Publicación:
Next Generation of IPCC SSP Climate Change Scenarios for Colombia in High Spatial Resolution Using CMIP6 Models Under WMO Prediction Standards

dc.contributor.authorRuiz-Murcia, José Franklyn
dc.contributor.authorMuñoz, Ángel G.
dc.contributor.authorCorredor-Llano, Xavier
dc.contributor.authorMelo-Franco, Jeimmy Yanely
dc.date.accessioned2023-06-07T00:00:00Z
dc.date.accessioned2026-02-18T14:46:49Z
dc.date.available2023-06-07T00:00:00Z
dc.date.issued2023-06-07
dc.description.abstractIn august 2021, the Intergovernmental Panel on Climate Change (IPCC) released new findings on the next generation of climate change scenarios, known as Shared Socioeconomic Pathways (SSPs). These scenarios illustrate projected changes in temperature and precipitation throughout the 21st century under four climate change models, based on approximately 33 low-resolution simulations from the Coupled Model Intercomparison Project Phase 6 (CMIP6). The primary objective of these findings is to enable statistical downscaling, generating high-resolution climate projections at the national level. This process adheres to the prediction standards established by the World Meteorological Organization (WMO), which recommend using multiple models calibrated for spatial patterns and delivering forecasts in a flexible format, such as probability density functions. The next generation of climate change scenarios predicts a mean temperature increase of 1.1 °C to 2.0 °C under the SSP1-2.6 scenario and 3.5 °C to 6.2 °C under the SSP5-8.5 scenario by the end of the 21st century, relative to the 1981-2010 reference climatology. The most significant temperature increases are expected in the southern Caribbean, the central and southern Andes, and extensive areas of the Orinoco and Amazon regions. Regardless of the scenario, annual precipitation volumes are not projected to change significantly compared to the current climate. However, according to Lang’s climate classification, these shifts suggest that the Caribbean and parts of the Andean region may transition from semi-arid to arid conditions, while sections of the Amazon could shift from super-humid to humid climates.spa
dc.description.abstractEn agosto de 2021, el Panel Intergubernamental sobre Cambio Climático (IPCC) presentó nuevos resultados sobre la próxima generación de escenarios de cambio climático, denominado: "Trayectorias Socioeconómicas Compartidas". Estos escenarios expresan los cambios de temperatura y precipitación bajo 4 escenarios de cambio climático durante el resto del siglo XXI, utilizando alrededor de 33 modelos de baja resolución que forman parte del Couple Model Intercomparison Project Phase 6 (CMIP6). El objetivo de utilizar estos resultados fue realizar un downscaling estadístico para obtener escenarios de alta resolución espacial a nivel nacional a lo largo del siglo XXI. Para ello, se utilizaron los estándares de predicción desarrollados por la Organización Meteorológica Mundial (OMM, 2020), que sugieren el uso de varios modelos, utilizando solo aquellos que están calibrados por patrones espaciales, y entregando predicciones en un formato flexible (función de densidad de probabilidad). La próxima generación de escenarios de cambio climático sugiere que la temperatura media aumentará entre 1,1 °C y 2,0 °C en un escenario SSP1-2,6, y entre 3,5 °C y 6,2 °C en un escenario SSP5-8,5 para finales del siglo XXI. con respecto a la climatología de referencia 1981-2010. Los mayores incrementos se encuentran en la región Caribe Sur, Andina Central y Sur, y en gran parte de la Orinoquía y Amazonía. Independientemente del escenario, los volúmenes anuales de precipitación no cambiarán demasiado con respecto al clima actual. Con esos cambios en la temperatura media y la precipitación, la clasificación climática de Lang estima que el Caribe y partes de la región Andina dejarán de ser zonas semiáridas y migrarán hacia condiciones áridas, mientras que áreas de la Amazonía migrarán de superhúmedo a climas húmedos.eng
dc.format.mimetypeapplication/pdf
dc.identifier.doi10.21158/23823399.v11.n1.2023.3936
dc.identifier.eissn2745-2220
dc.identifier.issn2382-3399
dc.identifier.urihttps://hdl.handle.net/10882/18810
dc.identifier.urlhttps://doi.org/10.21158/23823399.v11.n1.2023.3936
dc.publisherUniversidad Ean
dc.relation.bitstreamhttps://journal.universidadean.edu.co/index.php/Revistao/article/download/3936/2505
dc.relation.citationeditionPerspectivas de ingeniería: Tecnología para el futuro.
dc.relation.citationissue1
dc.relation.citationvolume11
dc.relation.ispartofjournalRevista Ontare
dc.relation.referencesAlfaro, E.J. (2007). Uso del análisis de correlación canónica para la predicción de la precipitación pluvial en Centroamérica. Ingeniería y Competitividad, 9(2), 33-48. https://doi.org/10.25100/iyc.v9i2.2486
dc.relation.referencesAmador, J.A. y Alfaro, E.J. (2009). Métodos de reducción de escala: aplicaciones al tiempo, clima, variabilidad climática y cambio climático. Revista Iberoamericana de Economía Ecológica, 11, 39-52. https://redibec.org/ojs/index.php/revibec/article/view/260
dc.relation.referencesAmblar Francés, P., Casado Calle, M. J., Pastor Saavedra, M. A., Ramos Calzado, P. y Rodríguez Camino, E. (2017). Guía de escenarios regionalizados de cambio climático sobre España a partir de los resultados del IPCC-AR5. https://www.aemet.es/documentos/es/conocermas/recursos_en_linea/publicaciones_y_estudios/publicaciones/Guia_escenarios_AR5/Guia_escenarios_AR5.pdf
dc.relation.referencesArias, P., Ortega G., Villegas, L.D. & Martínez, J.A. (2021). Colombian climatology in CMIP5/CMIP6models: Persistent biases and improvements. Revista Facultad de Ingeniería, (100), 75-96. https://doi.org/10.17533/udea.redin.20210525
dc.relation.referencesBedoya, M., Cabrera, M., Carrillo, H., Contreras, C., Cuervo, P., Duarte, M., Gómez, C., Jaramillo, O., Lamprea, S., León, G., Lozano, R., Moreno, G., Osorio, S., Pava, J., Piñeres, A., Ruiz, J. F. y Tobón, E. (2010). 2.a Comunicación Nacional ante la Convención Marco de las Naciones Unidas sobre Cambio Climático: República de Colombia. Capítulo 4. Vulnerabilidad.
dc.relation.referencesBenestad, R. E. (2021). A Norwegian approach to downscaling. Geoscientific Model Development Discussion. https://doi.org/10.5194/gmd-2021-176
dc.relation.referencesCannon, A. J., Sobie, S. R. & Murdock, T. Q. (2015). Bias correction of GCM precipitation by quantile mapping: How well do methods preserve changes in quantiles and extremes? Journal of Climate, 28(17), 6938-6959, https://doi.org/10.1175/JCLI-D-14-00754.1
dc.relation.referencesDíaz, D. y Villegas, N. (2015). Correlación canónica entre índices macroclimáticos y variables meteorológicas de superficie en Colombia. Revista U.D.C.A Actualidad & Divulgación Científica 18(2), 543-552. https://doi.org/10.31910/rudca.v18.n2.2015.185
dc.relation.referencesErlandsen, H. B., Parding, K.M., Benestad, R., Mezghani, A. & Pontoppidan, M. (2020). A hybrid downscaling approach for future temperature and precipitation change. Journal of Applied Meteorology and Climatology, 59(11), 1793-1807. https://doi.org/10.1175/JAMC-D-20-0013.1
dc.relation.referencesGarcía-Valero, J. A. (2021). Redes neuronales artificiales: aplicación a la regionalización de la precipitación y temperaturas diarias. Nota técnica 34 de AEMET. Agencia Estatal de Metereología. https://dx.doi.org/10.31978/666-20-028-5
dc.relation.referencesGiorgi, F. & Mearns, L. (2002). Calculation of average, uncertainty range, and reliability of regional climate changes from AOGCM simulations via the ‘‘Reliability Ensemble Averaging’’ (REA) method. Journal of Climate, 15(10), 1141-1158 https://doi.org/10.1175/1520-0442(2002)015 2.0.CO;2
dc.relation.referencesGutiérrez, J. M., Jones, R. G., Narisma, G. T., Alves, L. M., Amjad, M., Gorodetskaya, I. V., Grose, M., Klutse, N.A., Krakovska, S., Li, J., Martínez-Castro, D., Mearns, L., Mernild, O. H., Ngo-Duc, T. van den Hurk, B. & Yoon, J. H. (2021). Atlas. In Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change.
dc.relation.referencesHernanz, A., García-Valero, J. A., Domínguez, M., Ramos-Calzado, P., Pastor-Saavedra, M. A. & Rodríguez-Camino, E. (2022). Evaluation of statistical downscaling methods for climate change projections over Spain: present conditions with perfect predictors. International Journal of Climatology, 42(2), 762-776. https://doi.org/10.1002/joc.7271
dc.relation.referencesHernanz, A., Correa, C., García-Valero, J. A., Domínguez, M., Rodríguez-Guisado, E. & Rodríguez-Camino, E. (2023). PyClim-SDM: service for generation of statistical downscaled climate change projections supporting national adaptation strategies. Climate Services, 32, 100408. https://doi.org/10.1016/j.cliser.2023.100408
dc.relation.referencesIdeam, PNUD, MADS. (2001). Primera comunicación nacional ante la convención marco de las Naciones Unidas sobre el cambio climático. https://www.car.gov.co/uploads/files/5ade495093144.pdf
dc.relation.referencesIdeam. (2005). Atlas climatológico de Colombia. Parte II: distribución espacio-temporal de las variables del clima.
dc.relation.referencesIdeam. (2015). Atlas climatológico de Colombia. Volumen 1.
dc.relation.referencesIdeam, PNUD, MADS, DNP, Cancillería. (2015). Nuevos escenarios de cambio climático para Colombia 2011-2100. Herramientas científicas para la toma de decisiones -enfoque nacional- regional: tercera comunicación nacional de cambio climático. https://www.undp.org/es/colombia/publicaciones/tercera-comunicacion-nacional-de-cambio-climatico-enfoque-nacional-departamental
dc.relation.referencesIdeam. (2021). Proyecto DL & ENACTS Colombia. Informe n.° 1. Ideam-IRI. Subdirección de Meteorología.
dc.relation.referencesIPCC. (2021). Climate change 2021: the physical science basis. Working Group I Contribution to the IPCC Sixth Assessment Report. https://www.ipcc.ch/report/ar6/wg1/about/how-to-cite-this-report
dc.relation.referencesMolina, A., Bernal, N., Vega, E., Collantes, J. y Pabón., J. (2003). Cambios en la temperatura del aire en Colombia bajo un escenario de duplicación de dióxido de carbono. Meteorología Colombiana, (7), 21-35.
dc.relation.referencesMuñoz, C. (2009). Variabilidad interanual de la precipitación invernal en Chile central no asociada al ciclo El Niño-Oscilación del Sur. [Tesis para optar al título profesional de Geofísico]. Universidad de Concepción. https://www.dgeo.udec.cl/wp-content/uploads/2012/09/munoz-cristian_tesis.pdf
dc.relation.referencesOglesby, R. & Rowe, C. (2017). Strengthening institutional capacity to improve the assessment of impacts of climate change in Latin America and the Caribbean. http://rccdp.unl.edu/reports/TechReport_5.pdf
dc.relation.referencesO'Neill, B. C., Tebaldi, C., van Vuuren, D. P., Eyring, V., Friedlingstein, P., Hurtt, G., Knutti, R., Kriegler, E., Lamarque, J. F., Lowe, J., Meehl, G. A., Moss, R., Riahi, K. & Sanderson, B. M. (2016). The scenario model intercomparison project (ScenarioMIP) for CMIP6. Geoscientific Model Development, 9(9), 3461-3482, https://doi.org/10.5194/gmd-9-3461-2016
dc.relation.referencesPabón, J. D. (2003). El cambio climático global y su manifestación en Colombia. Cuadernos de Geografía: Revista Colombiana de Geografía, 12(1-2), 111-119. https://revistas.unal.edu.co/index.php/rcg/article/view/10277
dc.relation.referencesPabón, J. D. (2008). Escenarios de cambio climático para las 24 regiones de Colombia. Informe presentado en el marco del proyecto Integrated National Adaptation Pilot (INAP). Conservación Internacional. Departamento de Geografía. Universidad Nacional de Colombia.
dc.relation.referencesPabón, J. D. (2012). Cambio climático en Colombia: tendencias en la segunda mitad del siglo XX y escenarios posibles para el siglo XXI. Revista Académica Colombiana de Ciencias, 36(139), 261-278. http://www.scielo.org.co/pdf/racefn/v36n139/v36n139a10.pdf
dc.relation.referencesPetisco de Lara, S. E. (2008a). Método de regionalización de precipitación basado en análogos. Explicación y validación. AEMET nota técnica 3A, área de evaluación y modelización del cambio climático. AEMET.
dc.relation.referencesPetisco de Lara, S. E. (2008b). Método de regionalización de temperatura basado en análogos. Explicación y validación. AEMET nota técnica 3B, área de evaluación y modelización del cambio climático. AEMET.
dc.relation.referencesRichardson, C. W. (1981). Stochastic simulation of daily precipitation, temperature, and solar radiation. Water Resources Research, 17(1), 182-190, https://doi.org/10.1029/WR017i001p00182
dc.relation.referencesRuiz, J. F. (2007). Escenarios de cambio climático, algunos modelos y resultados de lluvia para Colombia bajo el escenario A1B. http://bit.ly/44fSxUI
dc.relation.referencesRuiz, J. F. (2010). Cambio climático en temperatura, precipitación y humedad relativa para Colombia usando modelos de alta resolución (panorama 2011-2100). Nota Técnica de IDEAM. N.° IDEAM-METEO/005-2010. https://www.scirp.org/reference/referencespapers?referenceid=1787880
dc.relation.referencesSwitanek, M. B., Troch, P. A., Castro, C. L., Leuprecht, A., Chang, H. I., Mukherjee, R. & Demaria, E.M. (2017). Scaled distribution mapping: A bias correction method that preserves raw climate model projected changes. Hydrology and Earth System Sciences, 21(6), 2649-2666. https://doi.org/10.5194/hess-21-2649-2017
dc.relation.referencesThemeßl, M. J., Gobiet, A. & Leuprecht, A. (2011). Empirical-statistical downscaling and error correction of daily precipitation from regional climate models. International Journal of Climatology, 31(10), 1530-1544. https://doi.org/10.1002/joc.2168
dc.relation.referencesThomson, M. & Mason, S. (2018). Climate informatiom for public health action. Routledge. https://www.routledge.com/Climate-Information-for-Public-Health-Action/Thomson-Mason/p/book/9781138069640
dc.relation.referencesTufa, D., Faniriantsoa, R., Cousin, R., Khomyakov, I., Vadillo, A., Hansen, J. & Grossi, A. (2022). ENACTS: Advancing climate services across Africa. Frontiers in Climate, 3(787683). https://doi.org/10.3389/fclim.2021.787683
dc.relation.referencesWilby, R., Dawson, C. & Barrow, E. M. (2002). SDSM-a decision support tool for the assessment of regional climate change impacts. Environmental Modelling & Software, 17, 145-157. https://doi.org/10.1016/S1364-8152(01)00060-3
dc.relation.referencesWilks, D. S. (2006). Statistical methods in the atmospheric sciences (2nd ed.). Elsevier.
dc.relation.referencesWorld Meteorological Organization [WMO]. (2020). Guidance on operational practices for objective seasonal forecasting. https://library.wmo.int/idurl/4/57090
dc.relation.referencesWorld Bank, Japan Agency for Marine-Earth Science and Technology, INE, Ideam, Senamhi & Inamhi. (2007). Visualizing future climate in Latin America: results from the application of the earth simulator. https://www.senamhi.gob.pe/pdf/estudios/PublicacionesDMA/2007/SDWP_Future_Climate.pdf
dc.rightsJosé Franklyn Ruiz-Murcia, Ángel G. Muñoz, Xavier Corredor-Llano, Jeimmy Yanely Melo-Franco - 2025
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.coarhttp://purl.org/coar/access_right/c_abf2
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0
dc.sourcehttps://journal.universidadean.edu.co/index.php/Revistao/article/view/3936
dc.subjectCambio climáticospa
dc.subjectPrecipitación atmosféricaspa
dc.subjectClimatologíaspa
dc.subjectCirculación atmosféricaspa
dc.subjectEstado atmosféricospa
dc.titleNext Generation of IPCC SSP Climate Change Scenarios for Colombia in High Spatial Resolution Using CMIP6 Models Under WMO Prediction Standardsspa
dc.title.translatedNueva generación de escenarios de cambio climático SSP del IPCC para Colombia en alta resolución espacial utilizando modelos CMIP6 bajo los estándares de predicción de la OMMeng
dc.type.coarhttp://purl.org/coar/resource_type/c_6501
dc.type.coarversionhttp://purl.org/coar/version/c_970fb48d4fbd8a85
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/article
dc.type.redcolhttp://purl.org/redcol/resource_type/ARTREF
dc.type.versioninfo:eu-repo/semantics/publishedVersion
dspace.entity.typePublication

Archivos

Colecciones