El domingo 25 de mayo de 2025, un tornado golpeó la ciudad de Puerto Varas dejando cuantiosos daños materiales, varios lesionados y un revitalizado interés de medios de comunicación, autoridades, meteorólogos e investigadores por los tornados en Chile.

A seis años del tornado outbreak the 2019, que de una buena manera «nos abrió los ojos» de que este era un fenómeno que podía ocurrir en nuestro país (como si nos faltaran desgracias), muchos de los desafíos identificados en aquel entonces siguen presentes. Esta es una suerte de lista de desafíos que, sin el ánimo de ser una receta para el éxito (porque no creo estar capacitado para tal cosa), busca generar discusión y por sobretodo, ayudar a avanzar en esta materia.

Modelación de alta resolución

En meteorología hay modelos regionales y globales, modelos de alta y baja resolución, y modelos que permiten resolver la convección (las tormentas) y modelos que sólo la parametrizan. Dependiendo del problema, es el modelo que se debe utilizar. Así, para el pronóstico del tiempo tradicional se utilizan generalmente modelos globales que van a resolver muy bien los aspectos sinópticos y permitirán hacer un pronóstico día a día bastante bueno. Sin embargo, estos modelos parametrizan aspectos de menor escala, lo que los hace insuficientes para pronósticos bajo la escala sinóptica. Las tormentas convectivas, son un problema de escala más pequeña que la sinóptica.

Ahí es donde entran los modelos regionales. Esos modelos capaces de resolver la convección. Porque los modelos regionales no entregan simplemente «un pronóstico más fino», sino que es más fino porque está basado en procesos físicos que los modelos globales no pueden resolver. No obstante, el éxito de la simulación regional de alta resolución es una tarea difícil

En Chile se utilizan modelos regionales operacionales. La Dirección Meteorológica de Chile (DMC) corre diariamente el modelo WRF y lo utiliza en sus pronósticos y Alertas. El desafío está en que cierta configuración (por llamar así a todas esas decisiones metodológicas que se plasman en un namelist para correr el modelo) difícilmente será buena ante «todo evento». Entonces, ¿será que, dependiendo de la época del año y la región del país se deben utilizar configuraciones específicas de WRF?
Un Storm-WRF -por ponerle un nombre- centrado en las tormentas otoñales potencialmente tornádicas del centro-sur, podría usar una configuración pensada exclusivamente en tormentas severas, con una resolución espaciotemporal adecuada y cuya información permita acotar áreas para emitir Alertas y Alarmas. Seguramente, Storm-WRF será bastante malo para pronosticar otras cosas como las nieblas (por decir algo), pero ese no sería su foco.

Pero claro, más allá de encontrar esa «configuración pensada exclusivamente en tormentas severas», que se puede obtener inicialmente de los namelists utilizados en trabajos locales, se debe hacer una evaluación sistemática de las variables que son realmente importantes; por ejemplo CAPE, MUCAPE, SHEAR, STP, VGP, SRH y tantas otras que se han descrito en los citados trabajos.
Sin una evaluación sistemática, estudios de sensibilidad y quizás hasta correr distintos miembros de ensamble, no se pueden corregir errores ni mejorar esas «configuraciones exclusivas».

En algunos servicios meteorológicos, el pronóstico público está hecho automáticamente utilizando modelos (que previamente fueron calibrados y estudiados). Esto permite realizar pronósticos de alta resolución espacial y temporal (ver, por ejemplo, el detalle que permite el pronóstico público de Meteo France) y tener una evaluación constante de los modelos que se utilizan en dicho pronóstico (que no tiene porqué ser uno exclusivamente).

Aumentar la resolución de los pronósticos públicos oficiales (ir más allá de pronosticar las condiciones básicas un par de veces al día) quizás incluso sea un paso necesario para acostumbrar a la población al hecho de que el tiempo puede variar hora a hora o incluso en cosa de minutos. Al final de cuentas, la mayoría de las personas ya se informan del tiempo por ese modelo meterológico que cargan desde sus teléfonos celulares, ¿no?.

Una red de observaciones apropiada

La red de observaciones meteorológicas nacional está pensada fuertemente en la escala sinóptica. No exclusivamente, por supuesto, pero un dato innegable es que entre Arica y Puerto Montt hay sólo 3 puntos de lanzamiento de radiosonda. Aún hay una carencia enorme de estaciones meteorológicas en precordillera y cordillera y quizás no se monitorea de manera robusta la temperatura superficial del mar en la costa. A pesar de eso, es una red meteorológica bastante buena y que da señales de ir mejorando en el tiempo.

Sin embargo, para «ver» los fenómenos de escala inferior a la sinóptica y para dar avisos a escalas de minutos se necesita algo más. Hay consenso en la comunidad meteorológica de que ese «algo más» son los radares meteorológicos. Los radares permiten identificar disintos tipos de precipitación, entender la estructura tridimensionales de las nubes de tormenta, trazar trayectorias de tormentas convectivas y un largo etcétera. Son largamente utilizados en todo el mundo porque sus aplicaciones van mucho más allá de las tormentas severas.

No obstante, los radares no van a ser infalibles a la hora de detectar tornados. Sin ir más lejos, en Estados Unidos, donde poseen una densa red de radares meteorológicos, cuentan con una red de observadores meteorológicos entrenados para identificar distintos fenómenos extremos. Los spotters, son una parte fundamental en la detección de tornados y la correcta emisión de Alertas y Alarmas. ¿Podríamos ir entrenando voluntarios que nos ayuden a identificar distintos fenómenos meteorológicos?

Pero volviendo a los radares. Una cosa que no podemos olvidar es la curva de aprendizaje que tendrá el utilizarlos. ¿Cuánto sabemos de meteorología de radar en Chile? ¿En cuántas mallas curriculares de meteorología o geociencias en Chile se incluye la meteorología de radar? ¿Cuánto tiempo tomará capacitar a los meteorológicos analistas?
Además, la ubicación de los primeros radares debe ser estratégica (porque de seguro Chile no podrá comprar 10 radares de golpe) y sincronizarlos de la mejor manera posible. Teniendo en cuenta, de que a pesar de esos esfuerzos, quizás «se nos pasen» futuros eventos de tornados. ¿Será que necesitamos un par de radares móviles que nos sirvan de entrenamiento por un tiempo?

No quiero con esto decir que no se deberían comprar radares, por el contrario, sino hacer pequeños puntos sobre las dificultades asociadas; que de seguro se me escapan varias. Y quizás, aterrizar ciertas espectativas.

Por último, me parece muy necesario considerar a los radares como fuentes de información para los modelos. Acá se combinan los mundos.
Y es que quizás con los radares no podamos «ver» todos los fenómenos, pero la información del radar puede «entrar» en los modelos para que sean éstos los que nos permitan anticiparnos a las condiciones extremas. La asimilación de datos de radar es escencial en la modelación de alta resolución, y lo vemos por ejemplo en el modelo HRRR y el modelo AROME. Para mi, esta parte es casi más importante que el monitoreo en base a la información de radar. Pero al igual que todo lo anterior, es super complejo y no es de un día para otro… pero hay que dar ciertos pasos adelante.

Cómo comunicar la información

Si todo lo anterior se cumpliese, tendríamos toneladas de información actualizada minuto a minuto abarcando grandes áreas de territorio. Cada vez que se identifique una potencial amenaza se deberá actuar. Pero ¿cómo?

En las catastróficas inundaciones vividas en Valencia en octubre de 2024, a pesar de que AEMET había emitido alertas desde muy temprano, a pesar de tener radares y muchas estaciones meteorológicas operativas a tiempo real… la mayoría de las personas no recibió una alerta adecuada. Aún se investigan las responsabilidades.
En este caso, pasaron horas; en un potencial tornado sólo se cuenta con minutos.

Cómo entregar la información de manera veloz (muy veloz!) sin olvidar el que se debe comunicar algo .
Linkear las Alertas y Alarmas de la DMC con las aplicaciones del tiempo en los celulares (acá en España funciona así… quizás en Chile también y yo no lo sé), cosa que la gente no se tenga que instalar otra aplicación. Incorporar a los radioaficionados en la comunicación de alertas (en Estados Unidos el NWS tiene una importante red de comunicación mediante radio), o a los cuerpos de bomberos (la gente ya asocia esa sirena con peligro y busca informarse rápidamente), no sé… algo que sea rápido y efectivo.
Esto se tiene que tener en consideración porque los tiempos de respuesta son muy cortos.

Por último… ¿qué recomendaciones se entregarán a la población? ¿La gente logra diferenciar Alerta de Alarma? Esta última pregunta ha sido materia de investigación en otros países y pienso que es algo que se debería analizar también en nuestro país.

En fin. Como dije en un principio esto no es una receta del éxito y no vengo a decirle a nadie cómo tiene que hacer su trabajo. Son simplemente algunas reflexiones.
Los ejemplos puestos aquí quizás son algo extremos; probablemente no se necesita un sistema de pronóstico tan complejo como HRRR o una red de radares tan densa como en Estados Unidos. Quizás tampoco necesitamos «sirenas del fin del mundo» en cada ciudad que suenen muchas veces al año generando un efecto «Pedrito y el lobo». Pero necesitamos algo.

Se han dado pasos adelante. El día del tornado en Puerto Varas había una Alerta vigente de DMC, lo cual habla de una preparación por parte de la institución. No es un paso adelante cualquiera, es muy grande y vale la pena mencionarlo. Es un empuje que ha venido soportado por investigaciones científicas, y fomentado por seminarios y publicaciones de divulgación.

Identificar que hay mucho por hacer, también sirve en parte para motivar a estudiantes, investigadores y todo tiempo de profesionales a intentar ayudar a buscar soluciones. Los tornados quizás no son el mayor problema que tenemos, pero es uno que no podemos pasar por alto.

En meteorología y clima, constantemente estamos usando el concepto de probabilidad. Siempre decimos cosas como «es muy probable que mañana llueva» o «hay un 60% de probabilidades de que el fenómeno del Niño se establezca a fin de año». De una u otra manera, siempre trabajamos con probabilidades.
Sin embargo, cuando se trata de un pronóstico, no siempre es tan claro qué tan grande es una probabilidad. Por ejemplo, si yo dijera «hay un 45% de probabilidades de que este verano sea cálido». Ese 45, ¿es grande o pequeño? Ese 45, ¿es igual a decir que la probabilidad de lluvia mañana es del 45%?
Todo va a depender del contexto. De la probabilidad de referencia… veamos un par de ejemplos.

Jugando con monedas y dados

Si tenemos una moneda y jugamos a adivinar el cara o cruz (cara o sello), tenemos un 50% de probabilidades de acertar. Eso porque la probabilidad de que sea cara es 1 entre 2, o 1/2, lo que es igual a 0.5, que si lo multiplicamos por 100 nos da 50%. Hay un 50% de probabilidades de acertar en el cara o cruz.
Si en cambio el juego es adivinar el número que saldrá en un dado, las probabilidades de ganar son distintas. El dado tiene 6 caras, por lo que la probabilidad de ganar es 1 entre 6, o 1/6, lo que es aproximadamente 0.166, que si lo multiplicamos por 100 nos da un 16% (truncado por simpleza para no lidiar con muchos decimales). En este juego, tenemos sólo un 17% de ganar.

Si ahora tuviésemos ventaja, un sistema de pronóstico. Algo que nos de cierto grado de seguridad de qué lado de la moneda saldrá en cada lanzamiento. Supongamos que tenemos cierto grado de confianza en este sistema de pronóstico (se ha probado en el pasado y funciona) y nos dice que hay un 70% de probabilidades de que el siguiente lanzamiento de la moneda sea cara. Eso nos da una ventaja sobre el azar, porque si jugamos sólo con el azar, tendríamos un 50% por cara o por cruz. Yo sugiero que le hagamos caso al modelo.
Al mismo tiempo, otro modelo exitoso, nos dice que hay un 22% de probabilidad de que el siguiente lanzamiento del dado caiga en el número 3. ¿Le hacemos caso al a este modelo? ¿Es igual de «bueno» que el modelo de la moneda?

En este ejemplo, por un lado tenemos un pronóstico del 70% para el juego de la moneda y por otro de un 22% par el juego del dado. Aunque 70 sea bien distinto de 22, proporcionalmente nos están dando la misma ventaja en ambos juegos. Osea, que tanto con el 70 como con el 22, estamos obteniendo nuevas y mejoradas chances de ganar en cada juego. Este es sólo un ejemplo de cómo diferentes magnitudes de pronóstico podrían significar cosas muy similares.

Sin conocer las probabilidades iniciales (el 50% en la moneda y el 16% en el dado) no tenemos cómo saber si las probabilidades que nos da un modelo predictivo son altas o bajas. ¿Se imaginan un modelo predictivo que diga «hay un 70% de probabilidad de que el siguiente lanzamiento del dado caiga en el número 3»?. Ese modelo tendría una confianza gigante de que apostemos por el número 3!

La «vida real» es mucho más compleja

En clima, las probabilidades de ocurrencia de los fenómenos suelen tener magnitudes pequeñas. Nada es tan seguro. En ese sentido, son más comparables a las probabilidades del dado. Esto puede hacer parecer que los valores que entregan los pronósticos son pequeños, pero porque estamos demasiado acostumbrados a pensar el mundo como si las cosas fuesen un cara o cruz con una moneda. Veamos un ejemplo, el pronóstico del fenómeno El Niño Oscilación del Sur (ENSO).

Cuando se trata de ENSO, hay 3 opciones: o estamos en fase El Niño, o La Niña o Neutro. Osea que la probabilidad de uno de ellos es 1 sobre 3, o 1/3, lo que multiplicado por 100 nos da un aproximado 33%… ojalá fuera tan sencillo.
La cosa no va a funcionar siempre de manera tan ordenada. No siempre se pueden obtener las probabilidades como lo hicimos con la moneda o el dado. En el caso de ENSO (y similarmente para otros fenómenos), las probabilidades se obtienen mirando lo que ha pasado (y se ha repetido ojalá muchas veces) en el pasado.

Miremos la siguiente figura (es un pronóstico un poco antiguo, sólo para la demostración).

Esta figura muestra el pronóstico probabilístico de El Niño (barras rojas), La Niña (barras azules) o Neutro (barras grises) para los siguientes trimestres, comenzando en DJF (diciembre-enero-febrero). Pero también muestra la probabilidad histórica o climatológica de que ocurra una u otra fase de ENSO en cada trimestre (en líneas de colores). Estas probabilidades, obtenidas de mirar muchos años en el pasado, son nuestra base para luego evaluar si el pronóstico probabilístico para algún trimestre es alto o bajo.
Las probabilidades climatológicas no son iguales a lo largo del año. En algunos casos son bien similares al 33% para cada categoría (1 sobre 3, o 1/3), como en el trimestre DJF, pero en otros trimestres la probabilidad de Neutro es mucho mayor, como en AMJ (55% Neutro, 24% La Nina y 21% El Niño).
Esto hace que el pronóstico de El Niño o La Niña deba ser interpretado con cuidado a lo largo del año. Por ejemplo, un pronóstico de 35% de La Niña para el trimestre DJF es insignificante (porque 35% es prácticamente igual a 33%), no resuelve nuestras dudas, pero ese mismo pronóstico de 33% para AMJ no estaría nada mal (porque 35% es mucho mayor que 24%).

Todo depende de la probabilidad climatológica que tenga el fenómeno que se busca pronosticar.

El pronóstico climático dependerá de la pregunta

El pronóstico climático que mensualmente se emite en distintos centros alrededor del mundo, como en IRI o en la Dirección Meteorológica de Chile, se hace en base al valor medio de un mes o un trimestre en particular. Se intenta responder la pregunta «¿Qué tan probable es que el siguiente trimestre esté alrededor de la media?», pero claro, esa media no es simplemente un valor único (como el promedio de notas de un estudiante en el colegio) sino que es un rango: algo que llamamos un rango normal. Entonces, estar por encima de ese rango será Sobre lo Normal, estar debajo de ese rango será Bajo lo Normal y estar dentro del rango será simplemente Normal.
Si lo que nos interesa pronosticar en la lluvia, por ejemplo, que un trimestre o mes tenga una categoría Sobre lo Normal, significa que ese trimestre fue lluvioso. Lo opuesto para el caso del Bajo lo Normal.

Habiendo definido el problema, volvamos a las probabilidades. En este caso, en un periodo climatológico largo (30 años o más), la probabilidad de cada categoría será la misma: 1 sobre 3, o 1/3, lo que es igual a un 33%. Esa es la probabilidad base para un pronóstico climático estacional. Veamos un ejemplo.

En el siguiente mapa vemos el pronóstico probabilistico de precipitación para el trimestre marzo-abril-mayo de 2025 emitido en diciembre por IRI para Sudamérica (de nuevo, un pronóstico un poco antiguo sólo para ejemplificar). Los colores marrones indican una mayor probabilidad de condiciones secas (o Bajo lo Normal) y los colores verdes-azules de una condición lluviosa (o Sobre lo Normal). Notar como intencionalmente se han dejado de color blanco cualquier valor de probabilidad bajo 40%. Esto es porque, sea cual sea la categoría que se estaba pronosticando, la probabilidad es tan similar a la climatológica (el 33%) que el pronóstico no aporta más que el azar climatológico.

Ahora fijemos la atención en los sectores amarillos. En estas regiones se espera que el trimestre MAM sea seco, ¿cierto? pero la probabilidad de que eso ocurra es de un 40%. Si bien 40% es mayor que 33%, para cualquier persona a la que no le damos ningún tipo de contexto podría parecerle pequeño…

… Si yo hubiese dicho «hola a todos, la probabilidad de que el trimestre MAM sea seco es de un 40%», probablemente muchas personas habrían pensado «bueno, este tipo no está aportando nada, porque 40% es bastante bajo». Esto porque seguramente habrían comparado el 40% con el 50% típico en casos como el de la moneda… simplemente porque estamos más acostumbrados a ellos. Pero sería un error, porque tenemos que compararlo con el 33%, que es la probabilidad base en este caso.
Espero que este enredo se esté entendiendo y no los haya perdido a estas alturas.

Y si una persona nos cambia la pregunta original por algo como ¿qué tan probable es que el trimestre MAM sea extremadamente seco?

Por definición, la probabilidad climatológica o de base que tienen los extremos es pequeña, son eventos que ocurren muy rara vez. Entonces, un evento extremo seco o lluvioso puede tener una probabilidad de un 5%… bastante más pequeña que el 33% de probabilidad que tiene la condición media. ¿Cómo sería un pronóstico para esta situación?
Bueno, ese pronóstico también tendrá un valor pequeño. Si, por ejemplo, el pronóstico dice que la probabilidad de que el trimestre MAM sea extremadamente lluvioso es de un 10%, eso es mayor que 5%, y por bastante de hecho… ¡por el doble!
En este caso, ese 10% (por pequeño que parezca sin contexto alguno) es muy grande y nos estaría entregando información importantísima de cara a un eventual evento extremo.

Espero que estas notas no fuesen tan complicadas y que desde ahora se puedan evaluar las probabilidades en un pronóstico no sólo pensando en la clásica categoría 50/50 como en la moneda. Las cosas son más complicada e interesantes.

Santiago de Chile y Barcelona en España se encuentran a unos 11200 kilómetros de distancia. La capital chilena es una ciudad ubicada en los valles del centro del país a los pies de la impontente Cordillera de Los Andes, mientras que la ciudad catalana despliega toda su cultura en la costa del Mar Mediterráneo. Mientras Barcelona posee una influencia directa del mar, haciendo más «templado» su clima (aunque el verano sea insoportablemente cálido; me han dicho), Santiago tiene esa tan «agradable» sequedad, dada su «lejanía» del mar, aunque las entradas de estratos costeros cada cierto tiempo nos recuerdan que Santiago y el océano Pacífico están a la vuelta de la esquina.

A pesar de la distancia, estas dos ciudades tienen algunas cosas en común. Ambas pertenecen a lo que se denomina clima mediterráneo; un clima caracterizado por veranos cálidos y secos e inviernos lluviosos y no tan fríos⁽¹⁾ que corre peligro de hacerse cada vez más seco producto de la expansión de la celda de Hadley (aunque eso es otro tema).

Como tienen este aspecto climático en común⁽²⁾, quizás podríamos hacer una comparación entre ellas con foco en la sequía. Ambas ciudades atraviesan por problemas con la sequía, que de alguna forma podrían estar conectadas, o no, o quizás este artículo es solo una excusa para jugar con datos meteorológicos.

Y es que eso también tienen en común: poseen datos meteorológicos históricos. Los que permiten hacer una mirada al clima a mediano y largo plazo. Los datos de Santiago son provistos por la Dirección Meteorológica de Chile (DMC), mientras que los datos de Barcelona por le Servei Meteorològic de Catalunya (Meteocat).

El climograma anterior muestra algunas características de la temperatura y precipitación en cada ciudad. Mientras en Santiago la precipitación ocurre casi exclusivamente en invierno (en verano la precipitación es muy escasa), en Barcelona está distribuida de manera más uniforme a lo largo del año, aunque existe un máximo relativo entre septiembre y noviembre. Ambas ciudades tienen un verano cálido, siendo más cálido y húmedo en Barcelona, y un invierno frío, que también es más frío en Barcelona, al menos en términos de temperatura media.

La figura anterior también muestra la evolución temporal de la precipitación y temperatura media mensuales. Los cambios en la precipitación quizás son difíciles de ver de esta forma, aunque llama la atención la disminución en la precipitación invernal (sobretodo en julio) en Santiago. Ahora, la temperatura sí es fácil de distinguir. Un aumento de temperatura en todos los meses se observa en Santiago, aunque en Barcelona el aumento es más notorio, principalmente en los meses estivales.

Veamos las cosas en una serie temporal. En Santiago es evidente la señal de la Mega Sequía (MD, por su sigla en inglés), periodo en el cual la precipitación anual se redujo significativamente. Este periodo, que comenzó en 2009, se vio interrumpido por 2023 que terminó con números azules. Si bien la MD no es el primer ni único periodo seco en Santiago, sí es el de mayor duración y contiene alguno de los años más secos en el registro, como 2019 y 2021. Con respecto a la temperatura, una sostenida tendencia positiva se observa desde que comenzaron los registros hasta ahora.

En Barcelona la cosa es un poco diferente. No hay evidencias claras de un periodo como la MD de Santiago, pero sí los últimos años destacan como extraordinariamente secos, de hecho los más secos en el registro histórico. La temperatura, en cambio, tiene una marcada tendencia positiva desde el comienzo de los 80s’. Si bien es probable que la tendencia positiva se remonte al comienzo de las mediciones, al igual que en Santiago, en las últimas décadas es mucho más marcada.

De buenas a primeras, los problemas en Santiago y Barcelona son distintos. Si bien partimos de la base de que tenían un mismo problema, la sequía, éstas pueden tener distintos «sabores». El fuerte incremento de la temperatura en Barcelona seguramente está favoreciendo déficit de disponibilidad de agua producto de una mayor evapotranspiración, a eso se le suma el hecho de que los últimos años han sido extremadamente secos. En Santiago, en cambio, la sequía es de largo plazo… que no se salva de tener años extraordinariamente secos, afectando también la disponibilidad de agua producto de la menor nieve que cae sobre los Andes.

Mirando de atrás para adelante

Si calculamos la tendencia, desde un año inicial hasta un año final y vamos moviendo el año inicial uno a uno, podemos ver cambios en la precipitación y temperatura desde escalas cortas (10 años) hasta escalas largas (160 años) de tiempo. Y si además vamos cambiando el año inicial uno a uno, podemos ver todas las tendencias observadas en distintas escalas de tiempo desde que se tienen registros. Eso es lo que muestran las siguientes figuras. Bueno, más o menos.

En la diagonal central, se ve toda la variabilidad interanual (ya que vamos moviendo la aguja un año a la vez). En esta escala de tiempo, hay muchos cambios. Lo que es típico en ciudades de clima mediterráneo. Hay periodos lluviosos y otros secos, por ejemplo, en Santiago aparace la señal de la MD o algunos periodos lluviosos del pasado. Los cambios en esta escala de tiempo, parecen más intensos en Santiago que en Barcelona, y lo mismo en el largo plazo (mirar la esquina superior derecha de la figura). Esto último ya lo veíamos en la serie de tiempo.

Las tendencias en la temperatura también muestran la variabilidad interanual, aunque en este caso los cambios parecen más intensos en Barcelona. En Santiago, por alguna razón, en las últimas décadas se perdió esa variabilidad (esto también parece verse en la serie de tiempo). En Barcelona, también, y con tendencias muy intensas en los últimos años.

Por último, y en otra manipulación descarada de los datos, podemos mirar las distribuciones de probabilidad en los últimos tres periodos climatológicos. Sí, hay un desplazamiento a la izquierda en las curvas de precipitación en Santiago que no es evidente en Barcelona -de nuevo, el problema en Barcelona parecen ser más bien los últimos par de años y no las últimas décadas-, pero lo que realmente me llama la atención es el desplazamiento de las curvas de temperatura hacia la derecha.

En Santiago, hay dos saltos a la derecha, uno por periodo climatológico, mientras que en Barcelona hay un salto grande en el último periodo climatológico. Esto vuelve a mostrar lo importante de los cambios en la temperatura (por encima de los de precipitación) en las últimas décadas en Barcelona.

Entonces, recapitulando. Si bien ambas ciudades tienen problemas, estos parecen provenir de distintas fuentes. En Santiago la reducción de la precipitación en los últimos años es más dramática que en Barcelona, incluso a pesar de que Santiago es una ciudad que históricamente ha sufrido de años extraordinariamente secos, la MD es algo sin precedentes y que aún no sabemos si se terminó, o si 2023 fue sólo un pequeño respiro. Por otra parte, la tendencia al calentamiento en Barcelona es mucho más pronunciada que en Santiago, lo que acarrea otros problemas. No es casual que algunos indicadores de sequía consideren también la temperatura en sus cálculos, como el SPEI, ya que la temperatura afecta a la disponibilidad de agua y los regímenes hídricos. Por eso es que se suele hablar de sequía meteorológica, cuando se hace referencia sólo a disminución en las precipitaciones.

En estos párrafos sólo hay una revisión de datos climáticos. Hay muchas cosas que no voy a discutir (porque las desconozco), como las causas físicas detrás de estas sequías o la influencia del cambio climático en cada una. Todos estos temas son apasionantes y hay muchos investigadores trabajando en ellos para tratar de entenderlos y saber si lo que estamos viviendo es ya una mirada al futuro.

En resumen, estas son dos ciudades condenadas. No, mentira. Bueno, no lo sé.

Citas:

(1) Lionello, P., Malanotte-Rizzoli, P., Boscolo, R., Alpert, P., Artale, V., Li, L., … & Xoplaki, E. (2006). The Mediterranean climate: an overview of the main characteristics and issues. Developments in earth and environmental sciences, 4, 1-26.

(2) Seager, R., Osborn, T. J., Kushnir, Y., Simpson, I. R., Nakamura, J., & Liu, H. (2019). Climate variability and change of Mediterranean-type climates. Journal of Climate, 32(10), 2887-2915.

Una pequeñísima mirada a la evolución de la temperatura durante este año en la costa de Chile.

Sigue leyendo «La montaña rusa del año» →

Se terminó el invierno meteorológico, que abarca los meses de junio, julio y agosto y es momento de ver cómo nos fue en términos de precipitaciones y temperaturas.

Sigue leyendo «Adiós, invierno 2022» →