¿Hasta dónde pueden subir las temperaturas en la Península? Inteligencia artificial aplicada a proyecciones climáticas regionalizadas

Por Peio Oria, delegado territorial de AEMET en Navarra 

La comunidad científica del clima ha definido un conjunto de escenarios futuros de cambio climático para las simulaciones de los diferentes modelos climáticos existentes a nivel global. Estos modelos han sido desarrollados por centros de investigación e instituciones científicas de todo el mundo y poseen una resolución que no es suficientemente adecuada para reproducir resultados a escala local o regional. Por ello, mediante relaciones de tipo estadístico o dinámico, se conectan las variables de los modelos globales, denominadas predictores, y las observaciones en superficie, denominadas predictandos, como, por ejemplo, la temperatura máxima en una determinada localidad o estación. Por otro lado, habitualmente no se emplea un único modelo para proyectar el clima a futuro, sino un conjunto o ensemble, mediante el cual se intenta abordar la totalidad de escenarios derivados del comportamiento de las variables climáticas. Empleando el predictando de temperatura máxima en los días de verano (junio, julio y agosto), y teniendo en cuenta los valores observados en una serie de estaciones ubicadas en la península ibérica, se intenta acotar la incertidumbre relativa al conjunto de escenarios mediante la aplicación de una red neuronal convolucional.

Este tipo de redes, prototipo de modelos usados en inteligencia artificial y en análisis masivo de datos, tienen hoy  en día un enorme campo de progreso y aplicación en multitud de ciencias naturales y sociales, incluyendo las propias ciencias atmosféricas y de la Tierra, a las que pertenece la modelización numérica del clima.

Introducción

Uno de los mayores impactos derivados del calentamiento global tiene que ver con el aumento previsto de la frecuencia e intensidad de las temperaturas extremas en superficie en prácticamente la totalidad del planeta, tanto a nivel global como regional. De hecho, se reconoce ya ampliamente por los científicos que han participado en la redacción del sexto informe del Panel Intergubernamental de Cambio Climático que existe una abrumadora evidencia indicando que los extremos climáticos han ocurrido con una frecuencia inusitada en los años recientes en una amplia variedad de escalas. Por ejemplo, en los últimos años hemos visto como las precipitaciones extremas han provocado daños importantes por inundaciones, socavación de puentes, deslizamientos de tierra, etc. por lo que es fundamental desarrollar métodos precisos y fiables para la proyección de este tipo de precipitaciones en el futuro que, a su vez, tienen amplias aplicaciones en el diseño, por ejemplo, de los sistemas de abastecimiento, depuración y drenaje de aguas. En áreas locales, la propuesta y validación de soluciones basadas en aprendizaje automático de datos pueden mejorar la proyección de  futuras curvas IDF (Intensidad-Duración-Frecuencia) durante períodos cortos con una mayor precisión. De hecho algunos estudios concluyen que las intensidades de corta duración van a aumentar especialmente a lo largo de este siglo.

En el caso de las temperaturas que proyectan los modelos para la península ibérica durante el trimestre del verano, en  las próximas décadas se apunta a una paulatina generalización de días con más de 40 ˚C en el tercio sur de la Península e, igualmente, un elevado número de días con temperaturas en el entorno de 40 °C para otras zonas. Estas proyecciones son relevantes para las estrategias de adaptación a tomar en años venideros. En un artículo publicado en 2019, investigadores del Instituto de Salud Carlos III afirmaban que, sin poner en marcha planes de adaptación, la mortalidad anual por calor en España en las décadas entre 2050 y 2100 podría alcanzar los 12900 decesos, reduciéndose un orden de magnitud en el caso de efectuar una adaptación completa y exitosa. Además de ello, las diferencias en los costes económicos podrían alcanzar casi 50000 millones de euros al año. Para más información se recomienda la lectura del artículo, citado en las referencias.

¿Qué consideramos temperaturas extremas y qué características exhiben?

El clima es estadística y, como tal, las variables se distribuyen según funciones de diversa tipología. Las colas de las distribuciones nos informan acerca del comportamiento de los extremos. Por ejemplo, en la figura 1 se muestra la evolución de la función de densidad de probabilidad de las temperaturas máximas en el periodo veraniego (junio-julio-agosto) registradas en la estación madrileña del Retiro entre aproximadamente los años 1961 y 1991 (rosa) y 1991 y 2021 (verde). La temperatura máxima aumenta en el segundo periodo para todo el conjunto de rangos. Sin embargo se observa que aumenta más en el entorno de las máximas más altas. Por ejemplo, la probabilidad de alcanzar 39 °C en el parque del Retiro, aumenta 25 veces de un periodo a otro. Visto de otra forma, el percentil que marca los 10 días más calurosos se desplaza 2.4 °C. En el caso del promedio de las temperaturas máximas del verano lo hace 1.8°C, un 25% menos.

Figura 1: función de densidad de probabilidad de las temperaturas máximas en el trimestre veraniego (junio-julio-agosto) registradas en la estación madrileña del Retiro en dos periodos que coinciden muy aproximadamente con los años 1961-1991 (rosa) y 1991-2021 (verde).

Por tanto, es habitual partir de una caracterización estadística de lo que consideramos temperaturas extremas. Los valores máximos suelen ajustarse a lo que se denominan distribuciones GEV, que agrupan una serie de funciones analíticas como las de Gümbel, Frechet o Weibull, dependientes de una serie de parámetros a determinar. Una consecuencia importante de los estudios de cambio climático es que los extremos están sufriendo mayores alteraciones que los promedios. Hace casi 10 años esta hipótesis fue teóricamente demostrada por los climatólogos Rahmstorf y Comou, del Instituto Potsdam para la investigación del Clima y sus Impactos. En su artículo original postulaban como el número de récords de temperatura es proporcional al cociente entre la velocidad del calentamiento global y la desviación estándar de la distribución de las temperaturas a corto plazo. Es decir, una fuerte variabilidad disminuye la probabilidad de ocurrencia pero una mayor tasa de calentamiento, alejada de la linealidad y característica de los escenarios de cambio más agresivos como los RCP 8.5, propician que los récords extremos se produzcan cada vez antes. Pero no sólo es que aumente el número, sino la severidad de los récords. Este pasado verano los científicos expertos en extremos climáticos Fischer, Sippel y Knutti, de la Escuela Politécnica Federal de Zürich, publicaron los resultados de una interesante investigación en la que estudiaban la distribución de las diferencias absolutas de nuevos récords de temperatura respecto a anteriores, en escalas de tiempo semanales. Parece que estas diferencias también son relacionables con la velocidad a la que se produce el cambio global, más que con el grado o nivel de calentamiento en sí. Si, por ejemplo, tenemos un periodo con un débil calentamiento seguido por una fuerte respuesta no lineal del sistema climático, aumentan las posibilidades para que ocurran este tipo de eventos, descritos en el artículo como shattering-records, algo así como récords devastadores, haciendo referencia a la llamativa diferencia con los registros máximos anteriores. El símil que utilizaban los propios autores del estudio establecía que los récords marcados en un deporte como el atletismo se producen normalmente por décimas de segundo o centímetros y cada vez es más difícil batirlos. Sin embargo, un atleta podría eventualmente destrozar un record  por márgenes mucho mayores haciendo uso de prácticas no permitidas para mejorar su rendimiento deportivo. Este sería el papel del cambio climático en el caso de las climatologías de records extremos. Estos registros históricos son además muy relevantes para los impactos, dado que, si las anomalías por las que se producen los records son muy grandes, la sociedad está peor preparada y adaptada para sufrir las consecuencias de los mismos. Un ejemplo de lo anterior lo hemos tenido en el evento de finales de junio de este año en zonas como la Columbia Británica canadiense y el noroeste de Estados Unidos, que asombró al mundo debido a que en algunas estaciones se batieron récords de temperatura por más de 5 °C. Esto equivale a una diferencia de varias desviaciones estándar, lo cual da una idea de la rareza y excepcionalidad del fenómeno, virtualmente imposible en ausencia de calentamiento global. El impacto catastrófico lo vimos en los centenares de personas que fallecieron a causa del calor extremo así como en la oleada de grandes incendios forestales desatados, que encontraron condiciones muy favorables de propagación. Dos resultados interesantes y adicionales del estudio, a la vez que preocupantes, se centran en que en la nueva generación de modelos CMIP6, las probabilidades de ocurrencia de este tipo de eventos aumentan considerablemente respecto a anteriores evaluaciones de modelos. Además se comprueba cómo, a largo plazo, es en las zonas de grandes masas continentales de las latitudes medias del Hemisferio Norte donde pueden darse calentamientos más rápidos en verano y récords más disparados.

Hablando de impactos y de alertas tempranas para estar mejor preparados ante ellos, los Servicios Meteorológicos Nacionales como AEMET, en coordinación con autoridades sanitarias responsables de diseñar y difundir Planes de Prevención por altas temperaturas, advierten de periodos de alto impacto por este tipo de riesgo meteorológico, extensibles a buena parte del territorio y persistentes en el tiempo. En AEMET se hace con la emisión de avisos especiales por olas de calor, definido como un episodio de, al menos, tres días consecutivos en el que como mínimo el 10% de las estaciones consideradas registran máximas por encima del percentil del 95% de su serie de temperaturas máximas diarias de los meses de julio y agosto del periodo 1971-2000.

Los modelos climáticos y la regionalización estadística

Los modelos climáticos ofrecen predicciones simulando las interacciones entre las partes del sistema climático y los forzamientos externos, como el aumento de gases de efecto invernadero de origen antropogénico. Para ello, las interacciones son descritas por un conjunto de ecuaciones, cuyas soluciones se aproximan mediante métodos numéricos de resolución. Por tanto, los modelos proporcionan una determinada distribución de temperaturas, entre otras variables. La incertidumbre en cuanto a su descripción viene habitualmente caracterizada por la dispersión de un grupo de modelos o miembros de un mismo modelo. En el presente caso se emplean 32 modelos climáticos regionalizados para la Península y Baleares, obtenidos del portal AdapteCCa del MITERD y libremente disponibles bajo distintas configuraciones (rejilla, estaciones, comunidades autónomas, épocas del año, escenarios, etc.). Los modelos empleados, según un escenario RCP 8.5, son los listados en la tabla 1.

ACCESS1-0_ANALOGOS
ACCESS1-3_ANALOGOS
ACCESS1-3_SDSM
BNU-ESM_ANALOGOS
BNU-ESM_SDSM
CMCC-CESM_ANALOGOS
CMCC-CESM_SDSM
CMCC-CMS_ANALOGOS
CMCC-CMS_SDSM
CMCC-CM_ANALOGOS
CMCC-CM_SDSM
CNRM-CM5_ANALOGOS
CanESM2_SDSM
GFDL-ESM2G_SDSM
IPSL-CM5A-LR_SDSM
IPSL-CM5A-MR_ANALOGOS
IPSL-CM5A-MR_SDSM
IPSL-CM5B-LR_SDSM
MIROC-ESM-CHEM_SDSM
MIROC-ESM_ANALOGOS
MIROC-ESM_SDSM
MIROC5_ANALOGOS
MIROC5_SDSM
MPI-ESM-LR_ANALOGOS
MPI-ESM-LR_SDSM
MPI-ESM-MR_ANALOGOS
MPI-ESM-MR_SDSM
MRI-CGCM3_ANALOGOS
MRI-CGCM3_SDSM
bcc-csm1-1-m_ANALOGOS
bcc-csm1-1-m_SDSM
bcc-csm1-1_ANALOGOS
Tabla 1: Modelos regionalizados empleados

En la figura 2 se muestra la distribución de temperaturas máximas estivales (ordenadas de mayor a menor) observadas en la estación de Madrid Retiro entre 1961 y 2021 (puntos negros) y las predichas por algunos de los modelos anteriores (en distintos colores).

Figura 2: Distribución de temperaturas máximas veraniegas (1961-2021) en la estación de Madrid Retiro. Puntos negros: observación. Colores: valores previstos por los modelos de la tabla anterior.

Los modelos son siempre una simplificación de la realidad y, por este motivo, presentan diferencias con los valores reales observados, tal y como se ve en la figura 2. Esa discrepancia puede provenir de varias fuentes, como una inadecuada o excesivamente simplificada representación de algunos procesos físicos, de los propios esquemas de parametrización o de la limitada resolución espacial de los modelos globales. En el caso que nos ocupa, necesitamos una asociación entre las temperaturas máximas que resultan de los distintos modelos regionalizados y las observadas en superficie. Si bien este proceso se lleva a cabo en el propio proceso de regionalización mediante técnicas estadísticas como las de análogos o la regresión multilineal, habitualmente se emplean para ello el conjunto de temperaturas a lo largo de todo el año. Esto permite una descripción más satisfactoria de las variables de superficie  adaptadas a características locales o una mejor estimación de extremos de temperatura o precipitación que, a menudo, son suavizados por los modelos climáticos globales.

La figura 3 muestra un esquema del proceso de regionalización estadística de los resultados de los modelos climáticos globales, pasando de dominios en rejilla a gran escala a proyecciones locales de variables medidas en estaciones.

Figura 3: Esquema de regionalización estadística

En cualquier caso, al comparar el comportamiento de los 32 modelos regionalizados en el extremo de las distribuciones de temperatura máxima en los días de verano se encuentran variaciones considerables como se observa en la figura 2.

El objetivo principal de este pequeño estudio es tratar de ajustar el comportamiento del conjunto de los modelos en la región de los extremos a los valores reales observados en una serie de estaciones meteorológicas con un registro suficientemente extenso. Para ello se emplea una red neuronal. Esta asociación es la que permite en cierto modo acotar la incertidumbre y dar una idea de los extremos de temperatura a los que pueden llegar algunas ciudades españolas en las próximas décadas.

Las redes neuronales y su aplicación en los datos climáticos

Las redes neuronales artificiales son un tipo de técnica estadística que sirve para reproducir de manera empírica posibles relaciones no lineales entre un conjunto de variables de entrada y de salida. Están constituidas por una serie de unidades de cómputo conectadas entre sí, de manera análoga a la sinápsis de las neuronas del cerebro. Mediante un ajuste iterativo se calibran las conexiones entre los nodos. Las redes neuronales convolucionales (CNN) están formadas por múltiples capas, una de entrada y  otra de salida y, entre ellas, una o más ocultas (figura 4). Para entrenarlas, se emplea un algoritmo de retropropagación, funciones de activación no lineales y otro algoritmo de optimización. Aunque son especialmente indicadas para procesamientos relacionados con la visión artificial en dos y tres dimensiones, pueden ser igualmente aplicadas para conjuntos de datos unidimensionales como en el caso de las temperaturas máximas diarias en un punto.

En el contexto de los estudios y desarrollos realizados en AEMET ya se están empleando este tipo de técnicas para diversas finalidades. Por ejemplo se han aplicado en  la regionalización de la precipitación y temperaturas diarias (Nota técnica 34 de AEMET). Otro de los ejemplos de aplicaciones que emplean el aprendizaje automático de datos lo encontramos en los nuevos productos desarrollados en el consorcio SAF NWC, que emplean imágenes satelitales para tratar de predecir la evolución de variables atmosféricas en un horizonte temporal de Nowcasting

Figura 4: Arquitectura de la red neuronal convolucional

En el caso que nos ocupa, la red neuronal se entrena y valida con el conjunto de las 300 temperaturas más extremas del trimestre de verano  para una serie de estaciones, que son proyectadas por cada modelo de los listados en la tabla 1 en el periodo 1961-2021. Por tanto el conjunto de datos empleado es una matriz con entradas correspondientes a los 32 modelos y a los 300 días más extremos. La capa de entrada representa precisamente estos datos, que la red neuronal usa para entrenar los algoritmos. La capa de salida equivale a los datos medidos en las estaciones. El objetivo de la red neuronal puede interpretarse como un problema de regresión para llevar a cabo una predicción determinista partiendo de los valores modelizados y, que de esta forma, contribuye a acotar la incertidumbre de los modelos. En la figura 5 se muestra la precisión en la predicción del modelo de la red neuronal en función del número de ciclos (veces que se ejecutaran los algoritmos de retropropagación) durante el proceso de entrenamiento y validación. La precisión se define como el porcentaje de predicciones correctas para los datos de prueba y se calcula dividiendo el número de predicciones correctas por el número de predicciones totales. En azul se representa la métrica de precisión para el conjunto de datos de entrenamiento y en naranja para la validación. El hecho de que ambas gráficas converjan a un valor pequeño es sinónimo de que el error va disminuyendo en el proceso de aprendizaje.

Figura 5: Precisión del modelo basado en una CNN en las fases de entrenamiento y validación de los algoritmos de aprendizaje

La proyección de las temperaturas de los modelos climáticos regionalizados ajustadas mediante el modelo basado en la red neuronal convolucional se muestra en los gráficos de la figura 6 para una serie de estaciones propiedad de AEMET: Madrid (Retiro), Barcelona (Fabra), Valencia, La Coruña, Pamplona, Valladolid Villanubla, Murcia Alcantarilla y Morón de la Frontera. El modelo basado en la CNN se va aplicando para cada estación y para las temperaturas más altas proyectadas por los modelos en cada una de las décadas venideras. Esto nos da una idea de, por un lado, hasta donde pueden llegar las temperaturas y, por otro, del claro aumento de la recurrencia de los valores que caen en el extremo de sus distribuciones. Las líneas horizontales representadas en los gráficos nos muestran el percentil 95 calculado sobre los valores proyectados de cada década y los puntos que quedan por encima indican las temperaturas alcanzadas de los aproximadamente 50 días más calurosos (para cada década). Por ejemplo, el parque del Retiro de la ciudad de Madrid pasaría de haber tenido 4 días por encima de 40 °C en las últimas seis décadas a tener 8 días en los próximos 10 veranos, 25 días en el conjunto de veranos entre 2032 y 2042 y más de 30 entre 2042 y 2052. En las últimas décadas de este siglo habría casi 80 días de verano por encima de 40 grados de modo que, en promedio, aproximadamente todos los años habría ocho días de verano que rebasarían ese umbral. En el caso de ciudades del sur de la Península como Morón de la Frontera aproximadamente uno de cada tres días superarían los 40 °C en los veranos de final de siglo y uno de cada diez los 43°C, aproximándose las temperaturas más extremas a los 50 °C.

En cualquier caso, todas las estaciones muestran aumentos considerables tanto en registros máximos como en frecuencia de los valores más extremos. Los incrementos son más suaves en ciudades costeras como Valencia o Coruña y más marcados en ciudades interiores como Pamplona o Valladolid.

En la figura 7 se muestra la temperatura de los 300 días más calurosos para la última década del presente siglo en Morón de la Frontera. Se observa como, de media, 10 días por verano podrían superar los 43 °C.

Figura 7: 300 temperaturas máximas más extremas alcanzadas en los veranos de los años entre 2081 y 2092 en Morón de la Frontera en base a modelos climáticos regionalizados y la aplicación de una red neuronal convolucional.

Conclusiones

Las proyecciones de cambio climático muestran claros aumentos en las temperaturas máximas alcanzadas en ciudades españolas peninsulares durante los veranos de las próximas décadas. Para apoyar lo anterior habitualmente se emplea una media multimodelo, obtenida a través de los valores que ofrecen los modelos climáticos regionalizados. En esta ocasión se emplea una aproximación novedosa, haciendo uso de una red neuronal convolucional, modelo de inteligencia artificial con una enorme cantidad de aplicaciones y que, en este caso particular, nos sirve para tratar de disminuir la incertidumbre de los modelos climáticos. Para ello, la red neuronal se entrena con los datos observados y proyectados en un periodo histórico (1961-2021).

Esto es tan sólo un ejercicio que pretende sobre todo hacer hincapié en la potencia de la aplicación de las nuevas técnicas de análisis y aprendizaje automático de datos en un campo como el clima, caracterizado precisamente por disponer de cantidades masivas de datos, ya sea observados o simulados. Evidentemente, los modelos proyectan distribuciones variables para las temperaturas, y sus relaciones con los valores observados en superficie no tienen por qué permanecer estacionarias. Además, todo queda sujeto a la destreza y realismo de los modelos a la hora de proyectar la evolución de las temperaturas máximas en el futuro, y al tipo de escenario de emisiones escogido, que en este caso es un RCP 8.5. En proyecciones climáticas no deben tomarse además escenarios deterministas, si bien se reconoce que los márgenes de incertidumbre no siempre son bien interpretados por los usuarios de la información climática.

En cualquier caso hay algunos resultados que pueden dar relevancia a las estrategias de adaptación a tomar. Las temperaturas por encima de 40 °C serán cada vez más frecuentes y repetitivas en todas las ciudades analizadas en el estudio, excepto en La Coruña que, aunque aumentarían, no llegarían a este umbral. Los ascensos en las temperaturas máximas esperadas en verano serán mayores en el interior de la Península, pudiendo incrementarse los percentiles más altos hasta 5 °C de aquí a final de siglo en ciudades como Pamplona o Madrid. Los mayores aumentos pueden darse en esta próxima década, en la que dichos percentiles podrían aumentar  hasta 2 °C. Más a largo plazo las ciudades del sur de la Península rebasarán los 45 °C de manera relativamente frecuente, e incluso en algunos casos podrían acercarse a los 50 °C. Evidentemente estas conclusiones deberán reforzar y motivar el transito a una adaptación muy rápida en sectores vulnerables, como el de los efectos sobre la salud, ecosistemas o medio construido.

Referencias

IPCC, 2021: Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [Masson-Delmotte, V., P. Zhai, A. Pirani, S.L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L. Goldfarb, M.I. Gomis, M. Huang, K. Leitzell, E. Lonnoy, J.B.R. Matthews, T.K. Maycock, T. Waterfield, O. Yelekçi, R. Yu, and B. Zhou (eds.)]. Cambridge University Press. In Press

Díaz, Julio & Saez, Marc & Carmona, Rocío & Miron, Isidro & Luna, M. Y. & Linares, Cristina. (2019). Mortality attributable to high temperatures over the 2021–2050 and 2051–2100 time horizons in Spain: Adaptation and economic estimate. Environmental Research. 172. 475-485. 10.1016/j.envres.2019.02.041.

Chen H, Sun J. 2015. Assessing model performance of climate extremes in China: an intercomparison between CMIP5 and CMIP3. ClimaticChange 129: 197– 211

Alexander LV, Zhang X, Peterson TC, Caesar J, Gleason B, Klein TankAMG, Haylock M, Collins D, Trewin B, Rahimzadeh F, Tagipour A,Rupa Kumar K, Revadekar J, Grifiths G, Vincent L, Stephenson DB,Burn J, Aguilar E, Brunet M, Taylor M, New M, Zhai P, Rusticucci M,Vazquez-Aguirre JL. 2006. Global observed changes in daily climate extremes of temperature and precipitation. Journal of Geophysical Research 111: D05109, doi: 10.1029/2005JD006290.

Alexander LV, Uotila P, Nicholls N. 2009. Influence of sea surface temperature variability on global temperature and precipitation extremes. Journal of Geophysical Research 114: D18116, doi:10.1029/2009JD012301.

Wei, Ting & Ding, Minghu & Wu, Bingyi & Lu, Changgui & Wang, Shujie. (2015). Variations in temperature-related extreme events (1975-2014) in Ny-Ålesund, Svalbard. Atmospheric Science Letters. 17. n/a-n/a. 10.1002/asl.632.

Donat MG, Alexander LV, YangH, Durre L, Vose R, Dunn RJH, WillettKM, Aguilar E, Brunet M, Caesar J, Hewitson B, Jack C, KleinTank AMG, Kruger AC, Marengo J, Peterson TC, Renom M, OriaRojas C, Rusticucci M, Salinger J, Elrayah AS, Sekele SS, SrivastavaAK, Trewin B, Villarroel C, Vincent LA, Zhai P, Zhang X, KitchingS. 2013. Updated analyses of temperature and precipitation extreme indices since the beginning of the twentieth century: the HadEX2 dataset. Journal of Geophysical Research 118: 2098–2118

Osborn TJ, Hulme M, Jones PD, Basnett TA. 2000. Observed trends in the daily intensity of United Kingdom precipitation. International Journal of Climatology 20: 347– 364.P

Tabari, H. Climate change impact on flood and extreme precipitation increases with water availability. Sci Rep 10, 13768 (2020). https://doi.org/10.1038/s41598-020-70816-2

Huiling, H. Extreme Precipitation Projections in a Changing Climate, Civil & Environmental Engineering Theses and Dissertations UMD, https://doi.org/10.13016/qnim-uykg

Lenderink, G., Mok, H. Y., Lee, T. C., and van Oldenborgh, G. J.: Scaling and trends of hourly precipitation extremes in two different climate zones – Hong Kong and the Netherlands, Hydrol. Earth Syst. Sci., 15, 3033–3041, https://doi.org/10.5194/hess-15-3033-2011, 2011.

E. M. Fischer, S. Sippel y R. Knutt: «Increasing probability of record-shattering climate extremes». Nature Climate Change, vol 11, pgs 689–695 (2021).

Stefan Rahmstorf and Dim Coumou. Increase of extreme events in a warming world. PNAS November 1, 2011 108 (44) 17905-17909; https://doi.org/10.1073/pnas.1101766108

Acerca de aemetblog

La Agencia Estatal de Meteorología sucedió ya en 2008 a la entonces Dirección General del Instituto Nacional de Meteorología, con más de 150 años de historia. Actualmente está adscrita, según el artículo 4.4 del Real Decreto 864/2018, de 13 de julio, por el que se desarrolla la estructura orgánica básica del Ministerio para la Transición Ecológica, a ese departamento ministerial a través de la Secretaría de Estado de Medio Ambiente. El objeto de AEMET, según el artículo 1.3 del Real Decreto 186/2008, de 8 de febrero por el que se aprueba su Estatuto, es el desarrollo, implantación, y prestación de los servicios meteorológicos de competencia del Estado y el apoyo al ejercicio de otras políticas públicas y actividades privadas, contribuyendo a la seguridad de personas y bienes, y al bienestar y desarrollo sostenible de la sociedad española". Como Servicio Meteorológico Nacional y Autoridad Meteorológica del Estado, el objetivo básico de AEMET es contribuir a la protección de vidas y bienes a través de la adecuada predicción y vigilancia de fenómenos meteorológicos adversos y como soporte a las actividades sociales y económicas en España mediante la prestación de servicios meteorológicos de calidad. Se responsabiliza de la planificación, dirección, desarrollo y coordinación de actividades meteorológicas de cualquier naturaleza en el ámbito estatal, así como la representación de éste en organismos y ámbitos internacionales relacionados con la Meteorología.
Esta entrada fue publicada en CAMBIO CLIMÁTICO, TODOS LOS ARTÍCULOS y etiquetada , , , , . Guarda el enlace permanente.

Deja una respuesta

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Salir /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Salir /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Salir /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Salir /  Cambiar )

Conectando a %s