradas para la evaluación de ubicación y calidad de información

4.5.1 PrecipitaciónDel proceso de revisión de las estacio-nes de la red meteorológica total pro-porcionada por el INAMHI, cerca de 846

4.5 Revisión y validación de in-formación climática previo a la modelización

estaciones inicialmente analizadas se ex-trajeron aquellas que tuvieran datos sufi-cientes para realizar un análisis más pro-fundo es decir , tengan series de datos mayores a 10 años al menos y que tengan una representatividad espacial significati-va, es decir fueron prioritarias aquellas en las cuales no se tenía una estación en un área donde no existía estación cercana alguna y se obviaron aquellas que esta-ban muy cercanas o en muchos casos prácticamente estaban en el mismo lu-gar. De este proceso se logró recuperar cerca de 346 estaciones de las cuales se realizó un filtro mucho más estricto sobre todo en la serie temporal de datos; cabe recalcar, que si bien es cierto que mu-chas estaciones al menos tenían más de 5 años de información eran registros que no eran congruentes o fieles a la canti-dad de datos que reposaban en la Base de datos, es decir muchos tenían registros de 0 o de “no data” y sin embrago se to-maba como registro y alteraba la supues-ta cantidad de información existente. Así mismo existían problemas con respecto a errores de digitación e ingreso de datos en la BDD.

Otro factor adicional a la serie temporal de datos para la discriminación de esta-ciones meteorológicas, consistió en elimi-nar aquellas estaciones que registraron datos excepcionales correspondientes a eventos hidrometeorológicos extremos, como por ejemplo eventos ENSO (El Niño Southern Oscilation) particularmente en la costa ecuatoriana y ciertas estaciones de la vertiente pacífica. Para la identifi-cación de aquellos período se basó en los estudios de Vera et al, 2009, donde se


identifican claramente los períodos ENSO de mediana a gran intensidad.

Para el relleno de información fueron uti-lizados los distintos métodos que se esta-blecen en el marco conceptual, como son los de regresión lineal y múltiple, mé-todo de la razón, y además el método de vector regional que se incluye dentro del Software Hydraccess. Cabe mencionar que la estructuración de la BDD pluvio-métrica se la realizó a través de Hydrac-ces, el cual es un software completo, ho-mogéneo y de fácil manejo, que permite importar y guardar varios tipos de datos hidrológicos en una base de datos en for-mato *.mdb, y realizar los procesamientos básicos para análisis hidrometeorológicos (Melo, P. 2010) La ventaja al poder usar esta herramienta, radicó en la facilidad que se tuvo de analizar la información e identificar vacíos o gaps.

En ese sentido, el método del vector re-gional incorporado en las versiones re-cientes del software permitió el relleno de información climática, en este caso de precipitación, para un número im-portante de estaciones que carecen de una serie completa de datos, y que por su representatividad espacial resultaban de importancia para el análisis de distri-bución de precipitación.

Una vez realizados los filtros, además del relleno de información pertinente para más de 110 estaciones, con el fin de con-tar con información homogénea y con-gruente, y manteniendo una serie de 10 años mínimo se construiyó la Base de da-tos de precipitación final, con la cual se

realizaron los modelos de distribución, ob-viamente incorporando otras covariables (elevación, precipitación Worldclim) que ayudaron a mejorar la distribución de la precipitación. Se obtuvieron finalmente un total de 377 estaciones (Ver Anexo 1).

En el 2012, luego de realizar las salidas de validación tanto del modelo bioclimático como de ecosistemas, se identificaron zo-nas en las que el índice ombrotérmico no reflejaba de manera correcta la relación vegetación-clima, por lo que se añadie-ron 12 estaciones de INHAMI que pese a no haber pasado el filtro en el primer análisis, contaban al menos con dos series de datos que no estaban influenciadas por el fenómeno ENSO, también se utilizar 3 estaciones de la red meteorológica de Perú de la frontera Sur que cuentan con más de 10 años de series de información, de estás se uso la estación de San Ignacio para corregir la estación de Zumba (Ver Anexo 2).

Adicionalmente se crearon 19 estacio-nes ficticias usando información del sen-sor Tropical Rainfall Measuring Mission (TRMM) con datos desde 2000 a 2005, en los lugares en la que información de di-cho sensor no subestimaran en demasía los datos de precipitación anual espera-dos para la zonas que se querían corregir; esta información se obtuvo en el “Curso teórico-práctico de Construcción de va-riables bioclimáticas para el mapeo de coberturas de la tierra y ecosistemas en el Ecuador Continental” realizado por el Mi-nisterio del Ambiente y dictado por el Dr. Wouter Buytaert investigador y docente


del Imperial College of London durante el mes de marzo del 2011. De esta forma se añadieron 33 estaciones con valores de precipitación anual, utilizando finalmen-te 410 estaciones para el modelamiento de la precipitación.

La mencionada capacitación sentó las bases para la reproducibilidad en códi-go abierto de la modelización de las va-riables climáticas orientadas a la obten-ción de índice bioclimáticos, así como se establecieron directrices metodológicas respecto de la modelización geoestadís-tica a través del uso de paquetes esta-dísticos robustos (i.e R) (Ver Anexo 3 y 4).

En la Figura 14 se muestra la distribución espacial de todas las estaciones con in-formación de precipitación que se usa-ron en la caracterización bioclimática de los ecosistemas.

4.5.2 TemperaturaLos datos correspondientes a temperatu-ra sugieren un tratamiento y una revisión mucho más amplia, ya que se tienen mu-chas menos estaciones a tomar en cuen-ta en particular para los datos de Tempe-ratura máxima y de Temperatura mínima. En ese sentido los esfuerzos del INAMHI se han centrado a partir del próximo año en recuperar toda la información prima-ria de datos hidrometerológicos que se encuentran en formato análogo, con el fin de digitalizarla y construir la BDD na-cional de datos climáticos.

Bajo esa perspectiva y en razón de los análisis previamente realizados entre la información de temperatura del INAMHI y de Worldclim que sugieren no existe una diferencia mayor, apoyado a su vez sobre una fuerte correlación temperatu-ra – altura, se ha definido trabajar con la información de temperatura suministra-da por Worldclim.

Sin embargo se cuentan con los datos de temperatura con el fin de contar con una BDD de temperatura que ayude a validar ciertas zonas con datos locales puntuales.

Figura 14. Estaciones originales, recuperadas y adicionales de precipitación


4.6.1 Precipitación Para la generación de la capa raster de precipitación se decidió trabajar en pri-mer lugar, con los datos de estaciones meteorológicas definidas en el punto 4.3, de las cuales se obtuvo la información del promedio o modulo anual de lluvia y adi-cionalmente se consiguieron los valores de precipitación a nivel mensual, lo cual fue sumamente importante para la gene-ración de las capas de los índices ombro-térmicos.

La realización del modelo de distribución de precipitación implicó generar a partir de datos discretos información de carác-ter continua que represente de la manera más fiable dicha distribución. La calidad de la modelación dependió en gran me-dida de una adecuada calidad de datos y una distribución homogénea de los mis-mos, así como se asuma que se pueden integrar otros factores que podrían incidir en la distribución de la variable a mode-lar. Para el caso de la precipitación uno de los métodos más aconsejables fue el de Cokriging, el mismo que permitió esta-blecer o limitar el análisis de distribución a capas de información paralelas tales como el relieve, entre otros. Sin embargo implicó la necesidad de contar con una amplia capacidad de procesamiento.

Los métodos geoestadísticos de interpo-lación de Kriging y CoKriging encierran un conjunto de métodos de predicción espacial que se fundamentan en la mini-mización del error cuadrático medio de predicción (Giraldo R, 2002). El modelo es

4.6 Modelamiento de datos pluviométricos y temperatura

muy flexible y permite profundizar en los análisis de los gráficos de auto correla-ción espacial.

Una vez establecidas las 410 estaciones se utilizó el software ArcGis versión 9.3 de Esri, a través del módulo Geostatistical Analyst, con el cual se puede trabajar con el mé-todo Geoestadístico de interpolación de Cokriging. Las covariables utilizadas en este caso supusieron el modelo numérico del terreno, y adicionalmente la capa de precipitación de Worldclim como una se-gunda covariable.

6. El trabajo en modelamiento en conjunto con el INAMHI ,se realiza de forma continua con las variables climáticas, que se van incorporando o con mayor información de estaciones, por lo tanto es un proceso dinámico y por lo tanto las conclusiones bioclimáticas son de carácter preliminar

Figura. 15 Modelo de distribución de la precipitación según el método Geoestadístico de Cokriging


Es importante resaltar, que la resolución utilizada en este caso para el modelo se restringió a 500 m2 aproximadamente, debido a dos razones fundamentales, la primera y más fuerte razón respondía a la alta capacidad de procesamiento que supone efectuar dicha interpolación a tal resolución, en tal virtud se establecieron acuerdos de cooperación INAMHI MAE, para la utilización de la infraestructura tecnológica y capacidad técnica del INAMHI disponible, para colaborar en la generación dichos modelos6 a través del uso de plataformas de uso libre , y la se-gunda corresponde a la resolución de las covariables las cuales corresponden a 90 m2 para el modelo numérico del terreno así como 1 km2 para el modelo de preci-pitación de Worldclim.

4.6.2 TemperaturaPara el caso de la capa correspondiente a temperatura se tomó en cuenta la que se encuentra a disposición a través de Worldclim, debido a que se pueden con-tar con los datos promedios mensuales de temperatura, así como las capas de temperatura máxima y mínima en forma continua para una serie de 30 años.

Cabe aclarar que fue necesario estable-cer un proceso previo de tratamiento a la capa de temperatura media con el fin de tener únicamente aquella información correspondiente a los valores medios po-sitivos de temperatura para el cálculo de los índices ombrotérmicos.

Figura 16. Modelo de distribución de temperatura media positiva reclasificada - Worldclim


5. Resultados

Los índices ombrotérmicos más utilizados y con mayor relevancia para modelar ecosistemas son los siguientes:

Índice ombrotérmico anual (Io): mide la disponibilidad relativa y efectiva del monto anual de la precipitación en re-lación a las temperaturas medias anua-les. El índice se calcula como: Io=Pp/Tp, donde Pp= Precipitación positiva anual correspondiente a los meses con tempe-ratura media mensual superior a 0ºC, Tp= Temperatura positiva anual correspon-diente a la suma de los meses de tempe-ratura media mensual superior a 0ºC en décimas de grados centígrados.

Índice ombrotérmico de la época seca (Iod2): evalúa el ritmo anual de las pre-cipitaciones al estimar la intensidad de la época seca mediante el cálculo del índice ombrotérmico de los dos o tres meses consecutivos con menor preci-pitación anual. Expresión: Iod2= P2/T2, donde P=precipitación media de los dos meses con menor precipitación anual, T2=temperatura media de los dos meses con menor precipitación anual x 10”.

Con el fin de construir la capa del índice ombrotérmico anual como medio para

5.1 Construcción de la capa del Índice ombrotérmico (Iod) – Capa de ombrotipos

desarrollar el mapa de ombrotipos del Ecuador continental, se utilizó como insu-mo principal las dos capas desarrolladas anteriormente, correspondientes a preci-pitación y temperatura media.

El esquema metodológico corresponde a la siguiente figura:

Figura 17. Flujo de trabajo para la construcción de la capa del Índice Ombrotérmico.


Una vez obtenida la capa del índice om-brotérmico (Io), se reclasificó esta según la equivalencia de los intervalos adapta-dos de acuerdo a Navarro y Maldonado, 2002 en su libro Geografía Ecológica de Bolivia.

En la siguiente ilustración se muestra el mapa de ombrotipos correspondiente al Ecuador continental.

Un ejemplo del uso de la capa de Índice Ombrotérmico anual, es en la delimita-ción de la vegetación natural del Valle del Chota, caracterizado por los ombroti-pos seco, semiárido y desértico

Cabe mencionar, que fue necesario es-tablecer la correspondencia espacial de cada uno de estos ombrotipos en el Ecuador continental, para lo cual se utili-zó el software ArcGis a través del módulo Spatial Analyst para realizar dicho proce-dimiento.

Tabla 3. Ombrotipos presentes en el Ecuador Continental.


Figura 18. Mapa de Ombrotipos del Ecuador Continental según la clasificación de Rivas Martínez adaptado para la representación cartográfica de los Ecosistemas del Ecuador Continental.


5.2 Construcción de la capa del Índice de termicidad - Capa de termotipos.La construcción de este índice se realizó a partir de la información de capas conti-nuas de información de temperatura, en-tendiéndose para este caso, la capa de temperaturas máximas, mínimas y medias a nivel anual, expresadas según el esque-ma que se presenta en la base concep-tual, y que se detalla nuevamente a con-tinuación:

En este caso y como se mencionó an-teriormente, se utilizó la información de Worldclim, por contar con las caracterís-ticas que mejor se pueden asociar al re-lieve y por lo tanto permitiría discriminar de forma más eficiente la distribución de ecosistemas. Al ser un ejercicio preliminar, se podría replicar con la información1 de INAMHI correspondiente a estas varia-bles, ya que a la fecha que se ejecuta el proyecto la cantidad de estaciones que contienen estas variables es limitada y su distribución espacial es poco representa-tiva.

Una vez obtenida la capa del índice de termicidad, se procedió a reclasificar la capa de acuerdo a los valores que se presentan a continuación:

La capa de Índice Termicidad es usa-da en la delimitación de la vegetación montana, como en las estribaciones de la Cordillera Oriental de los Andes, carac-terizado por los termotipos supratropical y mesotropical.

Figura 19. Flujo de trabajo para la construcción de la capa del Índice Termicidad.

Tabla 4. Termotipos presentes en el Ecuador Continental.


Figura 20. Mapa de Termotipos del Ecuador Continental según la clasificación de Rivas Martínez para la representación cartográfica de los Ecosistemas del Ecuador Continental


5.3 Construcción de la capa de Bioclima.

Para construir la capa de Bioclima, se usó al igual que antes la metodología de Ri-vas Martínez, la cual estima el bioclima en función del índice ombrotérmico anual (Io) y del índice ombrotérmico de los dos meses más secos en el año (Io2), este úl-timo se calculó primero obteniendo la precipitación de los dos meses de menor pluviosidad que se dedujeron de la base de datos de estaciones meteorológicas antes consolidada.

A continuación se presenta la capa del índice ombrotérmico de los dos meses más secos del año (Iod2).

Una vez calculado el Iod2 y junto con el Io, se realizó un algebra de mapas en el soft-ware ArcGis 9 v3, siguiendo los siguientes criterios para la obtención de bioclimas tropicales.

En esta imagen se puede observar los bosques de las estribaciones orienales de la cordillera de los Andes caracteristicos del bioclima pluvial, en el cual la vegeta-ción no registra meses de estres hídrico.

Finalmente se presenta en la Figura 22, los bioclimas que se encuentran en el Ecua-dor continental

Figura 21. Capa del Índice ombrotérmico de los dos meses más secos

Tabla 5. Criterios para la clasificación de Bioclimas.


Figura 22. Mapa de Bioclimas del Ecuador Continental según la clasificación de Rivas Martínez adaptado para la representación cartográfica de los Ecosistemas del Ecuador Continental


6. Validación y Calibración

Desde finales del año 2010 hasta la Di-ciembre de 2012, se realizado una cali-bración de los primeros ejercicios de mo-delamiento y una validación permanente de las capas finales, por parte del equi-po de trabajo del proyecto; se tomaron como referencia los puntos de las salidas de calibración realizadas en este perío-do, para tener una idea preliminar de la consistencia y robustez del modelo en el sentido estricto de predicción de la ca-racterización climática, como una herra-mienta útil para la discriminación de los ecosistemas.

Todas las salidas efectuadas para el efec-to, constan en una base de datos espe-cífica, en la cual se colecta información con el mismo formato de las fichas de campo levantadas por todo el Proyecto Mapa de Vegetación (Ver Anexo 5), di-cha base de datos se vinculó a una co-lección de fotografías de la vegetación natural remanente de los lugares calibra-dos y validados (Figura 22). En total se to-maron 333 puntos de validación, 211 pun-tos en el año 2011 y 121 puntos en el año 2012, repartidos en todos los ombrotipos, termotipos y bioclimas cartografiados en este modelamiento bioclimático.

En la Figura 23, se presentan la ubicación de los puntos de validación obtenidos en campo, cabe aclarar que en la región de la Amazonía no se recopilo información porque el rango de variación de ombroti-pos y termotipos es mínimo.

Figura 22. Registro fotográfico de la validación del Modelo Bioclimático del Ecuador Continental

Figura 23. Ubicación de los puntos de validación del modelo bioclimático del Ecuador Continental


Como en todo modelamiento, existieron errores provenientes del origen de los da-tos en la mayoría de los casos, se solven-taron en la corrección misma de la serie de información, con el relleno sistemáti-co de información y con la inclusión de otras variables que podían ser predictivas de las variables climáticas. Por otro lado, la experticia tanto del equipo botánico como del equipo geográfico permitió ha-cer aproximaciones visuales de la validez y coherencia del modelo, en función de la reciprocidad del modelo clima – ve-getación, y que según la experticia del equipo son fácilmente reconocibles. En ese sentido, este proceso de calibración y validación permanente permitió mejo-rar las propiedades del método de inter-polación de datos según los parámetros que permite manipular el algoritmo.


7. Conclusiones y Recomendaciones

ConclusionesEl modelo bioclimático del Ecuador con-tinental mediante el uso y la representa-ción espacial de los índices bioclimáticos propuestos en el sistema de clasificación bioclimática de Rivas Martínez, refleja en altamente la relación clima – vegetación nuestro territorio, por lo que su uso facilitó la discriminación y el mapeo de los eco-sistemas.

Pese a que 377 estaciones meteorológi-cas recopiladas de la Base de datos del INAMHI pasaron un filtro riguroso de cali-dad de la información de precipitación, no fueron suficientes para el modelamien-to de esta variable climática, por lo que se hizo necesaria la creación de estacio-nes ficticias con datos de otras fuentes de información, dichas fuentes de informa-ción fueron útiles solo en aquellas zonas en que el valor estimado tuviera relación con el valor esperado para un tipo espe-cífico de vegetación.

Dentro de los procesos de validación de información climática, es necesario in-corporar el conocimiento técnico de un equipo multidisciplinario, porque la discri-minación de los diferentes tipos de vege-tación, en una determinada localidad to-mando en cuenta únicamente los datos

climáticos, resulta compleja de analizar. Así, las salidas de comprobación en cam-po junto con la experticia del equipo son en conjunto un insumo importante en la validación de la predicción del modelo utilizado.

Al ser todo modelamiento una represen-tación conceptual, el modelo bioclimá-tico del Ecuador continental tiene sus li-mitantes, si bien refleja correctamente la variabilidad de la humedad (ombrotipo) y de la temperatura (termotipo) en la ma-yoría del territorio, existen algunas zonas, sobretodo en las cordilleras costaneras, que el ombrotipo y el termotipo subesti-man las condiciones ambientales que re-fleja la vegetación en dichos lugares, por lo que en estas zonas debe incorporarse mayor información climática para mode-lamientos futuros.

Los productos generados por el proyec-to, correspondientes a la modelación de datos climáticos tienen una buena reso-lución espacial por lo que se espera que se constituyan por sí solos en herramientas útiles para el desarrollo de otros progra-mas y proyectos a nivel del sector guber-namental y del sector privado.


Recomendaciones Para mejorar la construcción de los ín-dices bioclimáticos en las zonas de cor-dilleras costaneras se sugiere el uso de data logger o estaciones meteorológi-cas remotas continuas con mínimo cinco años de información continua y que di-chos años no estén influenciados por fe-nómenos extremos del Niño o de la Niña.

Para mejorar el modelamiento bioclimá-tico futuro a nivel local o de microclima para discriminar asociaciones o comu-nidades vegetales, es necesario incor-porar datos de precipitación horizontal, de estacionalidad de la dirección de los vientos y de variación la temperatura du-rante el día, de ya que la variación men-sual de la precipitación vertical y de la temperatura media son las variables cli-máticas básicas y mínimas que guardan relación a nivel de ecosistema.

La información de precipitación genera-da en este modelamiento es un prome-dio de casi cuarenta años de informa-ción, por lo que se recomienda su uso como información para caracterización general la precipitación en el país y no como información puntual para cálculos específicos de cuantía de precipitación en proyectos de carácter cuantitativo.


Referencias Bibliográficas

• BURROUGH,P.A. & MCDONNELL,R.A.; 2000 Principles of Geographical Infor-mation Systems Oxford University Press, Oxford, 333 pp.1

• DIAZ, G. et al., 2008. Interpolación es-pacial de la precipitación pluvial en la zona de Barlovento y Sotavento del Golfo de México; Agricultura Técnica en México, Vol. 34, Núm. 3, julio-sep-tiembre, 2008, pp. 279-287 Instituto Na-cional de Investigaciones Forestales, Agrícolas y Pecuarias Texcoco, México

• GIRALDO, R. 2002. Propuesta de un in-dicador como variable auxiliar en el análisis cokriging. Revista Colombiana de Estadística. Fascículo 24.

• HIJMANS, R.J., et al., Very high resolu-tion interpolated climate surfaces for global land areas. . International, Jour-nal of Climatology 2005. 25: p. 1965-1978

• MEJIA R., ROURA J., CALVEZ R., 1996b. Estaciones meteorológicas, cuenca del rio Guayas; subcuenca del rio Ba-bahoyo. Série INSEQ, 12, 36p.

• MITAS, L & MITASOVA, H. (1999) Spatial Interpolation en Lonngley, M. F. Good-child, D. J. Maguire, D.W. Rhind (Eds.) Geographical Information Systems, pp. 481-492.

• NAVARRO, G. y M. MALDONADO, Geografía Ecológica de Bolivia: Vege-

tación y Ambientes Acuáticos. 4 ed. 2002, Cochabamba, Bolivia: Centro de Ecología Simón I. Patiño - Departa-mento de Difusión.

• NOUVELOT J.F., POURRUT P. 1984. El Niño, phénomène océanique et at-mosphérique. Importance en 1982-1983 et impact sur le littoral équato-rien. Cahier ORSTOM, série Hydrologie, 21, 1, 39-65.

• NOUVELOT J.F., LE GOULVEN P., POU-RRUT P. 1994. Analyse statistique et régionalisation des précipitation en Equateur. In l’eau en Equateur, prin-cipaux acquis en hydroclimatologie. ORSTOM éditions, 43-86.

• NOUVELOT J.F., POURRUT P. 1994. Ano-malies et phénomènes climatiques extrêmes. In l’eau en Equateur, prin-cipaux acquis en hydroclimatologie. ORSTOM éditions, 87-98.

• PALACIOS, J., ONTANEDA G., 2011. Bo-letín Climatológico Anual año 2011. Instituto Nacional de Meteorología e Hidrología (INAMHI).

• PAULHUS, J.L.H. y KOHLER, M.A. (1952). Interpolation of missing precipitation records. Month. Weath. Rev., 80, pp. 129-133.

• POURRUT, P., 1993. L’effet ENSO sur les précipitations et les écoulements au

Modelo BioclimáticoModelo Bioclimático 40

XXème siècle-exemple de l’équateur.

Institut Français des Études Andines. Bu-

lletin, 22(1): 85-98.

• POURRUT, P., 1994. L’eau en Equateur.

Principaux acquis en hydroclimatolo-

gie. ORSTOM Editions, Paris, 146p.

• ROSSEL F., LE GOULVEN P., CADIER E.

1997B. Répartition spatiale del’influence

de l’ENSO sur les précipitations annue-

lles de l’Equateur. Soumis à la Revue

des Sciences de l’Eau, 13p., 7 figures.

• VAUCHEL, P. 2005 Hydraccess : Logiciel

de gestion et traitement de données

hydro-météorologiques, version 2.1.4.

Téléchargeable sur www.mpl.ird.fr/hy-

bam.

• VERA, A. 2009: Etude de la corrélation

entre les différents indices du phé-

nomène ENSO (El Niño, La Niña) et les

indices de pluviométrie et de débits du

bassin versant de l’Esmeraldas (Nord de

la côte Pacifique Equatorienne), Mas-

ter 2 Recherche : H2SE (Hydrologie, Hy-

drochimie, Sol, Environnement), LMTG,

UPS - Université Paul Sabatier Toulouse.

41Modelo Bioclimático Modelo BioclimáticoModelo Bioclimático

Ane

xos Anexo 1

Estaciones meteorológicas de la bdd inamhi validadas y utilizadas para el proceso de interpolación (precipitación)


Ane

xos


Ane

xos


Ane

xos

Anexo 2Estaciones meteorológicas adicionales de la bdd inamhi,

Perú y trmm validadas y utilizadas para el proceso de interpolación (precipitación)


Ane

xos

Anexo 3Parámetros del método de interpolación utilizado para el

modelo de precipitación


Ane

xos

Anexo 4Script para el modelo geoestadistico en R

## Creación de mapas climatológicos para Ecuador en R#### Autor : Wouter Buytaert## version 1.1, 2011/04/17#### entradas necesarias:## - hoja excel con datos de lluvia## - mapa de ubicaciones en formato shape (ESTACIONES_M_UTM_wgs84.shp) ## - DEM## - mapas sectoresbio_ec

############ 1. Importar los datos de excel #################### 2.1. Importa los datos de una hoja corregida de excel.## y guarda los datos crudos en una lista (“INAMHI”)

## library(“RODBC”)## con <- odbcConnectExcel(file.choose())## table <- sqlTables(con)## INAMHI <- list()## for(i in 1:nrow(table)) INAMHI[[i]] <- sqlFetch(con, table$TABLE_NAME[i])## close(con)## rm(table, con)## ## 2.2. Convierte los datos en series de tiempo del tipo xts

library(xts)

## data <- INAMHI # mas generico porque generaremos un nuevo objecto del tipo xts## rm(INAMHI)

## Sys.setenv(TZ=”America/Guayaquil”)## INAMHI <- xts()## for(i in 1:length(data)) {## if(!is.na(data[[i]][1,1])) {## name <- data[[i]][1,1]## prec <- numeric()## time <- data.frame()## for(j in 1:nrow(data[[i]])) {## year <- data[[i]][j,2]## if(!is.na(year) && (year > 1900) && (year < 2012)){## time <- rbind(time, cbind(year, 1:12, 15))## prec <- c(prec, as.numeric(data[[i]][j,3:14]))## }## }## time <- ISOdate(time[,1], time[,2], time[,3], tz=”America/Guayaquil”)## prec <- xts(prec, order.by = time)## prec[prec < 0] <- NA## names(prec) <- name## INAMHI <- merge(INAMHI, prec)## }## }## rm(data, name, prec, time, year, i, j)

load(“MAE/INAMHI.ts.rda”)

############ 2. Filtrar los pluviómetros #################### usamos el periodo de 1986 - 2005 que tiene mayor disponibilidad de datosINAMHI <- INAMHI[“1986/2005”,]## eliminar estaciones con menos de 5 anos de datos:length <- apply(INAMHI, 2, function(x){length(x[!is.na(x)])})INAMHI <- INAMHI[,length > 60]; rm(length)

## eliminar estaciones de los galapagosINAMHI <- INAMHI[, !(names(INAMHI) %in% c(“M191”,”M192”,”M194”,”M908”,”MA49”,”MA52”))]

## eliminar estaciones con datos sospechosos:INAMHI.ts <- INAMHI[, !(names(INAMHI) %in% c(“M051”,”MA2U”))]; rm(INAMHI)

############ 3. Crear promedios mensuales ##################

library(rgdal)pluvios <- readOGR(dsn= file.choose(), layer = “ESTACIONES_M_UTM_wgs84”)pluvios <- as.data.frame(pluvios)meses <- as.POSIXlt(index(INAMHI.ts))$monINAMHI.prom <- apply(INAMHI.ts, 2, function(x) {tapply(x, meses, “mean”, na.rm=T)})INAMHI.prom <- data.frame(t(INAMHI.prom), colnames(INAMHI.prom))colnames(INAMHI.prom) <- c(“ene”,”feb”,”mar”,”abr”,”may”,”jun”,”jul”,”ago”, “sep”,”oct”,”nov”,”dic”,”CODIGO”)

INAMHI.prom <- merge(INAMHI.prom, pluvios)rm(meses, pluvios)

##################### 4. Preparar co-variables #######################

## 4.1. DEM

## importar el DEM (aqui se usa “srtm_1km.tif”)srtm <- readGDAL(“MAE/srtm_1km.tif”)

## eliminar celdas a fuera del ecuador (valores NULL) y preparar el objetofullgrid(srtm) <- FALSECRS <- proj4string(srtm)names(srtm) <- “srtm”

## 4.2. regiones


regiones <- readGDAL(“MAE/sectoresbio_ec.tif”)fullgrid(regiones) <- FALSE

## 4.3. TRMM mensual

## Cargar los mapas TRMM y reproyectar a UTM 17## ya estan preparados en un archivo trmm.maps.rdaload(“MAE/trmm.maps.rda”)proj4string(trmm.maps) <- CRS(“+proj=latlong +datum=WGS84”)trmm.maps <- spTransform(trmm.maps, CRS(CRS))

## resamplear los mapas TRMM a la resolucion de srtm## y guardar todos los mapas en el mismo objeto como diferentes capas (srtm)library(gstat)months <- names(trmm.maps)[2:13]points <- as(srtm, “SpatialPoints”)for(month in months) { formula <- formula(paste(month, “~1”, sep=””)) mapa <- idw(formula, trmm.maps[,month], points, nmax = 1) mapa <- mapa[,”var1.pred”] names(mapa) <- paste(“TRMM.”, month, sep = “”) srtm <- merge(srtm, mapa)}## tambien con el mapa de las regiones para estar seguro que esta bien proyectadomapa <- idw(band1 ~ 1, regiones, points, nmax = 1)mapa <- mapa[,”var1.pred”]names(mapa) <- “regiones”srtm <- merge(srtm, mapa)srtm$regiones <- as.factor(srtm$regiones)

coordinates(srtm) <- ~x + yproj4string(srtm) <- CRS

## extraer los valores de los mapas TRMM y de las regiones## en las ubicaciones de los pluviometros para poder armar el modelopoints <- INAMHI.prom[,c(“coords.x1”,”coords.x2”)]coordinates(points) = ~coords.x1 + coords.x2proj4string(points) <- CRS

for(month in months) { formula <- formula(paste(month, “~1”, sep=””)) mapa <- idw(formula, trmm.maps[,month], points, nmax = 1) mapa <- mapa[,”var1.pred”] names(mapa) <- paste(“TRMM.”, month, sep = “”) INAMHI.prom <- merge(INAMHI.prom, as.data.frame(mapa))}mapa <- idw(band1 ~ 1, regiones, points, nmax = 1)mapa <- mapa[,”var1.pred”]names(mapa) <- “regiones”INAMHI.prom <- merge(INAMHI.prom, as.data.frame(mapa))INAMHI.prom$regiones <- as.factor(INAMHI.prom$regiones)

## 4.4. srtm

mapa <- idw(srtm ~ 1, srtm, points, nmax = 1)[,”var1.pred”]names(mapa) <- “srtm”INAMHI.prom <- merge(INAMHI.prom, as.data.frame(mapa))

coordinates(INAMHI.prom) <- ~coords.x1 + coords.x2proj4string(INAMHI.prom) <- CRS

rm(month, formula, mapa, points)

## guardar para no tener que correr de nuevo:

save(INAMHI.prom, INAMHI.ts, srtm, file=”MAE/INAMHI.preparado.rda”)load(“MAE/INAMHI.preparado.rda”)

################## 5. Identifacion de los covariables ###################

## Se realiza en este caso con Enerosummary(lm(ene ~ srtm, data = INAMHI.prom))summary(lm(ene ~ srtm:regiones, data = INAMHI.prom))summary(lm(ene ~ srtm + TRMM.jan, data = INAMHI.prom))summary(lm(ene ~ srtm:regiones + TRMM.jan, data = INAMHI.prom))

################## 6. Interpolacion usando Kriging ########################

## Usamos el mapa “srtm” a 1km como template para crear los mapas interpolados:Pmap <- as.data.frame(SpatialPoints(srtm))

meses <- c(“ene”,”feb”,”mar”,”abr”,”may”,”jun”,”jul”,”ago”,”sep”,”oct”,”nov”,”dic”)

## hacer el analisis para cada mes separadamente:

exp_vars <- list()fitted_models <- list()crossval <- list()

for(i in 1:12) { formula <- formula(paste(meses[i], “~ srtm:regiones + TRMM.”, months[i], sep=””)) exp_vars[[i]] <- variogram(formula, data=INAMHI.prom) theoretic_model <- vgm(10000, “Exp”, 50000, 0) fitted_models[[i]] <- fit.variogram(exp_vars[[i]], theoretic_model) mapa <- krige(formula, INAMHI.prom, srtm, model = fitted_models[[i]]) crossval[[i]] <- krige.cv(formula, INAMHI.prom, model = fitted_models[[i]]) mapa <- mapa[,”var1.pred”]@data names(mapa) <- meses[i] Pmap <- cbind(Pmap, mapa) }

## plotear los modelosfor(i in 1:12) { bitmap(paste(“var”,i,”.png”, sep=””), res=300, pointsize=12, height=9, width=9) print(plot(exp_vars[[i]], fitted_models[[i]], main = meses[i])) dev.off()}

Ane

xos


Ane

xos

coordinates(Pmap) <- ~x + yproj4string(Pmap) <- CRSgridded(Pmap) <- TRUEfullgrid(Pmap) <- TRUE

for(mes in meses) writeGDAL(Pmap[mes], fname = paste(“Prec_”, mes, “.tif”, sep=””))

############### resultados de la crosvalidacion ###################

##scores <- matrix(NA, ncol=10,nrow=12)for(i in 1:12) { scores[i,9] <- mean(crossval[[i]]$residual) scores[i,10] <- sd(crossval[[i]]$residual)}

## resultados para los diferentes modelos (residual promedio / desviacion estandar)

## mes srtm:regiones+TRMM srtm:regiones srtm+TRMM srtm sin covar’s## --------------------------------------------------------------------------------## ene 0.8645 77.2 1.386 77.1 0.053 77.4 0.812 77.0 1.179 77.2## feb 0.5737 90.3 1.178 92.3 -0.797 92.3 0.176 93.5 0.485 94.4## mar 0.2655 87.4 0.821 90.3 -1.066 89.5 -0.164 91.5 0.079 93.0

## apr 0.2337 88.4 1.248 92.0 -0.680 89.8 0.750 91.9 1.097 92.7## may 0.5276 60.9 1.351 67.0 0.151 59.5 1.485 65.3 1.815 66.6## jun -0.1335 54.6 0.897 57.2 -0.108 55.6 1.729 58.2 1.911 58.8## jul -0.4972 42.9 0.358 45.6 -0.775 45.7 0.859 47.3 0.942 47.1## aug -0.2937 29.0 0.599 30.1 -0.571 31.2 0.848 31.9 0.955 32.2## sep -0.0399 37.7 0.605 38.7 -0.152 38.4 1.178 38.9 1.258 38.9## oct 0.1130 41.2 0.789 42.5 0.150 40.8 1.329 41.4 0.785 40.7## nov -0.2058 36.2 0.185 37.7 -0.180 35.2 0.158 35.4 -0.138 34.9## dec 0.5685 47.1 0.892 48.4 0.170 47.0 0.820 47.8 1.086 47.9## --------------------------------------------------------------------------------## PROM 0.165 57.7 0.859 59.9 -0.317 58.5 0.832 60.0 0.955 60.4


Anexo 5Ficha de campo validación bioclima

Ane

xos

Documents

Modelo Bioclimático