Assessing the Evolution of Rainfall Trends in India through Historical Analysis, Forecasting, and Comparison with the CMIP-6 SSP585 Scenario

Resumen Técnico: Evaluación de la Evolución de las Tendencias de Precipitación en la India mediante el Análisis Histórico, la Previsión y la Comparación con el Escenario CMIP-6 SSP585

Planteamiento del Problema
El cambio climático está impulsando una variabilidad generalizada en los eventos meteorológicos extremos, lo que plantea desafíos significos para los recursos hídricos, la agricultura y la estabilidad económica, particularmente en regiones subtropicales como la India. La precipitación, un motor fundamental del ciclo hidrológico, exhibe irregularidades crecientes que conducen a sequías, inundaciones y fracasos en las cosechas. Si bien estudios previos han analizado las tendencias de precipitación a niveles globales o nacionales, existe la necesidad de realizar análisis espacio-temporales extensos y exhaustivos que integren la detección de tendencias históricas con la previsión mediante aprendizaje automático avanzado y la comparación con escenarios climáticos de altas emisiones. Además, los métodos estadísticos tradicionales suelen tener dificultades con los datos que no siguen una distribución normal, la autocorrelación y la identificación de rupturas estructurales (puntos de cambio) en series temporales de largo plazo, lo que puede conducir a conclusiones erróneas.

Metodología
El estudio realiza un análisis riguroso de los datos de precipitación que abarcan 122 años (1901–2022) en toda la India, resueltos en seis Regiones Homogéneas (HR, por sus siglas en inglés) y treinta y cuatro Subdivisiones Meteorológicas (MSD). La metodología integra cuatro componentes analíticos distintos:

1. Detección de Tendencias: El estudio emplea técnicas estadísticas no paramétricas, específicamente la prueba de Mann-Kendall (MK) y el estimador de la pendiente de Sen, para identificar tendencias monotónicas en la precipitación anual, estacional y mensual. Para abordar las limitaciones relativas a la autocorrelación y la homogeneidad de los datos, los autores integraron pruebas de homogeneidad (Pettitt, Buishand Range y el Test de Normalidad Estándar) para detectar puntos de cambio (años de ruptura) antes de aplicar el análisis de tendencias.
2. Análisis de Tendencia Innovador (ITA): Para validar y refinar los resultados, el estudio utiliza el método ITA (Şen, 2012). Esta técnica gráfica no paramétrica gestiona datos autocorrelacionados y valores atípicos sin requerir supuestos estrictos sobre el tamaño de la muestra o la linealidad, permitiendo la detección de sub-tendencias y combinaciones de tendencias distintas dentro de las series temporales.
3. Análisis Mecanicista: Para comprender los impulsores físicos de las variaciones observadas, el estudio analiza los datos de reanálisis ERA5 (1940–2022). Las variables clave incluyen la precipitación convectiva, la cobertura de nubes bajas y la divergencia de humedad integrada verticalmente. Se identificó un punto de cambio en 1956, y se evaluaron las diferencias en los patrones de circulación entre los períodos 1940–1956 y 1957–2022.
4. Previsión y Comparación de Escenarios: Un modelo de Red Neuronal Artificial de Perceptrón Multicapa (ANN-MLP) fue entrenado con datos históricos para pronosticar la precipitación anual hasta el año 2050. El rendimiento del modelo se optimizó utilizando el Error Cuadrático Medio (RMSE) y el Error Absoluto Medio (MAE). Estos pronósticos de aprendizaje automático fueron posteriormente yuxtapuestos con las proyecciones del Proyecto de Comparación de Modelos Acoplados Fase 6 (CMIP-6) bajo el escenario de Trayectoria Socioeconómica Compartida 5-8.5 (SSP585), que representa una trayectoria climática de "negocios como siempre" de altas emisiones. La comparación utilizó un conjunto multi-modelo (MME) de tres Modelos Climáticos Globales de CMIP-6 (CanESM5, BCC-CSM2-MR e IITM-ESM).

Resultos Clave

• Tendencias Históricas: La prueba MK y el ITA revelaron una tendencia negativa significativa en la precipitación anual para la HR del Noreste y siete MSD específicas (incluyendo Arunachal Pradesh, Assam Meghalaya y NMMT). Por el contrario, nueve MSD, incluyendo Coastal Andhra Pradesh y Punjab, exhibieron tendencias positivas significativas. El análisis estacional indicó tendencias negativas en la HR del Noreste durante la temporada de monzones, mientras que Coastal Andhra Pradesh y Punjab mostraron un aumento en la precipitación del monzón.
• Puntos de Cambio: Las pruebas de homogeneidad identificaron que la mayoría de las regiones experimentaron una ruptura estructural en los patrones de precipitación después de la década de 1950. El análisis post-punto de cambio confirmó que la HR del Noreste y varias subdivisiones orientales han experimentado descensos significativos en la precipitación del monzón durante los últimos 70 años.
• Impulsores Físicos: El análisis de ERA5 atribuyó las variaciones de precipitación a las fluctuaciones en la precipitación convectiva, el aumento de la cobertura de nubes bajas y una inadecuada divergencia de humedad vertical. Específicamente, la intensificación de los vientos del noreste ha reducido la intrusión de aire más frío, disminuyendo la precipitación invernal, mientras que el aumento de la divergencia de humedad en las regiones occidentales y centrales ha contribuido a condiciones más secas.
• Previsión (2050): El modelo ANN-MLP predice un descenso general de la precipitación anual en toda la India para 2050. Si bien la HR del Noreste se espera que retenga la mayor precipitación promedio (aprox. 1920 mm), se proyecta que la HR del Noroeste enfrentará las reducciones más significativas.
• Comparación con CMIP-6 SSP585: Un hallazgo crítico es que los pronósticos de la ANN-MLP para todas las seis HR y 28 de las 34 MSD predicen niveles de precipitación menores que las proyecciones del MME de CMIP-6 bajo el escenario SSP585. Esto sugiere que la precipitación real futura podría caer incluso por debajo de las proyecciones de los modelos climáticos más pesimistas, indicando una trayectoria severa para la escasez de agua. Solo siete MSD, principalmente regiones costeras y algunas interiores, están proyectadas para exceder los niveles de precipitación del SSP585.

Significancia y Reivindicaciones
Los autores afirman que este estudio proporciona una evaluación crítica y multifacética de la evolución de la precipitación en la India al vincular el análisis de tendencias históricas con la previsión futura y la validación de modelos climáticos. La integración de la detección de puntos de cambio con los métodos MK e ITA ofrece una comprensión más robusta de las tendencias no monotónicas que los enfoques tradicionales por sí solos.

El estudio sostiene que su comparación de los pronósticos de aprendizaje automático frente a las proyecciones de CMIP-6 SSP585 ofrece un marco único para evaluar los impactos climáticos regionales, revelando que la India podría enfrentar déficits de precipitación que superan incluso los escenarios de los modelos climáticos más pesimistas. Estos hallazgos se presentan como vitales para que los responsables de la formulación de políticas, hidrólogos y planificadores agrícolas formulen estrategias de adaptación para el riego, la gestión de los recursos hídricos y la resiliencia climática. Los autores reconocen las limitaciones, señalando que la amplia escala espacial del estudio (40 regiones) impide un análisis a micro-nivel (distrito/bloque/aldea) y que la falta de datos diarios restringe la granularidad de la detección de tendencias actual. Sugieren que trabajos futuros empleen aprendizaje profundo avanzado (por ejemplo, LSTM) y teledetección basada en rejillas para refinar estos conocimientos.