Proyección de los regímenes de temperatura y precipitación en la provincia Holguín, Cuba a partir del modelo climático HadGEM-ES

Área de estudio

La provincia de Holguín está conformada por 14 municipios: Gibara (1), Rafael Freyre (2), Banes (3), Antilla (4), Báguanos (5), Holguín (6), Calixto García (7), Cacocum (8), Urbano Noris (9), Cueto (10), Mayarí (11), Frank País (12), Sagua de Tánamo (13) y Moa (14). Dentro de las principales características físico - geográficas del territorio destaca, que esta posee cuatro zonas de relieve fundamentales: Llanura del Cauto, Altiplanicie de Nipe, donde se encuentra la meseta de Pinares de Mayarí, el Grupo de Maniabón, con el Cerro Galano y el Macizo Sagua - Baracoa, donde aparecen las mayores alturas de la provincia: Pico Cristal con 1 231 m y la Loma La Mensura con 995 m sobre el nivel medio del mar (ONEI, 2023ONEI 2023. Anuario Estadístico de Holguín 2022. Edición 2023 ed., Holguín, Cuba: Oficina Nacional de Estadística e Información, provincia Holguín, 170 p., Available: https://www.onei.gob.cu/sites/default/files/publicaciones/2023-12/anuario-provincial-holguin-2022-edicion-2023.pdf , [Consulted: December 16, 2023].).

El clima del territorio, de acuerdo a (Pérez e Hidalgo, 2016Pérez, G. e Hidalgo, A. 2016. “Regionalización climática de la provincia de Holguín”. Revista Cubana de Meteorología, 22(1): 39–48.), está definido por tres zonas climáticas bien definidas: costera (costa norte de los municipios de Gibara, Rafael Freyre, Banes, Mayarí, Sagua de Tánamo, Moa, así como la totalidad de Antilla y Frank País), montañosa (área de los municipios ubicados en el macizo Nipe-Sagua-Baracoa) e interior (resto de la provincia).

En esta investigación se emplearon los datos climáticos mensuales de la temperatura media del aire y el total de precipitación durante el período 1971-2005, de las estaciones meteorológicas de La Jíquima (78362), Cabo Lucrecia (78365) y Pinares de Mayarí (78371) (ver figura 1), las cuales son representativas de las zonas interior, costera y montañosa de la provincia Holguín respectivamente (Pérez e Hidalgo, 2016Pérez, G. e Hidalgo, A. 2016. “Regionalización climática de la provincia de Holguín”. Revista Cubana de Meteorología, 22(1): 39–48.).

Proyección climática y métricas de validación

Los GCM han sido la principal fuente de información para la construcción de escenarios climáticos, proporcionando de esta manera la base para las evaluaciones de los impactos del cambio climático en diferentes escalas. Sin embargo, los estudios locales rara vez utilizan directamente los resultados de GCM, debido a su baja resolución espacial.

En el presente estudio se emplearon las salidas del GCM HadGEM2-ES, a partir de una reducción de escala dinámica, empleando el modelo regional PRECIS para una resolución espacial de 0,22° x 0,22°, y una temporal mensual de la temperatura media del aire y los totales de precipitación, para el período histórico 1950-2005, así como para las proyecciones climáticas de los escenarios RCP4,5 y RCP8,5 en el período 2006-2099. En la proyección climática se empleó como período base la norma climática 1971-2000, en tanto los períodos futuros utilizados fueron 2031-2060 (mediano plazo) y 2061-2090 (largo plazo).

Para eliminar el sesgo entre las salidas del HadGEM-ES y las mediciones reales de las estaciones meteorológicas se utilizó la corrección BIAS. El enfoque de corrección BIAS, asume que los errores se propagan hasta el final del período, y se basan en el ajuste de los valores modelados respecto a valores observados (Lee y Singh, 2019Lee, T. and Singh, V. 2019. Statistical Downscaling for Hydrological and Environmental Applications. Boca Raton, US: Taylor & Francis Group, 161 p., ISBN: 978-1-138-62596-9.; Kotamarthi et al., 2021Kotamarthi, R.; Hayhoe, K.; Mearns, L. O.; Wuebbles, D.; Jacobs, J. and Jurado, J. 2021. Downscaling techniques for high-resolution climate projections: from global change to local impacts. Cambridge, UK and New York, USA: Cambridge University Press, 201 p., ISBN: 978-1-108-47375-0.). Este tipo de técnica se empleada para corregir las proyecciones climáticas del modelo respecto a un período de referencia (clima presente) dado por las observaciones de las estaciones meteorológicas. Para la corrección BIAS de los regímenes de temperatura y precipitación, (Maraun y Widmann, 2018Maraun, D. and Widmann, M. 2018. Statistical Downscaling and Bias Correction for Climate Research. Cambridge, UK: Cambridge University Press, 341 p., ISBN: 978-1-107-06605-2.) proponen emplear las siguientes expresiones a partir del método delta:

Donde:

$T_{BC}$ : Valor futuro corregido a partir de la corrección BIAS.

$T_{GMC\left(i\right)}$ : Valor de la variable proyectada y observada para el período ( $i=\mathrm{1,2,}\dots ,n$ ), donde n es la cantidad de períodos de tiempo diferentes del período que se proyecta el GCM. Para series mensuales 12 y 30 para las anuales.

${\overline{T}}_{OBS}$ , ${\overline{T}}_{REF}$ : Valores medios observados (OBS) y simulados (REF) por ese orden en el período de referencia (1971-2000)

Las ecuaciones 1 $T_{BC}=T_{GCM\left(i\right)}+\left({\overline{T}}_{OBS}-{\overline{T}}_{REF}\right)$ y 2 $T_{BC}=T_{GCM\left(i\right)}\frac{{\overline{T}}_{OBS}}{{\overline{T}}_{REF}}$ se aplican para la corrección BIAS de los valores medios de temperatura y precipitación para escalas temporales mensuales y/o anuales (Maraun y Widmann, 2018Maraun, D. and Widmann, M. 2018. Statistical Downscaling and Bias Correction for Climate Research. Cambridge, UK: Cambridge University Press, 341 p., ISBN: 978-1-107-06605-2.) del período histórico.

Para el análisis del cambio entre el período base y la proyección climática, referida a la diferencia entre las medias (se analizó si existe un cambio estadísticamente significativo entre los valores de referencia y los proyectados) se empleó el t.test (prueba t en RStudio) cuando existe normalidad en ambas poblaciones y misma varianza. En los casos que no se cumplieron los supuestos referidos a la normalidad y homocedasticidad, se utilizó la prueba de Mann-Whitney-Wilcoxon a partir de la prueba wilcox.test, igualmente de RStudio según las recomendaciones que aparecen en (Wilks, 2019Wilks, D. S. 2019. Statistical methods in the atmospheric sciences. Fourth Edition ed., Oxford, United Kingdom: Elsevier/Academic Press, 818 p., ISBN: 978-0-12-385022.).

Para la validación de resultados se emplearon el error medio o BIAS y la Raíz del Error Cuadrático Medio (RSME, por sus siglas en inglés). La formulación matemática de estas dos métricas se presentan a continuación:

Donde: $y_i$ y $x_i$ son los valores de serie temporal de los GCM y de las estaciones meteorológicas por ese orden.

Además, para la comparación entre el HadGEM2-ES y el reanálisis ERA5 se utilizó el Diagrama de Taylor, el cual proporciona de manera gráfica la similitud entre lo simulado y lo observado. En este tipo de diagrama se utilizan como métricas de comparación el coeficiente de correlación de Pearson (r), la amplitud de sus variaciones (representadas por la desviación estándar (σ)) y la raíz de la diferencia cuadrática (RSM), esta última relacionada con las dos anteriores por intermedio de la “Ley de los Cosenos”. Estos diagramas son especialmente útiles para evaluar múltiples aspectos de modelos complejos en medir la habilidad relativa de muchos modelos respecto a un patrón de referencia (Taylor, 2001Taylor, K. E. 2001. “Summarizing multiple aspects of model performance in a single diagram”. Journal of Geophysical Research: Atmospheres, 106(D7): 7183–7192, ISSN: 0148-0227, DOI: http://doi.org/10.1029/2000JD900719.).

El proceso de interpolación para llevar los datos del GCM, hasta la ubicación geográfica de las tres estaciones meteorológicas utilizadas, se realizó por los métodos del inverso de la distancia (IDW) y bilineal (BIL) de acuerdo a las recomendaciones de (Torma et al., 2015Torma, C.; Giorgi, F. and Coppola, E. 2015. “Added value of regional climate modeling over areas characterized by complex terrain Precipitation over the Alps”. Journal of Geophysical Research: Atmospheres, 120(9): 3957–3972, DOI: http://doi.org/10.1002/2014JD022781.; National Center for Atmospheric Research Staff, 2022National Center for Atmospheric Research Staff. 2022. The Climate Data Guide: Regridding Overview. NCAR Climate Data Guide, Climate Data Analysis Tools & Methods, Available: www.climatedaaguide.ucar.edu/climate-tools/regridding-overview , [Consulted: November 10, 2022].), los cuales se encuentran implementados en el CDO (operador de datos climáticos, por sus siglas en inglés) (Schulzweida, 2020Schulzweida, U. 2022. Climate Data Operator. [Linux], Hamburg, Germany, Max Planck Institute of Meteorology, Available: https://code.mpimet.mpg.de/projects/cdo/ .).

El proceso de cálculo y cartografía en la investigación se realizó mediante la combinación de los softwares GrADS (COLA, 2018COLA. 2018. Grid Analysis and Display System (GrADS). [Linux], Virginia, US, The Center for Ocean-Land-Atmosphere Studies, Available: http://cola.gmu.edu/grads/grads.php.), CDO (Schulzweida, 2020Schulzweida, U. 2022. Climate Data Operator. [Linux], Hamburg, Germany, Max Planck Institute of Meteorology, Available: https://code.mpimet.mpg.de/projects/cdo/ .) y R a través de su interfaz gráfica RStudio (R Core Team, 2023R Core Team. 2023. R: A language and environment for statistical computing. [Linux], Vienna, Austria, The R Foundation for Statistical Computing, Available: https://www.R-project.org/ .), todos sobre el sistema operativo Linux. En el caso de R, además de la ayuda que ofrecen los paquetes utilizados, se consultaron los manuales para el procesamiento de datos (Horton y Kleinman, 2015Horton, N. J. and Kleinman, K. 2015. Using R and RStudio for Data Management, Statistical Analysis, and Graphics. Second Edition ed., Boca Raton, US: Taylor & Francis Group, 253 p., ISBN: 978-1-4822-3737-5.; Wickham y Grolemund, 2016Wickham, H. and Grolemund, G. 2016. R for Data Science. First Edition ed., Sebastopol, CA, USA: O’Reilly Media, Inc, 492 p., ISBN: 978-1-4919-1039-9.).

Análisis de errores y corrección BIAS

En la tabla 1 se muestran las métricas empleadas, teniendo en cuenta los dos métodos de interpolación utilizados para la comparación entre los valores modelados por el GCM en las tres estaciones meteorológicas seleccionadas en el estudio durante el período 1971-2000.

El HadGEM-ES sobreestima la temperatura media del aire en la zona costera, aunque también en ella están los indicadores más favorables, con valores de RSME por debajo de la unidad. En la región interior y la montaña el modelo subestima los valores de la temperatura, RSME toma valores entre 1,13-1,14 y 3,47-3,56 respectivamente. La zona montañosa muestra los valores más desfavorables debido a la disminución de la temperatura con la altura, situación que el modelo no logra reflejar debido a su baja resolución (0,22° x 0,22°). De acuerdo a (National Center for Atmospheric Research Staff, 2022National Center for Atmospheric Research Staff. 2022. The Climate Data Guide: Regridding Overview. NCAR Climate Data Guide, Climate Data Analysis Tools & Methods, Available: www.climatedaaguide.ucar.edu/climate-tools/regridding-overview , [Consulted: November 10, 2022].), el método BIL es el que mejor representa esta variable, aunque en el estudio no se aprecian diferencias notables entre ambos métodos de interpolación.

La precipitación en la zona costera presentó los menores errores del BIAS y RSME, mientras que en la zona interior y montañosa, estos dos estadígrafos presentan valores muy altos del error BIAS y de RSME, fundamentalmente para esta última, la cual muestra las variaciones más notables en la provincia (Pérez e Hidalgo, 2016Pérez, G. e Hidalgo, A. 2016. “Regionalización climática de la provincia de Holguín”. Revista Cubana de Meteorología, 22(1): 39–48., 2023Pérez, G. e Hidalgo, A. 2023. “Principales variaciones de los regímenes de temperatura y precipitación en la provincia Holguín. Período 1972-2020”. Revista Cubana de Meteorología, 29(4): 1–6.). Para esta variable, (Torma et al., 2015Torma, C.; Giorgi, F. and Coppola, E. 2015. “Added value of regional climate modeling over areas characterized by complex terrain Precipitation over the Alps”. Journal of Geophysical Research: Atmospheres, 120(9): 3957–3972, DOI: http://doi.org/10.1002/2014JD022781.), demostraron que los mejores resultados se obtienen por el método del inverso de la distancia, aunque en (National Center for Atmospheric Research Staff, 2022National Center for Atmospheric Research Staff. 2022. The Climate Data Guide: Regridding Overview. NCAR Climate Data Guide, Climate Data Analysis Tools & Methods, Available: www.climatedaaguide.ucar.edu/climate-tools/regridding-overview , [Consulted: November 10, 2022].) se menciona que el método bilineal puede mostrar también buenos resultados.

Además, se analizó el comportamiento de la temperatura y precipitación, por medio de diagramas de Taylor, ante los dos métodos de interpolación utilizados (figura 2). En los diagramas, el color rojo corresponde a la zona interior; el violeta, a la costera y el azul, a la montañosa; mientras el cuadrado y el triángulo representan los métodos de interpolación bilineal e inverso de la distancia respectivamente. En el mencionado diagrama el ángulo azimutal se corresponde con el coeficiente de correlación, los ejes “x” y “y” muestran la desviación estándar normalizada (cociente entre los valores modelados y de referencia) y los círculos verdes, la raíz de la diferencia cuadrática centrada (CRSM, definido como el cociente entre RSM y la desviación estándar de referencia para mantener la escala del gráfico).

Los diagramas de Taylor muestran similitud con los resultados presentados en la tabla 1. Para la temperatura, en las tres zonas, el coeficiente de correlación de Pearson es superior a 0,8; así como una desviación estándar y CRSM (raíz de la diferencia cuadrática centrada) inferiores a 0,6. Para las tres zonas climáticas, los dos métodos de interpolación presentan una alta coincidencia, tanto para la temperatura como para la precipitación. Para la precipitación, aunque la variabilidad es inferior a la referencia, en todos los casos la correlación fue baja, con valores en el entorno de 0,50; 0,40 y 0,18 para la zona montañosa, interior y costera respectivamente; mientras tanto, los CRSM fueron altos, con valores de 0,7-0,8; 0,9-1,0 y 1,1-1,2 para las zonas climáticas tomados en ese mismo orden.

Los análisis realizados, tanto para las métricas del error BIAS y RSME, como para los resultados gráficos de ambos Diagramas de Taylor, imponen la corrección BIAS para eliminar el sesgo entre las estimaciones de GCM y los valores reales medidos en las estaciones meteorológicas. Las correcciones BIAS, realizadas a partir de las ecuaciones 1 $T_{BC}=T_{GCM\left(i\right)}+\left({\overline{T}}_{OBS}-{\overline{T}}_{REF}\right)$ y 2 $T_{BC}=T_{GCM\left(i\right)}\frac{{\overline{T}}_{OBS}}{{\overline{T}}_{REF}}$ , permitieron reducir los errores BIAS en el orden de 10^-3 para la temperatura y en menos de 0,1 mm para la precipitación; en tanto, el RSME se redujo entre 0,6-0,9 para el régimen térmico y entre un 5-15% para las precipitaciones.

En el caso de los Diagramas de Taylor la corrección BIAS, también, permitió aumentar la correlación y disminuir los errores, pero no mejorar la variabilidad; no obstante, se cumplió con el objetivo de la corrección BIAS que no es más que disminuir las diferencias entre los períodos normales del GCM y las observaciones. En este sentido, después de aplicar la corrección BIAS, las diferencias en las medias anuales para el período 1971-2000 respecto a la temperatura se eliminaron, y en la precipitación fueron inferiores a 6 mm.

De manera general, al aplicar los métodos de interpolación BIL e IDW, los resultados son muy similares y están a tono con las recomendaciones y resultados obtenidos por (Torma et al., 2015Torma, C.; Giorgi, F. and Coppola, E. 2015. “Added value of regional climate modeling over areas characterized by complex terrain Precipitation over the Alps”. Journal of Geophysical Research: Atmospheres, 120(9): 3957–3972, DOI: http://doi.org/10.1002/2014JD022781.; National Center for Atmospheric Research Staff, 2022National Center for Atmospheric Research Staff. 2022. The Climate Data Guide: Regridding Overview. NCAR Climate Data Guide, Climate Data Analysis Tools & Methods, Available: www.climatedaaguide.ucar.edu/climate-tools/regridding-overview , [Consulted: November 10, 2022].), por lo que indistintamente pudieran aplicarse uno u otro, ya que el tiempo de cálculo es similar.

Proyección de los regímenes de temperatura y precipitación en la provincia Holguín

En la tabla 2 se muestran los promedios históricos, para el período base 1971-2000, de los regímenes de la temperatura del aire y la precipitación anual, así como para los períodos estacionales lluvioso (PLL) y poco lluvioso (PPLL). Para la zona interior en el PLL las precipitaciones representan 76,9% del total anual, en la costera el 52,5% y en la montañosa el 71,8%.

Los cambios de los regímenes futuros anuales de la temperatura media del aire (ver tabla 3) respecto al período base 1971-2000, indican que esta variable tendrá, en todos los casos, un incremento de 1,6 °C y 1,9 °C para la media anual en el mediano plazo en las tres zonas climáticas de la provincia para RCP4,5; en tanto para RCP8,5 estos valores serían entre en 1,9 °C y 2,3 °C. Por su parte, para el largo plazo estos valores serían 2,8-4,9 °C y 4,9-5,3 °C para RCP4,5 y RCP8,5 por ese orden. Es importante hacer hincapié que dentro del año el PPLL estaría transitando a ser mucho más cálido en toda la provincia.

En el caso de la precipitación, las zonas interior y montañosa mostrarían cambios en los totales anuales, tanto para el mediano como el largo plazo, que no excederían en 10% del total anual para el período 1971-2000, mientras que para la zona costera estos valores estarían entre 7-18%. Para el período 2061-2090, se observa una disminución de los totales en el PLL en ambos escenarios climáticos, mientras que las precipitaciones disminuirían en el largo plazo respecto al mediano plazo, aunque estas serían superiores al período histórico. Destaca en los tres casos una posible redistribución de las precipitaciones en la provincia dentro del año, tal como ha sido descrito por (Planos et al., 2013Planos, E. O.; Rivero, R. y Guevara, V. (eds.). 2013. Impactos del Cambio Climático y Medidas de Adaptación en Cuba. La Habana: Editorial AMA, 430 p., ISBN: 978-959-300-039-0.; Planos y Gutiérrez, 2020Planos, E. O. y Gutiérrez, T. L. (eds.). 2020. Tercera Comunicación Nacional a la Convención Marco de las Naciones Unidas sobre Cambio Climático. La Habana: AMA Sello Editorial, 402 p., ISBN: 978-959-300-170-0.).

Al no distribuirse la precipitación anual de forma normal para ninguna de las estaciones se empleó el test no paramétrico de Mann-Whitney-Wilcoxon (wilcox.test del paquete “stats” de RStudio), el cual plantea como hipótesis nula que las medias anuales son similares. Esta prueba arrojó que, en todos los casos, excepto para el escenario RCP8,5 en el total anual del mediano plazo y el PPLL del largo plazo en la zona costera, las diferencias entre el mediano y largo plazo para ambos escenarios respecto al período base 1971-2000 no son estadísticamente significativo para el nivel de significación del 5%.

Los resultados obtenidos en esta investigación referidos al cambio en los acumulados de precipitación en los PLL y PPLL, y a la redistribución de las precipitaciones dentro del año, son coherentes con los presentados para el GCM HadGEM2-ES que aparecen en (Planos y Gutiérrez, 2020Planos, E. O. y Gutiérrez, T. L. (eds.). 2020. Tercera Comunicación Nacional a la Convención Marco de las Naciones Unidas sobre Cambio Climático. La Habana: AMA Sello Editorial, 402 p., ISBN: 978-959-300-170-0.) para el escenario RCP8,5; aunque en esta investigación se emplearon otros períodos futuros (2021-2040, 2041-2060 y 2061-2080).

Por su parte, en el caso de la temperatura al comportarse de forma normal se utilizó el t.test, igualmente del paquete “stats”, presentándose en todos los casos diferencias entre los valores medios proyectados y los históricos, que si son estadísticamente significativos, lo que indica la existencia de un cambio en el clima de la provincia referido al régimen térmico.

Para la temperatura media anual del aire, además, las proyecciones obtenidas muestran similitud con las publicadas en (Planos y Gutiérrez, 2020Planos, E. O. y Gutiérrez, T. L. (eds.). 2020. Tercera Comunicación Nacional a la Convención Marco de las Naciones Unidas sobre Cambio Climático. La Habana: AMA Sello Editorial, 402 p., ISBN: 978-959-300-170-0.) para nivel de país (2,1-2,8 °C para RCP4,5 y 1,5-5,3 °C para RCP8,5), aunque existen diferencias para los PLL y PPLL, las cuales deben buscarse en las escalas de trabajos empleadas, en (Planos y Gutiérrez, 2020Planos, E. O. y Gutiérrez, T. L. (eds.). 2020. Tercera Comunicación Nacional a la Convención Marco de las Naciones Unidas sobre Cambio Climático. La Habana: AMA Sello Editorial, 402 p., ISBN: 978-959-300-170-0.) para nivel de país y en la presente investigación a escala local o de estaciones meteorológicas.

El comportamiento de los regímenes de temperatura y precipitación, tanto para el período histórico (1951-2005) y el futuro (2006-2099), para los escenarios climáticos RCP4,5 y RCP8,5 se muestran en la figura 3. En el caso de la temperatura media del aire, esta variable muestra en todos los casos una tendencia lineal creciente desde finales de los años ’80 del siglo pasado; mientras que para ambos escenarios climáticos el comportamiento es a continuar el calentamiento de forma lineal, pero con una mayor pendiente. En el caso de RCP4,5 para finales de siglo esta variable tiende a estabilizarse, tal como describe este tipo de escenario, con un comportamiento en el entorno de 27,8 °C; 28,9 °C y 24,2 °C para las zonas interior, costera y montañosa por ese orden, valores estos superiores entre 2,5-3,0 °C al período base.

Por su parte, la proyección de la precipitación presenta un comportamiento similar al período histórico, aunque en los tres casos el escenario RCP4,5 muestra un evento de grandes precipitaciones hacia 2054; mientras que, el escenario RCP8,5 presenta para finales de siglo en los tres casos un proceso de sequía que podría alcanzar los déficits en más de 600 mm para las zonas interior y montañosa, así como 400 mm para la costera. Destaca, además, que esta variable en el futuro presentaría una variabilidad mucho mayor a la del período histórico, fundamentalmente, para RCP8,5.

En la tabla 4 se muestra la tendencia de la temperatura media anual del aire y los acumulados anuales de precipitación por décadas para las tres zonas climáticas de la provincia. Las magnitudes del cambio oscilan entre 0,12-0,15 °C/década para el período histórico comprendido entre los años 1953-2005, las cuales se duplican y triplican para la proyección futura de esta variable referida al período 2006-2099 en los escenarios RCP4,5 y RCP8,5 con relación al período histórico respectivamente. En el caso de la precipitación la mayor tendencia la muestra la zona interior, la cual para el escenario RCP8,5 mostraría para finales de siglo una reducción del orden del 36% respecto al período base 1971-2000; por su parte, estas reducciones estarían en un 20% para las zonas costera y un 12% para la zona montañosa. Estos resultados confirman los resultados obtenidos en la presente investigación concerniente a los indicadores climáticos, en tanto enfatiza en el tránsito del clima de la provincia a ser más cálido y seco a la vez.

Los paneles de la figura 4 muestran la marcha interanual de la temperatura del aire para las zonas climáticas de la provincia. Para las tres regiones, tanto para el mediano como para el largo plazo, el escenario RCP4,5 muestra el mismo comportamiento que el período histórico (línea negra), aunque con mayores valores debido al forzamiento radiativo. En el caso del RCP8,5 se observarían diferencias en el curso anual de esta variable meteorológica, con la posible ocurrencia del máximo anual hacia el mes de mayo en las zonas interior y montañosa; mientras que para la zona costera ocurriría de forma similar al régimen actual para el mediano plazo, en tanto para el largo plazo sucedería en el bimestre mayo-junio.

Por su parte, la figura 5 indica el ciclo anual de las precipitaciones, los cuales mostrarían una mayor variabilidad interanual que la temperatura del aire. En este sentido, para las tres zonas, se apreciaría un incremento de los totales de precipitación en el mes de febrero (mayores valores para RCP8,5 en el mediano plazo, pero se invierte a RCP4,5 en el largo plazo), así como en el trimestre octubre- diciembre, contrariamente a lo que ocurría en el bimestre julio- agosto. Este comportamiento indica una redistribución de las precipitaciones en la provincia dentro del año.

En resumen, el efecto combinado entre el comportamiento interanual de la temperatura del aire y la precipitación indicaría que en el bimestre mayo-junio continuarían ocurriendo los mayores acumulados de precipitación para las zonas interior y montañosa, unido al posible corrimiento del máximo anual de la temperatura media hacia el mes de mayo para el escenario climático RCP8,5 lo que a su vez provocaría mayores valores de evaporación.