nueva página del texto (beta)
Español (pdf)
Artículo en XML
Referencias del artículo
Traducción automática
Enviar artículo por email
Citado por SciELO 
Similares en
SciELO 
Permalink
Introducción
Las sequías provocan el desplazamiento de los organismos debido a los desastres ecológicos, biológicos y socioeconómicos que ocasionan. La sequía meteorológica es un fenómeno originado por la escasez de precipitaciones en periodos prolongados de tiempo (Trenberth et al. 2014, Campos-Aranda 2018). La Organización Meteorológica Mundial (OMM) reconoce el término como las condiciones meteorológicas anormalmente secas que provocan un periodo prolongado sin precipitaciones y ocasionan un grave desequilibrio hidrológico (OMM 2016). Por esta razón, las sequías meteorológicas son consideradas como factor preponderante que desencadena el resto de los tipos de sequía (Wu et al. 2015, She y Xia 2017). La ocurrencia de este fenómeno depende de las características de las precipitaciones tales como magnitud, intensidad y frecuencia entre estaciones húmedas, las cuales determinan la severidad del déficit y anomalías de precipitaciones acumuladas (Bong y Richard 2019).
La sequía meteorológica representa un peligro para la vida de todos los organismos del planeta porque impacta de forma negativa la prevalencia, el desarrollo y funcionamiento de los ecosistemas (Huang et al. 2018, Cortez-Villa et al. 2020). Los daños se extienden a la sociedad, el medio ambiente y economía, con una limitada capacidad para enfrentar oportunamente este fenómeno, el cual consigue la categoría de desastre ambiental (Liu et al. 2016, Sardiñas et al. 2019). Por lo que el riesgo natural es de los más complejos de analizar, de evolución lenta y ha sido objeto de estudio en muchas regiones del mundo (Penalba y Rivera 2015, Peña-Gallardo et al. 2016, Campos-Aranda 2017, Olivares y Zingaretti 2018).
La formación de huracanes, anomalías de temperatura superficial en los océanos, el comportamiento del sistema atmosfera-océano y tiempo atmosférico-clima solar están regidos por las singularidades de las sequías meteorológicas (Campos-Aranda 2017). La medida de estas permite cuantificar los daños causados por la sequía, genera información para su predicción, manejo de los recursos hídricos, planeación (Cortez-Villa et al. 2020, Malik y Kumar 2020), determinación de zonas vulnerables, distribución espacial (Rafiei-Sardooi et al. 2018, Soh et al. 2018), elementos para la gestión de riesgos, preparación y atenuación de sequía (OMM 2016).
La estimación de estas singularidades se basan en la evaluación de índices de sequía meteorológica (IDs) (Jain et al. 2015, Yacoub y Tayfur 2016, Yang et al. 2017, Malik y Kumar 2020). A pesar de que los IDs son cantidades adimensionales (Keyantash y Dracup 2002), estos se originan de la relación entre una o más variables dimensionales. La extensividad es la propiedad de una variable que refleja la dependencia al área de estudio o sistema, caso contrario a la propiedad intensiva (Munson et al. 2006, Potter et al. 2012). Esta permite establecer la viabilidad de los IDs para su aplicación en función de las dimensiones del sistema (tamaño), puntos de observación, clima, escala temporal y otorga mayor exactitud en las evaluaciones de las singularidades de las sequías meteorológicas.
Antes de la aplicación de los IDs no se suele analizar su intensividad o extensividad, más la falta de registros históricos en las áreas de estudio dirige a las evaluaciones de los IDs hacia la interpolación de los datos meteorológicos existentes (Staud et al. 2007, Goerlich 2012). Además, se ha dado poca importancia a la cobertura espacial, es decir, a la densidad de puntos por unidad de área requerido para medir las variables meteorológicas involucradas en los cálculos de los IDs, por lo que se desconoce si los registros con los que se cuente son escasos, excesivos o suficientes en función de las dimensiones del área de estudio para la estimación de sequías. Ante esta situación, este estudio tuvo como objetivo determinar si los IDs más utilizados son intensivos o extensivos.
Materiales y métodos
Se realizó una revisión sistemática con metaanálisis (Aston et al. 2021, Daryanto y Song 2021, Dordević et al. 2021) de los trabajos publicados de 29 países de los últimos 40 años en las bases de datos, Web of Science, Scopus, ScienceDirect, JS-TOR, PubMed y Google Académico. Solo se tomaron en cuenta artículos relacionados con la estimación de IDs con información de las características cuantitativas (frecuencia, ocurrencia, intensidad, magnitud, severidad) y cualitativas (conjunto de cualidades y atributos: variabilidad climática, eventos repentinos) de una sequía meteorológica. También se tomaron en cuenta estudios sobre la evidencia de variaciones de sequía con respecto a la resolución espacial y artículos relacionados con correlación espacial. Se excluyeron artículos con definiciones de sequía, estrés por sequía en plantas o animales u organismos vivos, estudios de tolerancia a la sequía, sequía fisiológica, sequía socioeconómica, mecanismos de resistencia a la sequía, modelación de sequía, proyecciones de sequía en función al cambio climático, evaluación de almacenamiento de aguas subterráneas para determinar sequías. Para analizar la información se elaboró una base de datos con los siguientes parámetros, el ID aplicado, área de estudio o sistema, número de puntos de observación, longitud de las series de datos (Wang et al. 2021), tipo de clima, escala temporal, respuesta: al clima y escala temporal, viabilidad para sistemas con pocos registros meteorológicos, herramientas aplicadas para la homogenización espacial (Wu et al. 2015, Yang et al. 2017) y de datos (Bong y Richard 2019).
En los casos donde la información se encontraba de manera parcial, como la extensión territorial, tipo de clima del área en estudio, valores de precipitación y temperatura media anual, se recurrió a la búsqueda en organismos y servicios meteorológicos oficiales de cada país para complementarla. Mientras que, donde solo se contaba con las coordenadas geográficas del área de estudio, se calculó el área utilizando Google Earth a partir del cual se trazó el polígono y se extrajo el área de estudio (Equipo Urbano 2007). Posteriormente, se determinó la intensividad o extensividad de los IDs, a través de la sensibilidad del sistema y la dependencia climática.
La sensibilidad del sistema se analizó por medio de la influencia de las dimensiones del sistema en los resultados de las evaluaciones de los IDs considerando la densidad de puntos de observación (ρe, con unidades km2/est) y su relación con la homogeneidad espacial. La pe se definió como el sistema (a) entre el número de puntos de observación (e) con registros históricos de las variables meteorológicas, obtenida a través de ρe = a/e. Para el análisis se suma la comparación de los resultados donde se ha demostrado que los IDs de mayor aplicación son sensibles en áreas de estudio, específicamente en áreas menores a 1x106 km2 y superiores a los 3x106 km2. También, la homogeneidad espacial se analizó a través de las características de los registros históricos observados, como la longitud de las series de datos y la homogeneidad de datos. El segundo punto principal abordado para el análisis fue el clima, para determinar cómo las escalas temporales reflejan la intesividad o extensividad de los IDs.
Resultados
La revisión sistemática, produjo una base de datos de 114 artículos (Tabla 1), que tuvo los siguientes resultados, el índice de precipitación estandarizada (SPI, por sus siglas en inglés) presentó una frecuencia de 49%, el índice de evapotranspiración estandarizada (SPEI, por sus siglas en inglés) un 15%, el índice de severidad de sequía de Palmer (PDSI, por sus siglas en inglés) un 9%, el índice de reconocimiento de sequía (RDI, por sus siglas en inglés) un 6% e índice China-Z (CZI, por sus siglas en inglés) 5% de 27 IDs encontrados con mayor frecuencia (Figura 1).
Tabla 1 Frecuencia de los estudios publicados con evaluaciones de IDs por país y la característica dominante.
| No. | País | Estudios Publicados | Característica prevalente en IDs |
|---|---|---|---|
| 1 | Argentina | 6 | Intensivo |
| 2 | Austria | 1 | Extensivo |
| 3 | Brasil | 3 | Extensivo |
| 4 | China | 20 | Intensivo |
| 5 | Corea del Sur | 1 | Intensivo |
| 6 | Cuba | 1 | Intensivo |
| 7 | España | 4 | Intensivo |
| 8 | Estados Unidos | 15 | Intensivo |
| 9 | Finlandia | 1 | Extensivo |
| 10 | Grecia | 1 | Extensivo |
| 11 | Hungría | 2 | Intensivo |
| 12 | India | 10 | Intensivo |
| 13 | Indonesia | 3 | Intensivo |
| 14 | Irán | 6 | Intensivo |
| 15 | Japón | 1 | Intensivo |
| 16 | Malasia | 1 | Intensivo |
| 17 | Mauritania | 4 | Intensivo |
| 18 | México | 9 | Intensivo |
| 19 | Pakistán | 6 | Intensivo |
| 20 | Paraguay | 6 | Extensivo |
| 21 | Perú | 1 | Extensivo |
| 22 | Polonia | 1 | Intensivo |
| 23 | Republica Checa | 1 | Intensivo |
| 24 | Sri Lanka | 1 | Intensivo |
| 25 | Sudáfrica | 1 | Intensivo |
| 26 | Sudan | 1 | Intensivo |
| 27 | Turquía | 4 | Intensivo |
| 28 | Venezuela | 1 | Intensivo |
| 29 | Zambia | 2 | Intensivo |
Figura 1 Frecuencia porcentual de los índices aplicados para la detección de sequías meteorológicas.
Sensibilidad del sistema
El 92.18% de los estudios analizados reportan el número de estaciones y el área de estudio o sistema. El cálculo de las densidades (ρe) mostró 51 resultados diferentes (Tabla 2). La ρe = 32.24 km2/est fue la más pequeña seguida de ρe = 71.30 km2/est para evaluar el SPI. En contraposición, ρe = 3 734 889.16 km2/est fue la densidad mayor. Con esta pese analizaron 11 regiones en diferentes tipos de climas en el mundo, cada región con 12 puntos de observación. La primera columna de la Tabla 2 representa el número de identificación (ID), seguida de la procedencia de los datos, el número de estaciones cuya magnitud es adimensional (1), el área de estudio o sistema en km2, ρe en km2/est y la longitud de las series de datos (l) en años. Mientras que el 7.82% de los estudios no revelaron el número de estaciones. La homogeneidad espacial representa la distribución equitativa entre el número de estaciones y la superficie espacial. El 21.15% de los estudios trabajaron con homogeneidad espacial, el 57.70% reportan haber trabajado sin homogeneidad espacial. Solo el 21.15% aplicó algún método de interpolación espacial como, el método Kriging con un 45.46%, el método de ponderación de distancia inversa (IDW, por sus siglas en inglés) con 27.27%, el método Spline, la media espacial y el método del polígono de Thiessen cada uno con 9.09% para alcanzar la homogeneidad espacial. Por otro lado, el 5.78% de los IDs de mayor aplicación reveló tener sensibilidad al sistema. Especialmente el SPI y SPEI dependen del sistema para caracterizar la intensidad y duración de periodos húmedos o secos. El SPI tiene mayor probabilidad de identificar la sequía como más grave en sistemas menores a 1x106 km2, mientras que el SPEI lo hace para áreas del orden de 3x106 km2. Aplicar una ρe = 1 200 km2/est es viable para evaluar al SPI en sistemas menores a 1x106 km2. Mientras que, el índice de porcentaje de anomalía de precipitación (PAP, por sus siglas en inglés) determina secas repentinas graves a extremas históricas en sistemas superiores a 3x106 km2. En áreas pequeñas es oportuno examinar directamente las observaciones de las estaciones meteorológicas, en lugar de datos procedentes de grids. En cuanto al resto de los IDs de mayor aplicación (Figura 1) ninguno de los autores reportó evidencias de la sensibilidad de los IDs al área de estudio.
Tabla 2 Atributos preliminares de los estudios analizados.
| ID | Autor | e est. | a km2 | ρe km2/est | l años |
|---|---|---|---|---|---|
| 1 | Harisuseno (2020) | 6 | 193.41 | 32.24 | 20 |
| 2 | Peña-Gallardo et al (2016) | 1 224 | 87 268 | 71.30 | 111 |
| 3 | Penalba y Rivera (2015) | 48 | 4 779 | 99.56 | 47 |
| 4 | Campos-Aranda (2017) | 3 | 322 | 107.33 | 50 |
| 5 | McKee et al (1993) | 1 | 151.4 | 151.40 | 30-100 |
| 6 | Bong and Richard (2019) | 15 | 2 456 | 163.73 | 30 |
| 7 | Kim et al (2009) | 1 840 | 605.2 | 0.33 | 200 |
| 8 | Seiler et al. (2002) | 3 | 576 | 192.00 | 25 |
| 9 | Soh et al. (2018) | 6 | 2 400 | 400.00 | 32 |
| 10 | Liu et al. (2016) | 101 | 75 000 | 742.57 | 53 |
| 11 | Mishra and Singh (2009) | 5 | 4 265 | 853.00 | 50 |
| 12 | Abeysingha and Rajapaskha (2020) | 54 | 65 610 | 1 215.00 | 48 |
| 13 | Wu et al. (2015) | 24 | 34 097 | 1 420.71 | 43 |
| 14 | Hayes et al. (1999) | 6 000 | 9 800 000 | 1 633.33 | 100 |
| 15 | Hayes et al. (2000) | 100 | 200 520 | 2 005.20 | 130 |
| 16 | Cortez-Villa et al. (2020) | 61 | 123 367 | 2 022.41 | 29 |
| 17 | Tan et al. (2015) | 22 | 66 000 | 3 000.00 | 40 |
| 18 | Dabanli et al. (2017) | 250 | 783 562 | 3 134.25 | 80 |
| 19 | Mohanta et al. (2020) | 1 | 3850 | 3 850.00 | 35 |
| 20 | Mahajan and Dodamani (2016) | 59 | 258 948 | 4 388.95 | 52 |
| 21 | Jain et al (2015) | 13 | 58 058 | 4 466.00 | 102 |
| 22 | Campos-Aranda (2018) | 16 | 77 685 | 4 855.31 | 65 |
| 23 | Livada and Assimakopoulos (2007) | 23 | 131 957 | 5 737.26 | 51 |
| 24 | Yang et al. (2017) | 21 | 134 800 | 6 419.05 | 46 |
| 25 | Rouault and Richard (2003) | 465 | 3 103 759 | 6 674.75 | 79 |
| 26 | SÖnmez et al. (2005) | 101 | 783 562 | 7 758.04 | 51 |
| 27 | Edwards (1997) | 1 221 | 9 800 000 | 8 026.21 | 84 |
| 28 | Andrade-Velazquez et al. (2020) | 10 | 82 478 | 8 247.80 | 57 |
| 29 | Heim (2002) | 1 119 | 9 800 000 | 8 757.82 | 1 y 100 |
| 30 | Paulo et al. (2016) | 9 | 92 212 | 10 245.78 | 99 |
| 31 | AL-Timimi y AL-Jiboori (2013) | 39 | 435 052 | 11 155.18 | 30 |
| 32 | Adnan et al. (2018) | 58 | 796 096 | 13 725.79 | 64 |
| 33 | Zhang et al. (2019) | 14 | 210 000 | 15 000.00 | 20 |
| 34 | Yu et al. (2014) | 609 | 9 500 000 | 15 599.34 | 60 |
| 35 | Ayantobo et al. (2017) | 552 | 9 500 000 | 17210.14 | 52 |
| 36 | Yao et al. (2018) | 552 | 9 500 000 | 17210.14 | 52 |
| 37 | Zhang et al. (2016) | 520 | 9 500 000 | 18 269.23 | 53 |
| 38 | Potop y Možný (2011) | 4 | 78 871 | 19 717.75 | 50 |
| 39 | Tirivarombo et al. (2018) | 6 | 156 995 | 26 165.83 | 56 |
| 40 | Yu et al. (2013) | 16 | 494 000 | 30 875.00 | 55 |
| 41 | Asadi Zarch et al. (2011) | 40 | 1 648 000 | 41 200.00 | 30 |
| 42 | Li et al. (2019) | 35 | 1 800 000 | 51 428.57 | 59 |
| 43 | Tabari et al. (2012) | 10 | 713 122 | 71 312.20 | 40 |
| 44 | Olivares et al. (2016) | 3 | 229 111 | 76 370.33 | 29, 33 y 34 |
| 45 | Zarei and Mahmoudi (2017) | 17 | 1 648 194 | 96 952.59 | 54 |
| 46 | Kubicz (2018) | 3 | 312 679 | 104 226.33 | 33 |
| 47 | Komusco et al. (1999) | 7 | 783 562 | 111 937.43 | 58 |
| 48 | Wang et al. (2021) | 64 | 9 500 000 | 148 437.50 | 57 |
| 49 | Elagib and Elhag (2011) | 14 | 2 505 813 | 178 986.64 | 68 |
| 50 | Yacoub and Tayfur (2016) | 3 | 1 030 000 | 34 3333.33 | 44 |
| 51 | Asadi Zarch et al. (2015) | 4 000 | 359 685 360 | 89 921.34 | 50 |
| 52 | Vicente-Serrano et al. (2010) | 132 | 359 685 360 | 2724 889.09 | 98 |
En la longitud de las series de datos se observó que los autores registraron periodos de uno a 200 años. Los estudios con la longitud de las series de datos de largo, mediano y corto plazo fueron de 51 a 200 años con un 54.19%, 31 a 50 años con 29.51% y de uno a 30 años con 16.30% respectivamente (Tabla 2). El 25% trabajó con datos continuos previamente procesados, mientras que el 75% restante presentaron datos faltantes o datos escasos. De este grupo, el 32.69% aplicó algún de interpolación para completar la serie, el 15.39% trabajó con datos sin continuidad y un 26.92% no completaron las series de tiempo optando por utilizar el método Thornthwaite para calcular la evapotranspiración potencial (PET). Este método se caracteriza por requerir pocos datos para estimar el PET utilizado para la evaluación del SPEI y RDI. Por su parte, los resultados de la homogeneidad espacial mostraron que todos los estudios aseguran está característica. Mientras que, los métodos de tendencias estadísticas o no paramétricos fueron las herramientas utilizadas para eliminar valores atípicos, eliminar ruidos o comportamientos no deseados en las series de tiempo. Se encontraron 23 métodos diferentes, sin ninguna tendencia hacia algún método.
Condiciones climáticas y la escala temporal
Las condiciones climáticas del sistema mostraron vínculos con el establecimiento de puntos de observación sinópticos en un 8.33%. Mientras que el resto (91.37%) no consideró esta característica. El 64.29% de los estudios analizados asume la robustez del ID, únicamente el 35.71% reconoce que los IDs dependen del clima del sistema. De estos, el 40% corresponde a evaluaciones hechas por el SPEI, el 23.33% al SPI, el 20.00% al PDSI, el 13.33% al RDI y 3.34% al CZI. Mientras que, la escala temporal aplicada en los IDs osciló entre un mes y 72 meses. Algunos trabajaron en periodos de un mes dirigidos a la determinación de humedad del suelo. El SPI de tres meses otorgó una estimación estacional de la precipitación, los de seis y nueve meses indicaron tendencias a mediano plazo de patrones de precipitación. Otros con escalas a largo plazos (nueve a 12 meses) revelaron una estimación anual de los niveles en los embalses y caudales de los ríos.
Discusión
El SPI, SPEI, PDSI, RDI y CZI fueron los índices de mayor aplicación en la detección de sequía meteorológica (Figura 1). Lo cual se debe a su frecuente aplicación en todo el mundo y que la mayoría de estos índices son sugeridos por la OMM u organismos administrativos de cada país (Tabla 1).
Sensibilidad del sistema
Los puntos de observación desarrollaron dos funciones en la evaluación los IDs. La primera, la evaluación del ID elegido en cada punto de observación (Campos-Aranda 2018, Yao et al. 2018, Zhang et al. 2019). En la segunda, los puntos de observación se utilizaron para interpolar puntos o generar grids en el sistema, para alcanzar la homogeneidad espacial (Peña-Gallardo et al. 2016, Yang et al. 2017, Andrade-Velázquez y Medrano-Pérez 2020). Los estudios que no reportaron el número de puntos de observación refleja que tienen metodologías que consideran poco relevante este parámetro. Pero, la disponibilidad y cantidad de datos apropiados son fundamentales para detectar variaciones espaciales y temporales durante un evento de sequía (Vangelis et al. 2011). Por lo que la naturaleza de los datos de variables meteorológicas in situ en la evaluación de los IDs es básico. Las ρe revelaron que a mayor número de puntos de observación se tiene menor ρe lo que representa mayor cobertura espacial. Mientras que, lo opuesto genera una pe mayor y menor cobertura espacial en el sistema. Sobre esto, Harisuseno (2020) con la ρe más pequeña, reporta que se tienen resultados confiables y adecuados aplicando el SPI. Respecto a la ρe más pequeña las estaciones se emplearon para la elaboración de mallas (Peña-Gallardo et al. 2016). Por lo que los resultados obtenidos fueron óptimos en el análisis de series de precipitación y temperatura media. A pesar de que la ρe puede minimizar incertidumbres debido a la homogeneidad espacial en el sistema las aproximaciones generadas con las interpolaciones de los datos generan incertidumbres en los resultados (Goerlich 2012). En la ρe más grande reportada por Vicente-Serrano et al. (2010) las evaluaciones del SPI y SPEI tuvieron pocas diferencias en todas las escalas temporales y respondieron a la precipitación, pero no a la variabilidad climática interanual. Pero, los pocos detalles de la metodología de observación generan incertidumbre sobre estas afirmaciones y se desconoce ante qué condiciones los índices ocultan el comportamiento de la sequía en escalas temporales interanuales. Un estudio que destacó por la ρe que presentó fue de Elagib y Elhag (2011) realizado en Sudán para la evaluación del SPI, el cual reporta una pe exponencialmente superior lo sugerido por la OMM que fue aumentando en el tiempo de análisis. Pero el efecto fue minimizado al calcular la media espacial partiendo de anomalías estandarizadas a largo plazo (Nicholson 1986, 1993, Elagib y Elhag 2011). Pero se reporta que, una evaluación es oportuna con datos procedentes de estaciones meteorológicas y no de aproximaciones (Goerlich 2012). A pesar que en África oriental, el SPI se considera como el ID idóneo para monitorear sequías con un requerimiento de datos modestos y de fácil interpretación (Ntale y Gan 2003). Estas afirmaciones están basadas en los resultados de Elagib y Elhag (2011) donde, la pe genera una limitada cobertura espacial de observación, menor nivel de agregación espacial (Goerlich 2012) y los puntos de observación suponen representar los climas contrastantes del sistema. Por tanto, las afirmaciones de Elagib y Elhag (2011) están basadas en evaluaciones poco confiables.
La homogeneidad espacial y la altitud fue omitida en la mayoría de los estudios analizados. Al respecto, Rouault y Richard (2003), Livada y Assimakopoulos (2007) e Yao et al. (2018) reportan que esta última variable es necesaria para calcular los puntos de observación, argumentando que a mayor altitud menor número de observaciones. Lo que, asegura puntos de observación con condiciones atmosféricas para la precipitación (variable principal de la que dependen los IDs) y capturar la influencia de los océanos, orografía y geografía del sistema. Pero, recientemente se han registrado precipitaciones por varias horas en sitios donde no existen condiciones atmosféricas para la precipitación (NSIDC 2021). Lo que demuestra que la precipitación no necesariamente se encuentra ligada a la altitud del sistema, ni a las condiciones atmosféricas. Los hechos reflejan que no se tiene la certeza de las condiciones atmosféricas específicas que pueden desarrollar la precipitación. Además, de que la altitud, asegura la homogeneidad de precipitación como criterio de observación, puede no ser viable para generar datos de entrada en la evaluación de los IDs.
La interpolación se aplica para aproximar datos faltantes en estudios sin continuidad en la longitud de las series de datos y para alcanzar la homogeneidad espacial. Recientemente se ha demostrado que los IDs son sensibles al área de estudio y que requieren de una ρe específica para minimizar errores en los cálculos (Li et al. 2020). En específico, el SPEI es menos sensible al medir la severidad de una sequía en áreas grandes. Al respecto, Goerlich (2012) mencionan que la aplicación de datos aproximados no es viable para la estimación de periodos húmedos o secos en áreas pequeñas. Lo que se puede deber a que en áreas pequeñas se puede tener una mayor cobertura espacial y consecuentemente, más información del comportamiento del fenómeno de sequía. Por lo que, los IDs dependen del a y no es posible asumir que el resto de los IDs estén exentos de esta característica. Además, de que existen estudios con graves errores en observaciones que afectan regiones con baja ρe, a pesar del procesamiento y control de calidad (Dinku et al. 2007, Belo-Pereira et al. 2011, Liebmann et al. 2012, Dutra et al. 2013).
Lo que indica que, la precisión en la vigilancia de la sequía depende principalmente la cobertura espacial y la frecuencia temporal de las observaciones in situ.
Condiciones climáticas y la escala temporal
Los IDs dependen desde la formulación de variables climáticas a excepción del SPI que es el de mayor aplicación y CZI. Aunque no este incluida en su formulación ambos mostraron sensibilidad ante las variables climáticas. Lo que, muestra que los IDs dependen de las condiciones climáticas. Globalmente, la mayoría de los estudios no considera las características climáticas del sistema. Ya que, asumen su robustez (Campos-Aranda 2018, Cortez-Villa et al. 2020). Solo la tercera parte reconoce que el SPEI, SPI, PDSI, RDI y CZI fue sensible al clima del sistema (Vicente-Serrano et al. 2010, Elagib y Elhag 2011, Liu et al. 2016, Wang et al. 2021).
La escala temporal de los IDs depende del periodo de evolución de la sequía que se desee observar. El SPI en escalas de corto plazo mostró inconsistencias en la identificación de sequía (Hayes et al. 2000) y magnificó la severidad en periodos menores a dos meses. Al respecto, Mishra et al. (2009) revelaron que la frecuencia de las sequias decaen exponencialmente con la escala temporal del SPI mientras que la duración aumenta (Figura 2). Lo que confirma que una limitación del SPI es su proceso de estandarización, la sequía medida por el SPI puede ocurrir con la misma frecuencia en todos los lugares cuando se considera un período prolongado (Komuscu 1999). En adición el PDSI y SPEI no son precisos en las escalas temporales a corto plazo (Vicente-Serrano et al. 2010, Potop y Možný 2011, Choi et al. 2013, Liu et al. 2016, Soh et al. 2018, Li et al. 2020). Lo que indica que los IDs son sensibles a la escala temporal de evaluación. Sobre lo mismo Wang et al. (2021) reportan que las regiones climáticas con la escala temporal de 20, 30 y 90 días son idóneas en la detección de sequías con el SPI. Pero, se desconoce la validez de esta afirmación en sistemas con diferentes características climáticas. Además, en sistemas donde se tienen pocas precipitaciones se recomienda tener cautela para evaluar el SPI a escalas temporales de corto plazo (OMM 2012). Sobre esto Bong y Richard (2019) no pudieron medir la sequía en diferentes escalas temporales con el SPI sin homogeneidad espacial. Mientras que, Rouault y Richard (2003) y Peña-Gallardo et al. (2016) con homogeneidad espacial lo lograron. Lo que confirma que la homogeneidad espacial evita sesgos, ofrece mayor calidad en los datos y permite medir la variabilidad climática (Easterling et al. 1996). Por lo que, la homogeneidad espacial es un factor básico para realizar evaluaciones precisas a través de los IDs (Dabanlɩ et al. 2017) y revela que el SPI es extensivo.
La homogeneidad de datos debe eliminar los factores que pueden ocultar el verdadero comportamiento climático del sistema generado por cambios en la instrumentación, variaciones en el tiempo de observación y microambiente (Wu et al. 2007, Soh et al. 2018). Lo anterior, obedece a que la homogeneidad de datos supone que los registros siguen alguna distribución estadística (Guttman 1991, Hobbins et al. 2016, Ayantobo et al. 2017). Pero, una distribución de probabilidad inadecuada puede inferir sesgo en los resultados del ID y perder precisión (Stagge et al. 2015, Guerreiro et al. 2017, Zhang and Li 2020, Zhao et al. 2020). Lo que significa que, la homogeneidad de datos no asegura la robustez del IDs, ni la calidad de los datos. Debido a que, los IDs están influenciados por el comportamiento climático y que definir puntos sinópticos no integran las características climáticas del sistema. Mientras que, el PDSI mostró sensibilidad a cambios de escala temporal, localización de estaciones y al procesamiento de la homogeneidad de datos (Liu et al. 2016). Al respecto, Palmer (1965), Guttman (1991) y Heim (2002) sugieren que las extrapolaciones fuera de climas semiáridos y secos-subhúmedos en evaluaciones del PDSI conducen a resultados poco precisos. Lo que indica que el PDSI es sensible a la cobertura espacial por lo que es un ID extensivo. Los IDs que utilizan exclusivamente datos de precipitaciones son la mejor opción para identificar sequias meteorológicas (Olukayode 1985, Vicente-Serrano et al. 2010) como es el caso del SPI. Pero, Asadi et al. (2011) reportan limitaciones en datos de precipitaciones, precisión en mediciones y el número de estaciones de medición. Por lo que, la longitud de las series de datos no tuvo la capacidad de identificar regiones con mayor tendencia a las sequías y se necesitó de información climatología local para evaluar el SPI.
Los IDs son sensibles a los cambios en la localización de las estaciones y la exposición (Haylock et al. 2006). Por lo que, atender las dimensiones de un IDs ofrece la cercanía de evaluaciones precisas y no aproximadas. Además de, que permite establecer su intensividad o extensividad y descartar el riesgo de generalizar los efectos de la sequía en sistemas bajo diferentes condiciones climáticas y geológicas. La temperatura es un factor preponderante que magnificar la sequía a diferencia de la velocidad del viento y la radiación solar incidente (Zhang et al. 2016). Por tanto, involucrar a PET en la formulación de los IDs implica observaciones a escala microscópica para encontrar detalles del fenómeno, ya que la velocidad del viento y la radiación solar incidente se encuentran fuertemente vinculada a PET a través de la energía o calor latente (Campos-Aranda 2018). La precipitación y temperatura son variables de carácter macroscópico que al combinarse con PET producen heterogeneidades en la escala de observación del fenómeno. Estos efectos han sido generalizados y la relevancia metodológica sobre la homogeneidad de datos en estaciones ha sido minimizada y poco atendida (Esteban-Parra et al. 1998, Goerlich 2012). El carácter complejo del estudio del fenómeno de sequía meteorológica (Heim 2002) podría ser la causa de la omisión de estos factores.
Conclusiones
La revisión sistemática reveló que los IDs de mayor aplicación para estimar las singularidades de sequía meteorológica fueron SPI, SPEI, PDSI, RDI y CZI. Los resultados de los IDs dependen de las dimensiones del sistema y significa que son extensivos. Además, de la metodología de observación, métodos de aproximación de datos y procesamiento numérico. Por lo que, la discontinuidad en la longitud de las series de datos, heterogeneidad espacial y ρe superiores o exponencialmente mayores a lo sugerido por la OMM generalizan los efectos de la sequía en los sistemas bajo diferentes condiciones climáticas y geológicas. Además, se encontró que las heterogeneidades en la escala de observación que se generan al involucrar a PET en los IDs contribuyen a la complejidad que se tiene al estudiar el fenómeno de sequía meteorológica.
