Libro Evaluacion Modelos Publicado PDF

See discussions, stats, and author profiles for this publication at: https://www.researchgate.
net/publication/294836215
EVALUACIÓN DE LOS MODELOS CLIMÁTICOS GLOBALES PARTICIPANTES EN

EL CUARTO INFORME DE EVALUACIÓN DEL IPCC SOBRE ESPAÑA Y LA
REGIÓN EURO-ATLÁNTICA
Book · January 2011
CITATIONS READS
0 706
4 authors, including:
M. A. Pastor Ernesto Rodriguez-Camino

Agencia Estatal de Meteorología Agencia Estatal de Meteorología
16 PUBLICATIONS 171 CITATIONS 68 PUBLICATIONS 324 CITATIONS
SEE PROFILE SEE PROFILE
Some of the authors of this publication are also working on these related projects:
HIRLAM View project
All content following this page was uploaded by Ernesto Rodriguez-Camino on 18 March 2016.
The user has requested enhancement of the downloaded file.

EVALUACIÓN DE LOS MODELOS CLIMÁTICOS
GLOBALES PARTICIPANTES EN EL CUARTO
INFORME DE EVALUACIÓN DEL IPCC SOBRE
ESPAÑA Y LA REGIÓN EUROATLÁNTICA
María Jesús Casado Calle

José María Martín Herreros
María Asunción Pastor Saavedra
Ernesto Rodríguez Camino
AGENCIA ESTATAL DE METEOROLOGÍA
2011
Catálogo de publicaciones oficiales
http://www.060.es
Edita: Agencia Estatal de Meteorología ©

Ministerio de Medio Ambiente y Medio Rural y Marino
ISBN: 978-84-7837-085-6
NIPO: 784-11-009-3
Depósito Legal: M-43957-2011
Maquetación e impresión: Servicios Gráficos Kenaf S.L.
Impreso en papel reciclado al 100% totalmente libre de cloro

ÍNDICE
1. INTRODUCCIÓN GENERAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.2. Incertidumbres en las proyecciones climáticas . . . . . . . . . . . . . . . . . . . . 8
1.3. Evaluación de modelos climáticos. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.4. Combinación y pesado de modelos . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5. Evaluaciones previas de los modelos CMIP3 del AR4-IPCC . . . . . . . . 14
2. EVALUACIÓN DE PRECIPITACIÓN Y TEMPERATURA . . . . . . . . . . . . 17

2.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.2. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
2.3. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.1. Ciclo anual de precipitación . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4.2. Ciclo anual de temperatura . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.4.3. Análisis de la distribución espacial de precipitación. . . . . . . . . . 24
2.4.3.1. Anual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.4.3.2. Invierno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.4.3.3. Verano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.4. Análisis de la distribución espacial de temperatura . . . . . . . . . . 26
2.4.4.1. Anual . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.4.4.2. Invierno . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.4.4.3. Verano. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3. EVALUACIÓN DE LOS MODOS DE VARIABILIDAD. . . . . . . . . . . . . . . 45

3.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
3.2. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.3. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
3.4. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
3.4.1. Análisis espacial de los modos de variabilidad . . . . . . . . . . . . . . 51
3.4.2. Análisis temporal de los modos de variabilidad . . . . . . . . . . . . . 58
3.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
4. EVALUACIÓN DE LOS TIPOS DE CIRCULACIÓN . . . . . . . . . . . . . . . . . 69

4.1. Introducción . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
4.2. Datos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
4.3. Metodología . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.4. Resultados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
4.4.1. Análisis espacial de los Tipos de Circulación . . . . . . . . . . . . . . . 74
4.4.2. Análisis temporal de los Tipos de Circulación . . . . . . . . . . . . . . 79
4.4.2.1. Frecuencias de los Tipos de Circulación . . . . . . . . . . . . 79
4.4.2.2. Tiempo medio de residencia de los Tipos de
Circulación . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
3
4.4.2.3. Características de los eventos. . . . . . . . . . . . . . . . . . . . . 92
4.4.2.4. Transiciones y su predecibilidad . . . . . . . . . . . . . . . . . . 97
4.5. Conclusiones . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
5. CONCLUSIONES GENERALES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105
ANEXOS Y REFERENCIAS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

Anexo A. Tabla resumen de las principales características de los modelos
AR4 utilizados . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
Anexo B. Índices estadísticos para la precipitación. . . . . . . . . . . . . . . . . . . . . 118
Anexo C. Índices estadísticos para la temperatura . . . . . . . . . . . . . . . . . . . . . 119
Anexo D. Diagramas de Taylor de precipitación y temperatura . . . . . . . . . . . 120
Anexo E. Estadísticas de la MSLP en la región euroatlántica. . . . . . . . . . . . . 123
Anexo F. Modos de variabilidad de los modelos AR4 . . . . . . . . . . . . . . . . . . 128
Anexo G. Distribución de las longitudes de eventos en los Tipos de
Circulación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 136
Anexo H. Matrices de probabilidades de transición entre Tipos de
Circulación. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
Referencias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
4
1.
Introducción general
1.1. Introducción
1.2. Incertidumbres en las proyecciones climáticas
1.3. Evaluación de modelos climáticos
1.4. Combinación y pesado de modelos
1.5. Evaluaciones de los modelos CMIP3 del AR4-IPCC
INTRODUCCIÓN
1.1. INTRODUCCIÓN
El clima y su posible evolución se han convertido en los últimos años en un tema que
suscita una gran preocupación tanto en ámbitos académicos como en gubernamen-
tales, debido fundamentalmente a los estudios (singularmente los informes de Grupo
Intergubernamental de Expertos de las Naciones Unidas sobre el Cambio Climático
(IPCC, de sus siglas en inglés)) que alertan de las graves interferencias que las ac-
tividades humanas están produciendo en el clima actual y que previsiblemente se
agravarán en un futuro próximo. Los datos básicos del estudio de los climas pasa-
dos y actual, y del sistema climático en general, lo constituyen los registros obser-
vacionales bien sean instrumentales o indirectos (datos proxy).
La base y herramienta fundamental —si bien, no la única— para los estudios
relativos a la futura evolución del clima son los modelos climáticos que simulan el
funcionamiento del sistema climático. Los modelos climáticos de circulación gene-
ral acoplados atmósfera océano (AOGCMs, de sus siglas en inglés) son representa-
ciones matemáticas de las leyes físicas y de los procesos que rigen el clima terrestre
que se resuelven numéricamente con la ayuda de potentes ordenadores. Los mode-
los climáticos constituyen las herramientas indispensables para abordar el análisis
del clima, facilitando así nuestra comprensión del sistema climático y de las inte-
rrelaciones entre sus distintos componentes. Los modelos reproducen más o menos
fielmente el comportamiento del sistema climático en la medida en que son capaces
de proporcionar simulaciones realistas de los patrones de circulación a gran escala
y de otras variables climáticas (VAN ULDEN Y VAN OLDENBORGH, 2006). Los mode-
los climáticos permiten entender y reproducir los principales procesos que tienen lugar
en el sistema climático, integrado por diferentes componentes (atmósfera, océano,
criosfera, superficie terrestre, vegetación, etc.) y fuertemente acoplados entre sí. Una
vez que los modelos climáticos han sido suficientemente evaluados frente a las ob-
servaciones es razonable utilizarlos para realizar estimaciones de la posible evolu-
ción del clima de la Tierra. Es, por tanto, absolutamente necesario realizar una
evaluación tan exhaustiva como sea posible de los modelos de circulación general
antes de su utilización en las estimaciones de la evolución del clima futuro.
El conjunto más reciente de simulaciones climáticas proceden del Proyecto de
Intercomparación de Modelos Acoplados Fase 3 (CMIP3, de sus siglas en inglés)
(MEEHL ET AL., 2007) a su vez integrado en el Programa Mundial de Investigación del
Clima (WCRP, de sus siglas en inglés) y que contribuyó extensamente al Cuarto In-
forme de Evaluación (AR4, de sus siglas en inglés)) del IPCC (http://www.ipcc.ch).
Los datos CMIP3 relativos al siglo XX proporcionan un conjunto de datos único para
analizar de forma comparada la habilidad de los diferentes AOGCMs para reprodu-
cir las características esenciales del clima presente y para analizar las incertidumbres
de los modelos.
La finalidad principal de este texto es la de proporcionar evaluaciones, fun-
damentalmente cuantitativas, sobre España y regiones circundantes de los modelos
participantes en CMIP3. Con las evaluaciones cuantitativas se puede establecer una
ordenación (ranking) de los modelos en función de su calidad para representar dis-
tintos aspectos del clima sobre la región de interés. El uso de predicciones por con-
7
INTRODUCCIÓN GENERAL
juntos (ensembles) ha permitido estimar cuantitativamente las incertidumbres de di-

verso origen en la evolución del sistema climático y ha planteado la cuestión nada
trivial de los métodos de combinación y posiblemente pesado de modelos. Sin em-
bargo, este texto solamente se circunscribe al tema de la evaluación cuantitativa re-
gional de los diferentes modelos globales utilizando diferentes métodos y métricas
para evaluar los modelos frente a las observaciones del clima actual. Para los temas
relacionados con las dificultades asociadas a la combinación y pesado de modelos
en proyecciones probabilísticas y cuestiones relacionados se puede consultar KNUTTI
ET AL. (2010a y b) e IPCC (2007) y las referencias allí incluidas.
El actual texto desarrolla con más detalle resultados ya publicados (CASADO Y
PASTOR, 2011) y en proceso de revisión. El texto se ha estructurado de la siguiente
manera: el capítulo 2 está dedicado a la evaluación de la precipitación y temperatura.
El capítulo 3 evalúa los modos de variabilidad mientras que el capítulo 4 se centra
en los tipos de circulación. El capítulo 5 contiene conclusiones y consideraciones ge-
nerales acerca del uso de estas evaluaciones.
1.2. INCERTIDUMBRES EN LAS PROYECCIONES CLIMÁTICAS
A pesar de las mejoras en las simulaciones de los modelos climáticos, todavía exis-
ten diferencias significativas entre unos modelos y otros, habiendo quedado ya bien
establecido que los estudios deberán utilizar un gran número de modelos para ex-
plicar las incertidumbres asociadas a los mismos (SHERIDAN Y LEE, 2010). Precisa-
mente, en el seno de la comunidad dedicada a la investigación del clima, esta
cuestión ha sido determinante para multiplicar los esfuerzos tendentes hacia una
adecuada cuantificación de todas las fuentes de incertidumbres. SCHWIERZ ET AL.
(2006) han revisado las diferentes fuentes de incertidumbre que afectan a las pro-
yecciones climáticas.
Las proyecciones climáticas o estimaciones de la evolución futura del clima de
la Tierra en escalas temporales decenales y seculares vienen afectadas por diferentes
fuentes de incertidumbres. Las fuentes de incertidumbres en las proyecciones climá-
ticas proceden de las diferentes etapas asociadas a su proceso de generación, co-
menzando con los forzamientos naturales de origen volcánico o solar, pasando por el
establecimiento de los escenarios alternativos de posibles evoluciones en las emisio-
nes de gases de efecto invernadero y aerosoles, que afectan al forzamiento radiativo,
continuando con los modelos climáticos que proyectan el clima futuro y hasta los al-
goritmos que proyectan las evoluciones a escala regional. Estas incertidumbres se
pueden describir en forma jerárquica o de cascada (MITCHELL Y HULME, 1999), de tal
forma que, cada paso conducente a la generación de proyecciones regionales hereda
todas las incertidumbres de los pasos anteriores, asunto de capital importancia en es-
tudios de impacto o de reducción de escala (SHERIDAN Y LEE, 2010).
En el vértice de todas las incertidumbres se sitúan los forzamientos externos
de tipo natural. Entre estos se pueden mencionar los cambios en la radiación solar
que llega a la cima de la atmósfera y las emisiones de aerosoles de compuestos de
azufre procedentes de las grandes erupciones volcánicas que alcanzan la estratosfera
8
INCERTIDUMBRES EN LAS PROYECCIONES CLIMÁTICAS
y tienen un tiempo de permanencia de unos pocos años. Este último efecto se ma-
nifiesta principalmente como un aumento de la reflexión de la radiación solar inci-
dente constituyendo, por tanto, un forzamiento radiativo negativo. Los forzamientos
naturales se consideran impredecibles y no están contemplados patrones de evolu-
ción al menos en las escalas temporales aquí consideradas.
A continuación en la pirámide de las incertidumbres se sitúa la evolución fu-
tura de la emisión de los gases de efecto invernadero y aerosoles así como los cambios
de usos de suelo; factores que afectarán al forzamiento radiativo en la atmósfera.
Obviamente esta evolución futura dependerá de la marcha de la economía, del
desarrollo tecnológico, de las fuentes energéticas disponibles y del patrón de consumo
energético, de la demografía, etc. y de las decisiones políticas que afecten a la evo-
lución de los anteriores puntos. Como esta evolución no es predecible, al menos
según los modelos físico-matemáticos que simulan los procesos del sistema climá-
tico, se recurre a utilizar una serie de escenarios plausibles de futura evolución de
los anteriores factores de tipo socio-económico. Para ello se utiliza la colección de
escenarios de evolución de emisiones propuestos por el IPCC (NAKICENOVIC ET AL.,
2000). Estos mismos escenarios de emisión se han utilizado en el tercer y cuarto in-
formes de evaluación del IPCC. En el quinto informe (AR5), que estará disponible
en el año 2014, ya no se emplearán los escenarios SRES, que aunque sencillos, son
difíciles de defender desde una perspectiva científica. Los nuevos escenarios (MOSS
ET AL., 2010) se basan en la idea de Caminos de Concentración Representativos (Re-
presentative Concentration Pathways (RCP), en la literatura en inglés).
A las incertidumbres relativas a la evolución futura de las emisiones hay que
añadir las asociadas a la forma en que esas emisiones afectan a las concentraciones
de gases de efecto invernadero, puesto que no se conoce exactamente el destino final
de las emisiones o, lo que es lo mismo, no se conoce plenamente el ciclo del carbono.
Este es un punto clave, ya que algunos procesos implicados en el ciclo del carbono
(equilibrio oceánico del dióxido de carbono, por ejemplo) son dependientes de la
temperatura, que, a su vez, es sensible a las concentraciones de dióxido de carbono.
Las mismas herramientas utilizadas para generar las proyecciones climáticas,
es decir, los modelos acoplados atmósfera océano de circulación general (AOGCMs,
de sus siglas en inglés) muestran también en su nivel actual de desarrollo muchas in-
certidumbres. Los diferentes AOGCMs son distintas formulaciones de las ecuacio-
nes que describen los distintos componentes del sistema climático, considerando
distintas mallas, resoluciones, esquemas numéricos, parametrizaciones de procesos
físicos, etc. Las simulaciones de cambio climático producidas con distintos
AOGCMs con los mismos escenarios de cambio climático muestran una considera-
ble dispersión, reflejando distintas representaciones de la sensibilidad del clima a
cambios en el forzamiento externo (sensibilidad climática), y, por lo tanto, un alto
nivel de incertidumbre, que depende en gran medida de las regiones, estaciones, va-
riables, etc. Los mismos procesos simulados por los AOGCMs incluyen incerti-
dumbres. De hecho, con el paso de los años la modelización del sistema climático
ha ido añadiendo subsistemas adicionales, a la vez que ganaba en complejidad. Por
ejemplo, gran parte de las simulaciones realizadas en los últimos años suponían que
la vegetación era constante en el tiempo y permanecía invariable en simulaciones se-
9
culares de cambio climático antropogénico (IPCC, 2007). En la realidad, la vegeta-

ción, que lógicamente depende de las condiciones climáticas que son cambiantes,
tiene también capacidad para afectar al clima, y como tal debería simularse. Gran
parte de las incertidumbres provenientes de los modelos globales tienen su origen en
los procesos de retroalimentación que o bien no son suficientemente conocidos o
bien tienen diferentes formulaciones en los diferentes AOGCMs. Este es el caso de
la retroalimentación debida a las nubes, a los procesos ligados al ciclo del carbono,
a los aerosoles, a los procesos en los que intervienen la nieve y los hielos marinos y
a los procesos debidos a la liberación de metano.
Bajo el nombre de incertidumbres estructurales se incluyen las incertidum-
bres asociadas a la absoluta falta de conocimiento de algún proceso que afecte al
sistema climático. A modo de ejemplo se puede mencionar el relativamente reciente
papel de la “circulación de aguas profundas” como posible agente de cambio cli-
mático abrupto. De ahí, la complejidad creciente de las simulaciones del sistema
climático que incluyen cada vez más subsistemas y procesos que en los primitivos
modelos no estaban contemplados, añadiendo a su vez nuevas incertidumbres.
Las distintas técnicas de regionalización (estadísticas y dinámicas) contribu-
yen a la incertidumbre con fuentes de error adicionales. Los métodos estadísticos su-
fren, en su capacidad predictiva, la limitación específica debida a que las relaciones
entre las variables a gran escala y las variables locales no tienen por qué mantenerse
frente a cambios en el clima. De hecho las relaciones entre ambas variables se esta-
blecen en un periodo relativamente corto observacional y se prescriben para situa-
ciones futuras que pueden distar bastante en el tiempo. Los modelos climáticos
regionales (RCMs, de sus siglas en inglés) añaden fuentes adicionales a las de los
AOGCMs con los que son forzados. La incertidumbre en el forzamiento radiativo
asociada a la distribución espaciotemporal de aerosoles tiene una relevancia espe-
cial a escala regional debido a la heterogeneidad del forzamiento y a su respuesta.
Otro aspecto que incide de forma importante en estas escalas son las variaciones en
usos de suelo y el realismo en los modelos de suelo. La evaluación de incertidum-
bres a escala regional se complica adicionalmente por la baja relación de la señal de
respuesta frente a la variabilidad climática interna. Este es el caso de variables, como
la precipitación, no directamente relacionadas con el forzamiento externo, y cuya es-
timación en sí misma posee ya unas incertidumbres que dependen de otros factores
meteorológicos. Los modelos de impacto en los diferentes sectores sensibles a las
condiciones climáticas (p. ej., sector hidrológico, agrícola, energético, etc.) añaden
fuentes adicionales de incertidumbre que hay que estimar y acotar a la hora de de-
terminar los impactos.
Una fuente adicional de incertidumbre en las proyecciones de clima futuro
surge como consecuencia de los efectos de la variabilidad natural. Para un cierto pe-
riodo en el futuro (p. ej., 2071-2100), la variabilidad natural puede reforzar el cam-
bio de origen antropogénico o bien contrarrestarlo. Es importante, por lo tanto,
considerar la variabilidad en los estudios de impacto y adaptación al cambio climá-
tico. Al no poderse predecir la variabilidad natural del clima de manera determinista
en largas escalas temporales, es razonable hacer uso de un ensemble de experimen-
tos, cada uno partiendo de distintas condiciones iniciales para el sistema océano-at-
10
EVALUACIÓN DE MODELOS CLIMÁTICOS
mósfera. Los efectos de la variabilidad natural son mayores a medida que la escala
temporal disminuye, siendo más importantes en las escalas anuales y decenales.
1.3. EVALUACIÓN DE MODELOS CLIMÁTICOS
Como se ha descrito en la sección anterior los mismos modelos climáticos globales

constituyen una de las posibles fuentes de incertidumbres que afecta a las proyec-
ciones futuras de la evolución del clima. Todos los modelos poseen una serie de ca-
pacidades y limitaciones que son necesarias conocer y evaluar previamente a su
utilización para generar estimaciones de la evolución del clima. El proceso de ana-
lizar un modelo y comparar los resultados del modelo con las observaciones es lo que
habitualmente se conoce por evaluación de un modelo.
El proceso de evaluación puede realizarse bien cualitativamente, utilizando
diagnósticos, o bien cuantitativamente mediante el uso de métricas. Un diagnóstico
es una magnitud derivada de la salida de un modelo, a menudo utilizada para com-
parar con observaciones o con las salidas de otros modelos. Entre los ejemplos de
diagnósticos se incluyen los mapas espaciales, las series temporales, las distribu-
ciones de frecuencias, la sensibilidad climática, etc. Una métrica es una medida es-
tadística cuantitativa del acuerdo entre una magnitud simulada y la misma magnitud
observada que puede utilizarse para evaluar el grado de calidad de los modelos in-
dividuales. Una métrica puede estar referida a un proceso específico para cuantifi-
car cómo de bien dicho proceso está representado en un modelo. El término métrica
se utiliza en este contexto como un sinónimo de “medida”. En este texto, se utilizan
también como métricas índices estadísticos clásicos. En general, puede decirse que
una métrica es una magnitud derivada de un diagnóstico (KNUTTI ET AL., 2010a).
No es una cuestión obvia discriminar los modelos “buenos” de los “malos”
para asignar una credibilidad a las proyecciones climáticas en las escalas seculares.
Mientras que en predicción numérica del tiempo, la medida de la bondad y habilidad
de los modelos está relativamente bien definida (aunque existen también diferentes
índices de verificación), en el caso de los modelos climáticos es mucho más difícil de-
finir un único índice o métrica para las proyecciones a escala secular (KNUTTI, 2008).
Cada modelo tiende a simular mejor unos aspectos del sistema climático mientras
que otros los simula más defectuosamente. Los diferentes modelos simulan diferen-
temente el sistema climático en función de la región, de la variable, de la escala tem-
poral, de la estación del año, del estadístico que se considere para estimar el clima,
etc. Todos los modelos tienen sus fortalezas y debilidades, de ahí que el calificar
como “bueno” o “malo” un modelo depende mucho de su posterior aplicación.
Los modelos atmosféricos utilizados en la predicción a corto (2-3 días) y medio
(7-10 días) plazo se utilizan rutinariamente de forma operativa y pueden verificarse con
un pequeño retardo de días frente a lo que sucedió realmente. Las estadísticas acumu-
ladas de las verificaciones proporcionan información sobre la calidad de un modelo o
sistema de predicción particular. En las simulaciones de cambio climático los modelos
se utilizan para hacer proyecciones de posibles cambios futuros en escalas decenales y
seculares que no se corresponden con situaciones análogas precisas del pasado. Sin em-
11
bargo, aunque las verificaciones de clima futuro no son en general posibles, siempre se
puede aumentar la confianza en un modelo mediante evaluaciones de las simulaciones
del modelo en periodos instrumentales históricos o paleoclimáticas.
Existen diferentes formas de evaluar los modelos, si bien casi todas se pueden
agrupar en evaluaciones a nivel de los componentes del modelo y en evaluaciones
a nivel de la totalidad del sistema, donde el foco se centra en las salidas del modelo
total (IPCC, 2007). La evaluación de un modelo y, por lo tanto, la confianza que de-
positamos en él, proviene de distintas líneas, siendo la conjunción de todas las líneas
o enfoques la que realmente incrementa nuestra confianza en el modelo en cuestión.
Las evaluaciones restringidas a los diferentes componentes del modelo per-
miten comprobar mediante tests estandarizados, p. ej., los métodos numéricos utili-
zados, las diferentes parametrizaciones físicas, etc. Estas evaluaciones se realizan
con frecuencia en el marco de proyectos que involucran además comparaciones,
bien entre componentes de un subsistema del sistema climático (p. ej., parametriza-
ción de la radiación o de la convección en el subsistema atmósfera) o entre los sub-
sistemas mismos de un modelo climático global.
Las evaluaciones del sistema en su totalidad se aplican al modelo climático
global con todos sus subsistemas (atmósfera, océano, superficie, terrestre, hielos
marinos, etc.) acoplados entre sí. Esta evaluación permite estudiar el comportamiento
y calidad del sistema completo, independientemente de la calidad de cada uno de sus
subsistemas y de los componentes de los mismos. En este caso, se evalúa además el
acoplamiento entre componentes y subsistemas. No es inhabitual que sistemas cons-
tituidos por subsistemas de un alto grado de calidad se degraden al acoplarse entre
ellos inadecuadamente o con un ajuste (tuning) defectuoso o insuficiente.
Las evaluaciones de los modelos se realizan en periodos correspondientes bien
al clima presente o bien a climas pasados. En general, los diferentes modelos se han
utilizado para simular el cambio climático observado durante el siglo XX, si bien los
cambios en los forzamientos (p. ej., radiación solar, actividad volcánica, etc.) no se
conocen perfectamente en dicho periodo.
Las evaluaciones de los modelos globales del clima se realizan también en di-
ferentes escalas temporales, así permiten conocer las capacidades de los mismos
para simular la variabilidad climática a gran escala en rangos temporales que abar-
can desde la escala sinóptica hasta la decenal y secular. Es muy importante conocer
la capacidad de los modelos climáticos para simular con precisión los modos de va-
riabilidad de baja frecuencia que condicionan fuertemente el clima en muchas re-
giones. Este es el caso, por ejemplo, de Europa Occidental, y de la Península Ibérica
en particular, cuyas precipitaciones están correlacionadas con la fase e intensidad del
patrón de la Oscilación del Atlántico Norte.
1.4. COMBINACIÓN Y PESADO DE MODELOS
Idealmente, los diferentes métodos de evaluación de modelos se basan en el cálculo

de métricas cuantitativas que proporcionan una idea de la precisión con la que los
modelos climáticos simulan el clima contemporáneo o pasado. Estos cálculos per-
12
COMBINACIÓN Y PESADO DE MODELOS
miten establecer una ordenación o ranking de los modelos que se comparan por su
calidad según el método cuantitativo de evaluación que se considere. Una cuestión
que no tiene una fácil respuesta es la relación entre la precisión de las simulaciones
del clima presente o pasado y la precisión de las proyecciones futuras de cambio
climático. Ha habido algunos intentos de utilizar métricas basadas en observaciones
para ponderar la fiabilidad de los diferentes modelos que contribuyen en una pro-
yección probabilística basada en ensembles multimodelo. Sin embargo, en muchos
casos las relaciones entre las métricas más obvias de magnitudes observables y las
proyecciones son débiles o inexistentes (KNUTTI, 2010a). Suele ser, en general,
menos problemático simplemente eliminar de un ensemble multimodelo los mode-
los que peor simulan, normalmente porque son incapaces de reproducir procesos
importantes o porque físicamente no son plausibles, que llegar a un acuerdo acerca
del mejor modelo (GIORGI Y MEARNS, 2002).
La utilización de ensembles multimodelo, es decir, de ensembles basados en
AOGCMs desarrollados en diferentes centros de modelización, se utiliza para las
proyecciones/predicciones climáticas tanto en las escalas estacional/interanual como
en la secular. En la medida que los errores de simulación de los diferentes AOGCMs
son independientes, se puede esperar que la media del ensemble verifique mejor que
cada uno de los modelos individuales proporcionando la “mejor estimación” de la
predicción. Los resultados en muchos casos han demostrado que esto es así tanto en
la verificación en la escala estacional (PALMER ET AL., 2004; HAGEDORN ET AL., 2005)
como en las simulaciones largas del clima actual (LAMBERT Y BOERT, 2001; GLEC-
KLER ET AL., 2008; REICHLER Y KIM, 2008).
El proyecto ENSEMBLES (véase http://ensembles-eu.metoffice.com/) ha te-
nido como principal objetivo la estimación de las incertidumbres en las proyeccio-
nes climáticas. Para ello, ha desarrollado un sistema de predicción por conjuntos
(ensembles) basado en modelos climáticos globales y regionales sobre Europa con
el fin de generar una estimación probabilística objetiva de la incertidumbre del clima
futuro desde las escalas estacionales a las seculares. En relación con los modelos
regionales de clima, se ha realizado en el proyecto una exploración, basada en índi-
ces de verificación frente a observaciones, de pesos para los distintos modelos que
permitan su combinación de una forma más razonable que la simple equiprobabili-
dad como se venía utilizando hasta ahora. Con los modelos globales no se ha hecho
ningún intento en el proyecto de ponderación de los distintos modelos para la com-
binación del ensemble multimodelo.
Experiencias previas con RCMs en el proyecto PRUDENCE (véase http://pru-
dence.dmi.dk/) han mostrado que no existe un solo modelo que sea superior a los
otros para todas las variables, estaciones, regiones y estadísticos (CHRISTENSEN Y
CHRISTENSEN, 2007; JACOB ET AL., 2007). En consecuencia, la información proce-
dente de los ensembles multimodelo posee un valor que puede incrementarse me-
diante una ponderación basada en la calidad y prestaciones de los modelos incluidos
en el ensemble.
En el caso de proyecto ENSEMBLES y para los RCMs se diseñó de forma ex-
ploratoria un conjunto de pesos basados en las simulaciones con los RCMs forzados
por ERA40 y una rejilla de observaciones (HAYLOCK ET AL., 2008). Dado el carác-
13
ter preliminar de la metodología, se exploraron diferentes formas de combinar las

métricas con el fin de estudiar la robustez de la metodología. De hecho, existe un
grado considerable de subjetividad tanto en la elección de las métricas como en la
asignación de pesos en su combinación. Las métricas de evaluación se selecciona-
ron específicamente en virtud de los objetivos específicos de las prestaciones de los
RCMs que añaden valor a las proyecciones de cambio climático. Entre las métricas
que se seleccionaron se incluyen (KJELLSTRÖM ET AL., 2010):
• Circulación de gran escala y regímenes de tiempo.
• Señal mesoescalar de temperatura y precipitación.
• PDFs de precipitación y temperatura diaria (SÁNCHEZ ET AL., 2009).
• Extremos de temperatura y precipitación.
• Tendencias de temperatura.
• Ciclo anual de temperatura y precipitación.
Las últimas cinco de estas métricas se definieron en ENSEMBLES para todo
el continente europeo y para algunas subregiones tanto en la escala temporal esta-
cional como en la anual. La filosofía general que subyace en la combinación de mé-
tricas para producir pesos es que los modelos “buenos” obtengan buenos índices en
todas las métricas consideradas. Esto evita que haya efectos de compensación de
sesgos que afecten a algunas, pero no a todas, de las medidas consideradas.
Para combinar las métricas, la propuesta realizada en el proyecto ENSEM-
BLES se basaba en asignar a las métricas individuales un valor entre 0 y 1 y combi-
narlas de forma multiplicativa. También podía asignarse un exponente distinto a las
métricas para tener en cuenta que unas métricas pueden ser más relevantes que otras
o que existe un solapamiento de algún tipo entre las métricas: . Un
valor cero en el exponente implica un pesado igual de todos los RCMs con lo que la
información procedente de las métricas no se utiliza. Un valor uno en el exponente
implica que cada métrica se pondera de igual forma y, por lo tanto, se consideran
igualmente importantes.
La metodología de pesado explorada en el proyecto ENSEMBLES (CHRIS-
TENSEN ET AL., 2009) es solamente un primer intento de aproximación al tema, aun-
que parece ser capaz de enfatizar las similitudes y diferencias en este caso de los
distintos RCMs.
1.5. EVALUACIONES PREVIAS DE LOS MODELOS CMIP3 DEL AR4-IPCC
Los modelos climáticos son las herramientas que se utilizan para la obtención de
las proyecciones de clima futuro. Cuanto más próximas a la realidad sean las simu-
laciones del clima presente, realizadas por los modelos, más confianza se tendrá en
sus proyecciones, de ahí la importancia que tiene la evaluación de los modelos para
poner en conocimiento de sus desarrolladores sus habilidades y defectos. La nece-
sidad de evaluación de los modelos se puso ya de manifiesto con los proyectos de
Intercomparación de modelos, AMIP (Atmospheric Model Intercomparison Pro-
ject), GATES (1992) y GATES ET AL. (1999); CMIP (Coupled Model Intercomparison
Project), MEEHL ET AL. (2000 y 2005b); y (CMIP3), MEEHL ET AL. (2007), entre otros.
14
EVALUACIONES PREVIAS DE LOS MODELOS CMIP3 DEL AR4-IPCC
Los objetivos de estos proyectos han sido comparar y evaluar los resultados de di-
ferentes modelos de forma sistemática y tratar de identificar las razones de sus di-
ferencias.
En general, las evaluaciones de los modelos globales que se encuentran en la
bibliografía y entre las que destacan las realizadas por COLLINS ET AL. (2006); JOHNS
ET AL. (2006); DELWORTH ET AL. (2006); WATTERSON (1996); TAYLOR (2001); KNUTTI
ET AL. (2006 y 2008); PIANI ET AL. (2005); SHUKLA ET AL. (2006); REICHLER Y KIM
(2008) entre otros, se caracterizan por haber analizado la habilidad de los modelos
climáticos para simular variables climáticas en escalas mensuales, estacionales o
anuales. La desventaja de utilizar valores medios, mensuales o estacionales, es que
estos pueden esconder sesgos y errores sistemáticos que, sin embargo, podrían ser
identificados si se utilizase dato diario.
La evaluación realizada en el Cuarto Informe de Evaluación del IPCC se ha
centrado principalmente en analizar la capacidad general de los modelos conside-
rando solamente su comportamiento global medio. En este sentido es importante
tener en cuenta que una “buena” simulación del valor medio no asegura que otras
propiedades de los datos estén bien simuladas (KHARIN Y ZWIERS, 2000; ZWIERS Y
ZHANG, 2003; SCHAEFFER ET AL., 2005; KHARIN Y ZWIERS, 2005), por lo que se hace
necesario realizar evaluaciones regionales y a distintas escalas temporales.
Una evaluación a escala diaria será muy valiosa no solo para subsanar en parte
los inconvenientes citados anteriormente, sino también porque el clima en escalas
diarias de tiempo tiene un impacto directo sobre la salud (TRIGO ET AL., 2005) y las
actividades humanas (por ejemplo, la agricultura, LUO ET AL., 2005). Otro aspecto a
tener en cuenta son los eventos extremos; estudios recientes de FRICH ET AL. (2002),
KIKTEV ET AL. (2003) Y ALEXANDER ET AL. (2006) utilizan índices climáticos extre-
mos para explorar la frecuencia y gravedad de los fenómenos climáticos extremos,
siendo estos de gran importancia para la comunidad de impactos.
Entre las evaluaciones realizadas en el Cuarto Informe del IPCC, encontradas
por los autores en la bibliografía, y realizadas con dato mensual cabe destacar, por
un lado, aquellas que analizan la habilidad de los modelos de simular los modos de
variabilidad climática en el Atlántico y Pacífico norte como STONER ET AL. (2009) Y
HANDORF Y DETHLOFF (2009), y, por otro lado, las que evalúan distintas variables de
los modelos como FAGGIAN Y GIORGI (2009) quienes evalúan la temperatura media
del aire en superficie y la precipitación para la región alpina; SHUKLA ET AL. (2006)
evalúan la anomalía estacional de temperatura en superficie utilizando como mé-
trica la entropía; GLECKLER ET AL. (2008) evalúan un total de 22 variables, a dife-
rencia de los estudios anteriores en los que solamente se considera un número muy
limitado de variables.
Entre los estudios de las evaluaciones realizadas con dato diario caben desta-
car: a) PERKINS ET AL. (2007) Y PERKINS Y PITMAN (2009) quienes realizan una eva-
luación de las temperaturas máxima, mínima y precipitación utilizando funciones de
densidad de probabilidad (PDF) en el primero, y en el segundo analizan la influen-
cia del sesgo de los modelos en las proyecciones de cambio climático; b) MÁXINO
ET AL. (2008) establecen un ranking de los modelos AR4 utilizando las PDF de PER-
KINS Y PITMAN (2007) para una región determinada de Australia; c) MIN Y HENSE
15
(2006) evalúan los modelos siguiendo el método bayesiano; d) SUN ET AL. (2006)
evalúan la capacidad de los modelos para simular la precipitación, su intensidad y
frecuencia; e) XAVIER ET AL. (2008) desarrollan una métrica para evaluar la variabi-
lidad intraestacional en los modelos; f) KHARIN ET AL. (2007) evalúan extremos de
precipitación y temperatura; g) CHEN Y KNUTSON (2008) comparan índices extre-
mos de precipitación; h) DAI (2006) analiza las características de la precipitación
diaria en 18 modelos del AR4.
La importancia y novedad de este estudio radica en que su objetivo es abor-
dar una evaluación de los modelos AR4 utilizando datos tanto mensuales como dia-
rios para poder estudiar adicionalmente las escalas sinópticas y su influencia en el
clima. Además se ha abordado la evaluación de los modelos desde distintas pers-
pectivas y escalas temporales y espaciales, utilizando en algunos casos técnicas no-
vedosas y métricas hasta ahora apenas utilizadas en evaluación de modelos sobre
nuestra región de interés. A este respecto los estudios de evaluación sobre nuestra
área son por el momento escasos, destacando los realizados por NIETO Y RODRÍGUEZ-
PUEBLA (2006) Y ERRASTI ET AL. (2011) en los que entre otras variables se compara
la variabilidad de la precipitación observada con la obtenida por modelos. Final-
mente, y de acuerdo con las recomendaciones de KNUTTI ET AL. (2010a) y ante la in-
existencia de una métrica universal para medir la bondad de los modelos, se ha
utilizado una variedad de métricas que permiten cuantificar diferentes aspectos y
escalas de las simulaciones.
16
2.
Evaluación de precipitación y temperatura
2.1. Introducción
2.2. Datos
2.3. Metodología
2.4. Resultados
2.4.1. Ciclo anual de precipitación
2.4.2. Ciclo anual de temperatura
2.4.3. Análisis de la distribución espacial de precipitación
2.4.3.1. Anual
2.4.3.2. Invierno
2.4.3.3. Verano
2.4.4. Análisis de la distribución espacial de temperatura
2.4.4.1. Anual
2.4.4.2. Invierno
2.4.4.3. Verano
2.5. Conclusiones
INTRODUCCIÓN
2.1. INTRODUCCIÓN
El objetivo de este capítulo es la evaluación sobre la península Ibérica de las salidas

directas de precipitación y temperatura de los 22 modelos del proyecto de inter-
comparación CMIP3 que contribuyeron extensamente al Cuarto Informe de Eva-
luación (AR4) del IPCC. La comparación se realiza frente a datos observacionales
en rejilla generados por la Climate Research Unit (CRU) de la Universidad de East
Anglia (Reino Unido). La escasa resolución espacial de los modelos globales con-
siderados en este capítulo ha aconsejado no incluir ninguno de los archipiélagos es-
pañoles.
La primera y más inmediata evaluación de un modelo climático suele refe-
rirse con frecuencia a las variables precipitación y temperatura en superficie por di-
ferentes razones. En primer lugar, la precipitación y la temperatura son las variables
climáticas que normalmente se utilizan para definir el clima de una determinada re-
gión o localidad. En segundo lugar, se trata de las variables que históricamente se
han medido en más observatorios y que poseen las series más largas. Y finalmente,
por la percepción social de que ambas variables son las determinantes y condicio-
nantes de nuestras actividades y de nuestra relación con el ambiente que nos rodea.
En particular, el estudio de la variabilidad de la precipitación es de importan-
cia primordial, principalmente debido a su impacto en actividades económicas tales
como la producción agrícola y los recursos hídricos (TRIGO Y PALUTIKOF, 2001). Las
características orográficas y el origen atlántico de muchas perturbaciones sinópticas
contribuyen a variaciones espaciales muy grandes en las cantidades de precipita-
ción observadas. (SERRANO ET AL., 1999; RODRÍGUEZ-PUEBLA ET AL., 1998).
La comparación de las salidas directas de un modelo climático global con las
observaciones no es fácil ni obvia, ya que se trata de magnitudes que no son direc-
tamente comparables. Las mediciones, tanto de temperatura como de precipitación,
se realizan en los distintos observatorios siguiendo la normativa que establece la Or-
ganización Meteorológica Mundial (OMM) y son representativas del punto en el
que se realiza la medida. Las salidas directas de los modelos corresponden a valo-
res de las mismas variables en puntos de rejilla.
En el caso de la temperatura, como los niveles verticales de los modelos rara-
mente coinciden con la altura de referencia (2 m) para las mediciones de tempera-
tura, los valores son interpolados teniendo en cuenta la estructura vertical de la capa
límite. Además, la orografía del modelo es una representación necesariamente sua-
vizada, por la baja resolución de los modelos de la orografía real por lo que, con
frecuencia, suele haber discrepancias para cada punto de rejilla entre la altitud de la
superficie real y la correspondiente del modelo, afectando lógicamente al valor de
la temperatura a 2 m.
La precipitación que generan los modelos es una variable areal representativa
y promediada en todo el cuadrado de rejilla. Este carácter de la precipitación está
asociado al hecho de que la precipitación en los modelos procede de las parametri-
zaciones que representan los procesos subrejilla, no resueltos explícitamente por la
rejilla de cálculo de los modelos, y, por lo tanto, los valores son representativos de
la totalidad del cuadrado de rejilla. En consecuencia, la precipitación de los mode-
19
EVALUACIÓN DE PRECIPITACIÓN Y TEMPERATURA
los suele tener un aspecto más suavizado y con menor variabilidad espacial que la
precipitación observada.
Adicionalmente, hay que considerar que los procesos de interpolación para lle-
var a una rejilla común los modelos y las observaciones tienden a suavizar los datos.
Todas estas limitaciones se palian en parte cuando se calculan promedios espaciales y
temporales. Sin embargo, pueden exacerbarse cuando se calculan momentos de orden
superior. Las comparaciones también entre salidas de modelos y observaciones de va-
riables que muestran una gran variabilidad espacial precisan con frecuencia de algo-
ritmos de aproximación de escalas. Este es el caso de la precipitación en la península
Ibérica que, en principio, cuenta con una gran densidad de observaciones.
En este capítulo, al no haberse realizado cálculos y comparaciones de extre-
mos, se puede suponer que algunos de los problemas antes indicados que surgen
cuando se comparan las observaciones con las salidas directas de los modelos no
serán especialmente graves. En cualquier caso la evaluación aquí realizada deberá
complementarse en un futuro con la evaluación de regionalizaciones de los mode-
los globales frente a datos observacionales en una escala espacial comparable.
La comparación directa de la precipitación obtenida de modelos globales con
datos observacionales para una selección de modelos de AR4 y sobre la península
Ibérica ha sido previamente aplicada por algunos autores (NIETO Y RODRÍGUEZ-PUE-
BLA, 2006) y los resultados aquí recogidos son consistentes con ellos.
2.2. DATOS
En este capítulo se han utilizado las siguientes bases de datos:

a) Todos los modelos climáticos utilizados por el AR4 y disponibles en el Program
for Climate Model Diagnosis and Intercomparison (PCMDI) (véase http://www-
pcmdi.llnl.gov). El análisis de este capítulo se basa en los datos de los valores
medios mensuales de temperatura y de precipitación del siglo XX (20C3M). En
el caso de encontrarse disponibles varias simulaciones por modelo, se ha op-
tado por elegir la primera (run1). La no disponibilidad de datos de temperatura
para los modelos INM-CM3.0 y MRI-CGCM2.3.2 no ha permitido su evalua-
ción para esta variable, aunque sí para la precipitación. Las características de
los modelos climáticos utilizados se resumen en la Tabla A.1 (Anexo A).
b) Los datos de observación para temperatura y precipitación (MITCHELL Y
JONES, 2005), se han extraído de la rejilla global de valores mensuales del
CRU (Climate Research Unit) de la Universidad de East Anglia
(http://www.cru.uea.ac.uk/cru/data/hrg/cru_ts_2.10) con resolución hori-
zontal 0,5º × 0,5º.
c) Datos de los reanálisis: i) del European Centre for Medium-Range Weather
Forecasts (ERA40) (UPPALA ET AL., 2005) y ii) del National Center for Envi-
ronmental Prediction (NCEP) (KALNAY ET AL., 1996) promediados mensual-
mente.
Todos los datos de los modelos y de los reanálisis se han interpolado a la re-
jilla regular de las observaciones con una resolución de 0,5º × 0,5º sobre un domi-
20
RESULTADOS
nio limitado por (10,5ºO, 3,5ºE y 45,5ºN, 35,5ºN) que incluye a la península Ibérica.
Tanto de los datos observacionales CRU, como de los datos de los modelos y de los
reanálisis se eliminan de la rejilla común de 0,5º los datos que no pertenecen a la pe-
nínsula Ibérica, quedando finalmente 284 puntos sobre los cuales se han realizado
los cálculos en esta sección. Se han considerado 20 años de datos (desde 1980 a
1999) consistente con el periodo utilizado en AR4.
2.3. METODOLOGÍA
Los cálculos relativos tanto al ciclo anual medio como las distribuciones espaciales
de precipitación y temperatura se realizan para las observaciones y para los modelos
promediando sobre los 284 puntos que cubren la península Ibérica y a su vez pro-
mediando para los 20 años de datos considerados Las distribuciones espaciales de
precipitación y temperatura se estudian tanto anualmente como para las estaciones in-
vernal (diciembre, enero y febrero) y estival (junio, julio y agosto). Las diferencias
entre observaciones y modelos se estiman con tres índices estadísticos seleccionados
entre los más habituales: error absoluto medio (EAM), correlación absoluta (CORR)
y desviación estándar espacial (σ). Finalmente, se resume la información procedente
de los diferentes estadísticos en tablas utilizando un código tercílico tipo semáforo con
tres colores (verde, amarillo y rojo), correspondiendo el color verde (rojo) al tercio
de modelos que mejor (peor) comparan con las observaciones. Esta información se
presenta también en forma de diagramas de Taylor (TAYLOR, 2001).
Las tablas con los índices estadísticos calculados tanto para el ciclo anual como
para la distribución espacial de precipitación y temperatura y el correspondiente có-
digo de color permiten en una rápida inspección establecer una ordenación (ran-
king) de los modelos que mejor se aproximan a las observaciones. También se ha
incluido en las comparaciones la media de los modelos y, en los casos en los que sea
procedente, los reanálisis ERA40 y NCEP.
2.4. RESULTADOS
2.4.1. Ciclo anual de precipitación

El panel de la Figura 2.1 muestra en 6 gráficos el ciclo anual de precipitación pro-
mediado en 20 años y a su vez promediado sobre los 284 puntos de rejilla de la pe-
nínsula Ibérica de la observación, de los modelos, de los reanálisis ERA40 y NCEP
y de la media de los modelos. Los dos reanálisis muestran los dos máximos de pre-
cipitación que aparecen en las observaciones en primavera y otoño. Muy pocos mo-
delos, sin embargo, muestran esta estructura del ciclo anual, siendo destacables los
modelos UKMO-HadGEM1, GFDL-CM2.0 y el MIROC3.2(hires) por representar
razonablemente bien la estructura bimodal del ciclo anual de la precipitación aunque
algo exagerada en el caso de los dos primeros y más reducida en el tercero. La con-
21
secuencia de esta ausencia de bimodalidad en la mayoría de los modelos es lógica-

mente su ausencia en la media de los modelos. Los modelos tienden a sobrestimar la
precipitación media peninsular desde noviembre a abril y de junio a agosto y a su-
bestimarla en los periodos de primavera y otoño tal y como se observa en Figura 2.1.
Sin embargo, la precipitación media de la media de los modelos (55,12 mm) es muy
similar y algo mayor que la observada (52,55 mm). En general se observa que la os-
cilación anual es de mayor amplitud que la observada en la mayoría de los modelos.
La Tabla B.1 (véase Anexo B) resume los diferentes índices estadísticos utili-
zados para estimar el error con respecto a las observaciones CRU del ciclo anual de
precipitación, obtenidos a partir de los modelos y de los reanálisis, y calculados a
partir de los datos de precipitación mensual. Es de destacar, como era esperable, la
alta correlación del ciclo anual procedente del reanálisis ERA40 con los datos CRU
que no se corresponde con la más baja correlación del reanálisis NCEP. De hecho,
bastantes modelos superan a este último tanto en términos de correlación como de
error absoluto medio. Conviene recordar en este punto que la precipitación propor-
cionada por los reanálisis no es una variable analizada basada en los datos, sino una
variable pronosticada por el modelo utilizado en la asimilación. Por ello, las discre-
pancias habrá que atribuirlas, posiblemente, a deficiencias del modelo.
La Figura D.1 (véase Anexo D) representa en forma de diagrama de Taylor el
error del ciclo anual de precipitación de todos los modelos y reanálisis referidos a
la observación (CRU). Los modelos y los reanálisis se representan por las letras y
números asignados en la Tabla A.1 (véase Anexo A). Los ejes del diagrama repre-
sentan las desviaciones estándar, la correlación se representa en el sector del arco ex-
terno y la distancia de un modelo (o reanálisis) con los datos, es proporcional al
error cuadrático medio centrado (RMS-C) (TAYLOR, 2001). La Tabla 2.1 representa
mediante un código de colores tercílico tipo semáforo el tercio de modelos que
más/menos se aproxima a la observación según los estadísticos considerados utili-
zando el color verde/rojo. Los 7 modelos con los valores de los estadísticos más
altos/bajos están representados en verde/rojo. El resto están representados en ama-
rillo. También se ha representado el número de orden de cada modelo para cada es-
tadístico. Combinando todos los estadísticos, se observa que los modelos que mejor
representan el ciclo anual de precipitación (color verde en la Tabla 2.1) son ECHO-G
y MIROC3.2(medres). La media de los modelos muestra también todos sus estadísti-
cos en el tercil superior (en color verde). Por el contrario, los modelos que peor re-
presentan el ciclo anual de precipitación (color rojo en la Tabla 2.1) son GISS-AOM
y ECHAM5/MPI-OM. El diagrama de Taylor (véase Figura D.1) muestra también
claramente estos dos últimos modelos más separados del resto y del punto corres-
pondiente a la observación (CRU) en términos de distancia RMS-C.
2.4.2. Ciclo anual de temperatura

El panel de la Figura 2.2 muestra en 6 gráficos el ciclo anual de temperatura pro-
mediado en 20 años y a su vez promediado sobre los 284 puntos de rejilla de la pe-
nínsula Ibérica de la observación, de los modelos, de los reanálisis ERA40 y NCEP
22
RESULTADOS
y de la media de los modelos. Para representar con una mayor claridad el ciclo anual,
se ha optado por representar en la Figura 2.2 la diferencia de temperaturas respecto
a la observación (CRU) en lugar de los valores absolutos. Se observa en este panel
que el ciclo anual de temperatura tiende a ser sobrestimado por los modelos en el pe-
riodo invernal y subestimado el resto del año, comportamiento que queda reflejado
en el ciclo de la media de los modelos. El máximo y el mínimo del ciclo anual muestran
una gran correspondencia de todos los modelos con los datos. Los modelos que mejor
se ajustan al ciclo anual son MIROC3.2(hires), UKMO-HadGEM1 y CCSM3. Por el
contrario, hay modelos que sobrestiman todos los meses la temperatura (GISS-EH,
MIROC3.2(medres)), mientras que otros la subestiman en todo el periodo (FGOALS-g1.0,
CGCM3.1(T47), CGCM3.1(T63) y UKMO-HadCM3). Los modelos GISS-AOM y
ECHO-G muestran una menor oscilación anual, con un máximo mucho menor y un
mayor mínimo, y además desplazamiento del máximo hacia agosto y setiembre.
La Tabla C.1 (véase Anexo C) muestra el error del ciclo anual de temperatura
para cada reanálisis y cada modelo estimado mediante los tres estadísticos seleccio-
nados. La Tabla 2.2 representa mediante el código de colores tercílico tipo semáforo,
mencionado más arriba, el tercio de modelos que más/menos se aproxima a la obser-
vación según los estadísticos considerados utilizando el color verde/rojo. Con este có-
digo resulta para el ciclo anual de temperatura que los mejores modelos, basado en los
Figura 2.1a-f (de izquierda a derecha y de arriba abajo). Ciclo anual de precipitación promediado
en 20 años (1980-1999) y para todos los puntos de rejilla sobre la península Ibérica. La Figura 2.1a
(izquierda, fila superior) muestra los valores correspondientes a los datos de observación (CRU), al
reanálisis ERA40, al reanálisis NCEP y a la media de los modelos. Las restantes figuras del panel
muestran el ciclo anual de los 22 modelos listados en la Figura A.1 del Anexo A. Para facilitar la com-
paración, la observación (CRU) aparece repetida en todas las figuras a f.
23
tres estadísticos de error considerados, son UKMO-HadGEM1 y MIROC3.2(hires),

mientras que los peores modelos son ECHO-G, GISS-ER y GISS-AOM.
El diagrama de Taylor (véase Figura D.2, Anexo D) muestra una gran ten-
dencia a la agrupación de los modelos alrededor de la observación (designado CRU)
con valores muy altos de la correlación. Solamente hay tres puntos que claramente se
separan del resto y que corresponden a los modelos ECHO-G, GISS-ER y GISS-AOM,
consistentemente con lo obtenidos con el código de colores de la Tabla 2.2.
Figura 2.2a-f (de izquierda a derecha y de arriba abajo). Igual que la Figura 2.1a f, pero para el ciclo
anual de temperatura media mensual, representada en forma de diferencia respecto a la observación
(CRU).
2.4.3. Análisis de la distribución espacial de precipitación

2.4.3.1. Anual
La Figura 2.3 muestra la precipitación anual acumulada promediada en 20 años
(1980-1999) obtenida a partir de la observación (CRU), de los reanálisis (ERA40 y
NCEP), de los modelos climáticos considerados y de la media de los modelos. La
observación muestra un máximo de precipitación anual en la fachada atlántica y
cantábrica de la península Ibérica que aparece razonablemente bien representada en
los reanálisis, especialmente en ERA40. Una gran mayoría de modelos muestran
máximos de precipitación en el noroeste de la península, si bien más suavizados po-
siblemente debido a la menor resolución de los modelos climáticos respecto a las ob-
24
RESULTADOS
servaciones y los reanálisis. La media de los modelos recoge este comportamiento

más generalizado con un máximo en el extremo noroeste de la península. Como la
orografía de los modelos climáticos está muy suavizada, esto impide la correcta si-
mulación de la precipitación en muchos de ellos ya que gran parte de la precipita-
ción en la península Ibérica tiene un fuerte componente orográfico.
La Figura 2.4 muestra la desviación estándar temporal de la precipitación anual
sobre el mismo periodo de 20 años y para los mismos datos de observación, de re-
análisis y de modelos. En la observación se observa una estructura principalmente
meridional con mayores desviaciones en la parte occidental de la península Ibérica.
Esta estructura espacial de la desviación estándar no está suficientemente bien re-
producida por un gran número de modelos lo que sugiere deficiencias en la simula-
ción de la variabilidad interanual por parte de los modelos.
La Figura 2.5 muestra la diferencia relativa (en tanto por uno) de los reanáli-
sis y los modelos respecto a la observación. En general, se observa una tendencia a
subestimar la precipitación en las zonas costeras periféricas y a sobrestimar la pre-
cipitación en el interior de la península. Este es el caso de los reanálisis y de la media
de los modelos. Gran parte de este comportamiento es atribuible a la orografía ex-
cesivamente suavizada de los modelos que apenas notan la estructura orográfica real
de la península Ibérica. En muchos casos, la orografía queda simplemente reducida
a un altiplano interior sin que aparezcan ni siquiera insinuadas las cordilleras peri-
féricas y el Sistema Central.
La Tabla B.1 (Anexo B) resume diferentes estadísticos para el error de la dis-
tribución espacial de la precipitación anual acumulada. La Tabla 2.1 con el código
de colores tercílico permite concluir que el peor modelo en los tres estadísticos para
la precipitación anual acumulada es el modelo GISS-AOM. No hay ningún modelo
que presente color verde en los tres estadísticos considerados.
El diagrama de Taylor de la precipitación anual (véase Figura D.3, Anexo D)
muestra claramente que la desviación estándar espacial obtenida a partir de los mo-
delos es, en general, menor que la proporcionada por los datos CRU. Los modelos
PCM, CCSM3, MIROC3.2(medres) MRI-CGCM-3.2 y UKMO-HadGEM1 son los
que muestran una mayor proximidad con las observaciones en términos de RMS-C.
2.4.3.2. Invierno
La Figura 2.6 muestra la distribución espacial de la precipitación acumulada en
los meses de invierno (DEF) promediada en 20 años (1980-1999) obtenida a
partir de la observación (CRU), de los reanálisis (ERA40 y NCEP), de cada uno
de los modelos y de la media de los modelos. La observación muestra un máximo
de precipitación invernal en la fachada atlántica y cantábrica de la península
Ibérica que aparece razonablemente bien representada en ambos reanálisis. Los
modelos tienden a mostrar un gradiente SE-NO que simplifica y suaviza la pre-
cipitación observada.
La desviación estándar temporal de la precipitación invernal (véase Figura
2.7) es, en general, menor en los modelos que en la observación. Este hecho es con-
secuencia de la menor variabilidad interanual de la precipitación invernal tal y como
se simula por una mayoría de modelos.
25
Los modelos que mejor representan la precipitación invernal basado en los

tres estadísticos seleccionados para el error respecto a la observación (véase Tabla
2.1) y utilizando el código tercílico de colores son MRI-CGCM2.3.2, PCM y
UKMO-HadGEM1, mientras que los peores son BCCR-BCM2.0 y GISS-AOM,
consistentemente con lo que se observa en la distancia RMS-C del diagrama de Tay-
lor (véase Figura D.4, Anexo D).
2.4.3.3. Verano
La precipitación estival (véase Figura 2.8) muestra un claro gradiente S-N en las ob-
servaciones mientras que los modelos muestran una tendencia a mostrar un gradiente
SO-NE aunque hay diferencias apreciables entre ellos. Mientras que un grupo de mo-
delos (BCCR-BCM2.0, CNRM-CM3, GISS-AOM, GISS-ER, y MIROC3.2(hires))
tienen un máximo localizado de precipitación estival en los Pirineos, otros modelos
(CSIRO-Mk3.0 y UKMO-HadGEM1) sitúan el máximo en el interior peninsular, y
finalmente otros no presentan un máximo definido, aunque sí un gradiente. Las pre-
cipitaciones están sobrevaloradas en el interior, como sucedía en invierno, e infrava-
loradas en el norte y oeste peninsular, (salvo ECHAM5/MPI-OM, FGOALS-g1.0 e
INM-CM3.0 que dan menor precipitación en toda la península). La precipitación
media de los modelos (95,77 mm) supera claramente a los datos CRU (78,29 mm).
La desviación estándar temporal (véase Figura 2.9) muestra también en las ob-
servaciones un gradiente S-N que es recogido por algunos modelos, si bien la forma
de la distribución y los valores numéricos muestran discrepancias con la observación.
El modelo que mejor representa la precipitación estival basado en los tres es-
tadísticos seleccionados para el error respecto a la observación (véase Tabla 2.1) y
utilizando el código tercílico de colores es ECHO-G mientras que los peores son
BCCR-BCM2.0, GISS-AOM y CNRM-CM3, consistentemente con lo que se ob-
serva en la distancia RMS-C del diagrama de Taylor (Figura D.5, Anexo D).
2.4.4. Análisis de la distribución espacial de temperatura

2.4.4.1. Anual
La Figura 2.10 muestra la distribución espacial de temperatura promediada anual-
mente para las observaciones, reanálisis, modelos y media de los modelos. En la ci-
tada figura se muestra muy claramente que una parte significativa de las diferencias
geográficas de temperatura observacional (CRU) está relacionada con la orografía
mostrándose valores más bajos coincidentes con las principales cadenas montaño-
sas de la península Ibérica. Esta característica está ausente en la mayoría de los mo-
delos que por su baja resolución no son capaces de resolver las principales
características orográficas de la península. De hecho, aunque no se muestra, el campo
de temperatura media para todos los modelos está muy correlacionado con el campo
de orografía de cada modelo. Hay modelos que muestran mínimos de temperatura
media en el interior de la península o ligeramente desplazados hacia el NE en con-
sistencia con la orografía subyacente de cada modelo. La variabilidad interanual de
la temperatura media es claramente infravalorada por algunos modelos, singular-
26
RESULTADOS
mente el GISS-AOM, tal y como se deduce de la Figura 2.11 que representa la des-
viación estándar temporal de la temperatura media.
El modelo que mejor simula la distribución espacial de temperatura media
anual (véanse las Tablas C.1 (Anexo C) y 2.2) según el código tercílico de colores
aplicado anteriormente es el MIROC3.2(hires), mientras que los modelos que peor
la simulan son CSIRO-Mk3.0 y GISS-EH. Estos resultados son consistentes con lo
observado en el diagrama de Taylor (Figura D.6, Anexo D).
2.4.4.2. Invierno
Las características de la distribución espacial de temperatura media promediada para
los meses de invierno (DEF) son muy similares a las correspondientes promediadas
anualmente y en términos generales adolecen igualmente de los problemas asocia-
dos a la baja resolución de los modelos incapaces de representar fielmente la oro-
grafía real de la península Ibérica (véase Figura 2.12). La variabilidad interanual de
la temperatura media promediada para los meses invernales (véase Figura 2.13)
muestra en las observaciones una estructura meridional con valores más altos en la
parte oriental de la península, singularmente en las regiones situadas más hacia el SE.
Esta estructura es aproximadamente simulada por algunos modelos, siendo capaz la
media de todos los modelos de simular vagamente estas diferencias entre la parte
oriental y occidental de la península.
Las Tablas C.1 (Anexo C) y 2.2 nos muestran que para los meses invernales,
y en coincidencia con el promedio anual, el mejor modelo según el código tercílico
es MIROC3.2(hires), mientras que el peor es ECHO-G. Estos resultados son con-
sistentes con lo que se observa en el diagrama de Taylor (Figura D.7, Anexo D).
2.4.4.3. Verano
Las características de la distribución espacial de temperatura media promediada para
los meses de verano (JJA) vienen sobre todo marcadas, tanto en las observaciones
como en los modelos, por un claro gradiente meridional. En términos generales se
observan también los problemas asociados a la baja resolución de los modelos in-
capaces de representar fielmente la orografía real de la península Ibérica (véase Fi-
gura 2.14). La variabilidad interanual de la temperatura media, representada por la
desviación estándar temporal, promediada para los meses estivales (véase Figura
2.15) muestra en las observaciones una estructura caracterizada por valores más
altos en el interior de la península, y valores más bajos en las zonas costeras, sin-
gularmente en la fachada atlántica. Estas características son recogidas de forma muy
dispar por los modelos que, en términos generales, muestran una mayor variabilidad
interanual, tal y como se resume en la media de los modelos que muestra valores cla-
ramente más altos que en la observación, si bien se mantiene una estructura similar
con valores mayores hacia las regiones más interiores. Las Tablas C.1 (Anexo C) y
2.2 nos muestran que para los meses estivales los mejores modelos, según el código
tercílico de colores, son MIROC3.2(hires), ECHAM5/MPI-OM y CCSM3, mientras
que los peores son ECHO-G y GISS-AOM. Estos resultados son consistentes con lo
que se observa en el diagrama de Taylor (Figura D.8, Anexo D).
27
2.5. CONCLUSIONES
Las Tablas 2.1 y 2.2 resumen de forma muy sintética la evaluación de todos los mo-
delos considerados utilizando tanto la distribución espacial como el ciclo anual de
los campos de precipitación y temperatura. Las métricas utilizadas para estimar las
diferencias entre las climatologías proporcionadas por los modelos y por la obser-
vación se basan en índices estadísticos habituales y en la utilización de un código ter-
cílico simple y visual. Este código permite una inmediata clasificación de los
modelos para ulteriores usos bien sean relacionados con la selección de modelos
para su regionalización o para su combinación ponderada por su calidad.
En términos generales, las principales conclusiones de este capítulo son:
La clasificación de los modelos utilizando el código tercílico simple propuesto
es consistente con la información presentada en forma de diagramas de Taylor. Esto
es esperable, ya que se trata de diferentes formas de representar visualmente la
misma información contenida en los índices estadísticos calculados. La presenta-
ción gráfica basada en colores permite seleccionar inmediatamente los modelos que
mejor y peor ajustan su climatología a las observaciones de cara fundamentalmente
bien a descartar o seleccionar modelos para su posterior utilización. Los algoritmos
más finos de pesado de modelos no parecen muy adecuados a la vista de la dispari-
dad de resultados obtenidos por diferentes autores.
La precipitación y la temperatura procedentes de los modelos muestran las de-
ficiencias asociadas con la escasa resolución de los mismos que les impide repre-
sentar adecuadamente las características orográficas principales de la península
Ibérica. En consecuencia, una parte relevante de las deficiencias en la simulación de
ambas variables es atribuible a una insuficiente representación de la orografía por
parte de los modelos. El régimen de precipitación de la península Ibérica se carac-
teriza por una gran variabilidad tanto en el dominio espacial como temporal. El ciclo
anual bimodal observado en la península Ibérica para la precipitación apenas es re-
presentado por los modelos. Consecuentemente, los modelos tienden a sobrestimar
la precipitación media peninsular desde noviembre a abril y de junio a agosto y a su-
bestimarla en los periodos de primavera y otoño. Esta característica esencial de la
precipitación sobre la península es una carencia fundamental de los modelos y la
atribución de sus causas permitirá avanzar en una mejor simulación del clima. Tanto
la insuficiente resolución espacial, como las parametrizaciones físicas empleadas
deberán investigarse como causas posibles de este comportamiento.
El ciclo anual de temperatura tiende a ser sobrestimado por los modelos en el
periodo invernal y subestimado el resto del año. Esta característica puede ser expli-
cada razonablemente por la insuficiente resolución espacial que tiende a suavizar
los extremos. Por esta misma razón, no se han hecho intentos de estimar la bondad
de los extremos simulados por los modelos.
En términos generales, mientras que las características a grandes rasgos de la
distribución espacial de precipitación acumulada y temperatura media están razo-
nablemente simuladas por los modelos, su variabilidad interanual presenta serias
deficiencias.
28
CONCLUSIONES
Figura 2.3. Precipitación (en mm) anual promediada en 20 años (1980-1999) sobre la península Ibé-
rica. En la primera fila se muestran los campos correspondientes a los datos de observación (CRU),
al reanálisis NCEP, al reanálisis ERA40 y a la media de los modelos. Las restantes figuras del panel
muestran los campos de precipitación media generados por los 22 modelos listados en la Tabla A.1
del Anexo A.
29
Figura 2.4. Desviación estándar de la precipitación anual (en mm) en el periodo de 20 años (1980-
1999) sobre la península Ibérica. En la primera fila se muestran los campos correspondientes a los
datos de observación (CRU), al reanálisis NCEP, al reanálisis ERA40 y a la media de las desviacio-
nes de los modelos. Las restantes figuras del panel muestran la desviación estándar de los campos de
precipitación media generados por los 22 modelos listados en la Tabla A.1 del Anexo A.
30
CONCLUSIONES
Figura 2.5. Diferencias relativas respecto a la observación de la precipitación media anual (en tanto
por uno) en el periodo de 20 años (1980-1999) sobre la península Ibérica. En la primera fila se mues-
tran los campos correspondientes al reanálisis NCEP, al reanálisis ERA40 y a la media de los mode-
los. Las restantes figuras del panel muestran la diferencia relativa respecto a la observación de la
precipitación media anual de los 22 modelos listados en la Tabla A.1 del Anexo A.
31
Figura 2.6. Igual que Figura 2.3 pero para la precipitación acumulada en invierno (DEF).
32
CONCLUSIONES
Figura 2.7. Igual que Figura 2.4 pero para la desviación estándar en invierno (DEF).
33
Figura 2.8. Igual que Figura 2.3 pero para la precipitación acumulada en verano (JJA).
34
CONCLUSIONES
Figura 2.9. Igual que Figura 2.4 pero para la desviación estándar en verano (JJA).
35
Figura 2.10. Igual que Figura 2.3, pero para la temperatura anual media.
36
CONCLUSIONES
Figura 2.11. Igual que Figura 2.4, pero para la desviación estándar de la temperatura anual media.
37
Figura 2.12. Igual que Figura 2.3 pero para la temperatura media en invierno (DEF).
38
CONCLUSIONES
Figura 2.13. Igual que Figura 2.4 pero para la desviación estándar de la temperatura en invierno
(DEF).
39
Figura 2.14. Igual que Figura 2.3 pero para la temperatura media en verano (JJA).
40
CONCLUSIONES
Figura 2.15. Igual que Figura 2.4 pero para la desviación estándar de la temperatura media en ve-
rano (JJA).
41
Ciclo anual Invierno Verano Anual

Precipitación
EAM CORR M/ D EAM CORR M/ D EAM CORR M/ D EAM CORR M/ D
Media de modelos 3 5 4 7 8 11 10 11 3 5 12 13
A BCCR-BCM2.0 22 9 19 22 23 17 22 17 23 22 23 14
B CCSM3 14 21 3 6 9 8 15 23 16 6 4 15
C CGCM3.1(T47) 5 10 16 8 13 20 7 8 4 8 16 17
D CGCM3.1(T63) 4 8 11 10 20 21 3 9 11 11 19 18
E CNRM-CM3 18 22 2 21 16 18 19 18 21 20 17 11
F CSIRO-Mk3.0 10 7 15 15 11 3 17 22 6 16 18 1
G ECHAM5/MPI-OM 19 17 22 18 12 10 16 13 14 7 13 2
H ECHO-G 1 1 6 14 18 23 1 3 5 14 20 23
I FGOALS-g1.0 16 6 5 11 19 16 11 4 18 19 10 19
J GFDL-CM2.0 17 11 18 16 4 1 14 6 10 18 6 6
K GFDL-CM2.1 11 12 20 20 10 13 6 14 1 12 14 5
L GISS-AOM 23 20 23 23 22 19 23 19 20 23 22 22
M GISS-EH 8 3 8 12 17 22 13 1 15 9 15 21
N GISS-ER 20 14 14 19 14 2 21 15 22 21 21 3
O INM-CM3.0 12 18 13 17 21 12 9 2 17 4 11 12
P IPSL-CM4 15 19 10 13 15 5 5 12 2 17 9 4
Q MIROC3.2(hires) 9 4 21 3 2 15 20 7 19 13 8 7
R MIROC3.2 (medres) 2 2 1 4 5 14 4 10 13 2 5 16
S MRI-CGCM2.3.2 21 23 9 2 3 4 8 16 12 10 2 20
T PCM 7 16 17 5 6 6 12 20 7 1 3 8
U UKMO-HadCM3 6 13 7 9 7 9 2 5 9 3 7 10
V UKMO-HadGEM1 13 15 12 1 1 7 18 21 8 15 1 9
Tabla 2.1. Clasificación de los 22 modelos listados en la Tabla A.1 del Anexo A según un código de
colores tercílico (verde/rojo representando los mejores/peores modelos) referidos a los estadísticos
resumidos en la Tabla B.1 del Anexo B. Todos los estadísticos calculados para los modelos están re-
feridos a la observación (CRU). [Los estadísticos representados son: error absoluto medio (EAM);
coeficiente de correlación (CORR) y desviación estándar respecto a desviación estándar de las ob-
servaciones (σM/σD)].
42
CONCLUSIONES
Ciclo anual Invierno Verano Anual

Precipitación
EAM CORR M/ D EAM CORR M/ D EAM CORR M/ D EAM CORR M/ D
Media de modelos 6 3 12 2 3 14 7 2 13 3 2 14
A BCCR-BCM2.0 10 15 15 12 18 2 13 13 12 12 12 8
B CCSM3 2 11 3 3 5 13 1 1 1 1 1 12
C CGCM3.1(T47) 11 1 13 18 19 5 2 4 14 14 13 5
D CGCM3.1(T63) 13 5 2 14 7 4 12 16 6 17 10 1
E CNRM-CM3 8 7 8 8 17 12 9 18 5 10 5 16
F CSIRO-Mk3.0 14 12 19 15 21 10 17 14 17 15 21 17
G ECHAM5/MPI-OM 3 8 9 11 15 1 4 5 2 4 15 6
H ECHO-G 21 21 20 21 16 18 21 17 21 13 8 21
I FGOALS-g1.0 15 17 1 13 4 17 15 19 11 19 18 13
J GFDL-CM2.0 18 14 17 6 13 6 20 15 4 20 17 3
K GFDL-CM2.1 9 19 11 4 14 9 8 11 10 8 16 4
L GISS-AOM 20 20 21 20 20 8 19 20 18 11 19 9
M GISS-EH 19 10 10 19 8 19 18 21 8 21 20 18
N GISS-ER 17 18 18 16 2 15 11 7 20 9 4 7
P IPSL-CM4 7 9 16 5 6 16 10 12 19 7 11 20
Q MIROC3.2(hires) 1 4 7 1 1 3 3 6 3 2 6 2
R MIROC3.2 (medres) 12 13 4 17 9 21 14 8 15 16 14 15
T PCM 5 16 5 10 11 20 5 3 16 6 3 19
U UKMO-HadCM3 16 2 14 7 12 11 16 10 7 18 7 11
V UKMO-HadGEM1 4 6 6 9 10 7 6 9 9 5 9 10
Tabla 2.2. Clasificación de los 22 modelos listados en la Tabla A.1 del Anexo A según un código de
colores tercílico (verde/rojo representando los mejores/peores modelos) referidos a los estadísticos
resumidos en la Tabla C.1 del Anexo C. Todos los estadísticos calculados para los modelos están re-
feridos a la observación (CRU). [Los estadísticos representados son: error absoluto medio (EAM);
coeficiente de correlación (CORR) y desviación estándar respecto a desviación estándar de las ob-
servaciones (σM/σD)].
43
3.
Evaluación de los modos de variabilidad
3.1. Introducción
3.2. Datos
3.3. Metodología
3.4. Resultados
3.4.1. Análisis espacial de los modos de variabilidad
3.4.2. Análisis temporal de los modos de variabilidad
3.5. Conclusiones
INTRODUCCIÓN
3.1. INTRODUCCIÓN
Gran parte de las evaluaciones de modelos globales que se encuentran en la litera-

tura, como por ejemplo las realizadas, entre otros, por COLLINS ET AL. (2006), JOHNS
ET AL. (2006), DELWORTH ET AL. (2006), WATTERSON (1996), TAYLOR (2001), KNUTTI
ET AL. (2006), KNUTTI (2008), PIANI ET AL. (2005), SHUKLA ET AL. (2006), REICHLER
Y KIM (2008), se basan en analizar la habilidad de los modelos climáticos para si-
mular variables climáticas en escalas temporales mensuales, estacionales o anuales.
En particular, la evaluación llevada a cabo en el Cuarto Informe de Evaluación del
IPCC (AR4), si bien se ha centrado principalmente en la capacidad de los modelos
para simular su comportamiento global medio, ha dedicado el capítulo 8.4 a aspec-
tos centrados con la variabilidad. El inconveniente de usar valores medios mensua-
les o estacionales es que estos pueden ocultar sesgos y errores sistemáticos que, sin
embargo, se pueden detectar con mayor facilidad cuando se utilizan datos diarios
(TAYLOR, 2001; KNUTTI ET AL., 2006; PIANI ET AL., 2005). En este sentido, es impor-
tante señalar que una "buena" simulación de los valores medios no garantiza que
otras propiedades de los datos estén bien simuladas (ZWIERS Y ZHANG, 2003).
Por otra parte, el clima medio representa la integración en el tiempo de fluc-
tuaciones de distintas escalas espaciales y temporales que representan su variabili-
dad. Se habla así de fluctuaciones diarias, interanuales, decenales, etc. Estas
fluctuaciones como matizan CASSOU Y GUILYARDI (2007), a menudo, pueden cuan-
tificarse e interpretarse gracias a un número restringido de modos de variabilidad o
circulaciones atmosféricas y/o oceánicas típicas. Estos modos se caracterizan por
presentar una estructura espacial cuasi-fija de gran escala y una serie temporal aso-
ciada que caracteriza la evolución de esta estructura, su amplitud y su fase (WA-
LLACE Y GUTZLER, 1981; BARNSTON Y LIVEZEY, 1987; BELL Y HALPERT, 1995; STONER
ET AL., 2009). La ocurrencia de los modos de variabilidad no es uniforme durante el
año. La forma de las estructuras espaciales de los modos, la intensidad de sus cen-
tros de acción y su comportamiento en el tiempo variará en función de la estación
astronómica considerada.
Los modos de variabilidad tienen importantes implicaciones en el estudio de
futuros cambios del clima ya que, modificaciones en su frecuencia de ocurrencia,
amplitud, posición o intensidad pueden alterar las condiciones climáticas en super-
ficie de muchas localidades. El objetivo de este capítulo es evaluar la capacidad de
un conjunto de modelos del AR4 de reproducir estos modos ya que, cuanto más
realista sea su semejanza con los modos observados, tanto más adecuadamente re-
presentarán las características dinámicas atmosféricas asociadas (PIERCE, 2004). En
este capítulo se evaluará, en consecuencia, la capacidad de las simulaciones de los
modelos AR4 del IPCC de reproducir los cuatro modos de variabilidad con mayor
influencia en la región euroatlántica como son: la Oscilación del Atlántico Norte
(NAO, siglas en inglés), el modo Escandinavo (SCAND, abreviatura en inglés), el
modo del Este del Atlántico (EA, siglas en inglés) y el modo del Este del Atlán-
tico/Oeste de Rusia (EA/WR, siglas en inglés). Esta evaluación se ha centrado en el
invierno del hemisferio norte, por ser esta estación en la que la atmósfera está más
activa dinámicamente y las perturbaciones alcanzan su máxima amplitud; regis-
47
EVALUACIÓN DE LOS MODOS DE VARIABILIDAD
trándose, en consecuencia, las características más pronunciadas del patrón de Osci-

lación del Atlántico Norte, con gran influencia en el clima europeo.
La elección de los modos de variabilidad como herramienta para la evalua-
ción de los modelos climáticos es un enfoque ya abordado por HUTH en 1997 y se
puede justificar por el hecho de que los modos de variabilidad determinan las con-
diciones climáticas locales y sus cambios pueden tener repercusiones importantes en
el estudio de los cambios climáticos futuros. Estos modos de variabilidad se exa-
minarán evaluando, en primer lugar, su variabilidad espacial, es decir, analizando la
intensidad y localización de los centros de anomalías y en segundo lugar las carac-
terísticas de su variabilidad temporal, prestando especial atención al comportamiento
de estadísticos de orden superior (asimetría y curtosis), a las funciones de distribu-
ción de probabilidad y al tiempo de decaimiento (e-folding time). La importancia
de esta evaluación se justifica en que hasta la fecha, son pocos los estudios de eva-
luación que se han realizado considerando dato diario y estadísticos de orden supe-
rior, a pesar de su creciente importancia para una amplia gama de aplicaciones tales
como el cambio climático, control de inundaciones, y la predicción de la demanda
energética, entre otras.
Como ha sido apuntado por STONER ET AL. (2009), la capacidad de los mode-
los de circulación general para simular el clima de una determinada región depende
en gran medida de la habilidad de dichos modelos para reproducir estos modos de va-
riabilidad. La presencia de sesgos en la simulación de algunos de estos modos puede
dar lugar a una descripción menos realista de los climas actuales y futuros. Los cam-
bios en los modos de variabilidad en respuesta al forzamiento antropogénico pueden
conducir a importantes impactos debido a que estos modos dominan la variabilidad
anual a decenal, siendo aún la adaptación a la variabilidad un reto importante en mu-
chas regiones (IPCC, http://www.ipcc-wg2.gov/publications/AR4/index.html). La
respuesta al forzamiento antropogénico se puede presentar como un cambio en su
frecuencia de ocurrencia, posición o intensidad (PALMER, 1999; CORTI ET AL., 1999),
cambios que a su vez pueden alterar las condiciones meteorológicas de superficie en
muchos lugares.
Los resultados de esta evaluación se compararán con los obtenidos por STO-
NER ET AL. (2009); HANDORF Y DETHLOFF (2009) quienes han evaluado el compor-
tamiento de los modelos AR4 del IPCC con respecto a los modos de variabilidad del
Atlántico y Pacífico; y STEPHENSON ET AL. (2006) que han evaluado cómo es la NAO
simulada por los modelos que participaron en el CMIP2 (Coupled Model Inter-
comparison Project).
Esta evaluación, desarrolla con más detalle resultados ya publicados (CASADO
Y PASTOR, 2011), que permiten, en primer lugar, hacer una selección de aquellos mo-
delos AR4 más fiables, en virtud de la mejor simulación de los modos de variabili-
dad y, por tanto, más óptimos para su regionalización y correlación con anomalías
de variables de superficie como la temperatura y la precipitación. En segundo lugar,
ayudan en la comprensión de las proyecciones climáticas y mecanismos subyacen-
tes. Por último, esta evaluación permite considerar una serie de métricas que facili-
tan índices para el “pesado” de los modelos en un enfoque probabilístico en las
proyecciones del cambio climático (KNUTTI ET AL., 2010a).
48
METODOLOGÍA
3.2. DATOS
En este capítulo se han utilizado las siguientes bases de datos:

a) Como dato de referencia observacional, el campo diario de la presión media
reducida al nivel del mar (MSLP, siglas inglesas) del reanálisis del Centro Eu-
ropeo de Predicción a Plazo Medio (ERA40, UPPALA ET AL., 2005) para el pe-
riodo invernal (diciembre, enero y febrero) comprendido entre diciembre de
1980 a febrero de 2000 (un total de 20 inviernos). La elección del periodo in-
vernal se justifica porque, durante esta estación, los procesos advectivos aso-
ciados a la circulación atmosférica a gran escala tienen una influencia
dominante en la distribución espacial y en la variación temporal del clima eu-
ropeo (consultar KÜTTEL ET AL., 2010).
b) Los campos diarios de MSLP simulados por los AOGCMs considerados en el
4.º Informe del IPCC en el mismo periodo invernal (1980, 2000). Los datos de
los modelos AR4 del IPCC los distribuye el “Programa for Climate Model
Diagnosis and Intercomparison” (PCMDI, http://www-pcmdi.llnl.gov); en el
caso de modelos que han contribuido al AR4 con un ensemble de simulacio-
nes, basadas en condiciones iniciales diferentes, se han utilizado las pertene-
cientes al “Run 1”. En este capítulo se han evaluado solo aquellos modelos que
tenían disponible el dato diario de MSLP, resultando ser los siguientes 16 de los
22 modelos descritos en el Anexo A: BCCR-BCM2.0, CCSM3, CGCM3.1(T47),
CGCM3.1(T63), CNRM-CM3, CSIRO-Mk3.0, ECHAM5/MPI-OM,
GFDL-CM2.0, GISS-AOM, INM-CM3.0, MIROC3.2(hires), MIROC3.2(me-
dres), MRI-CGCM2.3.2, PCM, UKMO-HadCM3, UKMO-HadGEM1.
Todos los campos, tanto los procedentes del ERA40 como los de los AOGCMs
del AR4 han sido interpolados a una rejilla común con una resolución latitud longi-
tud de 2,5º × 2,5º. El área de estudio es la región euro-atlántica que se extiende desde
25ºN a 70ºN y desde 45ºO a 50ºE.
3.3. METODOLOGÍA
Los modos de variabilidad se han calculado aplicando el Análisis en Componentes

Principales (PCA, siglas en inglés), siguiendo el mismo procedimiento y notación
descrito en CASADO ET AL. (2008). Para ello, se parte de la ecuación Z = FAT, siendo
Z la matriz de los datos de entrada (N*n), con N número de observaciones (días) y
n número de variables (puntos de rejilla); F la matriz (N*n) de las amplitudes de las
componentes principales (cples); y A la matriz (n*n) de las Funciones Ortogonales
Empíricas (EOFs, siglas en inglés). Los EOFs son los vectores propios de la matriz
de covarianza. Los vectores propios se ordenan según un criterio de varianza de-
creciente, así el primer vector propio será el que explique la mayor parte de la va-
rianza, y los siguientes serán ortogonales a los anteriores. Los valores propios
representan la varianza explicada por cada componente principal.
En este estudio la matriz Z corresponde a las anomalías diarias de la presión
al nivel del mar (MSLP) y el PCA se ha aplicado a la matriz de covarianza en la que
49
cada elemento de dicha matriz, se ha multiplicado por el coseno normalizado de la

latitud del punto de rejilla correspondiente para compensar el tamaño menor de la
rejilla con las latitudes crecientes. Los datos de entrada pueden especificarse de di-
versas maneras según qué magnitudes se traten como observaciones y cuáles como
variables (RICHMAN, 1986). En el caso de campos meteorológicos se tienen solo dos
posibilidades, considerar los puntos de rejilla como variables y los pasos de tiempo
como observaciones, esto corresponde al modo S, el contrario corresponde al modo
T. En este capítulo se ha considerado el modo S, que agrupa puntos que varían de
igual manera con el tiempo, por el contrario el modo T agrupa días con patrones es-
paciales similares.
Una debilidad de este análisis radica en el hecho de que por construcción, los
patrones espaciales resultantes son ortogonales, para soslayar este problema se ha
aplicado una rotación ortogonal, varimax (RICHMAN, 1986), para lo cual los EOFs
han sido previamente renormalizados. Con la rotación las áreas de máxima variabi-
lidad tienden a estar más concentradas, lo que facilita la interpretación de los patro-
nes espaciales. Para determinar el número de modos a rotar, r, se ha hecho uso del
diagrama LEV (log-eigenvalues, (log-valores propios)) (Figura 3.1) y se ha apli-
cado a la base de datos de referencia ERA40. En esta Figura se representa el loga-
ritmo de los valores propios de ERA40 con respecto al número de componentes
principales en orden decreciente. Este diagrama se basa en que los valores propios
que representan “ruido” decaen en progresión geométrica formando una línea recta
en dicho diagrama. El número r queda determinado por aquellos valores propios que
quedan extrapolando hacia la izquierda esta línea recta (WILKS, 2006). De la Figura
3.1 se deduce que esta característica la cumplen los 4 primeros modos. Estos 4
modos explican el 69 % de la varianza total en ERA40.
Figura 3.1. Diagrama Log-eigenvalue (LEV).
50
RESULTADOS
3.4. RESULTADOS
3.4.1. Análisis espacial de los modos de variabilidad

En esta sección se realiza un análisis de la estructura espacial de los modos de va-
riabilidad del ERA40 y de los 16 modelos considerados. Previamente, se presentan
los resultados de una evaluación en la que se analiza cómo reproducen los modelos
AR4 la circulación invernal del clima presente en el área euroatlántica considerada.
Para evaluar la capacidad de los modelos de reproducir la circulación invernal,
se han calculado el campo medio y desviación estándar (Anexo E, Figuras E.1 y E.2)
de MSLP del ERA40 y se han analizado: a) la distribución espacial del sesgo esta-
cional entre el campo medio de la MSLP de los modelos y del ERA40, (modelos
AR4-ERA40), Figura E.3 del Anexo E) y b) la distribución espacial de la razón entre
sus respectivas desviaciones estándar (σmodelo/σERA40), (Figura E.4 del Anexo E).
a) En el invierno, los modelos reproducen con bastante fiabilidad los grandes
rasgos de la circulación. Los modelos que presentan menos sesgo son: UKMO-
HadGEM1, CGCM3.1(T47), CGCM3.1(T63) y MIROC3.2(hires). Todos los
modelos, salvo UKMO-HadGEM1 y los dos CGCM3.1, presentan sesgo ne-
gativo en Europa central, con valores que oscilan entre –12 hPa (CCSM3 y
GISS-AOM) y –2 hPa (MIROC3.2(hires)); en el caso del PCM este sesgo está
desplazado hacia el norte. Los valores con sesgo positivo se localizan en las
altas latitudes, salvo para el CCSM3 y INM-CM3.0, estos valores oscilan entre
+12 hPa (CSIRO-Mk3.0) y +2 hPa (CGCM3.1(T63)) (véase Figura E.3 del
Anexo E).
b) Con respecto a la razón entre las respectivas desviaciones estándar, los modelos
CCSM3, CGCM3.1(T47), CGCM3.1(T63), ECHAM5/MPI-OM, GFDL-CM2.0,
PCM y UKMO-HadGEM1 presentan valores superiores a uno, prácticamente en
todo el dominio, mientras que el resto de los modelos tienden a subestimar en altas
latitudes y sobrestimar en el resto (véase Figura E.4 del Anexo E).
Los modos de variabilidad del ERA40 y de los 16 modelos AR4 del IPCC se
han calculado aplicando la metodología anteriormente descrita. Se han obtenido e
identificado los siguientes cuatro modos en todos los conjuntos de datos considera-
dos: la Oscilación del Atlántico Norte (NAO), el modo Escandinavo (SCAND), el
modo Este del Atlántico (EA) y el modo Este del Atlántico/Oeste de Rusia (EA/WR).
A continuación se resumen las principales características de estos modos de
variabilidad:
• NAO, modo localizado al norte del océano Atlántico. Se caracteriza por pre-
sentar bajas anomalías negativas de la presión al nivel del mar sobre Groen-
landia e Islandia y altas anomalías positivas sobre los 40ºN en el océano
Atlántico y oeste de Europa.
• SCAND, modo Escandinavo. Se caracteriza por presentar un importante cen-
tro de anomalías sobre Escandinavia y un centro más débil sobre Europa oc-
cidental de signo contrario.
• EA, modo Este del Atlántico. Consiste en un dipolo norte-sur de anomalías sobre
el Atlántico norte. Es un modo similar a la NAO pero desplazado hacia el SE.
51
• EA/WR, modo Este del Atlántico/Oeste de Rusia (EA/WR). Se caracteriza

por presentar dos centros importantes de anomalías de signo contrario locali-
zados sobre el mar Caspio y oeste de Europa.
En la Figura 3.2 se representan los modos de variabilidad del ERA40 en su fase
positiva, mostrando una clara correspondencia con los obtenidos en la literatura con
dato mensual para el invierno (WALLACE Y GUTZLER, 1981; BARNSTON Y LIVEZEY,
1987; BELL Y HALPERT, 1995). En este estudio la varianza explicada es menor por
haber utilizado dato diario.
Los modos de variabilidad obtenidos para los 16 modelos del AR4 (ver Fi-
gura F.1 del Anexo F) presentan, en general, gran similitud con los correspondien-
tes del ERA40. Resultado que coincide con el de STONER ET AL. (2009) en el que, en
general, la NAO, único modo de variabilidad común en ambos estudios, es repro-
ducida por los 22 modelos del AR4 que se consideran en su artículo y con el de STE-
PHENSON ET AL. (2006) en el que se evalúa cómo es simulada la NAO en los modelos
que participaron en el CMIP2 (Coupled Model Intercomparison Project). Por el con-
trario en HANDORF Y DETHLOFF (2009), artículo en el que se evalúan los modos he-
misféricos de variabilidad del Pacífico y Atlántico para 4 modelos del AR4:
ECHAM5/MPI-OM, UKMO-HadCM3, NCAR-CCSM3 y CGCM3.1(T63), solo
dos de estos modelos: UKMO-HadCM3 y CGCM3.1(T63) simulan sobre el Atlán-
tico una estructura bipolar que parece corresponderse con el modo EA.
Para analizar, con más detalle, las posibles diferencias en la posición de los cen-
tros de acción y su intensidad se ha calculado el coeficiente de correlación lineal de
Pearson (WILKS, 2006) entre los EOFs rotados de los 16 modelos del AR4 del IPCC y
los correspondientes del ERA40. Como se observa en la Figura 3.3, todos los modelos
presentan en general correlaciones bastante altas, comprendidas entre 68,7 % y 99,5 %
para los 4 modos. Las correlaciones son significativas al nivel de confianza del 99 %.
El SCAND es el modo que presenta un mayor número de modelos con las correlacio-
nes más altas mientras que el EA/WR muestra, en general, las correlaciones más bajas.
En la Tabla 3.1 se muestra el ranking de los modelos atendiendo al valor del coeficiente
de correlación. Se utiliza el código tercílico tipo semáforo, en el que los cinco modelos
con mejor correlación se presentan en color verde, los cinco con peor correlación en
color rojo y los 6 modelos restantes en color amarillo. Los modelos CGCM3.1 (T63) y
CGCM3.1 (T47) son aquellos que muestran las correlaciones más altas, mientras que,
por el contrario, el GISS-AOM presenta las más bajas para los 4 modos de variabilidad.
Comparando nuestros resultados con los obtenidos por STONER ET AL. (2009)
en su Figura 9, y centrándonos en la NAO, que es el único modo de variabilidad
común en ambos estudios, se observa que los modelos BCCR-BCM2.0, GISS-AOM
y MIROC3.2(hires) son los únicos que en ambos estudios presentan un mal com-
portamiento. Sin embargo, modelos como CSIRO-Mk3.0, MRI-CGCMM2.3.2 y
PCM, mal calificados en este estudio, no lo son en el de STONER ET AL. (2009). Es
preciso señalar que en nuestro estudio se ha utilizado el dato diario de la MSLP
mientras que en STONER ET AL. (2009) se ha considerado el dato mensual de altura
de geopotencial de 500 hPa.
En la Figura 3.4 se muestra la razón de la desviación estándar de los modelos del
AR4 con respecto al ERA40, (σmodelo/σERA40). Los modos NAO y SCAND son los
que presentan para todos los modelos, en general, valores más próximos a uno. El modo
52
RESULTADOS
EA/WR subestima, en general, mientras que el modo EA presenta valores superiores a

uno salvo para los modelos CNRM-CM3, ECHAM5/MPI-OM y GISS-AOM. La Tabla
3.2 muestra el ranking de los modelos atendiendo al valor de la razón de la desviación
estándar. El modelo CGCM3.1(T63) es el único que presenta color verde para los cua-
tro modos, seguido del PCM y UKMO-HadGEM1 con tres modos en color verde, mien-
tras que el MIROC3.2(hires) es el único que muestra color rojo para los cuatro modos.
Para analizar, con más detalle, las principales diferencias entre el ERA40 y
los modelos del AR4, se ha hecho uso del diagrama de Taylor (TAYLOR, 2001) (Fi-
gura 3.5a-d). Este conjunto de diagramas, uno por modo de variabilidad, permite
visualizar de forma conjunta los dos estadísticos analizados anteriormente y la raíz
del error cuadrático medio centrado. Al comparar la Figura 3.5a con la correspon-
diente obtenida por HANDORF Y DETHLOFF (2009) para la NAO, utilizando datos
mensuales y solo 4 modelos, se observa un claro acuerdo en las correlaciones, es-
tando estas comprendidas entre 90 % y 95 %.
Con respecto a la varianza explicada, la Tabla 3.3 y Figura 3.6 muestran la va-
rianza explicada (%) por cada modo y la varianza total, para el ERA40 y cada uno
de los 16 modelos AR4 considerados. Con respecto a la varianza total explicada, 11
de los 16 modelos muestran valores comprendidos entre el 66 % y 70 %, siendo de
69 % la correspondiente del ERA40. Los cinco modelos restantes: CSIRO-Mk3.0,
UKMO-HadCM3, MIROC3.2(medres), GISS-AOM y GFDL-CM2.0 muestran los
mayores sesgos con valores de la varianza total comprendidos entre 61 % y 65 %.
Analizando la varianza explicada para cada modo, se observa que para la NAO
todos los modelos subestiman la varianza explicada respecto al ERA40, contraria-
mente a los resultados de STONER ET AL. (2009) donde la mayoría de los modelos so-
brestiman la varianza explicada. En el SCAND, todos los modelos, en general,
subestiman, salvo el CCSM3 y CNRM-CM3. En el EA todos los modelos sobresti-
man, salvo el GFDL-CM2.0 y UKMO-HadGEM1. En el EA/WR todos los mode-
los sobrestiman salvo el CGCM3.1(T63), CNRM-CM3, GISS-AOM y
UKMO-HadCM3 que subestiman. La Tabla 3.4 muestra para cada uno de los modos
de variabilidad, el ranking de los modelos atendiendo al valor absoluto del sesgo de
la varianza explicada. Análogamente a la Tabla 3.3, anteriormente mencionada, los
cinco modelos con menores diferencias respecto a la varianza explicada por el ERA40
se presentan en color verde, los cinco con mayores diferencias en color rojo y los 6
modelos restantes en color amarillo. Los modelos CGCM3.1(T63) y UKMO-Had-
GEM1 son los que presentan las varianzas más próximas al ERA40 para todos los
modos mientras que el GISS-AOM es el modelo que presenta los sesgos mayores.
Al comparar estos resultados relativos a la varianza explicada correspondiente
a la NAO con los obtenidos por STONER ET AL. (2009), ambos estudios coinciden en
que las mayores diferencias con el ERA40 se observan en los modelos BCCR-
BCM2.0 y GISS-AOM. Sin embargo, discrepan en el modelo MIROC3.2(medres),
ya que en este estudio es uno de los modelos con mayores diferencias respecto a la
varianza explicada del ERA40 mientras que es uno de los que presenta menores di-
ferencias en STONER ET AL. (2009). Estas diferencias pueden ser debidas a la diferente
resolución temporal y a las diferentes áreas geográficas consideradas en ambos es-
tudios, reflejando en consecuencia el gran impacto del área seleccionada en los es-
tudios de evaluación.
53
NAO SCAND EA EA/WR

BCCR-BCM2.0
CCSM3
CGCM3.1 (T47)
CGCM3.1 (T63)
CNRM-CM3
CSIRO-Mk3.0
ECHAM5/MPI-OM
GFDL-CM2.0
GISS-AOM
INM-CM3.0
MIROC3.2(hires)
MIROC3.2(medres)
MRI-CGCM2.3.2
PCM
UKMO-HadCM3
UKMO-HadGEM1
Tabla 3.1. Ranking de los modelos con respecto al coeficiente de correlación. Mejor correlación
(color verde), peor correlación (color rojo).
σmodelo/σERA40 NAO SCAND EA EA/WR

BCCR-BCM2.0
CCSM3
CGCM3.1 (T47)
CGCM3.1 (T63)
CNRM-CM3
CSIRO-Mk3.0
ECHAM5/MPI-OM
GFDL-CM2.0
GISS-AOM
INM-CM3.0
MIROC3.2(hires)
MIROC3.2(medres)
MRI-CGCM2.3.2
PCM
UKMO-HadCM3
UKMO-HadGEM1
Tabla 3.2. Ranking de los modelos con respecto a la razón de la desviación estándar (σmodelo/σERA40).
Valores más próximos a uno (color verde), más alejados (color rojo).
54
RESULTADOS
Varianza explicada (%)

NAO SCAND EA EA/WR TOTAL
ERA40 20,8 19,3 15,2 13,7 69,0
BCCR-BCM2.0 16,7 16,0 15,7 18,7 67,1
CCSM3 18,6 19,6 15,6 16,1 69,9
CGCM3.1(T47) 18,7 15,7 15,8 16,5 66,7
CGCM3.1(T63) 19,7 18,9 15,7 13,5 67,8
CNRM-CM3 12,6 22,6 21,4 12,0 68,6
CSIRO-Mk3.0 16,9 14,4 15,6 14,4 61,3
ECHAM5/MPI-OM 16,4 19,1 18,3 13,9 67,7
GFDL-CM2.0 19,5 15,6 14,4 14,9 64,4
GISS-AOM 15,0 14,1 25,1 9,6 63,8
INM-CM3.0 19,5 15,9 15,6 17,2 68,2
MIROC3.2(hires) 17,4 16,0 17,9 15,0 66,3
MIROC3.2(medres) 15,8 14,4 16,1 15,8 62,1
MRI-CGCM2.3.2 18,7 12,8 20,5 17,9 69,9
PCM 17,4 18,3 17,6 14,2 67,5
UKMO-HadCM3 17,8 14,0 17,0 13,0 61,8
UKMO-HadGEM1 20,1 19,2 15,0 14,1 68,4
Tabla 3.3. Porcentaje de varianza explicada (%) por ERA40 y los modelos AR4.
NAO SCAND EA EA/WR

BCCR-BCM2.0
CCSM3
CGCM3.1 (T47)
CGCM3.1 (T63)
CNRM-CM3
CSIRO-Mk3.0
ECHAM5/MPI-OM
GFDL-CM2.0
GISS-AOM
INM-CM3.0
MIROC3.2(hires)
MIROC3.2(medres)
MRI-CGCM2.3.2
PCM
UKMO-HadCM3
UKMO-HadGEM1
Tabla 3.4. Ranking de los modelos con respecto al sesgo de la varianza explicada. Valores más pró-
ximos al ERA40 (color verde), más alejados (color rojo).
55
Figura 3.2. Los cuatro modos de variabilidad del ERA40. Entre paréntesis la varianza explicada por
cada modo.
Figura 3.3. Coeficiente de correlación (%) entre los modelos AR4 y ERA40.
Figura 3.4. Razón de la desviación estándar (σmodelo/σERA40) entre los modelos AR4 y ERA40.
56
RESULTADOS
Figura 3.5. Diagramas de Taylor en los que se comparan los patrones espaciales del ERA40 (Ref) y los
16 modelos AR4 (letras coloreadas) para los cuatro modos de variabilidad: a) NAO, b) SCAND, c) EA
y d) EA/WR. La distancia radial desde el origen es proporcional a la razón de la desviación estándar
(σmodelo/σERA40). La correlación entre cada modelo y ERA40 es la posición azimutal. El error cuadrá-
tico medio de la diferencia entre el modelo y el campo de referencia es proporcional a su distancia.
Figura 3.6. Porcentaje de varianza explicada (%) por ERA40 y los modelos AR4.
57
3.4.2. Análisis temporal de los modos de variabilidad

El objetivo específico de esta sección es la evaluación de los modelos seleccionados
para cada modo de variabilidad, centrándonos en aspectos ligados al comportamiento
temporal. Para ello, se han utilizado las componentes principales rotadas de los modos
de variabilidad del ERA40 y las de los 16 modelos del AR4 del IPCC. Las compo-
nentes principales representan la intensidad de los modos de variabilidad y han sido
estandarizadas. Para establecer un ranking de los modelos, se han comparado las dos
series temporales, correspondientes al ERA40 y a cada uno de los modelos.
En el campo de la investigación climática, la comparación de dos series tem-
porales es una tarea básica y en general se ha limitado a la comparación de sus me-
dias y varianzas. A este respecto, PERKINS ET AL. (2007) recordaron que la necesidad
de examinar estadísticos climáticos distintos de la media no era nueva pero que, sin
embargo, el número de análisis que habían evaluado directamente la habilidad de los
modelos climáticos para simular otros estadísticos distintos de la media y de la des-
viación estándar en escalas temporales de días era muy escaso.
En esencia, la evaluación aquí realizada sigue la misma metodología que en
PERKINS ET AL. (2007) y PERKINS Y PITMAN (2009), quienes justificaron la gran ven-
taja que suponía en la evaluación de modelos climáticos, apoyarse en métricas ob-
tenidas de las funciones de densidad de probabilidad (PDF) estimadas a partir de
datos diarios. El proceso ha sido el siguiente: en primer lugar, se han calculado las
PDFs y los parámetros de forma (coeficientes de asimetría y curtosis), en segundo
lugar, se ha utilizado una medida cuantitativa sencilla que trata de recoger el mayor
o menor acierto con el que cada modelo climático es capaz de captar la función de
densidad de probabilidad del ERA40. En la exploración y comparación de las PDFs,
se ha optado por los métodos no paramétricos, debido a que al estar basados en hi-
pótesis de partida menos restrictivas que los paramétricos, gozan de mayor flexibi-
lidad. Por último, se han estimado las escalas temporales asociadas a cada modo de
variabilidad, basándose en el cálculo de los tiempos de decaimiento o decorrelación
(e-folding times, de sus siglas en inglés).
No resulta superfluo insistir en que dos distribuciones se pueden comparar
gráficamente mediante la representación de las funciones de densidad, tales como
histogramas o q-q plots. Las inferencias relativas a las semejanzas entre distribu-
ciones de variables meteorológicas se han llevado a cabo tradicionalmente con ayuda
de tests estadísticos paramétricos tales como el test t para la igualdad de medias, o
el test F para la igualdad de varianzas. Sin embargo, como apuntaron FERRO ET AL.
(2005) estos tests se apoyan en hipótesis de distribución muy exigentes y restricti-
vas, de forma que su rendimiento ‘performance’ es muy sensible al cumplimiento de
esas hipótesis, ofreciendo una visión limitada y parcial de cómo difieren las distri-
buciones, precisamente cuando sería de gran utilidad, disponer de más detalle. Por
ejemplo, mientras el test t no es capaz de detectar cambios en escala, el test F no de-
tecta cambios de posición, teniendo ambos poca potencia si las distribuciones no
son normales.
La Figura 3.7 representa las PDFs del ERA40 y de los modelos AR4 para los
cuatro modos de variabilidad. Su empleo se justifica al permitir una evaluación más
58
RESULTADOS
completa de la simulación del rango completo de las observaciones en escalas de

tiempo diarias. Las PDFs se han estimado mediante un procedimiento no paramé-
trico utilizando un kernel gaussiano (SILVERMAN, 1986) con un parámetro de suavi-
zamiento de 0,25. Las características más notables de la forma de las PDFs se
refieren a la bimodalidad de la NAO en ERA40, no captada por los modelos AR4,
mientras que ocho de los modelos AR4 muestran bimodalidad para el EA, una ca-
racterística no observada en ERA40. Con respecto a los modos EA/WR y SCAND,
las PDFs del ERA40 tienden a presentar distribuciones más apuntadas que las ob-
servadas en la mayoría de los modelos, especialmente en el modo EA/WR.
Las características de las series temporales se han evaluado atendiendo a su
desviación del comportamiento gaussiano. Estas desviaciones se han medido con-
siderando los coeficientes de asimetría b1 y de curtosis (b2-3) definidos como:
siendo mk el momento k respecto a la media. El coeficiente b1 mide la asimetría de

la distribución de la probabilidad respecto a la media, mientras que la curtosis mide
su aplanamiento (JOLLIFFE Y STEPHENSON, 2003). Un coeficiente de asimetría posi-
tivo indica que los valores extremos tienden a ser más positivos que negativos, lo que
significa que la distribución tiene una cola más larga hacia la derecha y viceversa en
el caso de coeficiente de asimetría negativo. Como indica GARCÍA PÉREZ (1992), el
coeficiente de curtosis (b2-3), mide si los datos, y en consecuencia la distribución de
la que proceden, tiene colas menores que la normal (b2 > 0, alargamiento de la dis-
tribución), mayores que la normal (b2 < 0, aplanamiento de la distribución) o apro-
ximadamente normales (b2 ~ 0). JOLLIFFE Y STEPHENSON (2003) matizan a su vez
que la curtosis mide la frecuencia relativa de los sucesos raros con respecto a la des-
viación estándar.
La Tabla 3.5 muestra los coeficientes de asimetría y curtosis de las series tem-
porales asociadas a los modos de variabilidad del ERA40 y a la de los modelos con-
siderados.
Centrándonos en primer lugar, en el coeficiente de asimetría, se observa que
el ERA40 muestra una asimetría positiva para los modos NAO, SCAND y EA y ne-
gativa para el modo EA/WR. En la NAO, esta asimetría positiva ha sido también re-
ferenciada por STEPHENSON ET AL. (2006) ya que el período 1986-1998 se ha
caracterizado por ser de un índice alto de la NAO, estando los centros de acción de
la NAO localizados más al este de la posición correspondiente a un índice bajo de
la NAO. Existen 12 modelos que reproducen esta asimetría positiva, siendo el
MIROC3.2(medres) el modelo que muestra mayor similitud con el ERA40. Para el
SCAND, la asimetría positiva del ERA40 es captada por 13 modelos. El modelo
que muestra mayor similitud con el ERA40 es el CCSM3, existiendo una clara so-
brestimación de la asimetría positiva en el modelo CNRM-CM3. El modelo BCCR-
BCM2.0 presenta una asimetría negativa bastante notable. Para el EA, existen 7
modelos con asimetría positiva como el ERA40, siendo CCSM3 el modelo más se-
mejante al ERA40. Los modelos GISS-AOM y MRI-CGCM2.3.2. muestran bas-
tante asimetría negativa. Por último, para el EA/WR, hay 13 modelos que captan el
59
tipo de asimetría mostrado por el ERA40, siendo el CCSM3 y el UKMO-HadGEM1,

los modelos más similares al ERA40. A modo de síntesis, los modelos más próxi-
mos al ERA40 son para la NAO, MIROC3.2(medres) y CCSM3 para los restantes
modos de variabilidad.
Respecto al coeficiente de curtosis (Tabla 3.5), se observa que la NAO y el EA
en ERA40 tienen una distribución platicúrtica, esto es, una distribución con un valor
de exceso de curtosis negativa; situación que es reproducida en ambos casos por 14
de los 16 modelos. En el SCAND y el EA/WR, el ERA40 muestra unas distribu-
ciones leptocúrticas, esto es, distribuciones con un valor de exceso de curtosis po-
sitiva, tan solo reproducida por dos modelos en el modo SCAND y uno en el
EA/WR. A modo de síntesis, los modelos más similares al ERA40 son: para la NAO,
ECHAM5/MPI-OM y CCSM3, para el SCAND, INM-CM3.0, para el EA, GISS-
AOM y MRI-CGCM2.3.2 y finalmente, para el EA/WR, PCM.
Para sintetizar se ha recurrido a la representación de los diagramas de cajas de
los coeficientes de asimetría y curtosis (Figuras 3.8 y 3.9 respectivamente). Según
se desprende del análisis de la Figura 3.8, relativo al coeficiente de asimetría, se ob-
serva que en los modos NAO, SCAND y EA, el valor del ERA40, que es positivo,
queda comprendido entre el tercer cuartil y el máximo del conjunto de los modelos
destacándose la gran distancia existente entre el tercer cuartil y el máximo para el
SCAND. En el caso del EA/WR, el valor del ERA40 es negativo, aproximándose al
mínimo del conjunto de los modelos. En los modos NAO y EA/WR, las medianas
ocupan una posición simétrica en las cajas respectivas contrariamente a lo obser-
vado en los modos SCAND y EA.
Analizando la Figura 3.9, relativa al coeficiente de curtosis, se observa que
para los modos SCAND y EA/WR, el valor del ERA40 está comprendido entre el
tercer cuartil y el máximo del conjunto de los modelos mientras que para los otros
modos se observa que para la NAO, el valor del ERA40 se localiza entre el primer
cuartil y la mediana del conjunto de los modelos y en el EA, el valor del ERA40 se
sitúa entre el mínimo y el primer cuartil del conjunto de los modelos, estando muy
próximo a la posición del primer cuartil. Análogamente al análisis del coeficiente
de asimetría, en el modo SCAND es notable la distancia entre el tercer cuartil y el
máximo. En todos los modos se observa que las medianas no ocupan una posición
simétrica en las cajas respectivas, situándose, en general, hacia la parte inferior de
las mismas.
Como se ha mencionado en párrafos anteriores, los tests estadísticos sencillos
basados en la comparación de medias y desviaciones estándares no exploran la dis-
tribución completa de los datos, por tanto, la reproducción precisa de la media y va-
rianza de una variable no implica necesariamente la plena confianza en los
momentos de orden superior (HASSON ET AL., 2009). Debido a que estos momentos
de orden superior serán cada vez más habituales y convenientes en ciertos estudios
de impacto, como sucede, por ejemplo, en el estudio de extremos, donde el com-
portamiento de las colas de la distribución, aunque esencial, está frecuentemente
ausente o insuficientemente tratado en muchos estudios estadísticos; se ha intentado
recurrir, en consecuencia, a la utilización de tests estadísticos más complejos para
consolidar o reforzar nuestra evaluación de modelos.
60
RESULTADOS
Para completar nuestra comparación de las PDFs de los modos de variabilidad

se ha recurrido al contraste de Kolmogorov-Smirnov (KS) para dos muestras (WILKS,
2006) ya que permite evaluar de una manera objetiva la capacidad de los modelos
de reproducir las PDFs de los modos de variabilidad correspondientes al ERA40. Al
tratarse de un método no paramétrico, contrariamente a la mayoría de los tests de
ajustes de distribución de datos, este test no hace ninguna suposición acerca de la dis-
tribución de los mismos, permitiendo explorar y comparar las diferencias entre pares
de PDFs. El test KS se basa en el cálculo del estadístico Ds, conocido también como
distancia de Smirnov. Ds se define como la distancia vertical máxima entre las fun-
ciones de distribución acumuladas empíricas de dos conjuntos de datos (modelo y
ERA40). Este valor de Ds nos va a permitir, en primer lugar, establecer para cada
modo de variabilidad un ranking entre los modelos, correspondiendo la mejor pun-
tuación (“skill score”) al valor más pequeño del estadístico Ds y, por otra parte, eva-
luar el rechazo de la hipótesis nula de que las muestras de los dos conjuntos de datos
pertenecen a la misma distribución si:
siendo α = 0,05 el nivel de significación elegido en este estudio. Como se menciona

en WILKS (2006), el test es unilateral porque aparece el valor absoluto en la expre-
sión del estadístico Ds. Las PDFs de los modelos AR4 y del ERA40 difieren al nivel
del 5 % para todos los modos de variabilidad.
Analizando para cada modo de variabilidad, los valores del estadístico Ds se
comprueba (no se muestra), que aunque el rango de variación de Ds no sea dema-
siado amplio, sirve para discriminar el comportamiento de los distintos modelos.
Este estadístico ha sido empleado por HASSON ET AL. (2009) utilizando como varia-
bles la precipitación y la temperatura máxima sobre el sureste de Australia. PERKINS
ET AL. (2007) introdujeron una métrica muy similar basada en las PDFs para evaluar
modelos climáticos. En ambos casos, lo más reseñable es que la métrica tiene la
gran ventaja de medir la capacidad de un modelo para similar las colas de la distri-
bución.
En la Tabla 3.6, se muestra el ranking de los modelos para cada modo de va-
riabilidad. Centrándonos en el comportamiento específico de cada modo de varia-
bilidad, observamos que para la NAO, los mejores modelos son: PCM,
BCCR-BCM2.0, CSIRO-Mk3.0 y los peores: CNRM-CM3, MIROC3.2(medres) y
GFDL-CM2.0. Para el SCAND, los mejores modelos son: CCSM3, PCM y BCCR-
BCM2.0 y los peores: GFDL-CM2.0, CSIRO-Mk3.0 y UKMO-HadGEM1. Para el
EA, los mejores modelos son: BCCR-BCM2.0, CCSM3 y GFDL-CM2.0 mientras
que los peores son: MIROC3.2(hires), CGCM3.2(T47) y MIROC3.2(medres). Por
último para el EA/WR, los mejores modelos son: CCSM3, BCCR-BCM2.0 e INM-
CM3.0 y los peores: PCM, CNRM-CM3 y CGCM3.1(T63). Respecto a la métrica
Ds, considerando todos los rankings relativos a todos los modos de variabilidad, los
modelos mejores son BCCR-BCM2.0, CCSM3 y PCM, mientras que los peores son
CNRM-CM3, MIROC3.2(medres) y GISS-AOM.
61
Por último, se ha introducido un análisis adicional aprovechando la disponi-

bilidad de dato diario. Este análisis, basado en el cálculo de los tiempos de decai-
miento (e-folding times), proporciona una estimación para ERA40 y los modelos
del AR4 de las escalas temporales asociadas con cada modo de variabilidad (FELDS-
TEIN, 2000). Esta escala de tiempo característica, también denominada tiempo de
decorrelación, se define como el tiempo necesario para que el coeficiente de auto-
correlación correspondiente al retardo 1 decaiga en un factor de e.
Los tiempos de decaimiento se recogen en la Tabla 3.7. En líneas generales,
los modelos no son capaces de captar de forma precisa estas escalas de tiempo in-
trínsecas, tendiendo a subestimarlas. Este hecho pone de manifiesto que los mode-
los muestran deficiencias cuando simulan los modos de variabilidad y puede que no
puedan reproducir de forma adecuada algunas características dinámicas asociadas a
los mismos. Centrándonos en cada modo de variabilidad, se observa que para la
NAO, los mejores modelos que simulan el tiempo de decaimiento son: CCSM3,
CSIRO-Mk3.0, PCM, CGCM3.1(T63) y UKMO-HadCM3 y los peores: GISS-
AOM, INM-CM3.0, MRI-CGCM2.3.2, BCCR-BCM2.0 y CGCM3.1(T47). Para el
SCAND, los mejores son: CCSM3, PCM, UKMO-HadCM3, CGCM3.1(T63) e
INM-CM3.0 mientras que los peores: GISS-AOM, BCCR-BCM2.0, MRI-
CGCM2.3.2, GFDL-CM2.0 y CSIRO-Mk3.0. Para el EA, los modelos mejores son:
CCSM3, BCCR-BCM2.0, GFDL-CM2.0, UKMO-HadGEM1, CGCM3.1(T63) y
UKMO-HadGEM1 mientras que los peores: MR-CGCM2.3.2, PCM, GISS-AOM,
MIROC3.2(hires) y MIROC3.2(medres). Finalmente, para el EA/WR, los modelos
mejores son: CGCM3.1(T63), CCSM3, MIROC3.2(medres), CNRM-CM3 y PCM
mientras que los peores: BCCR-BCM2.0, MRI-CGCM2.3.2, ECHAM5/MPI-OM,
CGCM3.1(T47) y CSIRO-Mk3.0. De los resultados antes mencionados se concluye
que los modelos CCSM3 y CGCM3.1(T63) son los que poseen las mejores puntua-
ciones en los cuatro modos de variabilidad.
Los tiempos más largos se observan en el SCAND y la NAO, seguidos por el
EA/WR y el EA. Estos resultados muestran un buen acuerdo con los siguientes es-
tudios: a) FELDSTEIN (2000) especialmente por lo que respecta a la NAO, el EA y el
EA/WR si bien, en nuestro trabajo se obtiene una escala de tiempo más larga para
el SCAND; y b) STEPHENSON ET AL. (2000) centrado exclusivamente en el modo
NAO. Ambos estudios muestran una escala temporal de decorrelación de 8-10 días
para NAO; escala temporal que puede considerarse como la escala de tiempo fun-
damental para la componente a corto plazo de la NAO.
Estas escalas temporales de decorrelación son más largas que las escalas tem-
porales asociadas con las ondas de escala sinóptica (~4 días), hecho que apunta a que
los modos de variabilidad tienen una importante componente intramensual que no
es tenida en cuenta cuando se utilizan datos medios mensuales.
62
RESULTADOS
Figura 3.7. PDFs de los modos de variabilidad NAO, SCAND, EA y EA/WR correspondientes al
ERA40 (en rojo) y a los modelos AR4 (en negro).
NAO SCAND EA EA/WR

Asimetría Curtosis Asimetría Curtosis Asimetría Curtosis Asimetría Curtosis
ERA40 0,1736 –,3424 0,1428 0,0231 0,1371 –0,3641 –0,2171 0,0368
BCCR-BCM2.0 0,1010 –,0398 –0,1170 –,4249 0,0352 –,2690 –0,0275 –,4516
CCSM3 0,0886 –,3162 0,1488 –,1027 0,1530 –0,2216 –0,1858 –,2398
CGCM3.1(T47) –0,0475 –,4466 0,0400 –,1079 –0,0104 0,0732 –0,0352 –,3346
CGCM3.1(T63) 0,0754 –,2655 0,0369 –,4193 0,0530 0,0297 –0,1723 –,0422
CNRM-CM3 0,1217 –,0905 0,3575 0,2088 0,0273 –0,0402 –0,1139 –,0189
CSIRO-Mk3.0 0,0164 –,2758 0,1189 –,3754 0,0794 –0,0085 0,0505 –,2254
ECHAM5/MPI-OM 0,0005 –,3542 0,0500 –,3430 –0,1043 –,2497 0,0947 –,1914
GFDL-CM2.0 0,2463 –,1869 0,0398 –,2729 –0,1413 –0,1756 –0,0826 –,2592
GISS-AOM –0,0563 –,0879 0,0003 –,1183 –0,1757 –0,3702 0,0922 –,1480
INM-CM3.0 0,0327 –,4367 0,1682 0,0579 –0,0398 –0,2458 –0,0629 –,2204
MIROC3.2(hires) 0,0764 –,2693 0,1337 –,1541 –0,1050 –,2856 –0,0677 –,1584
MIROC3.2(medres) 0,1869 0,0435 0,0826 –,2456 –0,0680 –0,3777 –0,0936 –,0101
MRI-CGCM2.3.2 –0,0104 –,5408 –0,0354 –,3032 –0,1839 –0,3715 –0,0936 –,3545
PCM 0,1366 0,0659 0,0492 –,3412 0,0521 –0,5514 –0,1628 0,0944
UKMO-HadCM3 0,0742 –,2661 –0,0705 –,2432 –0,0464 –0,2335 –0,0333 –,1623
UKMO-HadGEM1 –0,0045 –,4200 0,1857 –,3771 0,0559 –0,2083 –0,2251 –,1322
Tabla 3.5. Coeficientes de asimetría y curtosis de los modos de variabilidad NAO, SCAND, EA y
EA/WR correspondiente al ERA40 y los modelos del AR4 IPCC.
63
Figura 3.8. Diagrama de cajas del coeficiente Figura 3.9. Como en la Figura 3.8, pero para
de asimetría de los modos de variabilidad NAO, el coeficiente de curtosis.
SCAND, EA y EA/WR correspondiente a los
modelos del AR4. Los valores del ERA40 vie-
nen representados por el círculo rojo.
NAO SCAND EA EA/WR

BCCR-BCM2.0
CCSM3
CGCM3.1(T47)
CGCM3.1(T63)
CNRM-CM3
CSIRO-Mk3.0
ECHAM5/MPI-OM
GFDL-CM2.0
GISS-AOM
INM-CM3.0
MIROC3.2(hires)
MIROC3.2(medres)
MRI-CGCM2.3.2
PCM
UKMO-HadCM3
UKMO-HadGEM1
Tabla 3.6. Ranking de los modelos AR4 considerando el estadístico de Kolmogorov-Smirnov, Ds,
para los modos de variabilidad NAO, SCAND, EA y EA/WR.
64
CONCLUSIONES
Tiempos de decaimiento
NAO SCAND EA EA/WR
ERA40 10,4 11,8 8,6 8,8
BCCR-BCM2.0 7,9 8,2 7,4 6,2
CCSM3 9,4 10,8 7,3 7,7
CGCM3.1(T47) 7,9 10,0 6,7 6,5
CGCM3.1(T63) 9,1 10,3 6,9 7,9
CNRM-CM3 8,2 9,1 6,7 7,3
CSIRO-Mk3.0 9,3 8,9 6,7 6,7
ECHAM5/MPI-OM 8,3 9,9 6,8 6,5
GFDL-CM2.0 8,9 8,7 7,0 7,1
GISS-AOM 7,3 7,9 6,3 6,8
INM-CM3.0 7,6 10,1 6,8 6,9
MIROC3.2(hires) 8,1 9,9 6,3 7,0
MIROC3.2(medres) 8,5 9,8 6,4 7,4
MRI-CGCM2.3.2 7,7 8,6 6,0 6,4
PCM 9,2 10,9 6,5 7,3
UKMO-HadCM3 9,0 10,7 6,8 6,8
UKMO-HadGEM1 8,8 9,1 7,0 7,2
Tabla 3.7. Tiempos de decaimiento (en días) de los modos de variabilidad NAO, SCAND, EA y
EA/WR para ERA40 y los modelos AR4.
3.5. CONCLUSIONES
La evaluación de modelos climáticos respecto a datos de observación proporciona

un análisis de la fiabilidad de los mismos que justificará su posterior empleo en las
evaluaciones de impacto. Aunque los modelos climáticos admiten un amplio abanico
de procedimientos de evaluación, los métodos más usuales se limitan a explorar el
comportamiento del modelo en medias anuales, estacionales y mensuales; escalas
que probablemente no sean las que más afectan a los sistemas humanos, físicos o
biológicos (PERKINS ET AL., 2007). Este estudio está basado en dato diario para evi-
tar la presencia de sesgos que puedan quedar ocultos en el proceso de promediado.
Sus resultados, consistentes con los obtenidos por otros autores utilizando datos
mensuales o estacionales, permiten determinar características temporales de los
modos de variabilidad ligadas a escalas sinópticas.
Un conjunto de 16 modelos del AR4 del IPCC, seleccionados por disponer de
dato diario, se han evaluado atendiendo a la simulación de las características espa-
ciales y temporales de los cuatro modos de variabilidad (NAO, SCAND, EA y
EA/WR), más importantes para el área euroatlántica. La evaluación se ha centrado
en la captación de las varianzas, estructuras espaciales, correlaciones, y en aspectos
relacionados con las funciones de densidad de probabilidad de los modos (PDFs,
65
asimetría, curtosis y métrica obtenida a partir del estadístico del test no paramétrico
de KS), y escalas de tiempo características como los tiempos de decaimiento, com-
parados con los correspondientes al ERA40. Las principales conclusiones que se
han extraído de este capítulo son:
a) En general los 16 modelos AR4 considerados son capaces de reproducir las
principales características espaciales de los modos de variabilidad del ERA40.
La mayoría de los modelos subestiman las varianzas explicadas por la NAO
y el SCAND mientras que sobrestiman para los modos EA y EA/WR; siendo
los modelos CGCM3.1 (T63) y UKMO-HadGEM1 los que presentan valores
más próximos a la varianza explicada del ERA40, mientras que el modelo
GISS-AOM muestra el mayor sesgo para los cuatro modos. Por otro lado, el
SCAND es el modo con mayor número de modelos con las correlaciones es-
paciales más altas, estando estas comprendidas entre 95 % y el 99 %. Para los
modos NAO y EA, los modelos muestran correlaciones de entre el 80 % y el
90 %, mientras que para el EA/WR, un elevado número de modelos muestra
correlaciones en torno al 95 %. Considerando los cuatro modos conjuntamente,
UKMO-HadGEM1, CGCM3.1 (T63) y CGCM3.1 (T47) son los modelos que
muestran las correlaciones más altas, mientras que el GISS-AOM es el que
muestra las más bajas.
b) Con respecto a las características temporales, las diferencias entre la PDF de
cada modo de variabilidad para el ERA40 y los modelos, se han evaluado me-
diante el test no paramétrico de Kolmogorov-Smirnov de 2 muestras, en fun-
ción de la denominada distancia de Smirnov, Ds, que resulta ser significativa
al nivel del 5 %. La forma de las PDFs depende del modelo de variabilidad
considerado. La naturaleza cuantitativa del estadístico Ds ha permitido cuan-
tificar la habilidad de los modelos para simular la función de densidad de pro-
babilidad de cada modo de variabilidad relativa a ERA40. Los modelos
BCCR-BCM2.0, CCSM3 y PCM son los modelos mejores mientras que los
peores son CNRM-CM3, MIROC3.2(medres) y GISS-AOM.
Respecto a los tiempos de decaimiento, utilizados como medidas de escalas de
tiempo características, ninguno de los modelos considerados en este capítulo es
capaz de reproducirlos apropiadamente para los cuatro modos de variabilidad. Los
modelos que muestran los mejores tiempos de decaimiento son CCSM3 y
CGCM3.1(T63).
A modo de resumen, todos los modelos son capaces de simular razonable-
mente bien los cuatro modos de variabilidad, siendo el SCAND el modo mejor si-
mulado espacialmente mientras que los modos mejor simulados atendiendo a sus
características temporales son el SCAND y la NAO. UKMO-HadGEM1 y
CGCM3.1(T63) son los modelos que mejor simulan las características espaciales
mientras que CCSM3 y CGCM3.1(T63) son los modelos mejores con respecto a las
características temporales. GISS-AOM es el modelo con el peor comportamiento
tanto en características espaciales como temporales. En consonancia con los resul-
tados de STONER ET AL. (2009) y STEPHENSON ET AL. (2006), no se ha encontrado
ningún modelo que sobresaliera en su habilidad para reproducir todos los modos de
variabilidad. Se puede aceptar que los modelos AR4 considerados han mostrado ha-
66
CONCLUSIONES
bilidad en reproducir correctamente las propiedades espaciales de variabilidad, como

ya habían apuntado CASSOU Y GUILYARDI, (2007) con respecto al modo NAO.
De acuerdo con ERRASTI ET AL. (2011) y KNUTTI ET AL. (2010b), podemos con-
cluir que los rankings de los modelos muestran una gran dependencia de la región,
variables y métricas seleccionadas en la evaluación de los modelos; sin olvidar, por
otra parte, que la elección de los modelos “mejores” dependerá en gran medida de
las aplicaciones específicas diseñadas por los usuarios.
67
4.
Evaluación de los Tipos de Circulación
4.1. Introducción
4.2. Datos
4.3. Metodología
4.4. Resultados
4.4.1. Análisis espacial de los Tipos de Circulación
4.4.2. Análisis temporal de los Tipos de Circulación
4.4.2.1. Frecuencias de los Tipos de Circulación
4.4.2.2. Tiempo medio de residencia de los Tipos de Circulación
4.4.2.3. Características de los eventos
4.4.2.4. Transiciones y su predecibilidad
4.5. Conclusiones
INTRODUCCIÓN
4.1. INTRODUCCIÓN
Durante los últimos decenios junto a la conciencia creciente del cambio climático se
ha asistido casi paralelamente a un renacer en la investigación de la climatología si-
nóptica. Actualmente existe un número creciente de estudios que tratan de relacio-
nar las tendencias climáticas y la variabilidad de la circulación atmosférica en escalas
de tiempo sinópticas, que pueden describirse de diferentes maneras, como queda
ampliamente reflejado en el gran número de diferentes clasificaciones basadas en la
circulación atmosférica (HUTH ET AL., 2008). En términos generales, clasificación
significa agrupar en clases o “conglomerados” entidades que comparten caracterís-
ticas comunes en cada grupo y presentan grandes diferencias entre los distintos gru-
pos resultantes de la clasificación.
Las clasificaciones de los regímenes de circulación a escala de tiempo sinóptica
se introdujeron originalmente como un intento para relacionar los patrones persisten-
tes y recurrentes con la dinámica atmosférica a escala planetaria o sinóptica (RHEIN-
HOLD Y PIERREHUMBERT, 1982). Poco tiempo después, se sugirió, por vez primera, que
los regímenes de flujo podrían estar asociados con algunas propiedades del atractor at-
mosférico a gran escala, en concreto, con los puntos fijos inestables de la dinámica at-
mosférica (LEGRAS Y GHIL, 1985). Más recientemente, las clasificaciones sinópticas de
los regímenes de circulación se han utilizado para inferir las probabilidades de suce-
sos extremos. A este respecto, las conexiones entre regímenes de tiempo y episodios
de extremos a escala local se han examinado en distintas zonas de las regiones de la-
titudes medias (ROBERTSON Y GHIL, 1999; YIOU Y NOGAJ, 2004; CASSOU ET AL., 2005).
Centrándonos en Europa, más concretamente en el área mediterránea, HERTIG
ET AL. (2010) subrayan que debido a la gran variabilidad climática de las latitudes
subtropicales y a la compleja topografía de la región mediterránea, esta área se ve
afectada tanto por los eventos fríos —especialmente durante los meses invernales—
como por las condiciones extremas muy cálidas, principalmente durante los meses
estivales. Por otra parte, como apunta GIORGI (2006), el cambio climático futuro
afectará más al área mediterránea que a otras regiones del globo.
En este contexto, la posibilidad de emplear métodos sinópticos con los datos
de reanálisis y/o salidas de los AOGCMs para estudiar las características del clima
puede ser una vía muy prometedora. Especialmente en la última década, se ha re-
conocido que los procedimientos de clasificación de la circulación constituyen una
herramienta innovadora en la evaluación de los modelos climáticos desde un punto
de vista sinóptico. Por otra parte, dada la necesidad creciente de las evaluaciones de
impacto del cambio climático tanto a escala regional como local, este enfoque si-
nóptico se revela de gran utilidad al tratar de escoger los modelos más apropiados
para posteriores estudios de reducción de escala (downscaling) y/o de combinación
ponderada de miembros en un ensemble multimodelo. Sin embargo, hasta el pre-
sente el número de estudios dedicados a examinar la forma y el grado en que los
modelos reproducen los Tipos de Circulación (TC) es relativamente escaso desta-
cando los realizados por SHERIDAN Y LEE (2010) y los estudios de: HUTH (1997 Y
2000), LAPP ET AL. (2002), MCKENDRY ET AL. (1995 Y 2006), SCHOOF Y PRYOR
(2006), STAHL ET AL. (2006), CASSANO ET AL. (2006), BRUNET ET AL. (2008), HAN-
71
EVALUACIÓN DE LOS TIPOS DE CIRCULACIÓN
DORF Y DETHLOFF (2009), HUTH ET AL. (2008), DEMUZERE ET AL. (2009) Y FINNIS ET
AL. (2009). La adopción de este enfoque en este capítulo está motivado, en gran me-
dida, por nuestra convicción del beneficio que puede aportar al análisis climático la
descripción más detallada de la escala sinóptica mediante la identificación de la po-
sición e intensidad de los centros de presión, la frecuencia relativa de los tipos de
flujo medio zonales y meridionales y de las transiciones entre diferentes tipos de
circulación (DEMUZERE ET AL., 2009; CASADO ET AL., 2010). De esta forma, se puede
evaluar si los tipos simulados por los AOGCMs son realistas tanto en su represen-
tación geográfica como en las frecuencias de los tipos de circulación comparándo-
los con los datos de observación. Además, los errores sistemáticos presentes en la
estimación de la frecuencia y la variabilidad en algunos TC pueden considerarse
como una fuente de incertidumbre adicional e introducirse en aquellos métodos de
reducción de escala que utilicen como predictores las frecuencias de los Tipos de Cir-
culación según la constatación reciente de ANAGNOSTOPOULOU ET AL. (2007).
Más adelante, el mismo procedimiento permitirá abordar el estudio de los cam-
bios en los tipos o los cambios en las frecuencias de los TC en las condiciones de
clima futuro, proporcionadas por las simulaciones de los AOGCMs bajo diferentes
escenarios de emisión, respecto a las condiciones del clima actual.
Dentro de este marco, el objetivo principal de este capítulo consiste en evaluar
la habilidad de un conjunto de modelos del AR4 del IPCC para reproducir las ca-
racterísticas principales tanto espaciales como temporales de los Tipos de Circula-
ción del reanálisis ERA40. Se han aplicado dos esquemas o técnicas de clasificación
para explorar de esta forma, no solo la incertidumbre de utilizar distintos modelos,
sino también la sensibilidad de los resultados respecto al esquema de clasificación
empleado. Estos resultados serán de gran utilidad ya que permitirán establecer un
ranking de los modelos AR4 que mejor simulen el clima desde un punto de vista si-
nóptico en la región euroatlántica; reduciendo así el número de posibles modelos
climáticos que podrán emplearse posteriormente en aplicaciones específicas; sin ol-
vidar que estas listas de rankings proporcionan una información muy valiosa tanto
en la cuantificación de la relación entre extremos y tipos de circulación como en los
estudios de impacto.
4.2. DATOS
En este capítulo se han utilizado las mismas bases de datos, variable (MSLP), pe-
riodo invernal (diciembre, enero y febrero, comprendidos entre diciembre de 1980
a diciembre de 1999) y área (25ºN a 70ºN y desde 45ºO a 50ºE) a las que se hacen
referencia en el capítulo 3 de este libro. Como en el capítulo anterior, todas las
bases de datos, tanto los procedentes del ERA40 como los de los modelos del
AR4, han sido interpolados a una rejilla común con una resolución latitud longi-
tud de 2,5º × 2,5º.
72
METODOLOGÍA
4.3. METODOLOGÍA
En este capítulo se han seleccionado dos esquemas objetivos de clasificación utili-

zados en la Acción 733 del COST (European Cooperation in Science and Technology)
denominada: "Harmonisation and Applications of Weather Types Classifications for
European regions", (http://www.cost733.org), para lo cual se ha hecho uso del soft-
ware de dichos esquemas, disponible en dicha Acción 733. El objetivo de esta Acción
ha consistido en desarrollar un método numérico de evaluación, comparación y cla-
sificación de Tipos de Circulación, escalable a cualquier región europea y de uso en
distintas aplicaciones.
Entre los diferentes esquemas disponibles en esta Acción se ha optado por dos
métodos pertenecientes a los algoritmos de optimización: k-medias y SANDRA. Su
elección se debe a que estos esquemas tienden a producir tipos de circulación que
varían estacionalmente en su frecuencia de ocurrencia, contrariamente a la mayoría
de los métodos que reflejan una distribución uniforme de los tipos a lo largo del año
(DEMUZERE ET AL., 2010), y por ser los que mejor representan la precipitación en la
península Ibérica y Baleares, según los resultados de CASADO ET AL. (2010). El uso
de dos esquemas permitirá, además, analizar el impacto del método de clasificación
utilizado en los resultados.
El esquema de clasificación k-medias utiliza el algoritmo del conglomerado no
jerárquico de k-medias (HARTIGAN Y WONG, 1979) considerando semillas iniciales
mientras que SANDRA, acrónimo de ‘Simulated ANnealing and Diversified RAn-
domization’, es una versión optimizada del esquema k-medias (PHILIPP ET AL., 2010),
cuya principal ventaja estriba en generar particiones más próximas al óptimo global
y más estables, esquema descrito inicialmente por PHILIPP ET AL. (2007). Esta técnica,
compacta y robusta, que proporciona excelentes soluciones a problemas de optimi-
zación con una reducción sustancial en el tiempo de computación, permite a cada
miembro de un conglomerado cambiar a otro conglomerado en cualquier instante de
tiempo, incluso si la similitud en el interior del conglomerado decreciera al princi-
pio (KÜTTEL ET AL., 2010). Además en SANDRA se combina con el concepto de
aleatorización diversificada (‘diversified randomization’), el de ‘simulated annea-
ling’, repitiéndose 1 000 veces con conglomerados de partida aleatorios, donde en
cada iteración se examina si cada objeto está en el conglomerado apropiado, en caso
de no serlo, se vuelve a reasignarlo a otro conglomerado (PHILIPP ET AL., 2007). En
su aplicación a campos de presión diarios sobre el Atlántico Norte y Europa para in-
viernos, desde 1850 hasta 2003, PHILIPP ET AL. (2007) mostraron que SANDRA pro-
porcionaba mejores resultados que otras técnicas de conglomerados, utilizadas más
habitualmente como es el caso de k-medias, en lo que respecta a la similitud en el
interior de cada clase (conglomerado) y a la separación entre clases.
La determinación del número óptimo de conglomerados constituye un paso
crucial en cualquier técnica de conglomerados. En PHILIPP ET AL. (2007) se demuestra
que, a pesar de considerar varios métodos de estimación del número apropiado de
clases, no ha sido posible determinar un número de clases idóneo, ya que este va a
depender considerablemente de la aplicación que se considere. En nuestro caso, para
su determinación, se ha realizado previamente un análisis en componentes princi-
73
pales y como criterio de selección del número óptimo de clases se ha considerado

el diagrama LEV (log-eigenvalues) (WILKS, 2006). De dicho diagrama se deduce
que 8 o 9 conglomerados serían los números óptimos a considerar. Dado este resul-
tado, en un principio se han aplicado ambos esquemas de clasificación para 8 y 9 cla-
ses al conjunto de datos del ERA40. Los 8 o 9 centroides obtenidos para el ERA40
corresponden al valor medio de los campos MSLP de los días que pertenecen a cada
clase (TC, más adelante). Del análisis de estos resultados se puede concluir que los
8 TC obtenidos al considerar 8 clases, son prácticamente análogos a 8 de los 9 ob-
tenidos al considerar 9 clases. Por lo que, finalmente, para este estudio se ha optado
por considerar 8 clases teniendo en cuenta además que, para la finalidad del mismo,
la evaluación de los modelos AR4, el considerar 8 TC simplifica los resultados y
que estos se pueden comparar con los obtenidos en CASADO ET AL. (2008) y PASTOR
ET AL. (2008).
El cálculo de los TC correspondientes a los modelos AR4 no se ha realizado
aplicando el esquema de clasificación a cada uno de estos modelos, técnica usada en
el estudio previo (PASTOR ET AL., 2008; BRUNET ET AL., 2008), debido a que siguiendo
esta metodología los TC obtenidos para cada modelo presentan bastantes diferencias
con respecto a los correspondientes del ERA40, lo que dificulta considerablemente
su evaluación. Para soslayar este problema y para que los TC obtenidos de los mo-
delos sean comparables entre sí y con los del ERA40, se ha procedido de la siguiente
manera: para cada día problema del modelo, una vez corregido de su sesgo, se cal-
cula su distancia euclídea con los 8 centroides del ERA40, asignándose el día pro-
blema del modelo a la clase con cuyo centroide presente la distancia mínima. Los
TC de cada modelo se calcularán como el valor medio de los campos MSLP de los
días del modelo que pertenecen a cada clase. De esta manera, los 8 TC obtenidos
para cada modelo AR4 y para ambos esquemas de clasificación serán, por cons-
trucción, muy similares a los obtenidos para el ERA40. Resultando así fácilmente
comparables los TC del ERA40 con los correspondientes de cada modelo.
4.4. RESULTADOS
4.4.1. Análisis espacial de los Tipos de Circulación

En esta sección se realiza una descripción espacial de la circulación invernal y de las
configuraciones de los distintos TC relativos a cada esquema de clasificación para
el ERA40 y los 16 modelos considerados.
La Figura 4.1 muestra los TC obtenidos para el ERA40 y para ambos esque-
mas de clasificación, k-medias (Figura 4.1a) y SANDRA (Figura 4.1b). Sus princi-
pales características están brevemente descritas en la Tabla 4.1. Los Tipos de
Circulación TC1 y TC3, se caracterizan por un predominio de flujo zonal en latitu-
des medias y altas; TC2 y TC4 están ligados a un flujo del SO, siendo más acusado
en el caso del TC4, que da lugar al paso de sistemas frontales por la península Ibé-
rica; TC6 y TC7 se corresponden con situaciones de flujo meridional (tipo bloqueo),
en las que el anticiclón presenta distintas posiciones y finalmente, TC5 y TC8, re-
74
RESULTADOS
presentan patrones de circulación mixta entre zonales y meridionales. De las Figu-

ras 4.1a y 4.1b se observa que existe una gran semejanza entre los TC obtenidos por
ambos esquemas. Para analizar detalladamente sus posibles diferencias se han cal-
culado los mapas de diferencias entre los TC para ambos esquemas (no se mues-
tran). En estos mapas de diferencias se observan sesgos significativos solo para los
tipos de circulación TC3 y TC8, mostrando valores superiores en TC3 e inferiores
en TC8 para el esquema de k-medias con respecto al de SANDRA entre las latitu-
des de 40ºN y 70ºN.
Con respecto a los TC obtenidos para los modelos AR4, estos se caracterizan
por presentar bastantes similitudes con los correspondientes del ERA40, conse-
cuencia de la metodología seguida para su obtención. Para analizar con más detalle
sus posibles diferencias se han calculado los coeficientes de correlación espacial
entre los TC de los modelos AR4, a los que previamente se les ha quitado el sesgo,
y los correspondientes del ERA40, para ambos esquemas de clasificación (Tabla
4.2). Todos los modelos muestran, para todos los TC, coeficientes de correlación
superiores al 95 %, siendo en un gran número de casos próximos al 99 %, excepto
para el TC6, que presenta valores inferiores al 90 % para 11 de los 16 modelos con-
siderados. El modelo con las correlaciones más altas para todos los TC es el UKMO-
HadGEM1 mientras que las correlaciones más bajas corresponden al GISS-AOM
para ambos esquemas de clasificación.
Los campos medios de MSLP de los TC obtenidos para el ERA40 presentan,
en general, una gran similitud con los correspondientes obtenidos en la Acción
COST733, (http://www.cost733.org), que han sido calculados con las siguientes ca-
racterísticas: a) para un dominio ligeramente distinto del considerado en este estu-
dio y que se extiende desde 30ºN a 76ºN y desde 37ºO a 56ºE, b) para el periodo de
1957 a 2002 y c) aplicando el esquema de clasificación a 9 TC. Un resultado inte-
resante de esta Acción es que, en ella, se han calculado la precipitación y las ano-
malías de temperatura, con datos del ERA40, para cada uno de sus 9 TC.
Considerando las analogías existentes entres sus 9 TC con los 8 TC de este estudio,
se pueden asociar algunas de las características anteriores de temperatura y precipi-
tación sobre la península Ibérica, como son por ejemplo: una anomalía positiva de
temperatura en toda la península y en mayor grado en la región mediterránea, así
como precipitación en el oeste peninsular en el TC4; el TC5 tiene asociados ligeros
incrementos de temperatura en el SE y precipitación en el N peninsular. El TC6
muestra descensos de temperatura en toda la península más acusados en el N y E pe-
ninsular y en menor grado en el TC7. Finalmente el TC3 muestra incrementos de
temperatura en toda la península siendo más importantes en el NE y precipitaciones
en el NO peninsular.
75
TC Descripción de los Tipos de Circulación de ERA40

TC1 Flujo zonal en altas latitudes con altas presiones sobre la Península Ibérica,
Baleares y África que se extienden sobre gran parte de Europa Central.
Bajas presiones en altas latitudes.
TC2 Flujo del suroeste. Altas presiones que se extienden desde Azores hasta el
sur de Europa oriental y Rusia y un centro intenso de bajas presiones en
torno a Islandia.
TC3 Flujo zonal sobre Europa occidental y central entre un centro intenso de
altas presiones sobre Azores y Canarias y una zona intensa de bajas pre-
siones al norte del paralelo 50ºN.
TC4 Flujo del suroeste sobre el continente con altas presiones centradas sobre
Canarias extendiéndose al sur de Europa y un centro de bajas presiones al
oeste de Irlanda.
TC5 Centro de altas presiones sobre Azores. Centro de bajas presiones sobre la
Península Escandinava.
TC6 Centro intenso de altas presiones entre Islandia y norte de Gran Bretaña e
Irlanda, afectando bajo su radio de acción a toda Europa y región atlántica.
TC7 Dos áreas de altas presiones: a) una muy intensa centrada en Rusia y
b) otra más débil centrada sobre Azores y Canarias. Centro de bajas pre-
siones al SO de Islandia.
TC8 Altas presiones centradas en el Canal de la Mancha afectando bajo su radio
de acción a gran parte de Europa. Bajas presiones al oeste de Islandia.
Tabla 4.1. Descripción de los 8 Tipos de Circulación (TC) para el invierno de ERA40.
76
RESULTADOS
Figura 4.1.a. Campos medios MSLP de los 8 Tipos de Circulación para el invierno de ERA40 uti-
lizando el esquema de clasificación k-medias. Intervalo de 4 hPa.
77
Figura 4.1.b. Campos medios MSLP de los 8 Tipos de Circulación para el invierno de ERA40 uti-
lizando el esquema de clasificación SANDRA. Intervalo de 4 hPa.
78
RESULTADOS
CORRELACIONES
TC1 TC2 TC3 TC4 TC5 TC6 TC7 TC8
k S k S k S k S k S k S k S k S
BCCR-BCM2.0 0,99 0,99 0,99 0,99 0,98 0,98 0,97 0,96 0,98 0,98 0,76 0,83 0,97 0,96 0,98 0,98
CCSM3 0,99 0,99 0,99 0,99 0,99 0,99 0,98 0,98 0,99 0,99 0,87 0,88 0,97 0,97 0,98 0,98
CGCM3.1(T47) 0,99 0,99 0,99 0,99 0,99 0,99 0,98 0,97 0,99 0,99 0,87 0,90 0,97 0,97 0,98 0,98
CGCM3.1(T63) 0,99 0,99 0,99 0,99 0,98 0,99 0,99 0,97 0,94 0,99 0,94 0,95 0,99 0,99 0,99 0,98
CNRM-CM3 0,99 0,99 0,99 0,99 0,99 0,99 0,95 0,93 0,96 0,96 0,68 0,82 0,99 0,98 0,99 0,99
CSIRO-Mk3.0 0,99 0,99 0,99 0,99 0,99 0,99 0,95 0,94 0,96 0,97 0,86 0,89 0,97 0,97 0,98 0,98
ECHAM5/MPI-OM 0,99 0,99 0,99 0,99 0,99 0,99 0,97 0,96 0,99 0,99 0,94 0,96 0,99 0,98 0,99 0,99
GFDL-CM2.0 0,99 0,99 0,99 0,99 0,99 0,99 0,98 0,98 0,98 0,98 0,86 0,92 0,98 0,97 0,99 0,99
GISS-AOM 0,99 0,98 0,99 0,98 0,98 0,97 0,95 0,93 0,97 0,96 0,51 0,72 0,94 0,94 0,98 0,97
INM-CM3.0 0,99 0,99 0,99 0,99 0,99 0,99 0,96 0,95 0,98 0,98 0,75 0,83 0,96 0,96 0,99 0,98
MIROC3.2(hires) 0,99 0,99 0,99 0,99 0,99 0,99 0,98 0,97 0,98 0,99 0,95 0,95 0,98 0,97 0,98 0,98
MIROC3.2(medres) 0,99 0,99 0,99 0,99 0,99 0,99 0,97 0,95 0,98 0,98 0,76 0,85 0,90 0,95 0,98 0,98
MRI-CGCM2.3.2 0,98 0,98 0,99 0,98 0,99 0,98 0,97 0,97 0,98 0,98 0,83 0,87 0,95 0,95 0,99 0,99
PCM 0,99 0,99 0,99 0,99 0,99 0,99 0,98 0,97 0,99 0,99 0,84 0,89 0,98 0,97 0,98 0,98
UKMO-HadCM3 0,99 0,99 0,99 0,99 0,99 0,99 0,96 0,95 0,98 0,98 0,91 0,90 0,97 0,97 0,98 0,98
UKMO-HadGEM1 0,99 0,99 0,99 0,99 0,99 0,99 0,99 0,99 0,99 0,99 0,95 0,96 0,99 0,99 0,99 0,99
Tabla 4.2. Correlaciones de los TC de los modelos AR4 con los correspondientes del ERA40 para
ambos esquemas de clasificación: k-medias (k) y SANDRA (S).
4.4.2. Análisis temporal de los Tipos de Circulación

En esta sección se analizan las características temporales de los TC en la estación in-
vernal, tales como las frecuencias, su sesgo o error medio, tiempo de vida medio,
longitud de los eventos, así como las transiciones entre TC y la predecibilidad de las
mismas en términos de la entropía de Shannon.
4.4.2.1. Frecuencias de los Tipos de Circulación
La frecuencia invernal de ocurrencia de un TC dado se calcula como el porcentaje
del número total de muestras diarias de dicho TC respecto al número total de días
de invierno considerados (1 800 días). En las Figuras 4.2 y 4.3 se presentan los dia-
gramas de cajas de la frecuencia invernal de los Tipos de Circulación de los mode-
los del AR4 junto con la frecuencia correspondiente a los Tipos de Circulación del
ERA40 para cada esquema de clasificación (k-medias y SANDRA). Por su parte, las
Tablas 4.3 y 4.4 recogen la frecuencia invernal (expresada en %) de los Tipos de
Circulación del ERA40 y de los modelos del AR4 para cada esquema de clasifica-
ción considerado (k-medias y SANDRA).
Del análisis de las frecuencias invernales se deduce que en el esquema k-me-
dias, todos los modelos (Figura 4.2) sobrestiman las frecuencias del tipo TC4, ligado
a flujo del suroeste sobre el continente con altas presiones sobre Canarias y bajas pre-
siones sobre Irlanda, siendo el valor del ERA40 ligeramente inferior al mínimo del
conjunto de los valores de los modelos. Respecto a los tipos que corresponden a cir-
culaciones más zonales en altas y medias latitudes, TC1 y TC3, en el TC1, el valor
del ERA40 se encuentra comprendido entre la mediana y el tercer cuartil mientras que
en el TC3, el valor del ERA40, se encuentra muy próximo al tercer cuartil. En el tipo
TC2 (ligado a flujo del SO), el valor del ERA40 coincide aproximadamente con el
79
valor del tercer cuartil del conjunto de los modelos. En los tipos de circulación más
meridionales asociados con configuraciones de tipo bloqueo, tales como TC6 y TC7,
se observa que el valor del ERA40 se encuentra comprendido entre el tercer cuartil
y el máximo (TC6) y coincide con el máximo (TC7). Esta tendencia a la subestima-
ción de la frecuencia de los modelos, más notoria en el caso de flujos meridionales o
regímenes tipo bloqueo mostrada en el TC7, concuerda con los resultados ya obteni-
dos en la bibliografía (HUTH, 2000; PELLY Y HOSKINS, 2003b). Finalmente, conside-
rando los tipos TC5 y TC8, patrones de circulación mixtos, entre zonales y
meridionales, en el TC5, el valor del ERA40 es ligeramente inferior a la mediana del
conjunto de los modelos y en el caso del TC8, el valor del ERA40 se encuentra lo-
calizado entre el mínimo y el primer cuartil, más próximo al primer cuartil. La menor
variabilidad en el conjunto de los modelos se presenta en el tipo TC3. La mayor va-
riabilidad, a tenor de la longitud de los bigotes y del tamaño de las cajas se presenta
en los tipos TC4 y TC8. Hay una tendencia hacia asimetría negativa en el TC2 y TC6,
ya que los modelos tienden a concentrarse en los valores superiores mientras que los
tipos TC1 y TC7 muestran tendencia hacia asimetría positiva.
El esquema SANDRA (Figura 4.3) muestra en líneas generales resultados si-
milares a los obtenidos en k-medias, el tamaño de los diagramas de cajas y bigotes
no suele variar, donde sí se aprecian diferencias es en la posición del ERA40. Las
pequeñas diferencias afectan al tipo TC2, en el que el valor del ERA40 es ligera-
mente superior al valor de la mediana del conjunto de los modelos; en el TC5, el
valor del ERA40 está muy próximo al valor del primer cuartil, existiendo una ten-
dencia hacia asimetría negativa. En el TC7, el valor del ERA40 se localiza entre el
tercer cuartil y el máximo, más próximo al máximo del conjunto de los modelos y
finalmente, el tipo TC8, en el que el ERA40 viene a coincidir con el primer cuartil.
Las frecuencias relativas del conjunto de los modelos para los tipos TC4 y TC8 son
más variables que para los otros tipos.
Analizando cómo se distribuye la frecuencia invernal entre los 8 Tipos de
Circulación en cada modelo y para cada esquema de clasificación (Tablas 4.3 y
4.4) se observa que el rango de variación de las frecuencias de los modelos excede
al mostrado en el ERA40. Así, en el esquema k-medias, los tres modelos con el
menor rango son el CCSM3 que oscila entre 10,06 % (para los tipos TC6 y TC8)
y 15,32 % (TC1); el CGCM3.1(T63) que oscila entre 9,67 % (TC6) y 15,17 %
(TC2) y el UKMO-HadGEM1 que oscila entre 9,67 % (TC6) y 15,56 % (TC8)
siendo los modelos con mayor rango: el GISS-AOM que oscila entre 6,00 % (TC7)
y 23,89 % (TC4), el CNRM-CM3 entre 6,89 % (para los tipos TC3 y TC6) y 23,28
% (TC4) y el MRI-CGCM2.3.2 que oscila entre 5,22 % (TC7) y 24,72 % (TC4).
Con respecto al esquema SANDRA, los tres modelos con el menor rango son el
UKMO-HadGEM1 que varía entre 10,17 % (TC7) y 14,94 % (TC4), el
CGCM3.1(T63) cuya oscilación está entre 9,22 % (TC7) y 15,33 % (TC2) y el
CCSM3 que oscila entre 9,71 % (TC6) y 16,43 % (TC1), Por su parte, los mode-
los con mayor rango son: el GISS-AOM entre 5,39 % (TC7) y 22,00 % (TC4); el
CNRM-CM3 que oscila entre 7,11 % (TC7) y 21,44 % (TC4) y el MRI-CGCM2.3.2
entre 4,00 % (TC7) y 23,94 % (TC4).
80
RESULTADOS
FRECUENCIAS (%) TC (k-medias)

ERA40 13,61 14,83 9,83 13,39 11,83 10,56 12,33 13,61
BCCR-BCM2.0 11,58 14,27 6,14 20,76 12,11 8,19 9,42 17,54
CCSM3 15,32 14,44 10,18 15,09 12,57 10,06 12,28 10,06
CGCM3.1(T47) 15,67 13,67 7,83 16,22 12,28 10,78 9,06 14,50
CGCM3.1(T63) 13,06 15,17 9,94 14,39 12,78 9,67 10,56 14,44
CNRM-CM3 14,61 10,00 6,89 23,28 12,22 6,89 8,28 17,83
CSIRO-Mk3.0 13,67 14,22 8,17 16,28 10,78 9,50 8,28 19,11
ECHAM5/MPI-OM 12,56 12,39 8,94 20,11 10,67 11,50 10,83 13,00
GFDL-CM2.0 12,56 15,89 11,00 14,94 11,06 12,00 8,72 13,83
GISS-AOM 13,94 13,11 6,11 23,89 8,50 7,56 6,00 20,89
INM-CM3.0 10,39 14,06 8,28 18,72 12,44 10,11 7,28 18,72
MIROC3.2(hires) 12,83 14,61 8,06 15,83 14,33 8,06 11,17 15,11
MIROC3.2(medres) 16,67 12,83 6,89 18,72 12,00 7,78 8,11 17,00
MRI-CGCM2.3.2 13,50 12,61 6,89 24,72 9,17 10,33 5,22 17,56
PCM 11,93 17,08 8,13 16,90 12,69 8,36 9,65 15,26
UKMO-HadCM3 12,56 15,83 6,11 19,00 12,67 9,44 7,72 16,67
UKMO-HadGEM1 11,56 13,78 11,33 15,28 11,94 9,67 10,89 15,56
Tabla 4.3. Frecuencias expresadas en porcentaje de los 8 Tipos de Circulación (TC) del invierno de
ERA40 y de los modelos para el esquema de clasificación k-medias.
FRECUENCIAS (%) TC (SANDRA)

ERA40 14,33 14,33 10,39 12,89 11,61 11,50 10,83 14,11
BCCR-BCM2.0 13,22 13,22 6,61 19,18 12,51 9,06 7,19 19,01
CCSM3 16,43 13,92 10,41 15,03 12,63 9,71 11,87 10,00
CGCM3.1(T47) 16,17 14,44 8,22 15,22 12,50 11,83 7,39 14,22
CGCM3.1(T63) 13,33 15,33 10,22 13,94 12,78 10,67 9,22 14,50
CNRM-CM3 15,83 9,50 7,17 21,44 12,94 7,67 7,11 18,33
CSIRO-Mk3.0 14,78 14,44 8,78 15,67 11,50 9,50 6,28 19,06
ECHAM5/MPI-OM 13,11 13,00 9,44 18,56 10,94 11,78 9,39 13,78
GFDL-CM2.0 13,33 15,11 11,28 15,44 10,89 13,17 8,22 12,56
GISS-AOM 15,50 12,78 6,56 22,00 9,28 8,39 5,39 20,11
INM-CM3.0 11,22 14,06 8,50 18,28 12,89 10,11 6,00 18,94
MIROC3.2(hires) 13,89 14,67 8,17 15,44 14,56 8,61 9,56 15,11
MIROC3.2(medres) 18,06 12,67 6,72 17,39 12,56 8,56 7,06 17,00
MRI-CGCM2.3.2 14,56 13,33 6,89 23,94 9,56 10,72 4,00 17,00
PCM 12,92 16,67 8,65 15,61 12,57 10,64 7,84 15,09
UKMO-HadCM3 14,00 15,44 6,39 17,94 13,00 10,11 6,17 16,94
UKMO-HadGEM1 12,61 13,78 11,28 14,94 11,94 11,17 10,17 14,11
Tabla 4.4. Frecuencias expresadas en porcentaje de los 8 Tipos de Circulación (TC) del invierno de
ERA40 y de los modelos para el esquema de clasificación SANDRA.
81
Figura 4.2. Diagrama de cajas de las frecuencias expresadas en porcentaje de los 8 Tipos de Circu-
lación (TC) del invierno de los modelos del AR4 para el esquema de clasificación k-medias. Las ba-
rras horizontales inferiores (superiores) indican los valores mínimos (máximos). Los extremos
inferiores (superiores) de las cajas señalan el primer (tercer) cuartil y, el segmento central, la mediana.
Las frecuencias para el ERA40 vienen representadas por el círculo rojo.
Figura 4.3. Como en la Figura 4.2, pero para el esquema de clasificación SANDRA.
A continuación se han calculado los sesgos de las frecuencias de los TC (AR4

ERA40), expresados en días (Figura 4.4). Se ha evaluado la significación estadística
del sesgo aplicando el test paramétrico t de Student al nivel de confianza del 99 %
y el p-valor del sesgo.
82
RESULTADOS
Figura 4.4. Sesgo invernal (en días) de los 8 Tipos de Circulación para los modelos del AR4-IPCC
bajo los esquemas de clasificación k-medias y SANDRA.
83
Sintetizando las características comunes, más significativas, de los sesgos de

las frecuencias se puede concluir que en el tipo TC4, ligado a flujo del SO, todos los
modelos, independientemente del esquema de clasificación, muestran un sesgo po-
sitivo, tendiendo a ser más acusado en el caso de k-medias. En los tipos ligados a
configuraciones más meridionales (TC6 y TC7), existe un predominio de modelos
con sesgos negativos, especialmente, en el TC7; en los tipos de circulación mixta
(TC5 y TC8), coexisten modelos con sesgo positivo con modelos con sesgo nega-
tivo, aunque tienden a dominar los de sesgo positivo. Por último, en los tipos zona-
les (TC1 y TC3), coexisten modelos con sesgos positivos y negativos, aunque hay
mayor número de modelos con sesgo negativo; especialmente en el tipo TC3.
Considerando el comportamiento en todos los tipos de circulación, los mode-
los con sesgo menor son UKMO-HadGEM1, CGCM3.1(T63) y GFDL-CM2.0
mientras que los de mayor sesgo son: GISS-AOM, CNRM-CM3 y MRI-CGCM2.3.2
(en ambos esquemas). Influencia del esquema elegido en algunos modelos, así por
ejemplo, se observa un mejor comportamiento del modelo CCSM3 cuando se uti-
liza k-medias. Es digno de subrayar que los sesgos mayores se localizan funda-
mentalmente en dos tipos de circulación (TC4 y TC7) y que dependiendo del TC
considerado, existen diferencias claras en el comportamiento de un mismo modelo.
Analizando individualmente cada tipo de circulación se observa: en el tipo
TC1, para ambos esquemas de clasificación, existen seis modelos que muestran un
sesgo positivo, siendo el MIROC3.2(medres) el modelo con mayor sesgo; y nueve
modelos con sesgo negativo, siendo el INM-CM3.0, el de mayor sesgo. Los mode-
los con menor sesgo son el CSIRO-Mk3.0 y el MRI-CGCM2.3.2; este último mo-
delo cuenta con la particularidad de que el signo del sesgo depende del esquema, así
es negativo para k-medias y positivo para SANDRA.
El TC2 presenta, en ambos esquemas de clasificación, cuatro modelos con
sesgo positivo, siendo el PCM, el modelo con mayor sesgo; y nueve modelos con
sesgo negativo, siendo el CNRM-CM3.0, el de mayor sesgo. Existen tres modelos:
CGCM3.1(T47), CSIRO-Mk3.0 y MIROC3.2(hires) cuyo sesgo depende del es-
quema de clasificación. Los modelos con menos sesgo en ambos esquemas son:
CCSM3 y MIROC3.2(hires).
El TC3 presenta, en ambos esquemas de clasificación, tres modelos con sesgo
positivo, siendo el UKMO-HadGEM1, el modelo con mayor sesgo positivo; sesgo
que es de menor magnitud que para los doce modelos que presentan sesgo negativo;
siendo en este último caso, los modelos con mayor sesgo: GISS-AOM, UKMO-
HadCM3 y BCCR-BCM2.0. Los modelos con menor sesgo son CCSM3 y
CGCM3.1(T63), este último, muestra distinto signo en función del esquema, posi-
tivo (k-medias) y negativo (SANDRA). En aquellos modelos que presentan sesgos
negativos, los valores son ligeramente superiores para SANDRA; la situación in-
versa se produce para k-medias.
El TC4 es el único tipo de circulación en el que todos los modelos presentan sesgo
positivo, en ambos esquemas de clasificación. Los modelos con menor sesgo son:
CGCM3.1(T63), UKMO-HadGEM1 y CCSM3 mientras que aquellos de mayor sesgo
son: MRI-CGCM2.3.2, GISS-AOM y CNRM-CM3. En nueve de los modelos, los va-
lores del esquema k-medias son superiores a los encontrados en el esquema SANDRA.
84
RESULTADOS
El TC5 presenta, en ambos esquemas de clasificación, once modelos con sesgo

positivo y cinco modelos con sesgo negativo. En los modelos con sesgo positivo, los
valores son mayores para el esquema SANDRA; la situación contraria se produce
para k-medias, en decir, que en caso de sesgo negativo, los valores son más negati-
vos para k-medias. El modelo con menor sesgo es UKMO-HadGEM1, el modelo
con mayor sesgo positivo es MIROC3.2(hires) y, por último, los modelos con mayor
sesgo negativo son GISS-AOM y MRI-CGCM2.3.2.
El TC6 presenta, en ambos esquemas de clasificación, tres modelos con sesgo
positivo y trece modelos con sesgo negativo. El modelo que presenta menor sesgo
es CGCM3.1(T47). GFDL-CM2.0 es el modelo con mayor sesgo positivo y CNRM-
CM3.0, GISS-AOM, MIROC3.2(hires) y MIROC3.2(medres), los modelos con el
mayor sesgo negativo en ambos esquemas. En ambos esquemas, tienden a ser ma-
yores los valores del esquema SANDRA (2 casos de 3 en los sesgos positivos y 10
casos de 13 en los sesgos negativos).
El TC7 presenta un único modelo (CCSM3) con sesgo positivo, en ambos es-
quemas. Los modelos con mayor sesgo negativo son: MRI-CGCM2.3.2, GISS-AOM,
e INM-CM3.0. Los modelos con menor sesgo son: UKMO-HadGEM1 y CCSM3, en
ambos esquemas. En los quince modelos que muestran sesgo negativo, hay nueve
modelos que muestran valores más negativos para el esquema de k-medias.
El TC8 presenta dos modelos con sesgo negativo (CCSM3 y ECHAM5/MPI-
OM), trece modelos con sesgo positivo y un modelo (GFDL-CM2.0) cuyo sesgo
depende del esquema de clasificación. En ambos esquemas de clasificación, los es-
quemas con menor sesgo son: CGCM3.1(T47), CGCM3.1(T63) y ECHAM5/MPI-
OM y los de mayor sesgo: GISS-AOM e INM-CM3.0.
En la Figura 4.5 se muestra de forma sintetizada la información del análisis an-
terior. En cada esquema y en cada modelo queda representada la contribución de
cada uno de los sesgos de sus TC. Todos los modelos tienden a presentar sesgos me-
dios muy semejantes en ambos esquemas de clasificación: únicamente, el tipo TC4
presenta sesgo positivo en todos los modelos; en los tipos TC5 y TC8, dominan los
modelos que presentan sesgo positivo, especialmente, el TC8. Por el contrario, los
tipos TC2, TC3, TC6 y TC7 presentan sesgo negativo, especialmente, el TC7. En
ambos esquemas, GISS-AOM, CNRM-CM3 y MRI-CGCM2.3.2 son los modelos
que presentan el mayor sesgo mientras que CGCM3.1(T63) es el del menor sesgo.
85
Figura 4.5. Sesgo invernal (días) de los modelos del AR4-IPCC. a) Esquema de clasificación k-me-
dias, b) esquema de clasificación SANDRA.
Finalmente se ha calculado para cada esquema de clasificación y para cada

modelo el promedio de los sesgos (en valor absoluto) de los tipos considerados (Fi-
gura 4.6) según DEMUZERE ET AL. (2009). Tres de los 16 modelos, presentan un sesgo
de 3 días, superándose los 4 días en el modelo GISS-AOM (k-medias). En la Tabla
4.5 se presenta un ranking de los modelos ordenados de menor a mayor sesgo para
cada esquema de clasificación siguiendo el código tercílico tipo semáforo.
86
RESULTADOS
Figura 4.6. Promedio del valor absoluto de los sesgos de las frecuencias de los TC de los modelos
del AR4-IPCC expresado en días para los esquemas de clasificación k-medias y SANDRA.
SESGO FRECUENCIAS
k-medias SANDRA
BCCR-BCM2.0
CCSM3
CGCM3.1(T47)
CGCM3.1(T63)
CNRM-CM3
CSIRO-Mk3.0
ECHAM5/MPI-OM
GFDL-CM2.0
GISS-AOM
INM-CM3.0
MIROC3.2(hires)
MIROC3.2(medres)
MRI-CGCM2.3.2
PCM
UKMO-HadCM3
UKMO-HadGEM1
Tabla 4.5. Ranking de los modelos con respecto al promedio de los sesgos invernales para los es-
quemas de clasificación k-medias y SANDRA. Valores más próximos al ERA40 (color verde), más
alejados (color rojo).
87
Los modelos con menos sesgo para el esquema k-medias son: el CGCM3.1
(T63), CCSM3, GFDL-CM2.0, UKMO-HadGEM1 y MIROC3.2(hires). Por lo que
respecta a SANDRA son: el UKMO-HadGEM1, CGCM3.1(T63), CGCM3.1(T47),
GFDL-CM2.0 y ECHAM5/MPI-OM. El rasgo más reseñable se refiere a la coinci-
dencia total en los modelos de mayor sesgo en ambos esquemas: GISS-AOM,
CNRM-CM3, MRI-CGCM2.3.2, MIROC3.2(medres) y BCCR-BCM2.0.
4.4.2.2. Tiempo medio de residencia de los Tipos de Circulación
La persistencia o tiempo de vida de un determinado TC viene expresada como la du-
ración media de los eventos. Se define como el cociente entre el número total de
días de cada TC y el número de eventos del dicho TC; donde un evento es una se-
cuencia ininterrumpida de días clasificados en un determinado TC, siendo precedi-
dos y seguidos por días pertenecientes a otro TC (CAHYNOVÁ Y HUTH, 2009). En la
literatura aparecen como sinónimos: tiempo medio de residencia, persistencia,
tiempo de vida o vida media.
En las Figuras 4.7 y 4.8 se presentan los diagramas de cajas de la vida media
(días) de los Tipos de Circulación del invierno de los modelos del AR4 junto con la
vida media correspondiente a los Tipos de Circulación del ERA40 para cada es-
quema de clasificación (k-medias y SANDRA). Por su parte, las Tablas 4.6 y 4.7 se
refieren a la vida media de los Tipos de Circulación del ERA40 y de los modelos del
AR4 para cada esquema de clasificación (k-medias y SANDRA).
Analizando las Figuras 4.7 y 4.8, en el esquema de clasificación k-medias se ob-
serva que la vida media del ERA40 para los tipos TC1, TC2 y TC4, está compren-
dida entre el primer cuartil y la mediana. Para los tipos TC5 y TC8, la vida media del
ERA40 se localiza entre el mínimo y el primer cuartil y finalmente, para los tipos
TC6 y TC7, ligados a una configuración de flujo meridional (tipo bloqueo), la vida
media del ERA40 queda comprendida entre la mediana y el tercer cuartil, coinci-
diendo prácticamente con este último (TC6). Los tipos TC1, TC2 y TC5 son aque-
llos que presentan distribuciones más simétricas. La dispersión mayor entre los
modelos se encuentra en los tipos TC4, TC6 y TC7. Respecto al esquema de clasifi-
cación SANDRA, se observa que la vida media del ERA40 coincide con el mínimo
del conjunto de modelos para el TC8; para el tipo TC2, la vida media del ERA40
queda comprendida entre el mínimo y el primer cuartil para el TC2 y coincide prác-
ticamente con el primer cuartil para los tipos TC1 y TC5. Para los tipos TC3 y TC7,
la vida media del ERA40 apenas si supera el tercer cuartil del conjunto de las vidas
medias de los modelos y, en el caso del TC4, coincide prácticamente con la mediana.
En los tipos TC6 y TC7 se aprecia una mayor variabilidad en el conjunto de los mo-
delos mientras que en el tipo TC5 es donde se constata una menor variabilidad.
Para el esquema k-medias (Tabla 4.6), se observa el siguiente comportamiento,
en el TC1 los modelos con mayor similitud al ERA40 son el INM-CM3.0, BCCR-
BCM2.0 y MIROC3.2(hires) y los de menor similitud el MIROC3.2(medres) y el
CGCM3.1(T47). En el TC2, los valores de los modelos muestran mayor semejanza
con el ERA40, siendo los más próximos MIROC3.2(hires), UKMO-HadGEM1 y
MIROC3.2(medres) siendo los menos próximos GFDL-CM2.0 e INM-CM3.0.
En el TC3, los modelos más similares son: INM-CM3.0, UKMO-HadGEM1 y
88
RESULTADOS
BCCR-BCM2.0 y los menos similares GFDL-CM2.0, MIROC3.2(medres) y

UKMO-HadCM3. En el TC4, los modelos que mejor reproducen la vida media son:
INM-CM3.0, UKMO-HadCM3 y PCM y, los modelos más distantes del ERA40 son:
GISS-AOM, CNRM-CM3 y MRI-CGCM2.3.2. Respecto a los tipos siguientes, se
observa: en el TC5, los modelos con tiempos de vida más similares al ERA40 son:
MRI-CGCM2.3.2, ECHAM5/MPI-OM y GFDL-CM2.0; siendo MIROC3.2(me-
dres), UKMO-HadCM3 y MIROC3.2(hires) los modelos que más se apartan del
ERA40. En el TC6, la vida media del ERA40 alcanza su máximo valor: 3,73 días,
los modelos más semejantes son: INM-CM3.0, CGCM3.1(T47) y CGCM3.1(T63)
y los menos semejantes: UKMO-HadGEM1, BCCR-BCM2.0 y PCM. En el TC7, los
modelos más semejantes al ERA40 son: MIROC3.2(hires), UKMO-HadGEM1 y
GFDL-CM2.0 y los menos semejantes: INM-CM3.0, MRI-CGCM2.3.2 y CNRM-
CM3. En el TC8, los modelos que muestran mayor similitud con el ERA40 son:
CGCM3.1(T63), ECHAM5/MPI-OM y PCM; siendo los menos similares MRI-
CGCM2.3.2, CNRM-CM3 y GISS-AOM, respectivamente.
Para el esquema SANDRA (Tabla 4.7), se observa el siguiente comportamiento,
en el TC1, la gran mayoría de los modelos tiende a sobrestimar la vida media del
ERA40, siendo los modelos más similares, INM-CM3.0, CSIRO-Mk3.0 y PCM y
los de menor similitud, CCSM3, CGCM3.1(T47) y MIROC3.2(medres). En el TC2,
se repite la misma tónica que en el TC1, existiendo una tendencia a sobrestimar la vida
media del ERA40; los modelos CGCM3.1(T63), CCSM3 y UKMO-HadGEM1 son
los más próximos y CSIRO-Mk3.0, GFDL-CM2.0 e INM-CM3.0 los más alejados.
En el TC3, el conjunto de los modelos tiende a subestimar la vida del ERA40, los mo-
delos que mejor captan la vida media del ERA40 son: UKMO-HadGEM1,
MIROC3.2(hires) y CCSM3 mientras que aquellos que peor la reproducen son: PCM,
UKMO-HadCM3 y GFDL-CM2.0. En el TC4, tipo que presenta uno de los tiempos
de vida media más largos del ERA40, hay ocho modelos que presentan sobrestima-
ción; los más próximos son GFDL-CM2.0, CGCM3.1(T47) y UKMO-HadCM3 y
los menos próximos BCCR-BCM2.0, GISS-AOM y MRI-CGCM2.3.2. Respecto al
resto de los tipos se observa que el TC5 es uno de los mejor captados por los mode-
los, los más próximos al ERA40 son: GISS-AOM, MRI-CGCM2.3.2 y UKMO-Had-
GEM1 mientras que los más alejados son: MIROC3.2(medres), UKMO-HadCM3 y
MIROC3.2(hires). En el TC6, se observa que aproximadamente el 50 % de los mo-
delos subestima la vida media del ERA40, siendo los modelos más similares: UKMO-
HadGEM1, UKMO-HadCM3 y ECHAM5/MPI-OM, mientras que los menos
similares son: CSIRO-Mk3.0, CNRM-CM3 y PCM. En el TC7, existen ocho mode-
los que sobrestiman la vida media del ERA40, siendo los más similares:
CGCM3.1(T63), CCSM3 y MIROC3.2(medres) y los más alejados INM-CM3.0,
MRI-CGCM2.3.2 y CNRM-CM3. En el TC8, hay una tendencia generalizada a so-
brestimar la vida media del ERA40; los modelos más próximos son: CCSM3,
UKMO-HadGEM1 y GFDL-CM2.0 mientras que los de peor comportamiento:
CNRM-CM3, INM-CM3.0 y GISS-AOM, respectivamente.
Sintetizando, en el esquema de clasificación k-medias, considerando el com-
portamiento para todos los tipos de circulación, los mejores modelos son
CGCM3.1(T63), UKMO-HadGEM1, ECHAM5/MPI-OM, MIROC3.2(hires) y
89
GFDL-CM2.0 mientras que los peores son CNRM-CM3, GISS-AOM, MRI-

CGCM2.3.2, MIROC3.2(medres) y BCCR-BCM2.0. Procediendo de la misma ma-
nera para el esquema SANDRA, los mejores modelos son UKMO-HadGEM1,
CGCM3.1(T63), CCSM3, MIROC3.2(hires) y PCM mientras que los peores son:
CNRM-CM3, MRI-CGCM2.3.2, BCCR-BCM2.0, GISS-AOM e INM-CM3.0.
Conviene tener presente que un modelo puede captar de manera apropiada la
vida media de un determinado tipo de circulación y alejarse notablemente de la vida
media mostrada por el ERA40, para otro tipo de circulación; por ejemplo, en el es-
quema k-medias, el modelo INM-CM3.0 es el que mejor reproduce la vida media de
los tipos TC1, TC3, TC4 y TC6, a la vez que resulta ser el peor para el tipo TC2.
Como conclusión, los modelos que mejor captan la vida media del ERA40, co-
munes a ambos esquemas de clasificación, son UKMO-HadGEM1, CGCM3.1(T63)
y MIROC3.2(hires) mientras que los peores son CNRM-CM3, GISS-AOM y MRI-
CGCM2.3.2. Por último, el modelo que presenta una vida media más larga es el
MRI-CGCM2.3.2 para el TC5 con valores de 5,06 y 5,32 días para los esquemas de
clasificación k-medias y SANDRA respectivamente (Tablas 4.6 y 4.7).
VIDA MEDIA TC (k-medias)

ERA40 2,47 2,81 2,85 3,65 2,32 3,73 3,47 2,36
BCCR-BCM2.0 2,57 3,25 2,76 4,08 2,62 2,75 3,04 2,88
CCSM3 3,08 2,63 2,72 3,27 2,69 2,97 3,68 2,07
CGCM3.1(T47) 3,17 2,65 2,66 3,95 2,63 3,66 3,08 2,56
CGCM3.1(T63) 2,22 2,65 2,63 3,32 2,61 3,62 3,28 2,43
CNRM-CM3 2,80 2,43 2,48 4,55 2,22 3,26 4,97 3,57
CSIRO-Mk3.0 2,26 3,16 2,53 3,12 2,42 4,17 3,17 3,16
ECHAM5/MPI-OM 2,83 2,30 2,44 3,55 2,40 3,45 3,31 2,49
GFDL-CM2.0 2,63 3,33 3,47 3,54 2,40 4,08 3,57 2,54
GISS-AOM 2,89 3,11 2,62 4,26 2,47 3,02 3,27 3,92
INM-CM3.0 2,40 3,33 2,87 3,70 2,55 3,71 2,98 3,40
MIROC3.2(hires) 2,57 2,92 3,09 3,52 3,11 3,22 3,41 2,72
MIROC3.2(medres) 3,12 2,69 2,21 3,79 2,70 3,04 3,32 2,97
MRI-CGCM2.3.2 2,96 3,07 2,64 5,06 2,26 4,04 2,85 3,51
PCM 2,32 3,01 2,40 3,57 2,49 2,27 3,84 2,53
UKMO-HadCM3 2,86 3,06 2,08 3,72 2,78 3,86 3,23 2,94
UKMO-HadGEM1 2,10 2,70 2,91 4,04 2,42 2,95 3,56 2,57
Tabla 4.6. Vida media (días) de los 8 TC del invierno para el esquema de clasificación k-medias.
90
RESULTADOS
VIDA MEDIA TC (SANDRA)

ERA40 2,41 2,69 2,83 3,68 2,35 3,18 3,68 2,08
BCCR-BCM2.0 2,83 3,14 2,69 4,21 2,61 2,87 3,08 3,10
CCSM3 2,96 2,80 2,70 3,43 2,54 2,72 3,76 2,04
CGCM3.1(T47) 3,23 3,02 2,69 3,65 2,68 2,96 3,02 2,56
CGCM3.1(T63) 2,35 2,68 2,42 3,49 2,53 3,43 3,61 2,56
CNRM-CM3 2,79 2,28 2,35 4,15 2,24 2,56 5,33 3,47
CSIRO-Mk3.0 2,38 3,17 2,68 3,32 2,56 3,64 3,23 2,93
ECHAM5/MPI-OM 2,81 2,29 2,54 3,27 2,21 3,26 3,38 2,73
GFDL-CM2.0 2,58 3,20 3,76 3,71 2,25 3,59 3,22 2,43
GISS-AOM 2,82 3,03 2,62 4,30 2,35 2,80 2,94 3,62
INM-CM3.0 2,40 3,37 3,06 3,50 2,67 3,31 2,92 3,52
MIROC3.2(hires) 2,60 2,93 2,94 3,56 3,01 2,77 3,44 2,64
MIROC3.2(medres) 3,28 2,96 2,28 3,91 2,76 2,96 3,53 3,03
MRI-CGCM2.3.2 2,85 3,04 2,43 5,32 2,36 3,45 2,57 3,12
PCM 2,38 2,97 2,24 3,76 2,34 2,36 3,94 2,61
UKMO-HadCM3 2,68 2,96 2,17 3,63 2,82 3,25 3,17 2,72
UKMO-HadGEM1 2,23 2,56 2,86 3,96 2,36 3,24 4,36 2,40
Tabla 4.7. Como en la Tabla 4.6, pero para el esquema de clasificación SANDRA.
Figura 4.7. Diagrama de cajas de las vidas medias (expresadas en días) de los 8 Tipos de Circula-
ción (TC) para el invierno de los modelos del AR4 y para el esquema de clasificación k-medias. Los
extremos inferiores (superiores) de las cajas señalan el primer (tercer) cuartil y, el segmento central,
la mediana. El ERA40 viene representado por el círculo rojo.
91
4.4.2.3. Características de los eventos

Se calcula para cada modelo y para cada esquema de clasificación: a) la duración
media (M), expresada como el cociente entre el número total de días respecto al nú-
mero total de eventos de la clasificación, b) el porcentaje de tiempo experimentado
en eventos de duración igual o superior a 4 días, y c) el número de eventos de 1 día
de duración (HUTH, 1997).
EVENTOS (k-medias)
M ≥4 1
ERA40 2,84 55,44 234
BCCR-BCM2.0 3,03 59,36 175
CCSM3 2,85 53,57 204
CGCM3.1(T47) 3,00 58,39 212
CGCM3.1(T63) 2,74 52,83 229
CNRM-CM3 3,17 60,89 182
CSIRO-Mk3.0 2,91 56,06 211
ECHAM5/MPI-OM 2,82 52,00 186
GFDL-CM2.0 3,08 58,94 185
GISS-AOM 3,32 61,72 138
INM-CM3.0 3,12 58,89 164
MIROC3.2(hires) 3,02 58,78 180
MIROC3.2(medres) 3,00 59,11 197
MRI-CGCM2.3.2 3,38 62,11 151
PCM 2,76 51,81 223
UKMO-HadCM3 3,06 56,33 164
UKMO-HadGEM1 2,81 53,61 233
Tabla 4.8. Características de la duración de eventos: duración media en días (M), porcentaje de
tiempo experimentado en sucesos de duración igual o superior a 4 días (≥ 4) y número de eventos de
1 día de duración para el invierno en el esquema de k-medias.
92
RESULTADOS
EVENTOS (SANDRA)
M ≥4 1
ERA40 2,72 54,67 263
BCCR-BCM2.0 3,09 58,13 159
CCSM3 2,83 53,39 205
CGCM3.1(T47) 2,97 55,56 201
CGCM3.1(T63) 2,78 52,22 209
CNRM-CM3 2,99 57,11 196
CSIRO-Mk3.0 2,91 57,39 209
ECHAM5/MPI-OM 2,77 52,56 212
GFDL-CM2.0 3,01 58,89 187
GISS-AOM 3,16 60,33 166
INM-CM3.0 3,11 59,78 164
MIROC3.2(hires) 2,95 57,22 195
MIROC3.2(medres) 3,10 61,33 180
MRI-CGCM2.3.2 3,22 59,83 170
PCM 2,72 51,81 240
UKMO-HadCM3 2,92 54,00 192
UKMO-HadGEM1 2,82 55,28 243
En las Tablas 4.8 y 4.9 y en las Figuras 4.9, 4.10 y 4.11 se presentan los re-
sultados para ambos esquemas. Del análisis de las Figuras 4.9, 4.10 y 4.11, se des-
prende que respecto a la duración media, en el esquema k-medias, el valor del
ERA40 coincide con el primer cuartil mientras que en el esquema SANDRA coin-
cide con el mínimo del conjunto de los modelos; existiendo más simetría en este úl-
timo caso. Respecto al porcentaje de tiempo experimentado en eventos de duración
igual o superior a 4 días, el valor correspondiente al ERA40 se sitúa más próximo
al primer cuartil que a la mediana para el esquema k-medias y es ligeramente supe-
rior al primer cuartil para el esquema SANDRA; las distribuciones de los modelos
en ambos esquemas presentan poca variabilidad, con tendencia hacia una asimetría
negativa que es más acusada en k-medias. En el caso del número de eventos de du-
ración 1 día, el valor correspondiente al ERA40 coincide con el máximo del conjunto
de los modelos para el esquema k-medias y supera el máximo correspondiente de los
modelos para el esquema SANDRA. Distribuciones razonablemente simétricas, ten-
dencia hacia asimetría positiva en el esquema k-medias.
En el esquema k-medias (Tabla 4.10) los modelos cuya duración media es más
próxima al ERA40 son CCSM3, ECHAM5/MPI-OM y UKMO-HadGEM1 y en
SANDRA (Tabla 4.11) PCM, ECHAM5/MPI-OM y CGCM3.1(T63). Con respecto
al porcentaje de tiempo experimentado en eventos de duración igual o superior a 4
días, en el esquema k-medias, CSIRO-Mk3.0, UKMO-HadCM3 y UKMO-Had-
GEM1 son los modelos más próximos a los valores del ERA40; en el esquema SAN-
DRA, UKMO-HadGEM1, UKMO-HadCM3 y CGCM3.1(T47). Por último, en el
número de eventos de duración 1 día, hay una tendencia generalizada a la subesti-
mación especialmente en el esquema SANDRA. Los modelos más similares al
93
ERA40 en el esquema k-medias son UKMO-HadGEM1, CGCM3.1(T63) y PCM

mientras que en SANDRA son UKMO-HadGEM1, PCM y ECHAM5/MPI-OM.
Considerando ambos esquemas y las tres magnitudes, el mejor modelo es UKMO-
HadGEM1, y los peores GISS-AOM y MRI-CGCM2.3.2.
A modo de conclusión, la mayoría de los modelos tienden a sobrestimar la du-
ración media, mientras que subestiman el número de eventos de 1 día de duración,
siendo estas características, especialmente la última, más notables en el esquema
SANDRA. Como se verá al analizar las figuras del Anexo G, en el siguiente pá-
rrafo, ambas características están conectadas con el hecho de que el número de even-
tos largos (cortos) de los modelos son mayores (menores) que los correspondientes
al ERA40, como ya fue apuntado por HUTH (1997).
Figura 4.9. Diagrama de cajas de la duración Figura 4.10. Diagrama de cajas del porcentaje
media expresada en días de los modelos del de tiempo experimentado en eventos de dura-
AR4 para los esquemas de clasificación k-me- ción igual o superior a 4 días de los modelos
dias y SANDRA. Los extremos inferiores (su- del AR4 para los esquemas de clasificación k-
periores) de las cajas señalan el primer (tercer) medias y SANDRA. Los extremos inferiores
cuartil y, el segmento central, la mediana. El (superiores) de las cajas señalan el primer (ter-
ERA40 viene representado por el círculo rojo. cer) cuartil y, el segmento central, la mediana.
El ERA40 viene representado por el círculo
rojo.
94
RESULTADOS
Figura 4.11. Diagrama de cajas del número de eventos de 1 día de duración de los modelos del AR4
para los esquemas de clasificación k-medias y SANDRA. Los extremos inferiores (superiores) de las
cajas señalan el primer (tercer) cuartil y, el segmento central, la mediana. El ERA40 viene represen-
tado por el círculo rojo.
DURACIÓN DE EVENTOS (k-medias)

M ≥4 1
BCCR-CM2.0
CCSM3
CGCM3.1 (T47)
CGCM3.1 (T63)
CNRM-CM3
CSIRO-Mk3.0
ECHAM5/MPI-OM
GFDL-CM2.0
GISS-AOM
INM-CM3.0
MIROC3.2(hires)
MIROC3.2(medres)
MRI-CGCM2.3.2
PCM
UKMO- HadCM3
UKMO-HadGEM1
Tabla 4.10. Ranking de los modelos con respecto a la simulación de características relacionadas con
la duración de los eventos en el invierno para el esquema de clasificación k-medias. Valores más
próximos al ERA40 (color verde), más alejados (color rojo).
95
DURACIÓN DE EVENTOS (SANDRA)

M ≥4 1
BCCR-CM2.0
CCSM3
CGCM3.1 (T47)
CGCM3.1 (T63)
CNRM-CM3
CSIRO-Mk3.0
ECHAM5/MPI-OM
GFDL-CM2.0
GISS-AOM
INM-CM3.0
MIROC3.2(hires)
MIROC3.2(medres)
MRI-CGCM2.3.2
PCM
UKMO- HadCM3
UKMO-HadGEM1
Como complemento al análisis anterior en el Anexo G se presenta la Figura
G.1 que relaciona la contribución de cada Tipo de Circulación y los eventos de dis-
tinta duración, para el ERA40 y los modelos del AR4 (para ambos esquemas de cla-
sificación). Estas figuras constituyen una síntesis visual muy instructiva porque
permiten captar de manera rápida aquellos tipos de circulación que contribuyen a los
eventos de mayor duración.
En general, mientras la longitud de los eventos no supera los 10 días, se apre-
cia una contribución de todos los TC, aunque siempre dominando los primeros TC
para ambos esquemas de clasificación. Los eventos de mayor duración suelen estar
asociados generalmente a un único TC.
En ambos esquemas, el ERA40 muestra que los eventos de mayor duración,
19 o 20 días, aparecen en el tipo TC4, ligado al flujo del SO; seguidos por eventos
de duración entre 15 y 17 días, en los tipos relacionados con situaciones de bloqueos
(TC6 y TC7). Sin embargo, se observa que los modelos tienden a presentar eventos
de mayor duración; así, el UKMO-HadGEM1 presenta el evento de mayor duración
(25 días) en el tipo TC4, como sucede en el ERA40, seguido por el BCCR-BCM2.0
(24 días). Por otra parte, los modelos que sitúan los eventos de mayor duración en
los tipos relacionados con el bloqueo (TC6 y TC7) son CCSM3, CSIRO-Mk3.0,
CGCM3.1(T63) y GFDL-CM2.0 en el esquema k-medias mientras que los modelos
que sitúan los eventos de mayor duración en los tipos zonales son: el
ECHAM5/MPI-OM con un evento de 21 días en el TC1.
Por último, atendiendo a las diferencias entre ambos esquemas de clasifica-
ción, los modelos que presentan mayores diferencias son: el CGCM3.1(T47) con
96
RESULTADOS
un evento de duración 24 días en el esquema k-medias frente a los 15 días observa-

dos en SANDRA; el ECHAM5/MPI-OM con un evento de duración de 21 días en
el TC1 en el esquema SANDRA mientras que en k-medias el evento de mayor du-
ración es de 13 días que se presentan en los tipos TC4 y TC7.
4.4.2.4. Transiciones y su predecibilidad
El estudio de la circulación atmosférica en función de los TC permite abordar el
análisis de las transiciones entre los TC. La probabilidad de transición desde un TC
dado a otro TC permite explorar la predecibilidad asociada con cada TC. El carác-
ter de las transiciones podría ser, como apuntaron SÁNCHEZ GÓMEZ Y TERRAY (2005),
un proceso puramente interno de la dinámica atmosférica conectado con los cambios
de fase de las ondas atmosféricas intraestacionales. JAMES (2007) subrayó que si un
determinado TC particular fuera siempre seguido por un número reducido de dife-
rentes TC, entonces podríamos disponer de una medida significativa de la predeci-
bilidad a medio plazo. De ahí se deduce la importancia de tratar y caracterizar
apropiadamente las transiciones de TC, al facilitar la comprensión de algunos as-
pectos de la dinámica atmosférica en baja frecuencia sobre la región euroatlántica.
Para cada esquema de clasificación se calculan en primer lugar, las frecuen-
cias absolutas para las 56 transiciones posibles de TC (excluidas las autotransicio-
nes, esto es cuando un TC es seguido por el mismo TC) para ERA40 y los modelos
AR4, dando por resultado, 17 matrices de transición (véase Figura H.1 en el Anexo
H, donde se muestran las correspondientes matrices de probabilidad de transiciones
para el esquema k-medias). Para dilucidar cuáles son los TC que tienen la predeci-
bilidad más alta se recurre al cálculo de la denominada entropía de Shannon, S,
(JAMES, 2007):
siendo: l el TC de partida del que vamos a calcular la entropía de Shannon, n el nú-

mero total de tipos de circulación considerados (8), pli el número de días del TC(l)
seguidos por el TC(i), siendo i ≠ l, dividido por el número total de días del TC(l). Se
considera pli * ln pli = 0 si pli = 0. Se normaliza S de forma que el máximo desor-
den posible esté representado por S = 1, mientras que S = 0 represente que no existe
desorden, k es un factor arbitrario que se elige de forma que sea igual a .
Siguiendo la metodología propuesta por JAMES (2007), la entropía (desorden)
de cada fila de la matriz de transición de los TC es inversamente proporcional a la
predecibilidad de la transición del TC que se esté considerando. Por tanto, interesan
los valores más bajos de entropía. Ahora bien, hay que verificar también si los va-
lores más bajos de entropía se han encontrado con tipos frecuentes; ya que cualquier
predecibilidad potencial asociada se reduce sencillamente porque ocurren raramente.
En las Tablas 4.12 y 4.13, basadas en los valores de S del ERA40 y de cada
modelo, para ambos esquemas de clasificación, se muestra un ranking de los TC.
Como complemento se han elaborado las Figuras 4.12 y 4.13 que son los diagramas
de cajas de la entropía de Shannon de los 8 tipos de circulación (TC) de los mode-
los del AR4 junto con los valores del ERA40 para ambos esquemas de clasificación.
97
ENTROPÍA DE SHANNON (k-medias)

ERA40 TC8 TC7 TC6 TC3 TC1 TC5 TC4 TC2
BCCR-BCM2.0 TC3 TC7 TC6 TC5 TC1 TC2 TC8 TC4
CCSM3 TC3 TC6 TC7 TC2 TC1 TC5 TC8 TC4
CGCM3.1 (T47) TC7 TC3 TC6 TC1 TC5 TC2 TC8 TC4
CNRM-CM3 TC3 TC7 TC5 TC1 TC6 TC8 TC2 TC4
CSIRO-Mk3.0 TC3 TC7 TC6 TC5 TC1 TC2 TC8 TC4
ECHAM5/MPI-OM TC3 TC7 TC6 TC5 TC1 TC2 TC8 TC4
GFDL-CM2.0 TC3 TC6 TC7 TC2 TC1 TC5 TC8 TC4
GISS-AOM TC6 TC5 TC7 TC2 TC3 TC1 TC8 TC4
INM-CM3.0 TC7 TC6 TC3 TC5 TC1 TC2 TC8 TC4
MIROC3.2(hires) TC7 TC6 TC3 TC1 TC2 TC5 TC8 TC4
MIROC.2(medres) TC6 TC7 TC3 TC5 TC1 TC2 TC8 TC4
MRI-CGCM2.3.2 TC7 TC3 TC6 TC2 TC5 TC1 TC8 TC4
PCM TC7 TC3 TC6 TC1 TC2 TC5 TC8 TC4
UKMO- HadCM3 TC6 TC3 TC5 TC7 TC1 TC2 TC8 TC4
UKMO-HadGEM1 TC6 TC3 TC1 TC2 TC7 TC5 TC8 TC4
Tabla 4.12. Ranking de la predecibilidad de los Tipos de Circulación para el ERA40 y los modelos
del AR4 en el esquema de k-medias. La primera columna contiene el TC más predecible y la última
columna el TC menos predecible.
ENTROPÍA DE SHANNON (SANDRA)
ERA40 TC7 TC3 TC6 TC1 TC8 TC2 TC5 TC4
BCCR-BCM2.0 TC3 TC6 TC7 TC5 TC1 TC2 TC8 TC4
CCSM3 TC3 TC6 TC7 TC8 TC5 TC2 TC1 TC4
CNRM-CM3 TC6 TC3 TC7 TC2 TC1 TC5 TC8 TC4
CSIRO-Mk3.0 TC3 TC6 TC7 TC5 TC2 TC1 TC8 TC4
ECHAM5/MPI-OM TC6 TC3 TC7 TC5 TC1 TC8 TC2 TC4
GFDL-CM2.0 TC3 TC7 TC6 TC5 TC1 TC8 TC2 TC4
GISS-AOM TC7 TC6 TC3 TC2 TC5 TC1 TC8 TC4
INM-CM3.0 TC6 TC7 TC3 TC5 TC2 TC1 TC8 TC4
MIROC3.2(hires) TC7 TC6 TC3 TC1 TC2 TC4 TC5 TC8
MIROC.2(medres) TC6 TC3 TC7 TC5 TC2 TC1 TC8 TC4
MRI-CGCM2.3.2 TC7 TC3 TC6 TC1 TC2 TC5 TC8 TC4
PCM TC7 TC3 TC6 TC8 TC5 TC2 TC1 TC4
UKMO- HadCM3 TC7 TC3 TC6 TC1 TC5 TC8 TC2 TC4
UKMO-HadGEM1 TC6 TC3 TC7 TC1 TC2 TC4 TC8 TC5
98
RESULTADOS
Figura 4.12. Diagrama de cajas de la entropía de Shannon de los 8 TC para los modelos del AR4
para el esquema de clasificación k-medias. Los extremos inferiores (superiores) de las cajas seña-
lan el primer (tercer) cuartil y, el segmento central, la mediana. El ERA40 viene representado por
el círculo rojo.
Del análisis de las Figuras 4.12 y 4.13 se observa que, para el esquema k-me-
dias, la entropía de Shannon del ERA40 se aleja de la mostrada para el conjunto de
los modelos en los tipos TC3, TC8; especialmente en el TC8. Menor variabilidad se
observa en el tipo TC1 y mayor variabilidad en el TC5 y TC6 para el conjunto de
los modelos. Asimetría positiva en los tipos TC1 y TC7.
El esquema de SANDRA muestra diferencias con el esquema de k-medias,
el valor más alejado del ERA40 se aprecia en el tipo TC7, siendo ligeramente in-
ferior al mínimo del conjunto de los modelos. El conjunto de los modelos presenta
mayor variabilidad para los tipos TC3, TC6 y TC7, y menor variabilidad para los
tipos TC1, TC5 y TC8. Asimetría positiva en los tipos TC3 y TC7 y negativa en
el tipo TC6.
99
En el esquema k-medias (Tabla 4.12), los valores de mayor predecibilidad (menor

entropía) se localizan en las transiciones cuyos tipos de partida son el TC8 (ERA40),
TC7 (5 modelos, CGCM3.1(T47), INM-CM3.0, MIROC3.2(hires), MRI-CGCM2.3.2
y PCM), TC6 (4 modelos, GISS-AOM, MIROC3.2(medres), UKMO-HadCM3 y
UKMO-HadGEM1) y TC3 (7 modelos, BCCR-BCM2.0, CCSM3, CGCM3.1(T63),
CNRM-CM3, CSIRO-Mk3.0, ECHAM5/MPI-OM y GFDL-CM2.0).
Respecto a los valores de menor predecibilidad (mayor entropía) se encuen-
tran en las transiciones cuyos tipos de partida son el TC2 (ERA40), TC4 (15 mode-
los) y TC8 (1 modelo, CGCM3.1(T63)).
En el esquema SANDRA (Tabla 4.13), los valores de mayor predecibilidad
(menor entropía) se localizan en las transiciones cuyos tipos de partida son el TC7
(ERA40 y 6 modelos, CGCM3.1(T47), GISS-AOM, MIROC3.2(hires), MRI-
CGCM2.3.2, PCM y UKMO-HadCM3), TC6 (5 modelos, CNRM-CM3, INM-
CM3.0, ECHAM5/MPI-OM, MIROC3.2(medres) y UKMO-HadGEM1) y TC3 (5
modelos, BCCR-BCM2.0, CCSM3, CGCM3.1(T63), CSIRO-Mk3.0 y GFDL-
CM2.0). Respecto a los valores de menor predecibilidad (mayor entropía) se en-
cuentran en las transiciones cuyos tipos de partida son el TC4 (ERA40 y 15 modelos)
y TC8 (1 modelo, MIROC3.2(hires).
Como regla general, las transiciones menos predecibles son aquellas cuyo tipo
de partida es el TC4, situación de flujo del SO, y en el que se había observado una
gran diferencia entre la vida media del ERA40 y los modelos del AR4 y las más pre-
decibles suelen corresponderse con el tipo de partida TC7, que es una situación de
bloqueo. Como se ha mencionado anteriormente existen diferencias entre los es-
quemas de clasificación.
Por último, se presentan las Tablas 4.14 y 4.15 donde se sintetiza para cada es-
quema y cada Tipo de Circulación, el comportamiento de los modelos con respecto
a la predecibilidad de las transiciones de los tipos de circulación de partida, apre-
ciándose diferencias entre ambos esquemas. En el esquema k-medias, en términos
medios, los modelos mejores son: INM-CM3.0, MIROC3.2(hires), CNRM-CM3,
CGCM3.1(T47) y PCM y los modelos peores son: GISS-AOM, UKMO-HadGEM1,
CSIRO-Mk3.0, UKMO-HadCM3 y MRI-CGCM2.3.2. En el esquema SANDRA,
los modelos mejores son: CGCM3.1(T47), UKMO-HadCM3, ECHAM5/MPI-OM,
GISS-AOM y MIROC3.2(hires) y los peores son: MIROC3.2(medres), CSIRO-
Mk3.0, INM-CM3.0, CNRM-CM3 y UKMO-HadGEM1.
100
RESULTADOS
ENTROPÍA DE SHANNON (k-medias)

BCCR-BCM2.0
CCSM3
CGCM3.1 (T47)
CGCM3.1 (T63)
CNRM-CM3
CSIRO-Mk3.0
ECHAM5/MPI-OM
GFDL-CM2.0
GISS-AOM
INM-CM3.0
MIROC3.2(hires)
MIROC3.2(medres)
MRI-CGCM2.3.2
PCM
UKMO- HadCM3
UKMO-HadGEM1
Tabla 4.14. Ranking de los modelos con respecto a la predecibilidad de las transiciones entre los
Tipos de Circulación para el esquema de k-medias. Valores más próximos al ERA40 (color verde),
más alejados (color rojo).
ENTROPÍA DE SHANNON (SANDRA)
BCCR-BCM2.0
CCSM3
CGCM3.1 (T47)
CGCM3.1 (T63)
CNRM-CM3
CSIRO-Mk3.0
ECHAM5/MPI-OM
GFDL-CM2.0
GISS-AOM
INM-CM3.0
MIROC3.2(hires)
MIROC3.2(medres)
MRI-CGCM2.3.2
PCM
UKMO- HadCM3
UKMO-HadGEM1
101
4.5. CONCLUSIONES
En este capítulo se ha evaluado la habilidad de un conjunto de 16 modelos del AR4

del IPCC, atendiendo a la simulación de las características espaciales y temporales
de los Tipos de Circulación invernales de ERA40 obtenidos mediante la aplicación
de dos esquemas de clasificación, k-medias y SANDRA. La mayoría de los resul-
tados obtenidos han mostrado su robustez respecto a cambios en el método de cla-
sificación seleccionado.
Los Tipos de Circulación obtenidos para el ERA40 guardan una gran simili-
tud en ambos esquemas, no mostrando diferencias significativas en 7 de los 8 TCs
considerados. La única excepción corresponde al TC6, con un coeficiente de corre-
lación espacial de 0,89 entre ambos esquemas, en lugar de 0,99 obtenido para el
resto de los TC. Con respecto a los modelos del AR4, en general, simulan los Tipos
de Circulación obtenidos por el ERA40, con coeficientes de correlación espacial
muy altos, para todos los TC, a excepción del TC6 que muestra los valores de co-
rrelación más bajos, para ambos esquemas. Los modelos UKMO-HadGEM1 y
GISS-AOM muestran las correlaciones más altas y más bajas respectivamente.
En cuanto a las características temporales de los Tipos de Circulación: todos
los modelos sobrestiman las frecuencias de ocurrencia del Tipo de Circulación TC4,
ligado a flujo del oeste sobre el continente con altas presiones sobre Canarias y bajas
presiones sobre Irlanda, independiente del esquema de clasificación elegido; pre-
dominando la subestimación de las frecuencias de los Tipos de Circulación, siendo
más acusada en el tipo TC7, ligado a circulación meridional.
Atendiendo al sesgo de las frecuencias de los Tipos de Circulación, se observa
que todos los modelos, por regla general, presentan sesgos medios muy semejantes
en ambos esquemas de clasificación. Considerando el promedio del valor absoluto
de los sesgos de las frecuencias de los Tipos de Circulación se constata que los mo-
delos peores (mayor sesgo) coinciden en ambos esquemas: GISS-AOM, CNRM-
CM3, MRI-CGCM2.3.2, MIROC3.2(medres) y BCCR-BCM2.0. En el caso de los
modelos mejores (menor sesgo), hay tres modelos comunes en ambos esquemas:
GCM3.1(T63), UKMO-HadGEM1 y GFDL-CM2.0.
Como regla general, los modelos sobrestiman la duración media y subestiman
el número de eventos de 1 día de duración; siendo esta última característica más acu-
sada en el esquema SANDRA. Este resultado coincide con los obtenidos por HUTH
(1997), relativos a la validación del modelo de circulación general de alta resolución
de la Oficina Meteorológica del Reino Unido (UKHI-GCM, de sus siglas en inglés)
utilizando como esquema de clasificación, el Análisis de Componentes Principales en
modo T aplicado a los datos de 500 hPa correspondientes a los 10 inviernos (DEF)
que se extienden desde 1983-1984 a 1992-1993. La circulación del modelo UKHI es
ligeramente más persistente que la observación y el número de eventos largos (cor-
tos) del modelo es mayor (menor) que la realidad; hecho que se ha visto corroborado
en este estudio al representar el número de eventos de distinta longitud.
Teniendo en cuenta estas tres últimas características, el mejor modelo es
UKMO-HadGEM1 y los peores GISS-AOM y MRI-CGCM2.3.2, para ambos es-
quemas de clasificación.
102
CONCLUSIONES
Combinando los cuatro rankings (promedio del valor absoluto de los sesgos
de las frecuencias de los Tipos de Circulación, duración media, porcentaje de tiempo
experimentado en eventos de duración igual o superior a 4 días y número de even-
tos de 1 día de duración), de forma análoga a la del medallero olímpico, se tendría
que para el esquema k-medias, los mejores modelos son: UKMO-HadGEM1,
CGCM3.1(T63), CCSM3, CSIRO-Mk3.0 y ECHAM5/MPI-OM y los peores: GISS-
AOM, MRI-CGCM2.3.2, CNRM-CM3, BCCR-BCM2.0 e INM-CM3.0 mientras
que para el esquema SANDRA, los mejores modelos son UKMO-HadGEM1,
CGCM3.1(T63), ECHAM5/MPI-OM, PCM y CCSM3, y los peores GISS-AOM,
MRI-CGCM2.3.2, MIROC3.2(medres), INM-CM3.0 y BCCR-BCM2.0.
Respecto a la predecibilidad de las transiciones entre Tipos de Circulación, se
ha puesto de manifiesto que las transiciones menos predecibles son aquellas cuyo TC
de partida es el TC4, situación de flujo del SO y las más predecibles aquellas cuyo
tipos de partida están ligadas a situaciones de flujo meridional (tipo bloqueo). Des-
afortunadamente, el ranking de los modelos basado en la predecibilidad no es muy
robusto, mostrando una gran dependencia del TC considerado y del esquema de cla-
sificación.
Al combinar el ranking de la predecibilidad de las transiciones con el proce-
dente de los cuatro rankings (sesgos+eventos), se observan con más claridad dife-
rencias en ambos esquemas, debido fundamentalmente a las diferencias existentes
en las predecibilidades de las transiciones. Así, en el esquema k-medias, los mejo-
res modelos son: CCSM3, ECHAM5/MPI-OM y CGCM3.1(T63) y en el esquema
SANDRA, ECHAM5/MPI-OM, CCSM3 y UKMO-HadGEM1. Respecto a los
peores, en el esquema k-medias: GISS-AOM, MRI-CGCM2.3.2, CNRM-CM3 y
BCCR-BCM2.0 y en el de SANDRA, MIROC3.2(medres), INM-CM3.0, MRI-
CGCM2.3.2, BCCR-BCM2.0 y GISS-AOM.
A modo de resumen, se podría concluir que los mejores modelos, atendiendo
a su comportamiento temporal a partir de las diferentes perspectivas consideradas en
este estudio para ambos esquemas son: CCSM3 y ECHAM5/MPI-OM y los peores
GISS-AOM, MRI-CGCM2.3.2 y BCCR-BCM2.0. Resulta digno de mención, el
mejor comportamiento de los modelos UKMO-HadCM3 y UKMO-HadGEM1 en el
esquema SANDRA, contrariamente al CGCM3.1(T63) que alcanza mejores pun-
tuaciones en el esquema k-medias.
Al considerar conjuntamente las características espaciales y temporales, hay
que puntualizar que el modelo GISS-AOM presenta las puntuaciones peores, en prác-
ticamente todos los rankings espaciales y temporales considerados en este capítulo.
A la vista de los resultados obtenidos, podemos concluir con ERRASTI ET AL.
(2011) y KJELLSTRÖM ET AL. (2010) que los rankings de los modelos sobre una re-
gión particular dada son muy dependientes de las variables y de las métricas utili-
zadas en la evaluación de los modelos.
Para concluir en este capítulo se ha puesto de manifiesto la conveniencia y
utilidad de este enfoque, basado en los Tipos de Circulación y, en consecuencia, cen-
trado en las escalas sinópticas, para evaluar las diferencias existentes entre los rea-
nálisis y los modelos climáticos (SCHUENEMANN Y CASSANO, 2009), diferencias que
deberán ser tenidas en cuenta al emplear los AOGCMs en estudios de impacto. Con-
103
viene recalcar la importancia de la simulación apropiada de las escalas sinópticas en

el estudio de extremos y en las colas de las distribuciones de probabilidad. Y aún
más, este método nos permitirá evaluar no solo el progreso en modelización climá-
tica sino que estrechará la elección de los modelos más apropiados en los estudios
de downscaling (reducción de escala).
104
5.
Conclusiones generales
CONCLUSIONES GENERALES
Mientras que una gran mayoría de estudios de evaluación de modelos climáticos se

centran en la capacidad de los modelos para simular las características globales me-
dias, tal y como se resume en el Cuarto Informe de Evaluación del IPCC, exami-
nando medias anuales, estacionales y mensuales, estas escalas temporales no son
probablemente las que más afecten a los sistemas humanos, físicos o biológicos
(PERKINS ET AL., 2007). Por ello, en este texto se ha optado por considerar tanto el
dato mensual como el dato diario para poder analizar las escalas sinópticas que de-
terminan el clima y para evitar sesgos y filtrados que pudieran tener su origen en el
proceso de promediado de los datos.
El capítulo 2 se centra en la evaluación de los 22 modelos del CMIP3 consi-
derando tanto el ciclo anual como la distribución espacial de los campos de preci-
pitación y temperatura. La distribución espacial se ha referido a valores medios
anuales y a las estaciones invernal y estival para el dominio espacial de la España
peninsular. Las tres métricas utilizadas para estimar las diferencias entre las clima-
tologías de los modelos y la observación (CRU) han sido: el error absoluto medio
(EAM), el coeficiente de correlación (CORR) y la razón entre la desviación están-
dar del modelo respecto a la desviación estándar de las observaciones (σM/σD).
En el caso de la precipitación, combinando los rankings de las tres métricas ya
mencionadas, se observa que los modelos que mejor representan el ciclo anual de
precipitación son MIROC3.2 (medres) y ECHO-G. La media de los modelos mues-
tra un comportamiento muy bueno, ya que los valores de sus métricas están en el ter-
cil superior del ranking de los mejores modelos. Por el contrario, los modelos que
peor representan el ciclo anual son GISS-AOM y ECHAM5/MPI-OM. El diagrama
de Taylor corrobora este resultado, mostrando claramente como estos dos últimos
modelos se encuentran más separados del resto y del punto correspondiente a la ob-
servación (CRU) en términos de distancia RMS-C. Respecto a la distribución espa-
cial de la precipitación anual acumulada, se observa que no hay ningún modelo que
obtenga las máximas puntuaciones en las tres métricas consideradas, siendo el GISS-
AOM el peor modelo. Considerando las métricas EAM y CORR, los mejores mo-
delos serían PCM, MIROC3.2(medres), CCSM3 y UKMO-HadCM3, y los peores
GISS-AOM y GISS-ER; respecto a (σM/σD), los mejores modelos son CSIRO-
Mk3.0, ECHAM5/MPI-OM y GISS-ER.
Respecto a la distribución espacial de la precipitación invernal, los mejores
modelos son: UKMO-HadGEM1, MRI-CGCM2.3.2 y PCM, mientras que los peo-
res son GISS-AOM y BCCR-BCM2.0, consistentemente con lo que se observa en la
distancia RMS-C del diagrama de Taylor. Considerando las métricas EAM y CORR,
los mejores modelos son: UKMO-HadGEM1, MRI-CGCM2.3.2 y MIROC3.2(hires);
mientras que los peores son: GISS-AOM y BCCR-BCM2.0; respecto a (σM/σD), los
mejores modelos son GFDL-CM2.0, GISS-ER y CSIRO-Mk3.0 y los peores ECHO-G,
GISS-EH, y CGCM3.1(T63).
Respecto a la distribución espacial de la precipitación estival, el mejor modelo es
ECHO-G mientras que los peores son: BCCR-BCM2.0, GISS-AOM y CNRM-CM3,
consistentemente con lo que se observa en la distancia RMS-C del diagrama de Taylor
correspondiente. Considerando las métricas EAM y CORR, los mejores modelos son:
ECHO-G y UKMO-HadCM3; mientras que los peores son: GISS-AOM y BCCR-
107
BCM2.0; respecto a (σM/σD), los mejores modelos son GFDL-CM2.1, IPSL-CM4 y la

media de los modelos y los peores BCCR-BCM2.0, GISS-ER y CNRM-CM3.
En el caso de la temperatura, se observa que los modelos que mejor represen-
tan el ciclo anual de la temperatura son MIROC3.2(hires) y UKMO-HadGEM1
mientras que los peores modelos son ECHO-G, GISS-AOM y GISS-ER. Respecto
a la distribución espacial de la temperatura media anual, se observa que los mejores
modelos son MIROC3.2(hires) y CCSM3, mientras que los modelos que peor la si-
mulan son GISS-EH y CSIRO-Mk3.0. Estos resultados son consistentes con los ob-
tenidos en el diagrama de Taylor. Considerando las métricas EAM y CORR, los
mejores modelos son: CCSM3, la media de los modelos y PCM; mientras que los
peores son: GISS-EH, GFDL-CM2.0 y FGOALS-g1.0; respecto a (σM/σD), los me-
jores modelos son CGCM3.1(T63), MIROC3.2(hires) y GFDL-CM2.0 y los peores
ECHO-G, IPSL-CM4 y PCM.
Respecto a la distribución espacial de la temperatura media invernal, y en coin-
cidencia con el promedio anual, el mejor modelo es MIROC3.2(hires) mientras que
el peor es el ECHO-G. Estos resultados son consistentes con lo observado en el dia-
grama de Taylor. Considerando las métricas EAM y CORR, los mejores modelos
son: MIROC3.2(hires), la media de los modelos y CCSM3; mientras que los peores
son: GISS-AOM, ECHO-G y CGCM3.1(T47); respecto a (σM/σD), los mejores mo-
delos son ECHAM5/MPI-OM, BCCR-BCM2.0 y MIROC3.2(hires) y los peores
MIROC3.2(medres), PCM y GISS-EH.
Respecto a la distribución espacial de la temperatura media estival, los mejo-
res modelos son: CCSM3, ECHAM5/MPI-OM y MIROC3.2(hires) mientras que
los peores son: ECHO-G y GISS-AOM. Considerando las métricas EAM y CORR, los
mejores modelos son: CCSM3, CGCM3.1(T47), PCM, la media de los modelos y
MIROC3.2(hires); mientras que los peores son: GISS-AOM, GISS-EH y ECHO-G;
respecto a (σM/σD), los mejores modelos son CCSM3, ECHAM5/MPI-OM y
MIROC3.2(hires) y los peores ECHO-G, GISS-ER e IPSL-CM4.
Se puede resumir afirmando que la precipitación y la temperatura proceden-
tes de los modelos muestran las deficiencias asociadas con la escasa resolución de
los mismos que les impide representar adecuadamente las características orográfi-
cas principales de la península Ibérica. En consecuencia, una parte relevante de las
deficiencias en la simulación de ambas variables es atribuible a insuficiente repre-
sentación de la orografía por parte de los modelos. En términos generales, mientras
que las características a grandes rasgos de la distribución espacial de precipitación
acumulada y temperatura media están razonablemente simuladas por los modelos,
su variabilidad interanual presenta serias deficiencias.
El capítulo 3 se centra en la evaluación de los modelos atendiendo a la simu-
lación de las características espaciales y temporales de los cuatro modos de varia-
bilidad (NAO, SCAND, EA y EA/WR), más importantes para el área euroatlántica
mientras que el capítulo 4 analiza la simulación de las características espaciales y
temporales de los Tipos de Circulación obtenidos mediante la aplicación de dos es-
quemas de clasificación, k-medias y SANDRA.
Una característica que comparten ambos enfoques de tratamiento de la circula-
ción atmosférica (modos de variabilidad y tipos de circulación) es que los modelos
108
que mejor simulan las características espaciales no son necesariamente los mejores en
la reproducción de los aspectos temporales. De modo sucinto, todos los modelos son
capaces de simular razonablemente bien los cuatro modos de variabilidad, siendo
SCAND, el modo mejor simulado espacialmente; pudiéndose aceptar que los mode-
los AR4 han mostrado habilidad en reproducir correctamente las propiedades espa-
ciales de variabilidad, como ya habían apuntado CASSOU Y GUILYARDI (2007) con
respecto al modo NAO. Atendiendo a las características temporales, los modos mejor
simulados son SCAND y NAO. Cuando se combinan los rankings espaciales y tem-
porales de los cuatro modos de variabilidad, los mejores modelos siguen el siguiente
orden: CGCM3.1(T63), CCSM3, UKMO-HadGEM1, INM-CM3.0 y BCCR-BCM2.0
y los peores: GISS-AOM, CNRM-CM3, MIROC3.2(hires), MRI-CGCM2.3.2 y
MIROC3.2(medres). En consonancia con los resultados de STONER ET AL. (2009) y
STEPHENSON ET AL. (2006), no se ha encontrado ningún modelo que sobresaliera cla-
ramente en su habilidad para reproducir todos los modos de variabilidad.
En el caso de la simulación de los Tipos de Circulación, atendiendo al pro-
medio del valor absoluto de los sesgos de las frecuencias de los TC, para ambos es-
quemas de clasificación, se observa que los modelos mejores (menor sesgo) son:
CGCM3.1(T63), UKMO-HadGEM1 y GFDL-CM2.0 y los peores GISS-AOM,
CNRM-CM3, MRI-CGCM2.3.2 y MIROC3.2 (medres). Sin embargo, al considerar
las características de los eventos, como duración media, porcentaje de tiempo ex-
perimentado en eventos de duración igual o superior a 4 días y eventos de 1 día de
duración, se observan algunas discrepancias con los resultados anteriores; así, los
modelos mejores en ambos esquemas son UKMO-HadGEM1, y los peores GISS-
AOM y MRI-CGCM2.3.2.
De la combinación de todos los rankings que afectan al comportamiento tem-
poral del capítulo 4, considerando todas las características consideradas en este es-
tudio, se concluye que, para ambos esquemas, los mejores modelos son: CCSM3 y
ECHAM5/MPI-OM y los peores GISS-AOM, MRI-CGCM2.3.2 y BCCR-BCM2.0.
Resulta digno de destacar, el impacto positivo del esquema SANDRA por lo que
respecta a los modelos UKMO-HadCM3 y UKMO-HadGEM1 contrariamente al
modelo CGCM3.1(T63) que alcanza mejores puntuaciones en el esquema k-medias.
Finalmente, al comparar los rankings de los modelos obtenidos en los capítu-
los 3 y 4 (modos de variabilidad y Tipos de Circulación), se observa que en ambos
casos, hay tres modelos que ocupan los primeros puestos: CCSM3, CGCM3.1(T63),
UKMO-HadGEM1 y dos modelos que ocupan los peores puestos: GISS-AOM y
MRI-GCM2.3.2. Conviene tener presente que la elección de los modelos “mejores”,
en última instancia, va a venir condicionada por las aplicaciones específicas reque-
ridas por los usuarios. La formulación de las razones de la existencia de los sesgos
de los modelos encontrados en esta evaluación queda fuera del objetivo de este libro.
Solo podría abordarse a partir de experimentos de sensibilidad centrados en las res-
puestas de los modelos a cambios en las parametrizaciones físicas, resolución de los
modelos, acoplamientos con el océano, etc. Sin embargo, no hay que olvidar que el
primer paso para abordar estas cuestiones es el conocimiento de los sesgos.
De los resultados presentados en los capítulos anteriores, y resumidos en esta
sección, se puede concluir que los diferentes métodos y métricas utilizados para
109
comparar cuantitativamente el grado de proximidad o acuerdo entre las simulacio-

nes proporcionadas por los modelos entre sí y entre los modelos y las observacio-
nes dependen grandemente de las escalas y aspectos de los modelos y observaciones
que se consideren. En este sentido, se puede decir que las métricas a seleccionar de-
penden mucho del objetivo de la comparación. En consecuencia, se cuantificará di-
ferentemente la “bondad” del modelo en términos de su mayor proximidad con las
observaciones dependiendo de la métrica seleccionada que normalmente está refe-
rida a ciertos aspectos y/o escalas de los modelos. Se puede, por lo tanto, concluir
que la comparación de modelos es muy dependiente del objeto de la comparación y
de las aplicaciones posteriores de las simulaciones.
Las simulaciones de los modelos constituyen la base para generar las proyec-
ciones de cambio climático. Todos los resultados mostrados en los Informes de Eva-
luación del IPCC relativos a proyecciones e incertidumbres se han basado en un
enfoque muy gráficamente ilustrado por la expresión “un modelo, un voto”, que evi-
taba establecer ponderaciones de los modelos y rankings de los mismos. La colec-
ción de modelos en la que se ha venido basando los ensembles multimodelos
utilizados en los últimos Informes de Evaluación del IPCC no dejan de ser un en-
semble de oportunidad que solamente proporciona una idea aproximada de las in-
certidumbres provenientes de los modelos, ya que se ha obviado un enfoque
sistemático y formalizado para estimar los errores. El establecimiento de evalua-
ciones cuantitativas de los modelos, basadas en métricas, constituyen un primer paso
para avanzar en estimaciones más realistas de las proyecciones y de sus incerti-
dumbres. El campo de las evaluaciones de modelos climáticos con la finalidad de
combinar posteriormente las proyecciones multimodelo y a su vez estimar las in-
certidumbres de las mismas constituye actualmente un campo muy activo de inves-
tigación tal y como se refleja en (KNUTTI ET AL., 2010a y b). Consistentemente con
los resultados presentados en este libro, se considera que no existe una “receta” única
para evaluar modelos. La evaluación, como se ha descrito extensivamente en este tra-
bajo, depende en gran medida de las aplicaciones para las que se utilicen las simu-
laciones climáticas (KNUTTI ET AL., 2010a y b).
No obstante se han realizado una serie de recomendaciones generales (KNUTTI
ET AL., 2010a) que afectan a la evaluación de modelos y que hemos procurado se-
guir e incorporar en este texto:
• Utilización de variedad de métricas que exploren diferentes aspectos de los
modelos.
• Una métrica es más poderosa si es relativamente simple y estadísticamente
robusta.
• La incertidumbre en la observación debe ser tenida en cuenta al evaluar los
modelos utilizando, cuando sea posible, diferentes fuentes de datos.
• Los modelos deberán ser evaluados en diferentes estados de referencia, dife-
rentes escalas espaciales y temporales y diferentes tipos de simulaciones.
• Cuando las evaluaciones ponen especial énfasis en una única métrica, y si ade-
más se basan en un único conjunto de datos, pueden sobrestimar la confianza
en algunos modelos impidiendo su diversidad y afectando al rango de la in-
certidumbre.
110
Confiamos en que este estudio haya sido de utilidad para identificar sesgos
específicos de los modelos y haya servido para fomentar análisis con nuevas métri-
cas para evaluación de modelos, que seguramente permitirán el establecimiento de
nuevos rankings en la próxima generación de modelos climáticos (CMIP5) que cons-
tituirán la base del quinto informe de evaluación (AR5) del IPCC.
111
Anexos y referencias
Anexo A. Tabla resumen de las principales características de los
modelos AR4 utilizados
Anexo B. Índices estadísticos para la precipitación
Anexo C. Índices estadísticos para la temperatura
Anexo D. Diagramas de Taylor de precipitación y temperatura
Anexo E. Estadísticas de la MSLP en la región euroatlántica
Anexo F. Modos de variabilidad de los modelos AR4
Anexo G. Distribución de las longitudes de eventos en los Tipos de
Circulación
Anexo H. Matrices de probabilidades de transición entre Tipos de
Circulación
Referencias
TABLA RESUMEN DE LAS PRINCIPALES CARACTERÍSTICAS DE LOS MODELOS AR4 UTILIZADOS
ANEXO A.
Tabla resumen de las principales características de los modelos AR4 utilizados
Resolución Año
Acrónimo de los
Inicial Institución comienzo Referencia
modelos
(SST)
Atmos. Oceánica
Bjerknes Centre for

FUREVIK ET AL.,
BCCR-BCM2.0 A Climate Research 1,9º × 1,9º 0,5º-1,5º × 1,5º 1850
2003
(Noruega)
National Centre for
COLLINS ET AL.,
CCSM3 B Atmospheric Research 1,4º × 1,4º 0,3º-1,0º × 1,0º 1870
2006B
(Estados Unidos)
Canadian Centre for
CGCM3.1(T47) C Climate Modelling and 2,8º × 2,8º 1,9º × 1,9º 1850 FLATO, 2005
Analysis (Canadá)
Canadian Centre for
CGCM3.1(T63) D Climate Modelling and 1,9º × 1,9º 0,9º × 1,4º 1850 FLATO, 2005
Analysis (Canadá)
Météo France Centre
National de Recherches 0,5º-2,01º × SALAS-MELIÁ ET
CNRM-CM3 E 1,9º × 1,9º N/A
Météorologiques 2,0º AL., 2005
(Francia)
Commonwealth
Scientific and Industrial
GORDON ET AL.,
CSIRO-Mk3.0 F research Organisation 1,9º × 1,9º 0,8º × 1,9º 1871
2002
(CSIRO) Atmospheric
Research (Australia)
Max Planck Institute for ROECKNER ET

ECHAM5/MPI-OM G 1,9º × 1,9º 1,5º × 1,5º N/A
Meteorology (Alemania) AL., 2003
Meteorological Institute
of the University of Bonn,
Meteorological Research
Institute of the Korea ROECKNER. ET
ECHO-G H 3,9º × 3,9º 0,5º-2,8º × 2,8º
Meteorological AL., 1996
Administration (KMA),
and Model and Data
Group, (Alemania/Corea)
National Key Laboratory

of Numerical Modelling
for Atmospheric
Sciences and WANG ET AL.,
FGOALS-g1.0 I 2,8º × 2,8º 1,0º × 1,0º
Geophysical Fluid 2004
Dynamics (LASG)/
Institute of Atmospheric
Physics (China)
Tabla A.1. Resumen de las principales características de los modelos AR4 utilizados.
115
ANEXOS Y REFERENCIAS
Resolución Año
Acrónimo de los
modelos Atmos. Oceánica (SST)
U.S. Department of
Commerce National
Oceanic and Atmospheric
Administration (NOAA) DELWORTH ET AL.,
GFDL-CM2.0 J 2,0º × 2,5º 0,3º-1,0º × 1,0º 1861
Geophysical Fluid 2006
Dynamics Laboratory
(GFDL) (Estados
Unidos)
NOOA/GFDL DELWORT ET AL.,
GFDL-CM2.1 K 2,0º × 2,5º 0,3º-1,0º × 1,0º 1861
(Estados Unidos) 2006
National Aeronautics and
Space Administration
RUSSELL ET AL.,
(NASA) Goddard
GISS-AOM L 3º × 4º 3º × 4º 1850 1995; RUSSELL
Institute for Space
2005
Studies (GISS) (Estados
Unidos)
NASA/GISS SCHMIDT ET AL.,
GISS-EH M 4º × 5º 2º × 2º 1880
NASA/GISS SCHMIDT ET AL.,
GISS-ER N 4º × 5º 4º × 5º 1880
DIANSKY AND
Institute for Numerical VOLODIN, 2002,
INM-CM3.0 O 4º × 5º 2º × 2,5º 1871
Mathematics (Rusia) DIANSKY ET AL.,
2002
Institute Pierre Simon HOURDIN ET AL.,
IPSL-CM4 P 2,5º × 3,75º 2º × 2º 1860
Laplace (Francia) 2006
Centre for Climate System
Research (Univ. of Tokyo),
National Institute for
HASUMI & EMORI,
MIROC3.2 (hires) Q Environmental Studies, and 1,1º × 1,1º 0,2º × 0,3º 1900
2004
Frontier Research Center
for Global Change
(JAMSTEC) (Japón)
Center for Climate System

Research (Univ. of Tokyo),
National Institute for
HASUMI & EMORI,
MIROC3.2 (medres) R Environmental Studies, and 2,8º × 2,8º 0,5º-1,4º × 1,4º 1850
2004
Frontier Research Center
for Global Change
(JAMSTEC) (Japón)
YUKIMOTO ET AL.,
Meteorological Research
MRI-CGCM2.3.2 S 2,8º × 2,8º 0,5º-2,0º × 2,5º 1901 2001; YUKIMOTO
Institute (Japón)
AND NODA, 2003
National Center for

WASHINGTON ET
PCM T Atmospheric Research 2,81º × 2,81º 0,5º-0,7º × 1,1º 1890
AL., 2000
(Estados Unidos)
Hadley Centre for
GORDON ET AL.
Climate Prediction and
UKMO-HadCM3 U 2,5º × 3,75º 1,25º × 1,25º 1860 2000; POPE ET AL.
Research Met Office
2000
(Reino Unido)
Tabla A.1 (continuación). Resumen de las principales características de los modelos AR4 utilizados.
116
TABLA RESUMEN DE LAS PRINCIPALES CARACTERÍSTICAS DE LOS MODELOS AR4 UTILIZADOS
Resolución Año
Acrónimo de los
modelos
Atmos. Oceánica (SST)
Hadley Centre for
JOHNS ET AL.,
Climate Prediction and
UKMO-HadGEM1 V 1,3º × 1,9º 0,3º-1,0º × 1,0º 1860 2006; MARTIN ET
Research Met Office
AL., 2006
(Reino Unido)
Tabla A.1 (continuación). Resumen de las principales características de los modelos AR4 utilizados.
117
ANEXO B.
Índices estadísticos para la precipitación

PRECIPITACIÓN CICLO ANUAL INVERNO VERANO ANUAL
MODELOS EAM CORR σM /σD EAM CORR σM /σD EAM CORR σM /σD EAM CORR σM /σD
DATOS CRU 0 1 1 0 1 1 0 1 1 0 1 1
1 REANÁLISIS NCEP 12,34 0,7408 0,64 55,05 0,8585 0,64 39,52 0,6848 1,27 137,63 0,6728 0,60
2 REANÁLISIS ERA40 13,13 0,9880 0,84 44,69 0,9004 0,67 26,38 0,8758 0,67 163,34 0,8759 0,73
3 MEDIA DE MODELOS 9,38 0,8348 0,96 53,91 0,7596 0,81 29,64 0,7808 0,94 139,76 0,6843 0,74
A BCCR-BCM2.0 26,09 0,8112 1,35 131,54 0,4616 1,42 85,05 0,6845 2,21 348,55 0,3415 1,30
B CCSM3 15,93 0,5840 0,98 50,43 0,7561 0,86 44,29 –0,0389 0,41 147,38 0,7588 0,70
C CGCM3.1(T47) 9,90 0,7946 0,76 55,59 0,7068 0,53 26,12 0,7956 0,94 153,85 0,6048 0,60
D CGCM3.1(T63) 9,83 0,8214 0,85 62,13 0,5573 0,45 23,32 0,7920 0,69 168,98 0,4767 0,55
E CNRM-CM3 18,03 0,5793 1,02 88,20 0,6580 1,43 70,53 0,6806 1,98 228,72 0,5386 1,23
F CSIRO-Mk3.0 13,47 0,8242 1,22 69,19 0,7385 1,10 48,28 0,3651 1,13 199,76 0,5166 0,99
G ECHAM5/MPI-OM 18,39 0,6934 1,65 77,42 0,7209 1,18 47,40 0,7539 0,52 153,23 0,6649 0,98
H ECHO-G 7,97 0,8830 1,10 69,14 0,5945 0,22 15,30 0,8936 0,89 176,56 0,3720 0,38
I FGOALS-g1.0 16,57 0,8274 0,95 63,26 0,5639 0,63 34,03 0,8547 0,29 203,62 0,7106 0,54
J GFDL-CM2.0 17,85 0,7857 1,29 73,17 0,8077 1,01 41,25 0,8343 1,30 203,09 0,7296 1,15
K GFDL-CM2.1 14,73 0,7816 1,46 86,85 0,7433 1,24 26,10 0,7245 1,01 170,32 0,6632 1,09
L GISS-AOM 43,06 0,6389 1,71 224,64 0,4717 1,44 109,66 0,6713 1,92 533,88 0,3518 1,60
M GISS-EH 12,03 0,8753 1,13 63,34 0,6239 0,28 40,49 0,9334 0,43 163,40 0,6092 0,42
N GISS-ER 20,19 0,7674 0,79 83,77 0,6638 0,91 83,44 0,7217 2,10 304,19 0,3578 1,02
O INM-CM3.0 14,78 0,6780 1,20 75,63 0,5114 0,78 29,43 0,9147 0,33 138,27 0,6892 0,74
P IPSL-CM4 16,43 0,6733 0,87 66,42 0,6597 0,87 25,36 0,7662 0,96 202,83 0,7118 0,94
Q MIROC3.2(hires) 12,20 0,8586 0,47 37,42 0,8737 0,71 81,02 0,8152 1,81 175,57 0,7239 0,82
R MIROC3.2(medres) 8,99 0,8788 0,99 47,65 0,7775 0,75 23,91 0,7914 0,68 130,28 0,7510 0,65
S MRI-CGCM2.3.2 22,94 0,3570 1,13 37,28 0,8474 0,89 27,97 0,7032 0,68 163,69 0,8088 0,51
T PCM 11,74 0,7366 0,74 50,06 0,7677 0,87 38,08 0,5722 0,86 124,72 0,7783 0,80
U UKMO-HadCM3 11,10 0,7691 1,12 58,66 0,7619 0,85 22,98 0,8439 0,79 137,59 0,7288 0,77
V UKMO-HadGEM1 14,86 0,7484 1,18 32,66 0,9338 1,13 60,71 0,4469 1,15 177,42 0,8269 0,78
Tabla B.1. Resumen de índices estadísticos calculados [media de los errores absolutos (EAM), co-
rrelación (CORR), desviación estándar (σ)] para el ciclo anual y distribución espacial de la precipi-
tación (invierno, verano, anual) y referidos a las observaciones (CRU). Los índices se han calculado
para los reanálisis NCEP y ERA40, para la media de los modelos y para los 22 modelos de la Tabla
A.1 del Anexo A.
118
ÍNDICES ESTADÍSTICOS PARA LA TEMPERATURA
ANEXO C.
Índices estadísticos para la temperatura

PRECIPITACIÓN CICLO ANUAL INVERNO VERANO ANUAL
MODELOS EAM CORR σM /σD EAM CORR σM /σD EAM CORR σM /σD EAM CORR σM /σD
DATOS CRU 0 1 1 0 1 1 0 1 1 0 1 1
1 REANÁLISIS NCEP 0,49 0,9981 0,92 1,26 0,8554 0,95 1,26 0,9077 0,81 1,03 0,8811 0,85
2 REANÁLISIS ERA40 0,42 0,9999 0,96 1,09 0,9004 0,83 1,03 0,9258 0,78 0,97 0,9252 0,73
3 MEDIA DE MODELOS 0,66 0,9982 0,91 1,14 0,8767 0,74 1,40 0,9123 0,88 1,11 0,8946 0,78
A BCCR-BCM2.0 1,19 0,9921 0,88 1,58 0,7687 0,98 2,04 0,8474 0,91 1,44 0,8633 0,85
B CCSM3 0,56 0,9933 0,98 1,15 0,8629 0,77 0,99 0,9205 0,98 0,98 0,8976 0,84
C CGCM3.1(T47) 1,34 0,9994 1,09 2,24 0,7417 1,04 1,16 0,9018 1,12 1,58 0,8624 0,94
D CGCM3.1(T63) 1,51 0,9980 0,99 1,62 0,8514 1,03 2,03 0,8340 1,05 1,74 0,8660 0,97
E CNRM-CM3 0,90 0,9959 0,94 1,44 0,7796 0,79 1,87 0,8090 0,97 1,38 0,8876 0,73
F CSIRO-Mk3.0 1,58 0,9932 0,73 1,98 0,7234 0,87 2,92 0,8452 0,79 1,68 0,7472 0,72
G ECHAM5/MPI-OM 0,58 0,9958 0,93 1,54 0,8031 1,00 1,24 0,8997 1,02 1,16 0,8561 0,93
H ECHO-G 2,79 0,9313 0,53 4,27 0,7798 0,62 3,77 0,8231 0,25 1,57 0,8711 0,47
I FGOALS-g1.0 1,59 0,9917 1,00 1,62 0,8641 0,64 2,31 0,7855 1,08 1,96 0,8004 0,78
J GFDL-CM2.0 2,21 0,9925 0,78 1,38 0,8143 0,96 3,65 0,8421 0,97 2,35 0,8210 0,95
K GFDL-CM2.1 1,06 0,9888 0,91 1,28 0,8097 0,87 1,75 0,8570 1,07 1,38 0,8324 0,94
L GISS-AOM 2,50 0,9830 0,53 4,24 0,7295 0,92 3,26 0,7651 0,70 1,43 0,7784 0,85
M GISS-EH 2,45 0,9940 1,08 2,36 0,8456 0,51 3,02 0,7307 0,95 2,49 0,7711 0,68
N GISS-ER 1,67 0,9897 1,23 2,10 0,8829 0,73 2,00 0,8884 1,47 1,38 0,8908 1,08
P IPSL-CM4 0,84 0,9943 0,86 1,32 0,8571 0,66 1,96 0,8559 0,63 1,33 0,8656 0,63
Q MIROC3.2(hires) 0,39 0,9981 0,95 1,10 0,8901 0,98 1,18 0,8915 0,98 1,02 0,8857 0,96
R MIROC3.2(medres) 1,46 0,9930 0,98 2,20 0,8407 0,44 2,12 0,8733 1,14 1,70 0,8571 0,75
T PCM 0,66 0,9920 0,98 1,51 0,8264 0,50 1,26 0,9064 0,83 1,26 0,8928 0,64
U UKMO-HadCM3 1,61 0,9986 0,89 1,42 0,8188 0,80 2,66 0,8608 1,05 1,75 0,8782 0,84
V UKMO-HadGEM1 0,64 0,9965 1,05 1,45 0,8362 0,94 1,29 0,8619 0,94 1,24 0,8661 0,85
Tabla C.1. Igual que Tabla B.1 del Anexo B, pero para temperatura.
119
ANEXO D.
Diagramas de Taylor de precipitación y temperatura
Figura D.1. Diagrama de Taylor representando el error del ciclo anual de precipitación simulado
por todos los modelos y reanálisis con respecto a la observación (punto CRU). Los modelos y rea-
nálisis se representan por los números y las letras asignadas en la Tabla A.1 del Anexo A.
Figura D.2. Igual que la Figura D.1, pero para el ciclo anual de temperatura media mensual.
120
DIAGRAMAS DE TAYLOR DE PRECIPITACIÓN Y TEMPERATURA
Figura D.3. Diagrama de Taylor de la distribución espacial de la precipitación anual para 20 años de
datos (1980-1999) sobre la península Ibérica. Se representan todos los modelos y reanálisis por las
letras asignadas en la Tabla A.1 y referidos a la observación (punto CRU).
Figura D.4. Igual que la Figura D.3, pero para invierno (DEF).
Figura D.5. Igual que la Figura D.3, pero para verano (JJA).
121
Figura D.6. Igual que la Figura D.3, pero para la temperatura anual media.
Figura D.7. Igual que la Figura D.6, pero para invierno (DEF).
Figura D.8. Igual que la Figura D.6 pero para verano (JJA).
122
ESTADÍSTICAS DE LA MSLP EN LA REGIÓN EUROATLÁNTICA
ANEXO E.
Estadísticas de la MSLP en la región euroatlántica
Figura E.1. Campo medio de MSLP para invierno de ERA40, intervalo de 4 hPa.
Figura E.2. Desviación estándar (STD) de MSLP para invierno de ERA40, intervalo de 4 hPa.
123
Figura E.3. Sesgo de los modelos con respecto al ERA40, intervalo de 4 hPa. Color azul valores ne-
gativos, color rojo valores positivos.
124
Figura E.3 (continuación). Sesgo de los modelos con respecto al ERA40, intervalo de 4 hPa. Color
azul valores negativos, color rojo valores positivos.
125
Figura E.4. Razón de la desviación estándar con respecto al ERA40 (σmodelo/σERA40) de los mo-
delos, intervalo de 0,2. Color azul valores inferiores o iguales a 0,9, color rojo superiores o iguales
a 1,1.
126
Figura E.4 (continuación). Razón de la desviación estándar con respecto al ERA40 (σmodelo/σERA40)
de los modelos, intervalo de 0,2. Color azul valores inferiores o iguales a 0,9, color rojo superiores
o iguales a 1,1.
127
ANEXO F.
Modos de variabilidad de los modelos AR4
Figura F.1. Modos de variabilidad de los 16 modelos AR4. De arriba abajo NAO, SCAND, EA y
EA/WR. Entre paréntesis la varianza explicada por cada modo.
128
MODOS DE VARIABILIDAD DE LOS MODELOS AR4
Figura F.1 (continuación). Modos de variabilidad de los 16 modelos AR4. De arriba abajo NAO,
SCAND, EA y EA/WR. Entre paréntesis la varianza explicada por cada modo.
129
130
131
132
133
134
135
ANEXO G.
Distribución de las longitudes de eventos en los Tipos de Circulación
Figura G.1. Distribución de longitudes de eventos de distinta duración (en días) en los Tipos de Circula-
ción para el ERA40 y los modelos AR4. Esquema de k-medias a la izquierda y de SANDRA a la derecha.
136
DISTRIBUCIÓN DE LAS LONGITUDES DE EVENTOS EN LOS TIPOS DE CIRCULACIÓN
Figura G.1 (continuación). Distribución de longitudes de eventos de distinta duración (en días) en
los Tipos de Circulación para el ERA40 y los modelos AR4. Esquema de k-medias a la izquierda y
de SANDRA a la derecha.
137
138
DISTRIBUCIÓN DE LAS LONGITUDES DE EVENTOS EN LOS TIPOS DE CIRCULACIÓN
139
ANEXO H.
Matrices de probabilidades de transición entre Tipos de Circulación
ERA40 k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
BCCR-BCM2.0 k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
10 20 30 40 50 60
Figura H.1. Matrices de las probabilidades de transición (%) entre los Tipos de Circulación para el
ERA40 y los modelos AR4 (esquema k-medias).
140
MATRICES DE PROBABILIDADES DE TRANSICIÓN ENTRE TIPOS DE CIRCULACIÓN
CCSM3 k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
CGCM3.1(T47) k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
CGCM3.1(T63) k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
10 20 30 40 50 60
Figura H.1 (continuación). Matrices de las probabilidades de transición (%) entre los Tipos de Cir-
culación para el ERA40 y los modelos AR4 (esquema k-medias).
141
CNRM-CM3 k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
CSIRO-Mk3.0 k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
ECHAM5/MPI-OM k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
10 20 30 40 50 60
142
GFDL-CM2.0 k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
GISS-AOM k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
INM-CM3.0 k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
10 20 30 40 50 60
143
MIROC3.2(hires) k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
MIROC3.2 (medres) k-medias

TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
MRI-CGCM2.3.2 k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
10 20 30 40 50 60
144
PCM k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
UKMO-HadCM3 k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
UKMO-HadGEM1 k-medias
TC1
TC2
TC3
TC4
TC5
TC6
TC7
TC8
10 20 30 40 50 60
145
REFERENCIAS
ALEXANDER, L. V. ET AL. (2006): Global observed changes in daily climate extremes

of temperature and precipitation. J. Geophys. Res., 111, D05109, doi:
10.1029/2005JD006290.
ANAGNOSTOPOULOU, C. H. R., K. TOLIKA, P. MAHERAS, H. KUTIEL y H. A. FLOCAS
(2007): Performance of the general circulation HadAM3P model in simulating cir-
culation types over the Mediterranean region. Int. J. Climatol., doi: 10.1002/
joc.1521.
BARNSTON, A. G. y R. E. LIVEZEY (1987): Classification, seasonality and persistence
of low-frequency atmospheric circulation patterns. Mon. Weather Rev., 115, 983-
1126.
BELL, G. D. y M. S. HALPERT (1995): Atlas of intraseasonal and interannual varia-
bility, 1986-1993. NOAA Atlas No. 12. Climate Prediction Center,
NOAA/NWS/NMC, Washington D. C.
BRUNET, M., M. J. CASADO, M. DE CASTRO, P. GALÁN, J. A. LÓPEZ, J. M. MARTÍN,
A. PASTOR, E. PETISCO, P. RAMOS, J. RIBALAYGUA, E. RODRÍGUEZ y L. TORRES (2008):
Generación de escenarios regionalizados de cambio climático para España, Agencia
Estatal de Meteorología, Ministerio de Medio Ambiente y Medio Rural y Marino
(ISBN: 978-84-8320-470-2, 157 páginas).
CAHYNOVÁ, M. y R. HUTH (2009): Enhanced lifetime of atmospheric circulation
types over Europe: fact or fiction? Tellus, 61A, 407-416, doi: 10.1111/j.1600-
0870.2009.00393.x.
CASADO, M. J., M. A. PASTOR y F. J. DOBLAS-REYES (2008): Euro-Atlantic circula-
tion types and modes of variability in winter. Theor. Appl. Climatol., 96, Issue 1-2,
17-29, doi: 10.1007/s00704-008-0036-2.
CASADO, M. J., M. A. PASTOR y F. J. DOBLAS-REYES (2010): Links between circula-
tion types and precipitation over Spain. Phys. Chem. Earth, 35, 437-447.
CASADO, M. J. y M. A. PASTOR (2011): Use of variability modes to evaluate AR4 cli-
mate models over the Euro-Atlantic region. Clim. Dyn., doi: 10.1007/ s00382-011-
1077-2.
CASSANO, J. P., P. UOTILA y A. LYINCH (2006): Changes in synoptic weather patterns
in the Polar Regions in the twentieth and twenty-first centuries. Part I: Arctic. Int. J.
Climatol., 26, 1027-1049.
CASSOU, C., L. TERRAY y A. S. PHILLIPS (2005): Tropical Atlantic influences on Eu-
ropean heatwaves, J. Climate, 18, 2085-2111.
CASSOU, C. y E. GUILYARDI (2007): Modes de variabilité et changement climatique.
Synthèse du quatrième rapport d´évaluation du Giec. La Météorologie, 59, 22-30.
CHEN, C.-T. y T. KNUTSON (2008): On the verification and comparison of extreme
rainfall indices from climate models. J. Climate, 21, 1605-1621.
146
REFERENCIAS
CHRISTENSEN, J. H. y O. B. CHRISTENSEN (2007): A summary of the PRUDENCE

model projections of changes in European climate by the end of this century. Clim.
Change, 81 (Supplement 1), 7-30, doi: 1007/s10584-006-9210-7.
CHRISTENSEN ET AL. (2009): Project no. GOCE-CT-2003-505539. Project acronym:
ENSEMBLES. Project title: ENSEMBLE-based Predictions of Climate Changes
and their Impacts.
COLLINS, M., B. B. B. BOOTH, G. HARRIS, J. M. MURPHY, D. M. H. SEXTON y M. J.
WEBB (2006): Towards quantifying uncertainty in transient climate change. Clim.
Dyn., 27, 127-147.
COLLINS, W. D. ET AL. (2006b): The Community Climate System Model Version 3
(CCSM3). J. Climate, 19, 2122-2143.
CORTI, S., F. MOLTENI y T. PALMER (1999): Signature of recent climate change in
frequencies of natural atmospheric circulation regimes. Nature, 398, 799-802.
DAI, A. (2006): Precipitation characteristics in eighteen coupled climate models. J.
Climate, 19, 4605-4630.
DELWORTH, T. L. ET AL. (2006): GFDL’s CM2 Global Coupled Climate Models. Part
I: Formulation and simulation characteristics. J. Clim., 19, 643-674.
DEMUZERE, M., M. WERNER, N. P. M. VAN LIPZIG y E. ROECKNER (2009): An analy-
sis of present and future ECHAM5 pressure fields using a classification of circula-
tion patterns. Int. J. Climatol., 29, 1796-1811.
DEMUZERE, M., P. KASSOMENOS y A. PHILLIP (2010): The COST733 circulation type
classification software: an example for surface ozone concentrations in Central Eu-
rope. Theor. Appl. Climatol., doi: 10.1007/s00704-010-0378-4.
DIANSKY, N. A. y E. M. VOLODIN (2002): Simulation of the present day climate with
a coupled atmosphere-ocean general circulation model. Izv. Atmos. Ocean. Phys.,
38, 732-747.
DIANSKY, N. A., A. V. BAGNO y V. B. ZALESNY (2002): Sigma model of global ocean
circulation and its sensitivity to variations in wind stress. Izv. Atmos. Ocean. Phys.,
38, 477-494.
ERRASTI, I., A. EZCURRA, J. SÁENZ y G. IBARRA-BERASTEGUI (2011): Validation of
IPCC AR4 models over the Iberian Peninsula. Theor. Appl. Climatol., 103, 61-79,
doi: 10.1007/s00704-010-0282-y.
FAGGIAN, P. y F. GIORGI (2009): An analysis of global model projections over Italy,
with particular attention to the Italian Greater Alpine Region (GAR). Clim. Change,
Volume 96, 239-258, doi: 10.1007/s10584-009-9584-4.
FELDSTEIN, S. B. (2000): The timescale, power spectra and climate noise properties
of teleconnection patterns. J. Climate, 13, 4340-4440.
FERRO, C. A. T., A. HANNACHI y D. B. STEPHENSON (2005): Simple non-parametric
techniques for exploring changing probability distributions of weather. J. Climate,
18, 4344-4354.
147
FLATO, G. M., cited (2005): The Third Generation Coupled Global Climate Model
(CGCM3). [Disponible en línea en http://www.cccma.bc.ec.gc.ca/models/
cgcm3.shtml].
FUREVIK, T., M. BENTSEN, H. DRANGE, I. K. T. KINDEM, N. G. KVAMSTØ y A. SOR-
TEBERG (2003): Description and evaluation of the Bergen climate model: ARPEGE
coupled with MICOM. Clim. Dynam., 21, 27-51.
FINNIS, J., J. CASSANO, M. HOLLAND, M. SERREZE y P. UOTILLA (2009): Synoptically
Forced Hydroclimatology of Major Arctic Watersheds in General Circulation Mo-
dels, Part 1: the Mackenzie River Basin. Int. J. Climatol., 29, 1226-1243.
FRICH, P., L. V. ALEXANDER, P. DELLA-MARTA, B. GLEASON, M. HAYLOCK, A. M. G.
KLEIN y T. PETERSON (2002): Observed Coherent changes in climatic extremes du-
ring the second half of the twentieth century. Clim. Res., 19, 193-212.
GARCÍA PÉREZ, A. (1992): Estadística aplicada: Conceptos Básicos. Universidad Na-
cional de Educación a Distancia, 405 páginas.
GATES, W. L. (1992): AMIP: The Atmospheric Model Intercomparison Project. Bull.
Amer. Meteor. Soc., 73, 1962-1970.
GATES, W. L., J. S. BOYLE, C. COVEY, C. G. DEASE, C. M. DOUTRIAUX, R. S. DRACH,
M. FIORINO, P. J. GLECKLER, S. MARLAIS, T. J. PHILLIPS, G. L. POTTER, B. D. SAN-
TER, K. R. SPERBER, K. E. TAYLOR y D. N. WILLIAMS (1999): An overview of the re-
sults of the Atmospheric Model Intercomparison Project (AMIP I). Bull. Amer.
Meteor. Soc., 80, 29-55.
GIORGI, F. y L. O. MEARNS (2002): Calculation of average, uncertainty range, and
reliability of regional climate changes from AOGCM simulations via the Reliability
Ensemble Averaging (REA) method. J. Climate, 15, 1141-1158.
GIORGI, F. (2006): Climate Change hot-spots. Geophys. Res. Lett., 33, L08707, doi:
10.1029/2006GL025734.
GLECKLER, P. J., K. E. TAYLOR y C. DOUTRIAUX (2008): Performance metrics for cli-
mate models, J. Geopys. Res., 113, D06104, doi: 10.1029/2007JDOO8972.
GORDON, C., C. COOPER, C. A. SENIOR, H. T. BANKS, J. M. GREGORY, T. C. JOHNS, J.
F. B. MITCHELL y R. A. WOOD (2000): The simulation of SST, sea ice extents and
ocean heat transports in a version of the Hadley Centre coupled model without flux
adjustments. Clim. Dyn., 16, 147-168.
GORDON, H. B. ET AL. (2002): The CSIRO Mk3 Climate System Model. CSIRO At-
mospheric Research Tech. Paper 60, 134 pp. [Disponible en línea en
http://www.cmar.csiro.au/e-print/open/gordon_2002a.pdf].
HAGEDORN, R., F. J. DOBLAS-REYES y T. N. PALMER (2005): The rationale behind the
success of multi-model ensembles in seasonal forecasting. Part I: Basic concept.
Part II: Calibration and combination. Tellus, 57A, 219-252.
HANDORF, D. y K. DETHLOFF (2009): Atmospheric teleconnections and flow regi-
mes under future climate projections. Eur. Phys. J. Special Topics, 174, 237-255.
148
REFERENCIAS
HARTIGAN, J. A. y M. A. WONG (1979): A K-means Clustering Algorithm. Applied

Statistic, 28, 100-108.
HASSON, A. E. A., G. A. MILLS, B. TIMBAL y K. WALSH (2009): Assessing the impact
of climate change on extreme fire weather events over southeastern Australia. Clim.
Res., 39, 159-172.
HASUMI, H. y S. EMORI (2004): K-1 coupled GCM (MIROC) description. K-1 Tech.
Rep. 1, Center for Climate System Research, University of Tokyo, 39 pp. [Disponi-
ble en línea en http://www.ccsr.u-tokyo.ac.jp/kyosei/hasumi/MIROC/tech-repo.pdf].
HAYLOCK, M. R., N. HOSFSTRA, A. M. G. KLEIN TANK, E. J. KLOK, P. JONES y M.
NEW (2008): European daily high-resolution gridded dataset of surface temperature
and precipitation for 1950-2006. J. Geophys. Res., 113, D20119, doi: 10.1029/2008.
HERTIG, E., S. SEUBERT y J. JACOBEIT (2010): Temperature extremes in the Medite-
rranean area: trends in the past and assessments for the future. Nat. Hazards Earth
Sys., 10, 2039-2050.
HOURDIN, F., I. MUSAT, S. BONY, P. BRACONNOT, F. CODRON, J. L. DUFRESNE, L. FAIR-
HEAD, M. A. FILIBERTI, P. FRIEDLINGSTEIN, J. Y. GRANDPEIX, G. KRINNER, P. LEVAN,
Z. X. LI y F. LOTT (2006): The LMDZ4 general circulation model: climate perfor-
mance and sensitivity to parametrized physics with emphasis on tropical convec-
tion. Clim. Dyn., 27(7 8), 787-813.
HUTH, R. (1997): Continental-Scale circulation in the UKHI GCM. J. Climate, 10,
1545-1561.
HUTH, R. (2000): A circulation classification scheme applicable in GCM studies.
Theor. Appl. Climatol., 67, 1-18.
HUTH, R., C. BECK, A. PHILIPP, M. DEMUZERE, Z. USTRNUL, M. CAHYNOVÁ, K.
KYSELÝ y O. E. TVEITO (2008): Classifications of atmospheric circulation patterns:
recent advances and applications. Ann. N. Y. Acad. Sci., 1146, 105-152.
IPCC (2007): Climate Change 2007: The Physical Science Basis. Contribution of
Working Group I to the Fourth Assessment Report of the Intergovernmental Panel
on Climate Change. S. SALOMON, D. QIN, M. MANNING, Z. CHEN, M. MARQUIS, K.
B. AVERYT, M. TIGNOR y K. L. MILLER (eds.). Cambridge University Press, UK &
New York, NY, USA, 996 pp.
JACOB, D. ET AL. (2007): An intercomparison of regional climate models for Europe:
design of the experiments and model performance climatic change. Prudence, Spe-
cial issue, 81, suplement: 1, 31-52.
JAMES, P. M. (2007): An objective classification method for Hess and Brezowsky
Grosswetterlagen over Europe. Theor. Appl. Climatol., 88, 17-42.
JOHNS, T. C. ET AL. (2006): The New Hadley Centre Climate Model (HadGEM1):
Evaluation of coupled simulations. J. Climate, 19, 1327-1353.
JOLLIFFE, I. T. y D. B. STEPHENSON (2003): Forecast Verification. Wiley, New York,
240 pp.
149
KALNAY, E. M. ET AL. (1996): The NCEP/NCAR 40 year reanalysis project. Bull.

Am. Meteorol. Soc., 77, 437-471.
KHARIN, V. V. y F. ZWIERS (2000): Changes in the extremes in an ensemble of tran-
sient climate simulations with a coupled atmosphere-ocean GCM. J. Climate, 13,
3760-3788.
KHARIN, V. V. y F. W. ZWIERS (2005): Estimating extremes in transient climate
change simulations. J. Climate, 18, 1156-1173.
KHARIN, V. V. y X. ZHANG (2005): Intercomparison of near surface temperature and
precipitation extremes in AMIP-2 simulations. J. Climate, 18, 5201-5223.
KHARIN, V. V., F. W. ZWIERS, X. ZHANG y G. C. HEGERL (2007): Changes in tempe-
rature and precipitation extremes in the IPCC ensemble of global coupled model si-
mulations. J. Climate, 20, 1419-1444.
KIKTEV, D. ET AL. (2003): Comparison of modeled and observed trends in indices of
daily climate extremes. J. Climate, 16, 3560-3571.
KJELLSTRÖM, E. ET AL. (2010): Daily and monthly temperature and precipitation sta-
tistics as performance indicators for regional climate models. Clim. Res., 44, 135-
150.
KNUTTI, R., G. A. MEEHL, M. R. ALLEN y D. A. STAINFORTH (2006): Constraining cli-
mate sensitivity from the seasonal cycle in surface temperature. J. Climate, 19, 4224-
4233.
KNUTTI, R. (2008): Should we believe model predictions of future climate change?
Triennial Issue Earth Science of Philosophical Transactions of the Royal Society A,
366, 4647-4664.
KNUTTI, R. (2010): The end of model democracy? Clim. Change, 102, 395-404.
KNUTTI, R., G. ABRAMOWITZ, M. COLLINS, V. EYRING, P. J. GLECKLER, B. HEWITSON
y L. MEARNS (2010a): Good Practice Guidance Paper on Assessing and Combining
Multi Model Climate Projections. En: Meeting Report of the Intergovernmental
Panel on Climate Change Expert Meeting on Assessing and Combining Multi Model
Climate Projections [STOCKER, T. F., D. QIN, G.-K. PLATTNER, M. TIGNOR and P. M.
MIDGLEY (eds.)]. IPCC Working Group I Technical Support Unit, University of Bern,
Bern, Switzerland.
KNUTTI, R., R. FURRER, C. TEBALDI y G. A. MEEHL (2010b): Challenges in combi-
ning projections from multiple climate models. J. Climate, 23, 2739-2758.
KÜTTEL, M. ET AL. (2010): Multidecadal changes in winter circulation-climate rela-
tionships in Europe: frequency variations, within-type modifications, and long-term
trends. Clim. Dyn., doi: 10.1007/s00382-009-0737.
LAMBERT, S. J. y G. J. BOER (2001): CMIP1 evaluation and intercomparison of cou-
pled climate models. Clim. Dyn., 17, 83-106.
150
REFERENCIAS
LAPP, S., J. BYRNE, S. KIENZLE y I. TOWNSHEND (2002): Linking global circulation

model synoptics and precipitation for western North America. Int. J. Climatol., 22,
1807-1817.
LEGRAS, B. y M. GHIL (1985): Persistent anomalies, blocking and variations in at-
mospheric predictability. J. Atmos. Sci., 42, 433-471.
LUO, Q., W. BELLOTTI, M. WILLIAMS y B. BRYAN (2005): Potential impact of cli-
mate change on wheat yield in South Australia, Agr. Forest Meteorol., 132, no. 3-4,
273-285.
MARTIN, G. M., M. A. RINGER, V. D. POPE, A. JONES, C. DEARDEN y T. J. HINTON
(2006): The physical properties of the atmosphere in the new Hadley Centre Global
Environmental Model (HadGEM1). Part I: Model description and global climato-
logy. J. Climate, 19, 1274-1301.
MÁXINO, C. C., B. J. MCAVANEY, A. J. PITMAN y S. E. PERKINS (2008): Ranking the
AR4 climate models over the Murray-Darling Basin using simulated maximum tem-
perature, minimum temperature and precipitation. Int. J. Climatol., 28, 1097-1112.
MCKENDRY, I. G., D. G. STEYN y G. MCBEAN (1995): Validation of synoptic circu-
lation patterns simulated by the Canadian climate centre general circulation model
for western North America. Atmos. Ocean, 33, 809-825.
MCKENDRY, I. G., K. STAHL y R. D. MOORE (2006): Synoptic sea-level pressure pat-
terns generated by a general circulation model: comparison with types derived from
NCEP/NCAR re-analysis and implications for downscaling. Int. J. Climatol., 26,
1727-1736.
MEEHL, G. A., G. J. BOER, C. COVEY, M. LATIF y R. J. STOUFFER (2000): The Cou-
pled Model Intercomparison Project (CMIP). Bull. Am. Meteorol. Soc., 81, 313-318.
MEEHL, G. A., C. COVEY, B. MCAVANEY, M. LATIF y R. J. STOUFFER (2005b): Over-
view of the Coupled Model Intercomparison Project. Bull. Am. Meteorol. Soc., 86,
89-93.
MEEHL, G. A., C. COVEY, T. DELWORTH, M. LATIF, B. MCAVANEY, J. F. B. MITCHELL,
R. J. STOUFFER y K. E. TAYLOR (2007): THE WCRP CMIP3 Multimodel Dataset: A
New Era in Climate Change Research, Bull. Am. Meteorol. Soc., 88, 1383-1394,
doi: 10.1175/BAMS-88-9-1383.
MIN, S.-K. y A. HENSE (2006): A Bayesian approach to climate model evaluation and
multi-model averaging with an application to global mean surface temperatures from
IPCC AR4 coupled climate models. Geophys. Res. Lett., 33, L08708, doi:
10.1029/2006GL025779.
MITCHELL, T. D. y P. D. JONES (2005): An improved method of constructing a data-
base of monthly climate observations and associated high resolution grids. Int. J.
Climatol., 25, 693-712.
MITCHELL, T. D. y M. HULME (1999): Predicting regional climate change: living
with uncertainty. Prog. Phys. Geog., 23 (1), 57-78.
151
MOSS, R. H., J. A. EDMONDS, K. HIBBARD, M. MANNING, S. K. ROSE, D. VAN VUU-

REN, T. CARTER, S. EMORI, M. KAINUMA, T. KRAM, G. MEEHL, J. MITCHELL, N. NA-
KICENOVIC, K. RIAHI, S. J. SMITH, R. STOUFFER, A. M. THOMSON, J. WEYANT y T.
WILBANKS (2010): The Next Generation of Scenarios for Climate Change Research
and Assessment. Nature, 463 (7282): 747-756, doi: 10.1038/nature08823.
NAKICENOVIC, N. y R. SWART (Eds.) (2000): IPCC Special Report on Emissions Sce-
narios. Cambridge University Press, 570 pp.
NIETO, S. y C. RODRÍGUEZ-PUEBLA (2006): Comparison of Precipitation from Ob-
served Data and General Circulation Models over the Iberian Peninsula, J. Climate,
19, 4254-4275.
PALMER, T. N. (1999): A nonlinear dynamical perspective on climate prediction. J.
Climate, 12, 575-591.
PALMER, T. N. ET AL. (2004): Development of a European multimodel ensemble
system for seasonal-to-interannual prediction (DEMETER). Bull. Am. Meteorol.
Soc., 85, 853-872.
PASTOR, M. A., M. J. CASADO y F. J. DOBLAS-REYES (2008): Climate model valida-
tion in the Euro-Atlantic domain using Circulation Types. Nota Técnica n.º 4 del
Área de Evaluación y Modelización del Cambio Climático. Instituto Nacional de
Meteorología. Ministerio de Medio Ambiente. Madrid.
PELLY, J. L. y B. J. HOSKINS (2003b): How well does the ECMWF Ensemble Pre-
diction System predict blocking? Q. J. R. Meteorol. Soc., 129, 1683-1702.
PERKINS, S. E., A. J. PITMAN, N. J. HOLBROOK y J. MCANENEY (2007): Evaluation of
the AR4 Climate Models simulated daily maximum temperature, minimum tempe-
rature, and precipitation over Australia using probability density functions. J. Cli-
mate, 20, 4356-4376.
PERKINS, S. E. y A. J. PITMAN (2009): Do weak AR4 models bias projections of fu-
ture climate changes over Australia? Clim. Change, 93, 527-558.
PHILIPP, A., P. M. DELLA-MARTA, P. M. JACOBEIT, D. R. FEREDAY, P. D. JONES, A.
MOBERG y H. WANNER (2007): Long term variability of daily north atlantic-european
pressure patterns since 1850 classified by simulated annealing clustering. J. Cli-
mate, 20, (16): 4065-4095.
PHILIPP, A., J. BARTHOLY, C. BECK, M. ERPICUM, P. ESTEBAN, R. HUTH, P. JAMES, S.
JOURDAIN, T. KRENNERT, S. LYKOUDIS, S. MICHAELIDIS, K. PIANKO, P. POST, D. RA-
SILLA ÁLVAREZ, A. SPEKAT y F. S. TYMVIOS (2010): COST733CAT — a database of
weather and circulation type classifications. Phys. Chem. Earth, 35, 360-373.
PIANI, C., D. J. FRAME, D. A. STAINFORTH y M. R. ALLEN (2005): Constraints on cli-
mate change from a multi-thousand member ensemble of simulations. Geophys. Res.
Lett., 32, L23825, doi: 10.1029/2005GL024452.
PIERCE, D. W. (2004): Beyond the means: validating climate models with higher
order statistics. Computing in Science and Engineering 6(5): 22-29. [Disponible en
línea en http://doi.ieeecomputersociety.org/10.1109/MCSE.2004.32].
152
REFERENCIAS
POPE, V. D., M. L. GALLANI, P. R. ROWNTREE y R. A. STRATTON (2000): The impact

of new physical parametrizations in the Hadley Centre climate model: HadAM3.
Clim. Dynam., 16, 123-146.
REICHLER, T. y J. KIM (2008): How Well Do Coupled Models Simulate Today’s Cli-
mate? Bull. Amer. Meteor. Soc. 89, 303-311.
REINHOLD, B. B. y R. T. PIERREHUMBERT (1982): Dynamics of weather regimes:
Quasi-stationary waves and blocking. Mon. Weather Rev., 110, 1105-1145.
RICHMAN, M. B. (1986): Rotation of principal components. J. Climatol., 6, 293-335.
ROBERTSON, A. W. y M. GHIL (1999): Large-scale weather regimes and local climate
over the western United States. J. Climate, 12, 1796-1813.
RODRÍGUEZ-PUEBLA, C., A. H. ENCINAS, S. NIETO y J. GARMENDÍA (1998): Spatial and
Temporal patterns of annual precipitation variability over the Iberian Peninsula. Int.
J. Climatol., 18, 299-316.
ROECKNER, E. ET AL. (1996): The atmospheric general circulation model ECHAM4:
Model description and simulation of present day climate. Report 218, Max Planck
Institute for Meteorology, Hamburg, Germany, P90.
ROECKNER, E. ET AL. (2003): The atmospheric general circulation model ECHAM 5.
Part I: Model description. Max Planck Institute for Meteorology Rep., 127 pp. [Dis-
ponible en línea en http://edoc.mpg.de/175329].
RUSSELL, G. L. (2005): 4x3 atmosphere-ocean model documentation. [Disponible en
línea en http://aom.giss.nasa.gov/doc4x3.html].
RUSSELL, G. L., J. R. MILLER y D. RIND (1995): A coupled atmosphere-ocean model
for transient climate change studies. Atmos. Ocean, 33, 683-730.
SÁNCHEZ, E., M. A. GAERTNER y C. GALLARDO (2009): Regionalización dinámica de
la precipitación diaria sobre la Península Ibérica: análisis de la resolución espacial
en la descripción del clima actual y clima futuro. Física de la Tierra, 21, 207-218.
ISSN: 0214-4557.
SALAS-MELIA, D. ET AL. (2005): Description and validation of the CNRM-CM3 glo-
bal coupled model. CNRM Working Note 103, 36 pp.
SÁNCHEZ GÓMEZ, E. y L. TERRAY (2005): Large-scale atmospheric dynamics and
local intense precipitation episodes. Geophys. Res. Lett., 32: L24711, doi:
10.1029/2005GL023990.
SCHAEFFER, M., F. M. SELTEN y J. D. OPSTEEGH (2005): Shifts of Means are not a
Proxy for Changes in Extreme Winter Temperatures in Climate Projections. Clim.
Dyn., 25, 51-63.
SCHMIDT, G. A. ET AL. (2006): Present day atmospheric simulations using GISS Mo-
delE: Comparison to in-situ, satellite and reanalysis data. J. Climate, 19, 153-192.
153
SCHOOF, J. T. y S. C. PRYOR (2006): An evaluation of two GCMs: simulation of

North American teleconnection indices and synoptic phenomena. Int. J. Climatol.,
26(2): 267-282.
SCHUENEMANN, K. C. y J. J. CASSANO (2009): Changes in synoptic weather patterns
and Greenland precipitation in the 20th and 21st centuries: 1. Evaluation of late 20th
century simulations from IPCC models. J. Geophys. Res., 114, D20113, doi:
10.1029/2009/D011705.
SCHWIERZ, C., C. APPENZELLER, H. C. DAVIES, M. LINIGER, W. MÜLLER, T. F. STOC-
KER y M. YOSHIMORI (2006): Challenges posed by and Approaches to the study of
Seasonal-to-Decadal Climate Variability, Clim. Change, 79, 31 63, doi: 10.1007/
s10584-006-9076-8.
SERRANO, A., A. J. GARCÍA, V. L. MATEOS, M. L. CANCILLO y J. GARRIDO (1999):
Monthly modes of variation of precipitation over the Iberian Peninsula. J. Climate,
12, 2894-2919.
SHERIDAN, S. y C. LEE (2010): Synoptic climatology and the general circulation
model. Prog. Phys. Geog., 34, No. 1, 101-109, doi: 10.1177/0309133309357012.
SHUKLA, J., T. DELSOLE, M. FENNESSY, J. KINTER y D. PAOLINO (2006): Climate
model fidelity and projections of climate change. Geophys. Res. Lett., 33, L07702,
doi: 10.1029/2005GL025579.
SILVERMAN, B. W. (1986): Density estimation for statistics and data analysis. Chap-
man and Hall, London, 175 pp.
STAHL, K., R. D. MOORE y I. G. MCKENDRY (2006): The role of synoptic-scale cir-
culation in the linkage between large-scale ocean-atmosphere indices and winter
surface climate in British Columbia, Canada. Int. J. Climatol., 26, 541-560, doi:
10.1002/joc.1268.
STEPHENSON, D. B., V. PAVAN y R. BOXARIU (2000): Is the North Atlantic Oscillation
a random walk? Int. J. Climatol., 20(1), 1-18.
STEPHENSON, D. B., V. PAVAN, M. COLLINS, M. M. JUNGE y R. QUADRELLI (2006):
North Atlantic Oscillation response to transient greenhouse gas forcing and the im-
pact on european winter climate: a CMIP2 multi-model assessment. Clim. Dyn., 27,
401-420.
STONER, K., K. HAYHOE y D. J. WUEBLES (2009): Assesing General Circulation Model
Simulations of Atmospheric Teleconnection Patterns. J. Climate, 22, 4348-4372.
SUN, Y., S. SOLOMON, A. DAI y R. PORTMANN (2006): How often does it rain? J. Cli-
mate, 19, 916-934.
TAYLOR, K. E. (2001): Summarizing multiple aspects of model performance in a sin-
gle diagram. J. Geophys. Res., 106 (D7), 7183-7192.
TRIGO, R. M. y J. P. PALUTIKOF (2001): Precipitation scenarios over Iberia: a com-
parison between direct GCM output and different downscaling techniques. J. Cli-
mate, 14, 4422-4446.
154
REFERENCIAS
TRIGO, R., R. GARCÍA-HERRERA, J. DÍAZ, I. TRIGO y M. VALENTE (2005): How ex-

ceptional was the early August 2003 heatwave in France? Geophys. Res. Lett., 32,
1071-1074.
UPPALA, S. M., P. W. KÅLLBERG, A. J. SIMMONS, U. ANDRAE, V. DA COSTA BECHTOLD,
M. FIORINO, J. K. GIBSON, J. HASELER, A. HERNÁNDEZ, G. A. KELLY, X. LI, K. ONOGI,
S. SAARINEN, N. SOKKA, R. P. ALLAN, E. ANDERSSON, K. ARPE, M. A. BALMASEDA,
A. C. M. BELJAARS, L. VAN DE BERG, J. BIDLOT, N. BORMANN, S. CAIRES, F. CHEVA-
LLIER, A. DETHOF, M. DRAGOSAVAC, M. FISHER, M. FUENTES, S. HAGEMANN, E. HÓLM,
B. J. HOSKINS, L. ISAKSEN, P. A. E. M. JANSSEN, R. JENNE, A. P. MCNALLY, J. F. MAH-
FOUF, J. J. MORCRETTE, N. A. RAYNER, R. W. SAUNDERS, P. SIMON, A. STERL, K. E.
TRENBERTH, A. UNTCH, D. VASILJEVIC, P. VITERBO y J. WOOLLEN (2005): The ERA-
40 re-analysis. Q. J. R. Meteorol. Soc., 131, 2961-3012, doi: 10.1256/qj.04.176.
VAN ULDEN, A. P. y G. J. VAN OLDENBORGH (2006): Large scale atmospheric circu-
lation biases and changes in global climate model simulation and their importance
for climate change in Central Europe. Atmos. Chem. Phys., 6, 863-881.
VON STORCH, H. y F. W. ZWIERS (1999): Statistical analysis in climate research.
Cambridge University Press, Cambridge, 510 pp.
WALLACE, J. M. y D. S. GUTZLER (1981): Teleconnections in the geopotential height
field during the Northern Hemisphere Winter. Mon. Weather Rev., 109, 784-812.
WANG, B. ET AL. (2004): Design of a new dynamical core for global atmospheric
models based on some efficient numerical methods. Science in China, Series A, 47,
Suppl. 4-21.
WASHINGTON, W. M. ET AL. (2000): Parallel Climate Model (PCM) control and tran-
sient simulations. Clim. Dyn., 16, 755-774.
WATTERSON, I. G., (1996): Non-dimensional measures of climate model perfor-
mance. Int. J. Climatol., 16, 379-391.
WILKS, D. S. (2006): Statistical Methods in the Atmospheric Sciences. Second Edi-
tion. International Geophysics Series Volume 91. Elsevier, 627 pp.
XAVIER, P. K., J.-P. DUVEL y F. J. DOBLAS-REYES (2008): Boreal summer intrasea-
sonal variability in coupled seasonal hindcasts. J. Climate, 21, 4477-4497.
YIOU, P. y M. NOGAJ (2004): Extreme climatic events and weather regimes over the
North Atlantic: When and where? Geophys. Res. Lett., 1, L07202, doi:
10.10129/2003GL019119.
YUKIMOTO, S. y A. NODA (2003): Improvements of the Meteorological Research
Institute Global Ocean-Atmosphere Coupled GCM (MRI-GCM2) and its climate
sensitivity. CGER’s Supercomputing Activity Rep., Vol. 10 2001, National Institute
for Environmental Studies, Ibaraki, Japan, 37-44.
YUKIMOTO, S. ET AL. (2001): The new Meteorological Research Institute global
ocean-atmosphere coupled GCM (MRICGCM2) — Model climate and variability.
Pap. Meteor. Geophys., 51, 47-88.
155
ZWIERS, F. Y X. ZHANG (2003): Towards regional-scale climate change detection. J.

Climate, 16, 793-797.
156
View publication stats

Libro Evaluacion Modelos Publicado PDF

Cargado por

Copyright:

Formatos disponibles

Libro Evaluacion Modelos Publicado PDF

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Libro Evaluacion Modelos Publicado PDF

Cargado por

Copyright:

Formatos disponibles

See discussions, stats, and author profiles for this publication at: https://www.researchgate.

EVALUACIÓN DE LOS MODELOS CLIMÁTICOS GLOBALES PARTICIPANTES EN

Book · January 2011

M. A. Pastor Ernesto Rodriguez-Camino

SEE PROFILE SEE PROFILE

HIRLAM View project

The user has requested enhancement of the downloaded file.

María Jesús Casado Calle

AGENCIA ESTATAL DE METEOROLOGÍA

Edita: Agencia Estatal de Meteorología ©

Maquetación e impresión: Servicios Gráficos Kenaf S.L.

Impreso en papel reciclado al 100% totalmente libre de cloro

2. EVALUACIÓN DE PRECIPITACIÓN Y TEMPERATURA . . . . . . . . . . . . 17

3. EVALUACIÓN DE LOS MODOS DE VARIABILIDAD. . . . . . . . . . . . . . . 45

4. EVALUACIÓN DE LOS TIPOS DE CIRCULACIÓN . . . . . . . . . . . . . . . . . 69

5. CONCLUSIONES GENERALES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

ANEXOS Y REFERENCIAS. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113

juntos (ensembles) ha permitido estimar cuantitativamente las incertidumbres de di-

1.2. INCERTIDUMBRES EN LAS PROYECCIONES CLIMÁTICAS

culares de cambio climático antropogénico (IPCC, 2007). En la realidad, la vegeta-

1.3. EVALUACIÓN DE MODELOS CLIMÁTICOS

Como se ha descrito en la sección anterior los mismos modelos climáticos globales

1.4. COMBINACIÓN Y PESADO DE MODELOS

Idealmente, los diferentes métodos de evaluación de modelos se basan en el cálculo

ter preliminar de la metodología, se exploraron diferentes formas de combinar las

1.5. EVALUACIONES PREVIAS DE LOS MODELOS CMIP3 DEL AR4-IPCC

El objetivo de este capítulo es la evaluación sobre la península Ibérica de las salidas

En este capítulo se han utilizado las siguientes bases de datos:

2.4.1. Ciclo anual de precipitación

secuencia de esta ausencia de bimodalidad en la mayoría de los modelos es lógica-

2.4.2. Ciclo anual de temperatura

tres estadísticos de error considerados, son UKMO-HadGEM1 y MIROC3.2(hires),

2.4.3. Análisis de la distribución espacial de precipitación

servaciones y los reanálisis. La media de los modelos recoge este comportamiento

Los modelos que mejor representan la precipitación invernal basado en los

2.4.4. Análisis de la distribución espacial de temperatura

Ciclo anual Invierno Verano Anual

Ciclo anual Invierno Verano Anual

Gran parte de las evaluaciones de modelos globales que se encuentran en la litera-

trándose, en consecuencia, las características más pronunciadas del patrón de Osci-

En este capítulo se han utilizado las siguientes bases de datos:

Los modos de variabilidad se han calculado aplicando el Análisis en Componentes

cada elemento de dicha matriz, se ha multiplicado por el coseno normalizado de la

Figura 3.1. Diagrama Log-eigenvalue (LEV).

3.4.1. Análisis espacial de los modos de variabilidad

• EA/WR, modo Este del Atlántico/Oeste de Rusia (EA/WR). Se caracteriza

EA/WR subestima, en general, mientras que el modo EA presenta valores superiores a

NAO SCAND EA EA/WR

σmodelo/σERA40 NAO SCAND EA EA/WR

Varianza explicada (%)

NAO SCAND EA EA/WR

3.4.2. Análisis temporal de los modos de variabilidad

completa de la simulación del rango completo de las observaciones en escalas de

siendo mk el momento k respecto a la media. El coeficiente b1 mide la asimetría de

tipo de asimetría mostrado por el ERA40, siendo el CCSM3 y el UKMO-HadGEM1,

Para completar nuestra comparación de las PDFs de los modos de variabilidad

siendo α = 0,05 el nivel de significación elegido en este estudio. Como se menciona

Por último, se ha introducido un análisis adicional aprovechando la disponi-

NAO SCAND EA EA/WR