Los modelos globales del clima (GCMs, según sus siglas en inglés) constituyen la principal herramienta de que se dispone para simular los procesos que conforman el estado del clima. El IPCC define los modelos climáticos como una representación numérica del sistema climático basada en las propiedades físicas, químicas y biológicas de sus componentes, en sus interacciones y en sus procesos de realimentación, y que recoge todas o algunas de sus propiedades conocidas. Estos sistemas de ecuaciones se resuelven usando grandes supercomputadores, aplicando técnicas matemáticas apropiadas que proporcionan los sucesivos estados del sistema en intervalos temporales discretos (por ejemplo, hora a hora) que caracterizan la evolución futura del sistema climático. Los modelos climáticos ofrecen la posibilidad de anticipar la forma en que el sistema climático podrá ser modificado por la actividad humana en los siglos venideros.

Los modelos globales del clima permiten proyectar el forzamiento radiativo dado por escenarios de emisiones o de concentraciones futuras de los GEI y aerosoles en cambios futuros para las distintas variables del sistema climático (por ejemplo temperatura).

Según el IPCC, la proyección climática es la respuesta simulada del sistema climático a diversos escenarios de emisiones o de concentraciones futuras de los GEI y aerosoles, frecuentemente basada en simulaciones de modelos climáticos. Las proyecciones climáticas se diferencian de las predicciones climáticas por su dependencia de los escenarios de emisiones, concentraciones, o forzamiento radiativo utilizados, basados en supuestos relativos, por ejemplo, a un devenir socio-económico y tecnológico que podrá o no podrá materializarse.

Según el IPCC, un escenario climático es una representación plausible y en ocasiones simplificada del clima futuro, basada en un conjunto de relaciones climatológicas internamente coherente definido explícitamente para investigar las posibles consecuencias del cambio climático causado por el ser humano, y que puede introducirse como datos entrantes en los modelos de impacto. Las proyecciones climáticas suelen utilizarse como punto de partida para definir escenarios climáticos, aunque estos requieren habitualmente información adicional, por ejemplo sobre el clima actual observado. Un escenario de cambio climático es la diferencia entre un escenario climático y el clima actual.

El sistema climático es muy complejo. Para determinar cuál será el clima futuro es necesario conocer bien su dinámica y saber cuál será su respuesta ante las perturbaciones, entre ellas los cambios de composición de la atmósfera como consecuencia de la actividad humana. Para ello acudimos a los escenarios de emisiones, que son representaciones de la posible evolución futura de las emisiones (p. ej. GEI y aerosoles).

En el Quinto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre Cambio Climático (IPCC por sus siglas en inglés) se ha utilizado un conjunto nuevo de cuatro escenarios, las denominadas Sendas Representativas de Concentración o Trayectorias de Concentración Representativas (RCP, de sus siglas en inglés). Estos RCP se definen como escenarios que abarcan series temporales de emisiones y concentraciones de la gama completa de los GEI y aerosoles y gases químicamente activos, así como el uso del suelo y la cubierta terrestre.

Estos escenarios se definen a partir de posibles trayectorias futuras de forzamiento radiativo, causadas por cambios en la concentración de GEI y aerosoles, y que caracterizan el cambio en el balance entre la radiación saliente y entrante en la atmósfera (forzamiento). Tratan de representar el rango de posibles, pero también desconocidas, concentraciones futuras de los GEI y aerosoles en la atmósfera, debido a los diferentes posibles ritmos de emisión de las actividades humanas. Éstas se identifican por el forzamiento radiativo total aproximado para el año 2100 con respecto a 1750, que se considera comprendido en una horquilla entre 2.6 y 8.5 Wm–2.

Aunque la resolución espacial de los modelos climáticos globales ha mejorado en el transcurso del tiempo, las escalas de sus rejillas limitan la representación de algunas características importantes tanto regionales como locales y los procesos asociados a esas escalas. Esto puede repercutir de manera importante en determinadas variables como, por ejemplo, en la distribución local de la lluvia. Por otro lado, la demanda más acuciante está en la necesidad de disponer de información para la realización de estudios de impacto con la necesaria resolución espacial y temporal. En este contexto, la regionalización o reducción de escala surge para tratar de paliar esas limitaciones de los modelos globales. Mediante los métodos de regionalización se extrae información de escalas local a regional (de 10 a 100 km) a partir de modelos o análisis de datos a mayor escala. La regionalización tiene sentido porque existe una conexión entre la gran escala y la pequeña escala, las escalas grandes condicionan a las pequeñas. Las técnicas de regionalización pueden aplicarse espacial y temporalmente.

Aunque existen diferentes enfoques con distinto grado de complejidad, las técnicas de mejora de escala se pueden agrupar en dos grandes grupos: dinámicas y empírico/estadísticas.

• Los métodos de regionalización dinámicos están basados en los resultados de modelos climáticos regionales, en modelos globales con resolución espacial variable o en modelos globales de alta resolución. Estos métodos tienen la ventaja de ser físicamente consistentes y la gran desventaja de ser muy costosos en tiempo de cálculo.
• Los métodos de regionalización empírico/estadísticos están basados en el desarrollo de relaciones estadísticas que vinculan las variables atmosféricas de gran escala (predictores) con las variables climáticas de escala local/regional (predictandos), relaciones que se suponen invariables frente al cambio de clima. Esta invariabilidad es una clara desventaja frente al grupo de métodos de regionalización dinámica, aunque, generalmente, sean poco costosos en tiempo de cálculo y relativamente simples.

Puede obtener más información en el siguiente documento

Los datos disponibles en el Visor de Escenarios de cambio climático de AdapteCCa se nutren de dos fuentes de datos principales de Escenarios-PNACC 2017:

• Proyecciones en rejilla, provenientes de las regionalizaciones dinámicas generadas en la iniciativa internacional Euro-CORDEX, que proporcionan datos en una rejilla de aproximadamente 10km de resolución.
• Proyecciones puntuales, obtenidas aplicando técnicas estadísticas de regionalización a los datos de una serie de localidades de la red de estaciones de AEMET.

En una primera fase de CORDEX se consideraron un total de 14 dominios (regiones a lo largo del globo en las que se ha aplicado la regionalización) con una resolución del orden de 50 km (0.44°). En el dominio europeo se estableció la rama europea, Euro-CORDEX (http://www.euro-cordex.net/), en cuyo dominio se definió, además de la resolución estándar (EUR-44, ~50 km), una resolución mayor, 0.11°, (EUR-11, ~12.5 km). En el Visor de Escenarios de AdapteCCa se han considerado las proyecciones climáticas correspondientes a EUR-11 para España peninsular y las Islas Baleares. Sin embargo, en el dominio europeo no están incluidas las islas Canarias, teniendo que recurrir al dominio CORDEX de la región de África (AFR-44). Este dominio tiene solo la resolución estándar de 0.44°, con un escaso número de puntos en la zona de estas islas, como puede observarse en la figura, donde se muestra la distribución espacial de los puntos de rejilla de CORDEX sobre la Península, Baleares y Canarias. Por ello, no se ha considerado pertinente considerar la regionalización dinámica para las islas Canarias.

Figura - Dominio Euro-CORDEX y distribución espacial de los puntos de rejilla de CORDEX sobre España peninsular y Baleares (EUR-11) y sobre Canarias (AFR-44)

A pesar de no disponer de proyecciones en rejilla para las islas Canarias, el visor sí dispone de las proyecciones puntuales obtenidas aplicando técnicas estadísticas de regionalización a los datos de una serie de localidades de la red de estaciones de AEMET.

Si desea más información sobre los datos disponibles puede consultar la documentación del visor en el siguiente enlace.

El Visor de Escenarios de cambio climático de AdapteCCa no ha sido diseñado como una herramienta de descarga masiva de información, sino como una herramienta de visualización y consulta, que permite como paso final la descarga individualizada de datos para la unidad geográfica que ha sido analizada (una comunidad, provincia o municipio, etc). Por tanto, la herramienta no proporciona informes automatizados de un conjunto de unidades geográficas.

Esta decisión se ha fundamentado en razones técnicas y científicas. Por una parte, el volumen de datos a gestionar para atender una opción de descargas masivas sería muy elevado y requeriría una implementación basada en restricciones y filtros que complicaría el funcionamiento de la aplicación. Por otra parte, la información en rejilla en la que se apoya el visor (Spain011 para observaciones y CORDEX para simulaciones de modelos regionales del clima) tiene una resolución efectiva de aproximadamente 10 km, y cada pixel es representativo de un promedio areal de aproximadamente 10x10 km. Por tanto, aunque el visor permite analizar la información a escala de municipio, es importante entender las limitaciones de esta información en cada caso particular, sobre todo en lo relativo a la señal espacial de cambio climático de cada variable; por ejemplo, en algunas provincias las observaciones ‘Spain011’ de temperatura muestran diferencias en función de la altura, pero la señal de cambio climático ‘CORDEX’ sólo muestra diferencia en función de la distancia a la costa. Por ello, el visor se ha diseñado para que se puedan descargar aquellos datos por los que se ha navegado y que han sido previamente visualizados, de forma que el usuario haya tenido una perspectiva espacial de la representatividad de los mismos y pueda valorar las particularidades de la región analizada y la mejor forma de uso. De esta forma se trata de fomentar el buen uso de los datos de proyecciones regionales de cambio climático, sin restringir a priori el análisis a una escala regional concreta a la que la información se considere representativa (en este caso, a resoluciones de decenas de km).

Sin embargo, se ha incorporado la opción de descargar los datos contenidos en la aplicación a través de un servicio THREDDS, aunque antes de proceder a la descarga de datos se recomienda leer la Guía básica para el correcto uso de las proyecciones regionales de cambio climático a escala de dato diario, que ofrece una serie de recomendaciones para el aprovechamiento adecuado de los datos.

La variable denominada precipitación representa la precipitación acumulada en un día, en cualquiera de sus formas (lluvia, nieve, granizo, etc.). Es una variable original y sus unidades son mm/día (Si desea más información sobre los datos disponibles puede consultar la documentación del visor en el siguiente enlace).

Estas proyecciones de precipitación a nivel de estación representan el promedio para cada año de los datos generados por cada modelo a escala diaria, para cada RCP. Están calculadas en relación al número de días de todo el año. Es la precipitación media recogida cada día: la suma recogida para todo el año dividida entre el número de días del año (o estación del año).

La resolución base de los productos que se ofrecen es de 10km (para los datos en rejilla) y puntual (para los datos puntuales, en este caso sólo en una serie de puntos donde existen observaciones históricas). Para obtener productos en rejilla de mayor resolución es necesario aplicar algún postproceso (interpolación) utilizando co-variables orográficas (altura, concavidad, exposiciones direccionales, etc.); sin embargo, esta información es meramente geográfica (y no climática) por lo que cada aplicación requiere un análisis particular en función, entre otras cosas, de la escala temporal requerida (diaria, mensual, anual). En algunos casos, por ejemplo para estudios de distribución de especies / biodiversidad, existen bases de datos (algunas de cobertura mundial) con información de índices climáticos específicos a una resolución de 1km. Sin embargo, esta información puede ser de muy mala calidad en algunas regiones y, por tanto, se recomienda precaución con su uso.

Existen dos fuentes principales de información climática regional. Por una parte, la información proveniente de modelos climáticos regionales (por ejemplo, CORDEX) se proporciona en rejillas regulares que cubren toda la región estudio con una resolución dada (~10 km en Euro-CORDEX). Por otra parte, los métodos de regionalización estadística proporcionan información puntual en una serie de puntos o localidades predefinidas en los que los métodos han sido calibrados y aplicados.

Los datos en rejilla tienen una mayor cobertura espacial, pero no son representativos de un punto o localidad particular que pueda ser de interés para un estudio, sino del promedio del área que abarca cada punto de rejilla. Esta característica resulta especialmente problemática en regiones de orografía compleja, donde un mismo punto de rejilla puede comprender una gran variabilidad geográfica que escapa a estos datos promedio de rejilla. Un problema adicional es que los datos proporcionados por los modelos climáticos (globales y regionales) suelen incluir sesgos/desviaciones sistemáticas cuando se comparan con valores históricos observados en una zona de interés. Por ello, la representatividad de los datos de rejilla ha de ser cuidadosamente analizada en cada caso, considerando la aplicación de técnicas de post-proceso en aquellos casos en los que la resolución o los sesgos pueden comprometer su aplicación directa. Las técnicas de corrección de sesgo puede ser una buena alternativa en estos casos. Entre las nuevas funcionalidades añadidas recientemente en el Visor de Escenarios de AdapteCCa se encuentra la posibilidad de consultar los valores provenientes de la iniciativa internacional Euro-CORDEX ajustados utilizando una técnica de corrección de sesgo, aliviando los problemas derivados de los sesgos de los modelos regionales del clima (que pueden diferir sistemáticamente de las observaciones), calibrando las salidas de los modelos con las observaciones reales en un período histórico. Puede consultar más información en el documento de descripción de los datos en el siguiente enlace.

Por otra parte, los datos puntuales son representativos de las localidades para las cuales se dispone de información. El problema es que puede no existir ninguna localidad cercana/representativa para un estudio dado. Si se dispone de información histórica en el punto o puntos de interés (por ejemplo, la serie histórica de precipitaciones en la cabecera de una cuenca para un estudio de hidrología) sería posible aplicar las técnicas estadísticas en estos puntos, para regionalizar las proyecciones globales de cambio climático; sin embargo, esta tarea resulta compleja y requiere la colaboración con algún grupo especializado. Algunos proyectos (como VALUE) han tratado de facilitar esta tarea, haciendo públicos los métodos (por ejemplo el paquete downscaleR de regionalización estadística para R; climate4r) y los datos necesarios para realizar estas proyecciones.

Estas características hacen que para cada estudio particular resulte más adecuado un tipo de datos u otro.

En el Visor de Escenarios de cambio climático de AdapteCCa se han incluido proyecciones en rejilla (Euro-CORDEX), a partir de modelos numéricos de alta resolución (~11 km) que cubren la península ibérica y Baleares. Puede encontrar más información en la documentación del visor.

Si los municipios están muy próximos es probable que correspondan al mismo punto de la rejilla del modelo, como puede verse en la siguiente imagen en la que se refleja un fragmento del mapa con dos municipios seleccionados en un mismo punto de rejilla.

Las proyecciones climáticas o estimaciones de la evolución futura del clima de la Tierra en escalas temporales decadales y seculares vienen afectadas por diferentes fuentes de incertidumbre, que pueden agruparse en tres categorías principales:

1. Incertidumbre asociada al escenario socioeconómico futuro: Esta incertidumbre está asociada a las inciertas emisiones y concentraciones futuras de los Gases de Efecto Invernadero (GEI) y aerosoles: surge del rango de posibles concentraciones futuras de los GEI y aerosoles en la atmósfera, debido a los ritmos de emisión por las actividades humanas y a sus complejas interacciones con la biosfera y la hidrosfera. La incertidumbre del escenario se considera mediante el uso de los RCP. Hasta aproximadamente 2030, las concentraciones de los GEI en los varios RCP difieren sólo marginalmente y, en consecuencia, la incertidumbre del escenario es pequeña. Su contribución relativa a la incertidumbre total se incrementa en las décadas futuras, convirtiéndose en la fuente dominante de incertidumbre para la temperatura para el final del siglo XXI.
2. Incertidumbre asociada a la modelización: es una incertidumbre resultante de las limitaciones en: a) nuestra comprensión del sistema climático, b) nuestra habilidad para simularlo y c) los modelos climáticos que, aunque basados en las mismas leyes físicas, utilizan diferentes aproximaciones, hecho que da lugar a diferencias en la simulación. Mientras que la incertidumbre de los modelos se incrementa a lo largo del siglo XXI, su contribución relativa a la incertidumbre total generalmente muestra un pico o meseta alrededor de la mitad del siglo.
3. Incertidumbre asociada a la variabilidad natural: surge de la variabilidad climática interna (p. ej., el estado de El Niño/Oscilación del Sur (ENSO)) y de los mecanismos de forzamientos externos naturales incluyendo las futuras erupciones volcánicas y los cambios en la radiación solar incidente. La importancia relativa de la incertidumbre de la variabilidad interna generalmente decrece con el tiempo a medida que la incertidumbre debida al escenario o a la modelización aumenta.

También contribuyen a la incertidumbre las distintas técnicas de regionalización, encargadas de aumentar la resolución espacial de las proyecciones climáticas generadas por los modelos globales.

A fecha de hoy, la demanda más acuciante de la sociedad para los estudios de impacto se restringe a los primeros decenios del siglo XXI. Para este periodo, la relación señal de cambio climático/ruido emergente es más débil que la que existe a finales del siglo XXI. La cuantificación de las incertidumbres constituye, por tanto, una necesidad para que las evaluaciones de impactos puedan ser realmente útiles en las decisiones a tomar por los gestores y políticos.

El escenario de emisión es la principal fuente de incertidumbre en la segunda mitad del siglo. Por ello, es necesario analizar varios escenarios (al menos dos, por ejemplo RCP4.5 y RCP8.5, para obtener una horquilla de resultados) para caracterizar adecuadamente la incertidumbre y tener una representación plausible del clima futuro. Hasta mediados de siglo, la incertidumbre que aportan los distintos modelos es similar o incluso superior a la de los escenarios, sobre todo a nivel regional, por lo que algunos estudios se basan en un único escenario. Sin embargo, existe una gran variabilidad de resultados dependiendo de la variable considerada y la región de interés, por lo que un tratamiento adecuado de la incertidumbre ha de considerar siempre los resultados de distintos escenarios para poder caracterizar el clima futuro.

Es muy importante conocer que la rejilla observacional que se utiliza en el visor se obtiene por una interpolación “más o menos inteligente” a partir de los datos observacionales. En consecuencia, donde no hay datos observacionales próximos la rejilla observacional puede proporcionar valores extraños o no fácilmente explicables. Las observaciones tienen lagunas que por supuesto no se contemplan en la rejilla. Si la observación más próxima a un punto de rejilla determinado se interrumpe por cualquier razón, el algoritmo que genera la rejilla pasa a utilizar información observacional más alejada para ese punto y ésto puede dar lugar a rupturas de homogeneidad, es decir, saltos en el clima no atribuibles a razones meteorológicas. Además, las observaciones suelen distribuirse principalmente en zonas habitadas, por ejemplo en zonas de montaña las observaciones se suelen tomar en los valles y no en los picos que los delimitan. Esto hace que los puntos de rejilla situados sobre alta montaña muestren sesgos debidos a que las observaciones no son representativas de las condiciones de alta montaña. Lo mismo sucede con otros puntos con contrastes climatológicos fuertes como los que hay entre mar-tierra, zonas urbanas-no urbanas, zonas agrícolas-forestales, etc.

En el Visor de Escenarios de Cambio Climático de AdapteCCa están disponibles las proyecciones climáticas ofrecidas por los diferentes modelos para las variables básicas: Temperatura mínima, Temperatura máxima, Precipitación y Evapotranspiración potencial. Debido al gran número de proyecciones climáticas disponibles en la actualidad, en ocasiones es necesario efectuar una selección representativa de las mismas para poder realizar estudios de impacto. La elección de las proyecciones climáticas que van a ser utilizadas es muy relevante porque condiciona los resultados de los análisis del impacto.

Los métodos para la selección de proyecciones representativas y, por lo tanto, la generación de sub-ensembles, son de dos tipos principales:

1. Basados en la evaluación de los modelos, tratando de elegir aquellos que mejor representen el clima regional (para el análisis particular en el que se vaya a aplicar):
Para este primer tipo se dispone de simulaciones de “evaluación”, donde los valores de contorno para los modelos regionales y los predictores para los métodos estadísticos son tomados de un reanálisis (que representa una reproducción fidedigna del tiempo observado). Basado en estas simulaciones hay varios estudios científicos que analizan los RCMs disponibles de CORDEX y los métodos estadísticos aquí utilizados (VALUE) para la Península Ibérica.
Además de las simulaciones de “evaluación”, que proporcionan información sobre el valor intrínseco de los modelos, es necesario también evaluar las simulaciones/proyecciones forzadas por modelos climáticos (GCMs), y todo ello considerando métricas relevantes para el problema que se esté estudiando, por lo que estas metodologías resultan complicadas, más allá de permitir descartar algunos modelos que se comporten de forma claramente anómala (teniendo en cuenta que los resultados de la evaluación del período histórico no tienen por qué ser representativos de los del futuro).

2. Basados en representar adecuadamente la incertidumbre del ensemble.
Esta segunda metodología es más simple y segura en el sentido de que garantiza que el ensemble que se elige es representativo del rango de incertidumbre total. Lo más habitual es utilizar modelos que muestren todo el rango de incertidumbre disponible. Esto es lo que hicieron, por ejemplo, en CORDEX-CORE y en ISI-MIP3. Como resumen, lo ideal sería seleccionar un subconjunto que fuese representativo de la variabilidad completa del ensemble, para no sesgar los resultados por una u otra opción.

EURO-CORDEX Guidelines - Version1.1 - 2021.02 (PDF)

En cualquier caso, a la hora de seleccionar o eliminar algún modelo es clave definir una métrica relevante para la aplicación que se quiere desarrollar (recursos hídricos, agricultura...). Por ejemplo, puede ser útil analizar el comportamiento de unas variables sólo durante unos meses determinados, y el comportamiento del resto del año no tener tanta importancia, o ser más importante que se reproduzca bien la presencia de valores extremos y no tanto la evolución del valor medio.

En algunas ocasiones se pueden presentar problemas con los datos observacionales (que puede heredar la rejilla observacional), con los modelos globales o con los algoritmos de regionalización. La figura 1 nos muestra las simulaciones con regionalización dinámica (datos EUROCORDEX) de temperatura mínima en periodo observacional para la estación de Santa Eulalia del Rio (Ibiza) y superpuesta la observación obtenida de rejilla observacional Spain011. Se observan valores anómalos de observación para los primeros años del periodo.

Simulaciones de temperatura mínima con una colección de modelos regionalizados con EUROCORDEX (banda azul) y observación a partir de Spain011 (negro) para la estación Santa Eulalia del Rio (Ibiza).

La figura 2 muestra las simulaciones con regionalización estadística de temperatura mínima en mismo periodo observacional para la misma estación de Santa Eulalia del Rio (Ibiza) y superpuesta la observación directa de la estación. Hay dos comportamientos llamativos. En primer lugar, la observación tiene lagunas que además corresponden con los años de comportamiento anómalo de la rejilla observacional. También se observa que en el año 1998 que las simulaciones presentan un problema debido a uno de los modelos globales (CMCC-CM) regionalizado con el método de análogos.

Simulaciones de temperatura mínima con una colección de modelos regionalizados estadísticamente (banda azul) y observación a partir de datos directos (negro) para la estación Santa Eulalia del Rio (Ibiza).

Este raro ejemplo corresponde a una isla donde solo hay dos observatorios de temperatura y que en el periodo observacional seleccionado presenta lagunas en ambos observatorios al principio del periodo. El algoritmo que calcula la rejilla observacional carece de otros observatorios próximos para interpolar por tratarse de una isla. Con este ejemplo, se pretende ilustrar que es muy necesario analizar los datos subyacentes para detectar posibles comportamientos extraños en casos no contemplados por los algoritmos subyacentes.

En el visor las observaciones presentadas siempre se refieren a una rejilla observacional que se obtiene por métodos de interpolación a partir de los datos puntuales de las estaciones termo-pluviométricas de AEMET. Lógicamente la representatividad depende de la zona de la que se trate y de la mayor o menor densidad observacional que haya en ella. En términos generales, zonas llanas y uniformes con alta densidad de datos de estaciones poseen una alta representatividad y zonas muy heterogéneas (p.ej., zonas montañosas) con baja densidad observacional pueden poseer una baja representatividad. Hay que tener en cuenta además la mayor densidad de datos pluviométricos que de datos termométricos, la diferencia en variabilidad espacial entre los campos de temperatura y precipitación, y la dependencia de ambos campos -en particular de la temperatura- con la altitud.

El visor se basa en observaciones históricas (OBSERVACIONES en el menú DATOS) de datos puntuales (que se corresponden con observaciones reales en observatorios puntuales) y datos en rejilla (que se corresponden con valores interpolados en una rejilla de 10km en los que los extremos pueden estar suavizados, pues los valores son representativos del promedio areal). Para estas dos fuentes de información se han generado proyecciones de distintas formas.

Las proyecciones para DATOS EN ESTACIONES se han generado calibrando estadísticamente las proyecciones de los modelos en base a los datos observados de estaciones. Estos valores son representativos de la localidad en concreto y deberían de tener valores consistentes con los observados (es decir, deberían de reflejar las zonas donde se alcanzan 40 °C, etc.). Por otra parte, las proyecciones de los DATOS EN REJILLA se obtienen directamente a partir de proyecciones de modelos y pueden tener sesgos con respecto de los correspondientes valores observaciones de la REJILLA. Por ello, existe un conjunto de DATOS EN REJILLA AJUSTADOS en los que estos sesgos se corrigen y el resultado debería ser consistente con los datos en rejilla observados, teniendo en cuenta que estos datos corresponden a promedios areales de la rejilla (aproximadamente 10 x 10km). Por otra parte, hay que tener en cuenta que en las proyecciones de los datos ajustados en rejilla no se ha aplicado ningún método de extrapolación en el proceso de ajuste de sesgos de los modelos y, por tanto, podrían no extrapolarse adecuadamente los extremos de la distribución en clima futuro; este problema se resolverá en futuras versiones del visor, para las que se utilizarán métodos más avanzados de ajuste de sesgos o regionalización.

Así pues, los datos en estaciones ofrecen una versión más realista de los valores extremos puntuales alcanzables. Para la interpretación de los datos ajustados en rejilla, se debe tener en cuenta que la información que se ofrece no es representativa de valores puntuales (sino promedios de zonas), y pueden no alcanzar valores tan altos como los extremos puntuales.

Los mapas que se muestran en el visor corresponden a valores climatológicos (el promedio de un índice en un período de tiempo de 30 años) y se pueden ver series temporales (datos promedio año a año) para los valores agregados a nivel provincial, etc. En este último caso, cuando se analizan resultados agregados espacialmente, los extremos pueden verse suavizados adicionalmente, ya que el valor final es el promedio en una región más o menos grande.

En cualquier caso, no existe un índice específico para analizar los días que se superan 40 °C; una aproximación sería usar "Percentil 99 de la temperatura máxima diaria” que daría para cada punto el valor de temperatura máxima diaria que corresponde al 1% de días más cálidos. Si ese valor es 40 quiere decir que el 1% de los días en ese período la temperatura máxima ha sido superior a 40°C. Si se selecciona todo el año eso quiere decir 3 días al año; si fuese verano serían 12 días al año. Es una forma indirecta, pero permite analizar este tipo de información. De esta forma se puede observar que incluso en los mapas de rejilla (suavizadas según lo explicado anteriormente) se observan zonas donde se alcanzan 40°C que se corresponden de forma razonable con la realidad observada (valle del Guadalquivir y zonas suroccidentales, etc.).

Resultado de la consulta del Percentil 99 de la temperatura máxima diaria para el conjunto de Datos en rejilla (media), RCP8.5, verano, futuro cercano