Análisis probabilístico de sequía meteorológica mediante Cadenas de Markov y Redes Bayseianas; Cuenca del Río Tempisque, Guanacaste

Abstract

La sequía es un proceso atmosférico difícil de detectar, pues sus impactos socio-económicos son solo apreciables meses después de su inicio. Un ejemplo de esto es el caso de la sequía que ocurrió a Centro América en entre el 2014 y 2015, la cual afectó a 3.5 millones de personas y según la FAO para el 2016 se había perdido el 90% de las cosechas en el Corredor Seco Centroamericano. Costa Rica no escapa a estos impactos, pues históricamente la Región Pacifico Norte se ha visto afectada por eventos de sequía, ya que esta región presenta una estación seca de al menos cuatro meses, la cual se puede extender si se presentan sequías en los meses de lluvia. Debido a esto es necesario buscar formas de pronosticar eventos de sequía, para así poder establecer mecanismos de adaptación que minimicen los impactos¡¡ en las comunidades. En esta tesis, se estudiaron modelos estadísticos basados en Cadenas de Markov (de primer y segundo orden) y Redes Bayesianas (de primer y segundo orden) con el objetivo de generar pronósticos de eventos de sequía meteorológica en tres estaciones meteorológicas ubicadas dentro de la cuenca del Río Tempisque. Primero se utilizaron los datos de la estación Aeropuerto para aplicar los modelos en una serie temporal de precipitación de 82 años y se le calculó el Índice Estandarizado de Precipitación a escala mensual (SPI-1), posteriormente se reclasificaron los valores en cuatro estados (No Sequía, Sequía Moderada, Sequía Severa y Sequía Extrema). Los modelos fueron aplicados a un periodo de calibración (1937-1999) y su rendimiento fue probado en un periodo de validación (2000-2020). Para seleccionar el modelo de mejor rendimiento se utilizaron los métodos de Ranked Probability Score (RPS) y de Ranked Probability Skill Score (RPSS). Una vez seleccionado el modelo con mejor rendimiento se aplicó el mismo en las estaciones meteorológicas de Cañas Dulces y Talolinga. Las Cadenas de Markov lograron un mejor rendimiento en la época seca, pues pronosticaban que el estado de No Sequía era el de mayor probabilidad, sin embargo, esto era esperable ya que estos meses secos son una característica del clima de la zona y no debe confundirse con eventos de sequía. Por otro lado, las Redes Bayesianas superaron los resultados de las Cadenas de Markov, pues en sus distribuciones de probabilidad en la época lluviosa mostraron un aumento en probabilidad de sequía cuando se observaron eventos de sequías en la serie temporal. De las validaciones se comprobó que las Redes Bayesianas de primer orden tienen el mejor rendimiento en la época lluviosa, que es cuando históricamente se han observado sequías meteorológicas. Este fue el modelo seleccionado para aplicarlo en las otras estaciones. Los resultados fueron similares a los de la estación Aeropuerto, pues el modelo logró diferenciar entre la estación seca y lluviosa, además las probabilidades de que se presentara algún estado de sequía aumentaban cuando se observaban eventos de sequía en la serie temporal. Así se concluye que el modelo de Redes Bayesianas de primer orden es un modelo apropiado para aplicar en la región, además esta metodología puede ser utilizada como un sistema de alerta temprana para otros tipos de sequía.

Drought is an atmospheric process that is difficult to monitor, as its socio-economic impacts are only perceptible months later. An example of this is the case of the drought that affected Central America between 2014 and 2015, which affected 3.5 million people and according to FAO by 2016 90% of the crops in the Central American Dry Corridor were lost. Costa Rica is no exception to these impacts, as the North Pacific Region historically has been affected by drought events, as this region has a dry season of at least four months, which can be extended if droughts occur during the rainy season. Therefore, it is necessary to develop ways of forecasting drought events in order to establish adaptation mechanisms that minimize the impacts on the communities. In this thesis, statistical models based on Markov Chains (first and second order) and Bayesian Networks (first and second order) were studied with the objective of generating forecasts of meteorological drought events in three meteorological stations located within the Tempisque River Basin. First, data from the Airport Station were used to apply the models to an 82-year precipitation time series where the Standardized Precipitation Index on a monthly scale (SPI-1) was calculated, and then these values were reclassified into four states (No Drought, Moderate Drought, Severe Drought and Extreme Drought). The models were applied to a calibration period (1937-1999) and their performance was evaluated in a validation period (2000-2020). The models were applied to a calibration period (1937-1999) and their performance was evaluated in a validation period (2000-2020). The Ranked Probability Score (RPS) and Ranked Probability Skill Score (RPSS) methods were used to select the best performing model. Once the best performing model was selected, we applied it to the Cañas Dulces and Talolinga weather stations. The Markov Chains obtained a better performance in the dry season, predicting that the No Drought state was the most likely, however, this was expected as these dry months are a characteristic of the climate of the region and should not be confused with drought events. The Bayesian Networks outperformed the results of the Markov Chains, since their probability distributions in the rainy season showed an increase in the probability of drought when drought events were observed in the time series. The validations showed that the first-order Bayesian Networks have the best performance in the rainy season, which is when meteorological droughts historically have been observed. For this reason, this was the model selected to be applied to the other meteorological stations. The results of the model were similar to those of the Airport station, since the model was able to identify the difference between the dry and rainy seasons, and the probabilities of a drought state increased when drought events were observed in the time series. It is concluded that the first-order Bayesian Networks model is an appropriate model to apply in the region, and that this methodology can be used as an early warning system for other types of droughts.