�鶹����

Un dos referentes fundamentais para o estudo do cambio climtico son as proxeccins do Coupled Model Intercomparison Project Phase 6 (CMIP6), que simulan a evolucin futura do clima baixo distintos escenarios socioeconmicos. Porén, a súa resolucin espacial global (≈100 km) limita a súa aplicabilidade a escala local, xa que impide capturar de xeito adecuado a variabilidade climtica local, dificultando por exemplo a súa aplicacin para unha planificacin agrcola sostible. Co obxectivo de contribur a superar esta limitacin, no grupo Environmental Physics Laboratory (EPhysLab-CIM �鶹����) vén de desenvolverse un proxecto que ofrece datos climticos de alta resolucin aplicables a comarcas agrcolas estratéxicas da provincia de Ourense.

foi realizado por un equipo encabezado por Diego Fernndez, persoal docente e investigador da Facultade de Ciencias e do Campus Auga, e completado por Beatriz Arguilé e Mara Teresa de Castro. É unha das iniciativas beneficiarias da convocatoria a proxectos do persoal investigador na etapa de formacin posdoutoral do campus de Ourense (Inou+PosDou Campus Auga 2025), financiada ao abeiro do convenio de colaboracin entre a Consellera de Educacin, Ciencia, Universidades e Formacin Profesional e a �鶹���� para o desenvolvemento de accins estratéxicas no Campus Auga (2024-2027). Con este traballo, o equipo da �鶹���� quixo apoiar “a promocin dun sector agrcola mis tecnificado, sostible e resiliente fronte ao cambio climtico”.

O proxecto, explica Diego Fernndez, estivo “orientado a proporcionar datos climticos de alta resolucin aplicables a comarcas agrcolas estratéxicas da provincia de Ourense”, centrndose especificamente en dous sectores de especial relevancia socioeconmica: o cultivo da pataca e o sector vitivincola. Seleccionronse como casos de estudo a comarca da Limia, para o cultivo da pataca, e a comarca do Ribeiro, para o sector vitivincola, por seren localizacins altamente representativas dentro da provincia de Ourense. No caso da pataca, ampliouse ademais a anlise comarca de Bergantios, pola súa relevancia no contexto galego. 

Reducin ata os 10 quilmetros

No estudo desenvolveuse “unha metodoloxa combinada de técnicas de baixada de escala, aplicacin de métodos de intelixencia artificial, as como procedementos de correccin de desviacins, que permitiu xerar series climticas de alta fidelidade espacial e temporal capaces de capturar a variabilidade local”. Estas técnicas, detalla o equipo da �鶹����, aplicronse a variables climticas relevantes para cada cultivo, variables que se identificaron a partir dunha revisin bibliogrfica, a anlise de datos histricos e a consulta con especialistas do sector. Para a pataca seleccionronse as variables de temperatura e humidade relativa a escala horaria, mentres que para o sector vitivincola considerronse a temperatura media, mnima e mxima diarias, as como a precipitacin. “A anlise destas variables permite avaliar tanto os ndices de maduracin como o risco de perdas de producin asociadas superacin de determinados limiares”, sinala Diego Fernndez.

Para a obtencin dos datos das variables de interese con calidade suficiente, no traballo aplicouse unha metodoloxa de baixada de escala climtica que permitiu mellorar significativamente a resolucin espacial dos datos do CMIP6 ata os 10 km. Os datos resultantes inclúen tanto un perodo histrico de referencia (1985-2014) coma proxeccins futuras (2030-2059) e permiten a súa integracin nos modelos agronmicos especficos de cada cultivo, “favorecendo unha agricultura de precisin orientada optimizacin da xestin dos recursos naturais, adaptacin aos escenarios climticos futuros e reducin do impacto ambiental”. 

Unha vez obtidas as variables cunha mellor resolucin, diversas anlises realizadas indicaron que, especialmente no caso da pataca, onde é necesario ter unha boa representatividade a escala horaria, a mellora da resolucin espacial non resultaba suficiente para reproducir adecuadamente a variabilidade temporal de certas variables, con cambios que poden producirse en escalas de poucas horas. Para superar esta limitacin, no proxecto integrronse técnicas de intelixencia artificial, en particular redes neuronais, que permitiron corrixir e adaptar os datos s condicins locais, mellorando a súa representatividade. No sector vitivincola foi necesario aplicar un procedemento de correccin de desviacins que optimizou a reproducin de valores medios e extremos, mantendo a variabilidade climtica. 

Finalmente, os do proxecto foron estruturados nun formato estndar e postos a disposicin pública a través dunha plataforma web especfica do proxecto, facilitando a súa consulta e descarga por parte de persoal investigador, produtores e administracins interesadas.