Professional Documents
Culture Documents
1
Universidad Nacional de Colombia, Sede Manizales, Colombia
2
INGENIAR Investigación y Consultoría en Ingeniería para Análisis del Riesgo, Bogotá
Se propone el uso de una metodología novedosa, que es el primer enfoque existente a nivel
mundial, para la construcción de modelos totalmente probabilistas de riesgo de sequía. Los
impactos de la sequía dependen no sólo de la magnitud del evento natural, sino también de la
vulnerabilidad de la sociedad en el momento en que ocurre la sequía. Es bien sabido que la
pobreza y la segregación social son factores que agravan las condiciones de vulnerabilidad de los
asentamientos humanos expuestos a peligros naturales y que los desastres perpetúan la pobreza y
contribuyen al subdesarrollo de dichos asentamientos, lo que vuelve a favorecer la vulnerabilidad,
en un aparente, interminable círculo vicioso. Este concepto se aplica también a las sequías, con la
diferencia que esta amenaza no causa pérdidas sobre el ambiente construido (edificaciones e
infraestructura en general), sino que ocasiona una degradación a los medios de subsistencia de la
población expuesta (principalmente agua y cultivos), aumentando las condiciones de inseguridad
y, en consecuencia, aumentando el riesgo a niveles que pueden exceder los impuestos por
eventos catastróficos (Hagman, 1984 en Wilhite, 1993).
El objetivo es modelar los eventos regionales de sequía que no han ocurrido aún, mediante la
generación de condiciones climáticas futuras que combinan el déficit de lluvias con altas
temperaturas durante un tiempo prolongado, sobre un área geográfica concreta. Con la
información de eventos futuros estocásticos, se puede realizar una evaluación prospectiva del
riesgo de sequía para evaluar la reducción del rendimiento de las áreas cultivadas de una región o
país, resultante del estrés hídrico, en las diferentes etapas de crecimiento de los cultivos. Dicha
disminución en el rendimiento se evalúa mediante un modelo de crecimiento y desarrollo de
cultivos, el cual es estándar de evaluación de la FAO, y ha sido adaptado a la evaluación del riesgo.
Este no es un modelo de pretenda pronosticar sequias, por lo que no es posible su uso como
sistema de alerta temprana.
Algunos ejemplos de aplicación de los resultados del modelo probabilista de riesgo de sequias son:
• Planificación del territorio con el uso de mapas de amenaza integrada: ¿dónde y qué
sembrar para reducir las pérdidas esperadas? ¿Dónde establecer nuevos proyectos agro-
industriales? ¿En qué zonas del país incentivar el uso de semillas resistentes a sequia?
• Inversión en proyectos de infraestructura: ¿qué distritos de riego priorizar?
• Seguros agrícolas para la transferencia del riesgo: ¿Cuál es la prima pura de riesgo?
• Análisis costo-beneficio de estrategias de manejo de cultivos (como distritos de riego,
construcción de reservorios, uso de fertilizantes, rotación de cultivos).
• Medidas de adaptación a variabilidad climática.
1
• Estimación de pérdidas en el sector pecuario, relacionado con la disminución en la
disponibilidad de alimento (pasto).
Estas aplicaciones se pueden desarrollar a escala local, subnacional o nacional por iniciativas
públicas y/o privadas.
Datos históricos
Estación Achi - Precipitación
Índice por estación Mapas de
Entrada:
Series históricas de
RIESGO
amenaza
600
Precipitación [mm]
precipitación y Entrada:
400
AMENAZA
200
1978 1979 1981 1982 1984 1985 1988 1989 1992 1993 1994 1995 1996 1997 2000 2001 2002 2003 2004 2005 2006 2008 2009 2010 2011 2013 2014 2015
Año
400
Salida: - Vulnerabilidad
Series futuras
200
a d al umi S n ói c ati pi c e r P – i h cA n ói c at s E
2 3 4 5 6 7 8
Identificación de
9 10 11 12
- Series climáticas
futuras. - Exposición
005
]mm[ nóicatipicerP
eventos regionales
003
89 59 29 98 68 38 08 77 47 17 86 56 26 95 65 35 05 74 44 14 83 53 23 92 62 32 02 71 41 11 9 7 5 3 1
oñ A
- Mapas de amenaza.
005
nóicatipicerP
003
001 0
21 11 01 9 8 7 6 5 4 3 2 1
𝑁
eventos de sequía
𝜈 𝑝 = 𝑃𝑟 𝑃 > 𝑝|𝐸𝑖 𝐹𝐴𝑖
- Tipo de cultivo 𝑖=1
Balande hídrico del suelo - Tipo de suelo
Respuesta del cultivo en - Modificadores (e.g.
Indicador de estrés sistemas de riesgo)
condiciones:
Cobertura y
senescencia Salida:
‒ Óptimas Salida:
‒ De estrés hídrico Transpiración - Producción en Métricas de riesgo
Biomasa y condiciones óptimas - Curva de excedencia de pérdidas
rendimiento - Producción en
condiciones de estrés
hídirco
Figura 1 Esquema general del modelo probabilista de evaluación de riesgo por sequía
2
En este documento se presenta un resumen del modelo de riesgo probabilista por sequía
propuesto, haciendo uso de ejemplos de cálculos realizados en países como Brasil y Guatemala, en
la zona de Trifinio, donde actualmente se aplica el modelo.
3
sequía que cubren el área de estudio completa y no sólo las estaciones. Con un gran número de
eventos regionales de sequía, los mapas de amenaza integrada se pueden calcular con un enfoque
de evaluación probabilista.
Información climática
La metodología propuesta utiliza datos climáticos históricos de la región de interés,
principalmente la acumulación diaria de precipitación y mediciones de temperatura máxima,
mínima y media. Se prefiere el uso de datos observados en estaciones dado que son mediciones
directas y tienen periodos de registro largos (en comparación con los registros de radar o de
satélite). Sin embargo, la metodología propuesta permite también el uso de datos recopilados por
teledetección, los cuales son útiles principalmente en caso de que no se puedan obtener registros
históricos de las estaciones, para complementar valores faltantes, ante la existencia de datos de
baja calidad o la ausencia de estaciones operativas.
Los datos climáticos históricos deben obtenerse para el período de registro más largo posible y el
mayor número de estaciones disponibles en el área de interés. En caso de tener espacios sin
información en los registros históricos de las estaciones, se emplea la técnica de downscaling
(reducción de escala) de modelos globales climáticos para completar la información faltante.
Existen muchas técnicas de downscaling, en donde se destaca el downscaling estadístico, el cual,
como su nombre lo indica, utiliza técnicas de regresión y análisis estadístico para relacionar los
modelos de circulación global con el punto o región local de análisis.
Para aplicar el downscaling estadístico se hace uso de la metodología propuesta por Wilby et al.
(Wilby & Dawson, 2015; Wilby et al., 2014; Wilby &Dawson, 2013; Wilby et al., 2002), que consiste
en la combinación de un modelo de generación estocástica de clima y la utilización de funciones
de transferencia entre las variables climáticas predictoras y variables a predecir (por ejemplo,
precipitación y temperatura en determinado sitio de análisis). Las variables predictoras, que
incluyen temperatura del aire, agua precipitable, presión atmosférica, humedad relativa, velocidad
y dirección del viento, radiación de onda corta, vorticidad, altura geopotencial de 500 hPa, entre
otras, se obtienen de los resultados del proyecto Reanalysis 1 de NCEP/NCAR (Kalnay et al. 1996).
4
35
T promedio
30
25
20
°C
15
10
0
21-12-1944 17-1-1950 13-2-1955 11-3-1960 7-4-1965 4-5-1970 31-5-1975 26-6-1980 23-7-1985 19-8-1990 15-9-1995 11-10-2000 7-11-2005 4-12-2010 31-12-2015
500
450 Precipitación
400
350
300
mm/día
250
200
150
100
50
0
21-12-1944 17-1-1950 13-2-1955 11-3-1960 7-4-1965 4-5-1970 31-5-1975 26-6-1980 23-7-1985 19-8-1990 15-9-1995 11-10-2000 7-11-2005 4-12-2010 31-12-2015
Tras calibrar las variables predictoras de los modelos de circulación global del NCEP que mejor
describen la temperatura y precipitación locales con los datos históricos, es posible entonces
generar las series de precipitación y temperatura completas, como se muestra en la Figura 4. En
estas gráficas se muestra en rojo la información histórica y en gris la serie generada por el
downscaling estadístico, el cual permite completar los espacios sin información.
28
26
T promedio
24
22
20
18
°C
16
14
12
10 E9
Histórico
8
21-12-1944 17-1-1950 13-2-1955 11-3-1960 7-4-1965 4-5-1970 31-5-1975 26-6-1980 23-7-1985 19-8-1990 15-9-1995 11-10-2000 7-11-2005 4-12-2010 31-12-2015
150
Precipitación E9
130 Histórico
110
mm/día
90
70
50
30
10
-10
21-12-1944 17-1-1950 13-2-1955 11-3-1960 7-4-1965 4-5-1970 31-5-1975 26-6-1980 23-7-1985 19-8-1990 15-9-1995 11-10-2000 7-11-2005 4-12-2010 31-12-2015
5
• CHIRPS
La base de datos CHIRPS (Climate Hazards Group InfraRed Precipitation with Station data) cuenta
con información global (50°S-50°N para todas las longitudes) de más de 30 años de registros de
precipitación iniciando en el año 1981 (Funk et al., 2015). Esta base de datos incorpora
información satelital (medida en resolución de 0.5°) con información de estaciones para generar
series de tiempo para el análisis de tendencias y el monitoreo de sequias estacionales. La
información global diaria en la versión 2.0 se puede descargar gratis de
ftp://ftp.chg.ucsb.edu/pub/org/chg/products/CHIRPS-2.0. La información se publica en formato
raster (archivos de extensión tiff) y de resolución 0.5°x0.5°.
• PRINCETON
Otra ventaja de la base de datos desarrollada por la Universidad de Princeton es que incluye
múltiples parámetros climáticos, registrados en la misma resolución espacial y temporal. Los
parámetros disponibles son precipitación, temperatura (media, mínima y máxima), radiación de
onda corta y de onda larga, humedad específica, presión de aire en la superficie y velocidad del
viento, que son ajustadas a los cambios de elevación. Estas variables son útiles para el cálculo de la
evapotranspiración, que es un parámetro importante para la modelación de sequias y de la
vulnerabilidad de los cultivos.
El primer paso es seleccionar las funciones de distribución de probabilidad que pueden ser
aplicadas a la modelación de cada variable. Se consideran distribuciones normalmente empleadas
en ciencias atmosféricas como son Gamma, Lognormal, Normal, Weibull o Gumbel, entre otras.
Posteriormente, para cada día del año, los parámetros de las distribuciones seleccionadas se
estiman mediante el método de los momentos o de máxima verosimilitud.
Años Máxima
Media
Mínima
Figura 5. Series sintéticas de 1000 años de simulación para la estación La Aurora, Guatemala
7
Figura 6. Promedio diario multianual de precipitación (arriba) y de temperatura media (abajo) para serie histórica
(1948-2015) y serie sintética (1000 años de simulación).
Con este fin, se analizan todos los modelos de cambio climático y los cuatro diferentes escenarios
de forcings antropogénicos (RCP o Representative Concentration Pathways) definidos en el
informe AR5 del IPCC, y se escogen los modelos más adecuados para determinar los efectos
específicos sobre la temperatura y precipitación para el área de estudio. Una vez se determina
el/los modelos de cambio climático más adecuado(s), se determinan las proyecciones de
temperatura y precipitación en el futuro para la región de estudio, y con esto se perturbarán las
series estocásticas de temperatura y precipitación que serán generadas para la modelación de la
sequía.
20
15
01/01 01/02 01/03 01/04 01/05 01/06 01/07 01/08 01/09 01/10 01/11 01/12
Fecha
Figura 7. Promedio multianual de temperatura media para la serie histórica y las series sintéticas perturbadas por
cambio climático.
Figura 8. Promedio multianual de precipitación diaria para la serie histórica y las series sintéticas perturbadas por
cambio climático.
Este mismo procedimiento se realiza para todas las estaciones de registro de datos climáticos
disponibles en el área de estudio. Esto permite caracterizar completamente las condiciones
futuras de ocurrencia de las sequías.
9
Indicadores de sequía
Los indicadores son ampliamente utilizados para identificar las sequías. Detectando por debajo de
las condiciones de precipitación media y por encima de las temperaturas promedio, los
indicadores pueden definir la duración y la severidad de los eventos de sequía. Las fechas de inicio
y terminación establecen el período de duración en el que un indicador de sequía está
continuamente por debajo de un nivel crítico predefinido. La severidad de una sequía denota la
deficiencia acumulativa de un parámetro de sequía por debajo de un umbral entre las fechas de
iniciación y terminación. La relación entre severidad y duración es la intensidad de la sequía
(Mishra y Singh, 2010).
Dependiendo del tipo de sequía a evaluar, se pueden incluir diferentes parámetros en el cálculo de
los índices. Las sequías meteorológicas están condicionadas a la deficiencia de precipitación en
términos de cantidad, intensidad y tiempo de precipitación, y al aumento de la evaporación y
transpiración a causa de altas temperaturas, vientos fuertes, baja humedad relativa, intenso sol y
menos nubosidad. Las sequías agrícolas están condicionadas por la deficiencia de agua en el suelo
en términos de estrés hídrico para las plantas y la reducción en la biomasa y el rendimiento. Las
sequías hidrológicas están determinadas por la reducción en caudales de ríos y quebradas,
almacenamiento reducido de los embalses y reducción de los humedales.
Según Jayanthi (2014), los indicadores de sequía agrícola deben integrar las variables
pluviométricas y de temperatura, junto con la evapotranspiración para el monitoreo efectivo de
los cultivos de secano, pastos y pastizales. Banimahd y Khalili (2013) compararon los índices de
sequía agrícola más utilizados, como el Palmer Drought Severity Index (PDSI-Palmer 1965), el
Standarized Precipitation Index (SPI-McKee et al., 1993), el Effective Drought Index (EDI-Byun y
Wilhite 1996), el Reconnaissance Drought Index (RDI-Tsakiris et al., 2007) y el Standardized
Precipitation Evapotranspiration Index (SPEI, Vicente-Serrano et al., 2010). Sus resultados
mostraron que la SPEI y la RDI detectaron de manera más apropiada las severidades de sequía
máximas, enfatizando el importante papel de la evapotranspiración. Estos resultados son
consistentes con el trabajo de Tsakiris et al. (2007), en donde se demuestra que la sola
precipitación no correlaciona satisfactoriamente con la producción de rendimiento en cultivos,
sino que se requiere la incorporación de la evapotranspiración potencial (que depende
directamente de la temperatura), para describir apropiadamente la ocurrencia de las sequías. Para
este modelo, se propone emplear el RDI y el SPEI, los cuales incorporan la precipitación y las
temperaturas media, máxima y mínima en su cálculo.
Evapotranspiración
10
brillo solar, la temperatura, la humedad, la velocidad del viento (asociada con la evaporación), el
flujo de vapor y la resistencia aerodinámica (asociada con la transpiración). La aplicación de la
metodología de Penman-Monteith implica la recopilación de información meteorológica que
puede no estar disponible en todos los casos. Los parámetros meteorológicos faltantes se
establecen a partir de criterio de expertos, información meteorológica general de la región y las
reglas de cálculo recomendadas por la FAO (Raes, 2009).
Umbrales de sequía
Los indicadores estandarizados de sequía, como el RDI y el SPEI, pueden compararse entre sí en el
espacio y el tiempo. La severidad de la sequía caracterizada aplicando estos indicadores, se puede
clasificar de acuerdo con lo presentado en la Tabla 1.
Tabla 1. Clasificación de sequías de acuerdo con el valor de indicadores estandarizados
Adicionalmente, la escala de tiempo también puede definir la selección del indicador apropiado.
Las escalas de tiempo cortas se relacionan principalmente con el contenido de agua en el suelo y
los flujos superficiales, las escalas de tiempo medias están relacionadas con los almacenamientos
de embalses y las escalas de tiempo largo están relacionadas con las variaciones en el
almacenamiento de agua subterránea (Vicente-Serrano, Beguería & López-Moreno, 2010). Por lo
tanto, las escalas de tiempo corto (3 a 6 meses) pueden describir mejor las sequías agrícolas,
mientras que las escalas a largo plazo (de 12 a 24 meses) pueden describir mejor las sequías
hidrológicas.
11
también para las series sintéticas de 1,000 años de precipitación y temperatura. En la Figura 9 se
presenta una muestra de las series históricas y sintéticas. Se puede ver cómo el comportamiento
estacional de la serie histórica se mantiene en la serie sintética.
0
-0.5
-1
-1.5
-2
-2.5
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
1
2
3
4
5
6
7
8
9
2008
2013
2006
2007
2009
2010
2011
2012
2014
2015
Figura 9. Serie indicador RDI para valores históricos y muestra de serie sintética
Una vez que se obtiene la serie temporal del indicador seleccionado en cada estación, se
identifican los eventos de sequía, que ocurren cuando el indicador toma un valor por debajo de un
umbral predefinido (ver Tabla 1). La Figura 10 muestra esquemáticamente la definición de un
evento de sequía. Cada evento de sequía está compuesto por la siguiente información:
• Severidad: corresponde al área bajo la curva del evento, es decir, el valor acumulado del
indicador durante el evento.
• Duración: es el tiempo que dura el evento.
• Intensidad: se calcula como la severidad dividida por la duración. Es una medida unitaria
de la magnitud del evento.
• Serie de temperatura: valores contra el tiempo de temperatura diaria (promedio, máxima
y mínima) dentro de la duración del evento. Se obtienen de la serie sintética empleada en
el cálculo del indicador.
• Serie de precipitación: valores contra el tiempo de precipitación diaria dentro de la
duración del evento. Se obtienen de la serie sintética empleada en el cálculo del indicador.
El siguiente paso es identificar los eventos de sequía que ocurren simultáneamente en varias
estaciones de la región de estudio. Para cada mes, se identifican las estaciones con un valor de
indicador por debajo del umbral definido para la evaluación (por ejemplo, -1, para detectar
sequías moderadas y severas). Si el número total de estaciones con valores por debajo del umbral
es mayor que un cierto porcentaje (por ejemplo, 50%), entonces se identifica una sequía regional.
Con cálculos consecutivos para todos los años de simulación, se pueden detectar múltiples sequías
regionales, con su valor asociado de duración, severidad e intensidad en cada estación. Cada una
de las sequías regionales es un escenario de sequía individual, con una frecuencia anual de
ocurrencia igual a 1/N, en donde N es el número total de años de simulación. Este procedimiento
puede aplicarse para toda la región de estudio, o para subregiones definidas por otros criterios,
como zonas climáticas, zonas productivas, entidades territoriales, etcétera.
12
4
Índice
2
0
-2
1990 2000
1970 1980
Tiempo
Evento de sequía
Severidad Intensidad
Duración
1 mes
10000
6000
23 24 25 26 27
data
data
0 2000
1.0
Serie de Temperatura Serie de Precipitación
0.5
seasonal
0.0
2500 3000 3500 4000
-0.5
trend
26.0
Una vez identificados los eventos de sequía dentro de las series sintéticas futuras en todas las
24.0
remainder
-2000 0 2000
2
estaciones, se utilizan técnicas geoestadísticas de interpolación espacial (Kriging) con el fin de
remainder
1
0
1970 1980 1990 2000
time
1985 1990 1995
Figura 11. Severidad (izquierda), duración (centro, en meses) e intensidad (derecha) de un escenario estocástico de
sequía en el noreste de Brasil.
Una vez representados espacialmente, los escenarios pueden ser integrados, probabilísticamente,
en mapas de amenaza uniforme de sequía para la región de estudio. Estos mapas son una
herramienta muy útil para la toma de decisiones, ya que no están representando un único evento
de amenaza, sino que integran los efectos de todos los eventos que potencialmente pueden
ocurrir en el futuro. También permiten comparar los niveles de amenaza con diferentes períodos
de retorno y establecer cuales ubicaciones o regiones en el territorio tienen una mayor o menor
13
propensión a sufrir sequías. Por lo tanto, son un insumo fundamental en el diseño y ejecución de
regulaciones de uso de la tierra o proyectos de sistemas de riego en la región de estudio. Los
mapas de amenaza uniforme se calculan mediante la aplicación del teorema de la probabilidad
total en la colección de escenarios estocásticos de sequía. La Figura 12 muestra los mapas de
amenaza uniforme para 25, 100 y 1,000 años de periodo de retorno, para el noreste de Brasil, en
términos de la severidad de las sequías en la región.
Figura 12. Mapas de amenaza integrada de severidad de las sequías en el noreste de Brasil, para 25, 100 y 1000 años
de periodo de retorno.
14
es un enfoque simplificado, en donde la pérdida relativa de rendimiento en cualquier cultivo, se
relaciona proporcionalmente a la reducción relativa en el consumo de agua en términos de la
evapotranspiración, por medio de un coeficiente de proporcionalidad que es específico para cada
tipo de cultivo y fase fenológica. Este es un enfoque apropiado para propósitos de planificación
general y evaluación rápida (Steduto et. al., 2012) y puede aplicarse a todos los cultivos agrícolas
(herbáceos, árboles y vides).
El modelo de respuesta de culticos tiene cuatro componentes principales: el clima (en términos de
temperatura, precipitación, demanda por evaporación y concentración de dióxido de carbono), los
cultivos (procesos de desarrollo, crecimiento y rendimiento), el suelo (balance de agua y sal) y el
manejo y administración (prácticas agrícolas). Cada uno de los componentes se explica
brevemente a continuación, según lo contenido en Steduto et al. (2012). En la Figura 13 se
muestra la información de entrada necesaria para obtener el rendimiento del cultivo en
condiciones óptimas y bajo estrés hídrico.
15
Figura 13. Información de entrada y resultados del modelo de vulnerabilidad propuesto.
Clima
Cultivo
Los cultivos se modelan en términos de los procesos biológicos, físicos y químicos que determinan
su rendimiento. El modelo permite evaluar cómo los cultivos crecen y se desarrollan a lo largo de
su ciclo de crecimiento específico, creciendo el follaje, profundizando sus raíces y acumulando
biomasa. Todas las etapas fenológicas (o etapas de crecimiento) se consideran en el modelo:
vegetativo, floración, formación de rendimiento y maduración (como se muestra en la ¡Error! No
se encuentra el origen de la referencia.), incluyendo etapas fenológicas distintas para cultivos
herbáceos o forrajeros.
La fenología se refiere a las etapas de desarrollo de los cultivos y su duración, que se puede definir
en días de grado de crecimiento (GDD – Growing Deegre Days) o días naturales. La cobertura
vegetal (CC – Canopy Cover) es la representación de la cantidad de follaje, la cual se considera
proporcional a la cantidad de agua transpirada y la cantidad de biomasa producida. El
subcomponente de profundidad de enraizamiento modela el proceso en el cual las raíces se
profundizan a una tasa relativa constante mientras que la planta está creciendo hasta la fase de
16
formación de rendimiento. El modelo puede incluir los efectos de restricciones de crecimiento de
las raíces o nivel freático superficial, los cuales limitan el movimiento de las raíces.
Suelo
El componente de suelo incluye su perfil en profundidad y las características del nivel freático
dentro del sistema radicular de la planta, expresando la región radicular como un volumen de
control en donde se estiman los balances de agua y sal. El suelo puede ser subdividido en capas de
profundidad variable, cada una con diferentes características físicas como el contenido de agua en
estado saturado, el límite superior de agua contenida o capacidad de campo, el punto de
marchitamiento permanente o límite inferior del nivel de agua, y la conductividad hidráulica del
suelo saturado. Estos valores son las entradas para determinar la evaporación del suelo, el drenaje
interno, la percolación profunda, el escurrimiento superficial y la capilaridad. El nivel freático debe
caracterizarse en términos de su profundidad y salinidad.
El balance hídrico dentro de la zona radicular se calcula día a día, y para cualquier momento del
desarrollo del cultivo. Los caudales de agua entrantes considerados en el modelo son provistos por
las lluvias, el riego y la capilaridad. Por otro lado, los flujos de agua salientes considerados en el
modelo son el escurrimiento, la evapotranspiración y la percolación profunda. El balance de sal se
completa considerando el movimiento de la sal en el agua dentro del perfil del suelo.
Manejo
17
expansión de cobertura Información climática
Cobertura
vegetal (CC) senescencia
temprana Penman Monteith
Tiempo
evapo- irrigación
lluvia
Transpiración transpiración
escorrentía
Balance de
cerramiento humedad
estomas en el suelo
Biomasa
expansión
zona radicular
capilaridad percolación
ajuste índice de profunda Tiempo
cosecha (HI)
Profundidad
radicular Z
Rendimiento
Figura 14. Representación esquemática de la respuesta del cultivo al estrés hídrico (Adaptado de Raes et al., 2011)
Exposición agrícola
Un elemento expuesto es cualquier objeto, geográficamente referenciado, que es susceptible de
ser afectado por la ocurrencia de un fenómeno amenazante. En la metodología propuesta, los
elementos expuestos son cultivos situados en el área donde se estima el riesgo de sequía. Para su
valoración económica se propone la evaluación de los costos de producción estableciendo un valor
de reposición para cada fase fenológica (Olaya, 2015). Los costos de producción de cultivos
incluyen costos asociados con materias primas (semillas, fertilizantes, riego), inversiones en mano
de obra y maquinaria. El valor de reemplazo de cada fase fenológica considera el costo de
18
producción de la fase evaluada, los costos de producción de las fases anteriores y la utilidad que el
agricultor habría recibido al final de la cosecha o lucro cesante (ver Figura 15). Este último valor es
el rendimiento del cultivo multiplicado por el precio al consumidor y la superficie sembrada. La
producción, las materias primas y los costos laborales deben obtenerse de fuentes oficiales,
incluyendo agencias gubernamentales y sindicatos.
Costos
Costs fase anterior
of previous phase Costos
Costs of fase
phase Loss of profit
Pérdidas en ganancias
valuation
Crop del
Valor [$][$]
cultivo
Sowing
Siembra Vegetative
Vegetativa Flowering
Florecimiento Yield
Producción
Figura 15. Esquema de la variación del valor de los cultivos según la fase fenológica
Además del costo, para cada unidad de tierra cultivada en la región de análisis, es necesario
conocer el tipo y características del suelo, así como el tipo, sus fases fenológicas, estacionalidad y
valor económico de los cultivos. En la medida de lo posible, esta información debe ser obtenida de
fuentes oficiales.
Tipos de suelo
La clasificación de tipos de suelo debe considerar las características agronómicas de los mismos, es
decir, no se busca conocer las propiedades desde el punto de vista geotécnico, sino desde el punto
de vista del potencial agronómico. El tipo de suelos define la interacción con el agua disponible
para las plantas y la interacción con la atmosfera (evaporación), por lo que se requiere caracterizar
este parámetro en la zona de estudio.
Cultivos
Se debe conformar una base de datos de cultivos a partir de información oficial de sector
agropecuario de la zona de estudio. El proceso de creación de la base de datos puede incluir
información topográfica, de uso del suelo, censos agrícolas, indicadores de áreas sembradas y
rendimientos históricos, indicadores de exportación de productos agrícolas y de cultivos de
pequeña escala.
19
en los componentes de amenaza, vulnerabilidad y exposición del modelo. Conviene destacar dos
aspectos principales de acerca de la pérdida económica:
El riesgo se define por medio de la curva de excedencia de pérdidas, la cual establece el número
de veces en un año en las que un valor de pérdida se verá excedido. Esta cantidad se conoce como
la tasa anual de excedencia, la cual es un valor único y específico para cada cuantía de pérdida, e
incorpora el aporte de todos los posibles escenarios de sequía contenidos en la evaluación de la
amenaza. La tasa de excedencia se calcula haciendo uso del teorema de la probabilidad total, es
decir, integrando, en términos de probabilidad, el efecto de todas las sequías factibles de ocurrir
en la región de análisis.
Para la evaluación del riesgo de sequía, la pérdida económica se debe a la reducción en los
ingresos de producción (lucro cesante) de cultivos debido a la reducción en el rendimiento de cada
unidad de tierra cultivada, en donde se conocen el tipo de suelo, tipo de cultivo, su estacionalidad
y su valor económico de reposición.
La evaluación probabilista del riesgo de sequía se puede resumir en los siguientes pasos:
1. Para cada evento de sequía, se determina la pérdida en todas y cada una de las unidades
cultivadas, considerando tipo de suelo, tipo de cultivo, estacionalidad y fase fenológica.
2. Se calcula la pérdida causada por todo el evento de sequía, como la suma de las pérdidas
individuales causadas en las unidades cultivadas, consideran la correlación existente entre
ellas y haciendo uso de la aritmética apropiada para variables aleatorias.
3. Una vez se conocen las distribuciones de probabilidad de las pérdidas de todos los
escenarios de sequía, se calculan las tasas de excedencia de pérdidas.
La PAE corresponde al valor esperado de la pérdida anual. Indica el valor anual que debe pagarse
para compensar, en el largo plazo, todas las pérdidas futuras. En un esquema simple de seguro, la
PAE sería la prima pura anual justa.
20
La pérdida anual esperada es un indicador importante dado que integra en un único valor el
efecto, en términos de pérdida, de la ocurrencia de los escenarios de amenaza sobre los
elementos expuestos vulnerables. Se considera como el indicador más robusto de riesgo, no solo
por su capacidad de resumir el proceso de generación de pérdidas en un solo número, sino por ser
insensible a la incertidumbre, debido a que determina la esperanza matemática de las pérdidas en
una base anual, y no su incertidumbre.
Se denota PML por sus siglas en inglés (Probable Maximum Loss). Corresponde a una pérdida que
ocurre poco frecuentemente, es decir, que está asociada a un periodo de retorno grande. Como se
indicó anteriormente, el periodo de retorno es el inverso de la tasa de excedencia de pérdidas. En
realidad, la PML es una curva que relaciona las pérdidas a su correspondiente periodo de retorno.
No obstante, es práctica común definir la PML como un único valor. La selección del periodo de
retorno de la PML depende exclusivamente de la aversión al riego del tomador de decisiones. Por
ejemplo, en la industria aseguradora el periodo de retorno de la PML se toma usualmente entre
200 y 1,500 años.
Con la curva de excedencia de pérdidas también se pueden calcular otras métricas de riesgo, que
pueden ser relevantes para la toma de decisiones. Por ejemplo, se puede estimar la probabilidad
de quiebra (probabilidad de alcanzar o exceder un nivel de pérdida dado, en un periodo de
exposición particular), la probabilidad de exceder un nivel de pérdida particular tras la ocurrencia
de evento tomado al azar o el número de eventos que ocurrirán en un lapso de tiempo, entre
otros.
21
Referencias
Begueria, S., Serrano, V., & Sawasawa, H. (2003). SPEI: Calculation of Standardised Precipitation-
Evapotranspiration index. R package version 1.6, (March), 16.
https://doi.org/10.1175/2009JCLI2909.1.http
Funk, C., Peterson, P., Landsfeld, M., Pedreros, D., Verdin, J., Shukla, S., … Michaelsen, J. (2015).
The climate hazards infrared precipitation with stations—a new environmental record for
monitoring extremes. Scientific Data, 2, 150066. Recuperado a partir de
http://dx.doi.org/10.1038/sdata.2015.66
IBGE Instituto Brasileiro de Geografia e Estatística. (2016). Censo 2010 - Estados. Recuperado a
partir de http://www.ibge.gov.br/estadosat/ %0A
Kottek, M., Grieser, J., Beck, C., Rudolf, B., & Rubel, F. (2006). World map of the Köppen-Geiger
climate classification updated. Meteorologische Zeitschrift, 15(3), 259-263.
https://doi.org/10.1127/0941-2948/2006/0130
Lemos, M. C., Finan, T. J., Fox, R. W., Nelson, D. R., & Tucker, J. (2002). The Use of Seasonal Climate
Forecasting in Policymaking: Lesson from Northeast Brazil. Climatic Change, 55(1971), 479-507.
https://doi.org/10.1023/A:1020785826029
Marengo, J. A., Alves, L. M., Soares, W. R., Rodriguez, D. A., Camargo, H., Riveros, M. P., & Pabló, A.
D. (2013). Two contrasting severe seasonal extremes in tropical South America in 2012: Flood in
Amazonia and drought in Northeast Brazil. Journal of Climate, 26(22), 9137-9154.
https://doi.org/10.1175/JCLI-D-12-00642.1
Marengo, J. A., Torres, R. R., & Alves, L. M. (2016). Drought in Northeast Brazil: past, present, and
future. Theoretical and Applied Climatology, 1-12. https://doi.org/10.1007/s00704-016-1840-8
Marie, A., Delignette-muller, L., Dutang, C., Denis, J., & Delignette-muller, M. M. L. (2016). Package
«fitdistrplus», (1).
Mishra, A. K., & Singh, V. P. (2010). A review of drought concepts. Journal of Hydrology, 391(1-2),
202-216. https://doi.org/10.1016/j.jhydrol.2010.07.012
Olaya, J. C. (2015). Flood vulnerability assessment for agricultural cultivated plants – Methodology
and testing in La Mojana region (Colombia). Technische Universitaet Dresden.
Ordaz, M. (2000). Metodología para la Evaluación del Riesgo Sísmico Enfocada a la Gerencia de
Seguros por Terremoto. Universidad Nacional Autónoma de México.
22
Quijano, J. A., Jaimes, M. A., Torres, M. A., Reinoso, E., Castellanos, L., Escamilla, J., & Ordaz, M.
(2015). Event-based approach for probabilistic agricultural drought risk assessment under rainfed
conditions. Natural Hazards, 76(2), 1297-1318. https://doi.org/10.1007/s11069-014-1550-4
Raes, D. (2009). The ETo Calculator Table of Contents - Reference Manual, 1-38.
Raes, D., Steduto, P., Hsiao, T. C., & Fereres, E. (2011). FAO cropwater productivity model to
simulate yield response to water AquaCrop. En Reference Manual of AQUACROP (p. 56).
Recuperado a partir de http://www.fao.org/nr/water/docs/aquacropv31pluschapter1.pdf
Steduto, P., Hsiao, T., Fereres, E., & Raes, D. (2012). Crop yield response to water (FAO Irrigation
and Drainage Paper No. 66). Rome.
Steduto, P., Hsiao, T., Fereres, E., & Raes, D. (2012). Crop yield response to water (FAO Irrigation
and Drainage Paper No. 66). Rome.
UNISDR. (2015). Proposed Updated Terminology on Disaster Risk Reduction: A Technical Review,
(August), 1-31.
Vicente-Serrano, S. M., Beguería, S., & López-Moreno, J. I. (2010). A multiscalar drought index
sensitive to global warming: The standardized precipitation evapotranspiration index. Journal of
Climate, 23(7), 1696-1718. https://doi.org/10.1175/2009JCLI2909.1
23