Análisis y validación, como dataset para el proyecto personal de AEDV, de las variables climáticas de Canarias generadas en CLIMA_CANARIAS_TableDatasetGeneration.Rmd. Aquí, los datasets a evaluar son las variables climáticas: cada variable es un atributo medido por municipio y mes. La fuente es el fichero de histórico observado observaciones_canarias_1990_2022.rds (rejilla AEMET ~2,5 km, 1990–2022). También se analiza el fichero proyecciones_canarias.rds de proyecciones hacia el futuro.

Igual que el resto de documentos de selección de datasets de la asignatura, este tiene dos partes independientes:

  1. Selección de variables y guardado de metadatos — elige las variables a analizar y deja en disco su ficha (CLIMA_CANARIAS_metadatos.xlsx). Los datos en sí (los dos .rds) los genera CLIMA_CANARIAS_TableDatasetGeneration.Rmd, que es el que descarga los NetCDF de AdapteCCa.
  2. Análisis del dataset — parte de esos ficheros del disco y no usa nada de la sección anterior, de modo que se puede copiar tal cual en la memoria del proyecto.
# nombre base de los ficheros de metadatos y ficheros de datos ya generados
filename  <- "CLIMA_CANARIAS"
f_obs     <- "observaciones_canarias_1990_2022.rds"
f_proy    <- "proyecciones_canarias.rds"

1 Selección de variables y guardado de metadatos

Las variables a analizar se seleccionan por su código (variable):

VARS <- c("tasmax", "tasmin", "tmean", "tasmaxmax", "tasminmin",
          "tasminNa20", "tasminNb0", "tasmaxNap90", "tasminNap90",
          "tasmaxhwdmax", "pr", "prNa1", "prmax24", "prmax5days")

A diferencia del INE, el ISTAC, EUROSTAT o el Banco Mundial, AdapteCCa no tiene un catálogo previo del que extraer la ficha del dataset: aquí los metadatos se construyen en este mismo documento y se guardan en CLIMA_CANARIAS_metadatos.xlsx, con cuatro hojas:

  • dataset — la ficha general (fuente, rejilla, cobertura, tamaño de los dos ficheros).
  • variables — el significado de cada variable climática, con su categoría y su unidad.
  • horizontes — el periodo de 30 años que representa cada horizonte de las proyecciones.
  • escenarios — las 4 trayectorias de emisión SSP, con su forzamiento y su calentamiento estimado.

Las tres últimas son las explicaciones de los indicadores, que es lo que en las otras fuentes viene ya dado en el catálogo (Indicator_desc en el Banco Mundial, Descripcion del topic en EUROSTAT).

Nota: las descripciones han sido redactadas a partir de la documentación de AdapteCCa (variables/índices del visor) y del 6º Informe del IPCC. No provienen literalmente de la API. Si se cambian las variables seleccionadas, habrá que revisar/ampliar las descripciones.

# DESCRIPCIÓN DE CADA VARIABLE CLIMÁTICA (columna `variable` de los dos rds)
desc_var <- tibble::tribble(
  ~variable,       ~categoria,       ~description,
  "tasmax",        "Temperatura",    "Media mensual de la temperatura máxima diaria a 2 m.",
  "tasmin",        "Temperatura",    "Media mensual de la temperatura mínima diaria a 2 m.",
  "tmean",         "Temperatura",    "Media mensual de la temperatura media diaria a 2 m.",
  "tasmaxmax",     "Temperatura",    "Máximo mensual de la temperatura máxima diaria (extremo cálido del mes).",
  "tasminmin",     "Temperatura",    "Mínimo mensual de la temperatura mínima diaria (extremo frío del mes).",
  "tasminNa20",    "Temperatura",    "Nº de días al mes con temperatura mínima > 20 °C (noches tropicales).",
  "tasminNb0",     "Temperatura",    "Nº de días al mes con temperatura mínima < 0 °C (días de helada).",
  "tasmaxNap90",   "Temperatura",    "Nº de días al mes con temperatura máxima por encima del percentil 90 (días cálidos).",
  "tasminNap90",   "Temperatura",    "Nº de días al mes con temperatura mínima por encima del percentil 90 (noches cálidas).",
  "tasmaxhwdmax",  "Temperatura",    "Duración máxima de ola de calor: días consecutivos con Tmáx > percentil 90.",
  "pr",            "Precipitación",  "Media mensual de la precipitación diaria acumulada.",
  "prNa1",         "Precipitación",  "Nº de días al mes con precipitación > 1 mm (días de lluvia).",
  "prmax24",       "Precipitación",  "Máxima precipitación mensual acumulada en 1 día (RX1day).",
  "prmax5days",    "Precipitación",  "Máxima precipitación mensual acumulada en 5 días (RX5day)."
)
# PERIODO DE 30 AÑOS QUE REPRESENTA CADA HORIZONTE (AdapteCCa / Escenarios-PNACC)
desc_horizonte <- tibble::tribble(
  ~horizonte,      ~periodo,     ~denominacion,
  "reference",     "1971-2000",  "base histórica",
  "near_future",   "2011-2040",  "futuro cercano",
  "medium_future", "2041-2070",  "futuro medio",
  "far_future",    "2071-2100",  "futuro lejano"
)
# LAS 4 TRAYECTORIAS DE EMISIÓN SSP (CMIP6 / IPCC-AR6).
# Nombres de columna sin espacios ni tildes para que sobrevivan al viaje por el
# xlsx; las etiquetas legibles se ponen al imprimir la tabla, más abajo.
desc_escenario <- tibble::tribble(
  ~escenario, ~SSP,       ~relato,                              ~forzamiento_2100, ~emisiones,  ~calentamiento_2100_AR6, ~description,
  "ssp126",   "SSP1-2.6", "Sostenibilidad",                     "~2,6 W/m²",       "Bajas",     "~1,8 °C (1,3–2,4)",     "CO₂ neto cero hacia ~2050. Compatible con limitar el calentamiento bien por debajo de 2 °C (Acuerdo de París).",
  "ssp245",   "SSP2-4.5", "Camino intermedio",                  "~4,5 W/m²",       "Medias",    "~2,7 °C (2,1–3,5)",     "Emisiones intermedias; las políticas climáticas avanzan a ritmo moderado. Escenario 'central' de referencia.",
  "ssp370",   "SSP3-7.0", "Rivalidad regional",                 "~7,0 W/m²",       "Altas",     "~3,6 °C (2,8–4,6)",     "Mundo fragmentado, poca cooperación climática; las emisiones de GHG casi se duplican hacia 2100.",
  "ssp585",   "SSP5-8.5", "Desarrollo por combustibles fósiles","~8,5 W/m²",       "Muy altas", "~4,4 °C (3,3–5,7)",     "Crecimiento intensivo en combustibles fósiles. Límite superior plausible de emisiones."
)

La ficha general y la unidad de cada variable se calculan a partir de los .rds ya guardados en disco, para que describan exactamente lo que hay en ellos y no lo que se esperaba generar.

hist_all <- readRDS(f_obs) |> as_tibble()
proy_all <- readRDS(f_proy) |> as_tibble()

# la unidad no se escribe a mano: se lee de los propios datos
unidades <- hist_all |> distinct(variable, unidad)

variables_sel <- desc_var |>
  filter(variable %in% VARS) |>
  left_join(unidades, by = "variable") |>
  mutate(area = "MUNI", frecuencia = "Mensual") |>
  relocate(unidad, area, frecuencia, .after = categoria)

ficha <- tibble(
  Campo = c("Fuente", "Coleccion", "Ambito", "Rejilla", "Metodos.downscaling", "URL",
            "Fecha.de.generacion",
            "Fichero.observaciones", "Obs.N.filas", "Obs.N.variables",
            "Obs.N.municipios", "Obs.Freq", "Obs.Ini", "Obs.Fin", "Obs.N.periodos",
            "Fichero.proyecciones", "Proy.N.filas", "Proy.N.escenarios",
            "Proy.N.modelos", "Proy.N.horizontes", "Proy.N.meses"),
  Valor = c(
    "Visor AdapteCCa (OECC/MITECO, AEMET, CSIC y Fundación Biodiversidad)",
    "Escenarios-PNACC 2024",
    "Canarias, municipios",
    "ROCIO+_CAN (~2,5 km)",
    "ESD-RegBA (temperatura) y deepESD (precipitación)",
    "https://escenarios.adaptecca.es/",
    as.character(Sys.Date()),
    f_obs,
    as.character(nrow(hist_all)),
    as.character(n_distinct(hist_all$variable)),
    as.character(n_distinct(hist_all$municipio)),
    "M (mensual)",
    as.character(min(hist_all$fecha)),
    as.character(max(hist_all$fecha)),
    as.character(n_distinct(hist_all$fecha)),
    f_proy,
    as.character(nrow(proy_all)),
    as.character(n_distinct(proy_all$escenario)),
    as.character(n_distinct(proy_all$modelo)),
    as.character(n_distinct(proy_all$horizonte)),
    as.character(n_distinct(proy_all$mes))
  )
)

# comprobación: toda variable seleccionada tiene que existir en los datos y tener
# descripción, y todo horizonte/escenario de las proyecciones estar documentado
faltan_desc <- setdiff(VARS, desc_var$variable)
faltan_dato <- setdiff(VARS, unique(hist_all$variable))
faltan_hor  <- setdiff(unique(proy_all$horizonte), desc_horizonte$horizonte)
faltan_esc  <- setdiff(unique(proy_all$escenario), desc_escenario$escenario)
if(length(faltan_desc) > 0) warning("Variables sin descripción: ", paste(faltan_desc, collapse = ", "))
if(length(faltan_dato) > 0) warning("Variables que no están en el rds: ", paste(faltan_dato, collapse = ", "))
if(length(faltan_hor)  > 0) warning("Horizontes sin descripción: ", paste(faltan_hor, collapse = ", "))
if(length(faltan_esc)  > 0) warning("Escenarios sin descripción: ", paste(faltan_esc, collapse = ", "))

# las cuatro hojas en un solo xlsx: openxlsx toma el nombre de cada hoja del
# nombre del elemento de la lista
write.xlsx(list(dataset    = ficha,
                variables  = variables_sel,
                horizontes = desc_horizonte,
                escenarios = desc_escenario),
           file = paste0(filename, "_metadatos.xlsx"), overwrite = TRUE)

cat("Fichero guardado:", paste0(filename, "_metadatos.xlsx"),
    "- hojas: dataset, variables, horizontes, escenarios\n")
## Fichero guardado: CLIMA_CANARIAS_metadatos.xlsx - hojas: dataset, variables, horizontes, escenarios
cat("Variables seleccionadas:", nrow(variables_sel), "de", length(VARS), "\n")
## Variables seleccionadas: 14 de 14
cat("Elementos sin descripción:", length(faltan_desc), "variables,",
    length(faltan_hor), "horizontes,", length(faltan_esc), "escenarios\n")
## Elementos sin descripción: 0 variables, 0 horizontes, 0 escenarios

Una vez guardados en disco los metadatos (fichero xlsx) y estando ya los datos (los dos ficheros RDS), iniciamos el proceso de análisis. A partir de aquí el documento se compila solo con los ficheros ya guardados en disco; no se usa ningún objeto de la sección anterior. Es a propósito: es la parte que se incorpora a la memoria del proyecto personal (ver la última sección, Incorporación del dataset a la memoria), así que tiene que poder ejecutarse sola (lo único que se repite de lo definido antes son los nombres de fichero).

2 Análisis del dataset

metadatos

Campo Valor
Fuente Visor AdapteCCa (OECC/MITECO, AEMET, CSIC y Fundación Biodiversidad)
Coleccion Escenarios-PNACC 2024
Ambito Canarias, municipios
Rejilla ROCIO+_CAN (~2,5 km)
Metodos.downscaling ESD-RegBA (temperatura) y deepESD (precipitación)
URL https://escenarios.adaptecca.es/
Fecha.de.generacion 2026-10-08
Fichero.observaciones observaciones_canarias_1990_2022.rds
Obs.N.filas 487872
Obs.N.variables 14
Obs.N.municipios 88
Obs.Freq M (mensual)
Obs.Ini 1990-01
Obs.Fin 2022-12
Obs.N.periodos 396
Fichero.proyecciones proyecciones_canarias.rds
Proy.N.filas 2838528
Proy.N.escenarios 4
Proy.N.modelos 12
Proy.N.horizontes 4
Proy.N.meses 12

2.1 Origen de los datos: AdapteCCa

Todos los datos provienen del Visor de Escenarios de Cambio Climático de AdapteCCa, la plataforma oficial sobre adaptación al cambio climático en España. Pertenecen a la colección Escenarios-PNACC (Plan Nacional de Adaptación al Cambio Climático) y los elabora el Grupo de Trabajo de Escenarios: la Oficina Española de Cambio Climático (OECC/MITECO), la AEMET, el CSIC y la Fundación Biodiversidad, con desarrollo técnico de la Universidad de Cantabria (IFCA, CSIC-UC) y Predictia. Los datos se distribuyen en formato NetCDF mediante un servicio THREDDS.

Para Canarias, AdapteCCa ofrece —por primera vez en su última actualización— datos en rejilla de alta resolución (~2,5 km), tanto observados como proyectados, sobre la malla observacional ROCIO+_CAN de AEMET (antes solo había datos puntuales por estación). Hay dos productos bien distintos:

2.1.1 Observaciones: el clima registrado (1990–2022)

Es el clima realmente medido, sin ningún modelo climático de por medio:

  • Parte de las observaciones diarias de las estaciones de AEMET en Canarias.
  • Esos registros se interpolan a una rejilla regular de ~2,5 km (producto AEMET-2.5KM / ROCIO+_CAN), que cubre todo el archipiélago, también donde no hay estaciones.
  • De la rejilla diaria se calculan los agregados mensuales que usamos (medias de temperatura, totales de precipitación, conteos de días, máximos…).
  • La serie en rejilla disponible cubre 1990–2022.

Es, por tanto, dato observado y espacializado: sirve como línea base real contra la que comparar el futuro.

2.1.2 Proyecciones: el clima simulado (siglo XXI)

Es el clima simulado para el futuro, y su obtención tiene dos pasos:

  1. Modelos climáticos globales CMIP6 — los mismos que sustentan el 6º Informe del IPCC (AR6). Simulan el clima del planeta para distintos escenarios de emisiones, pero con una resolución demasiado gruesa (~100 km) para unas islas pequeñas.
  2. Regionalización (downscaling) estadística — se “baja” esa información a la rejilla de ~2,5 km con técnicas de machine learning que aprenden la relación entre el clima global y las observaciones de AEMET. Se usan dos métodos según la variable:
    • ESD-RegBA (desarrollado por AEMET) → variables de temperatura.
    • deepESD (desarrollado por el CSIC, basado en deep learning) → precipitación (y evapotranspiración).

El resultado son climatologías (medias de 30 años, no series con fecha) para los 4 escenarios de emisión SSP × 4 horizontes: la base histórica de referencia (1971–2000) y los 3 horizontes futuros (2011–2040, 2041–2070, 2071–2100), calibradas con las observaciones de AEMET. El detalle de escenarios y horizontes está más abajo, en las secciones Proyecciones y Escenarios de emisión (GHG / SSP).

2.2 Variables (datasets) seleccionadas

variable categoría unidad área frecuencia descripción
tasmax Temperatura °C MUNI Mensual Media mensual de la temperatura máxima diaria a 2 m.
tasmin Temperatura °C MUNI Mensual Media mensual de la temperatura mínima diaria a 2 m.
tmean Temperatura °C MUNI Mensual Media mensual de la temperatura media diaria a 2 m.
tasmaxmax Temperatura °C MUNI Mensual Máximo mensual de la temperatura máxima diaria (extremo cálido del mes).
tasminmin Temperatura °C MUNI Mensual Mínimo mensual de la temperatura mínima diaria (extremo frío del mes).
tasminNa20 Temperatura días MUNI Mensual Nº de días al mes con temperatura mínima > 20 °C (noches tropicales).
tasminNb0 Temperatura días MUNI Mensual Nº de días al mes con temperatura mínima < 0 °C (días de helada).
tasmaxNap90 Temperatura días MUNI Mensual Nº de días al mes con temperatura máxima por encima del percentil 90 (días cálidos).
tasminNap90 Temperatura días MUNI Mensual Nº de días al mes con temperatura mínima por encima del percentil 90 (noches cálidas).
tasmaxhwdmax Temperatura días MUNI Mensual Duración máxima de ola de calor: días consecutivos con Tmáx > percentil 90.
pr Precipitación mm MUNI Mensual Media mensual de la precipitación diaria acumulada.
prNa1 Precipitación días MUNI Mensual Nº de días al mes con precipitación > 1 mm (días de lluvia).
prmax24 Precipitación mm MUNI Mensual Máxima precipitación mensual acumulada en 1 día (RX1day).
prmax5days Precipitación mm MUNI Mensual Máxima precipitación mensual acumulada en 5 días (RX5day).

2.3 Datos: serie histórica observada

data

## # A tibble: 487,872 × 5
##   VARIABLE MUNICIPIO UNIDAD TIME    VALUE
##   <chr>    <chr>     <chr>  <chr>   <dbl>
## 1 pr       Adeje     mm     1990-01  0.18
## 2 pr       Adeje     mm     1990-02  0.01
## 3 pr       Adeje     mm     1990-03  2   
## 4 pr       Adeje     mm     1990-04  0.54
## 5 pr       Adeje     mm     1990-05  0.07
## # ℹ 487,867 more rows

Muestra de las primeras 20 filas del histórico observado por municipio, variable y mes:

VARIABLE MUNICIPIO UNIDAD TIME VALUE
pr Adeje mm 1990-01 0.18
pr Adeje mm 1990-02 0.01
pr Adeje mm 1990-03 2.00
pr Adeje mm 1990-04 0.54
pr Adeje mm 1990-05 0.07
pr Adeje mm 1990-06 0.02
pr Adeje mm 1990-07 0.00
pr Adeje mm 1990-08 0.00
pr Adeje mm 1990-09 0.35
pr Adeje mm 1990-10 0.35
pr Adeje mm 1990-11 2.49
pr Adeje mm 1990-12 2.46
pr Adeje mm 1991-01 0.00
pr Adeje mm 1991-02 1.19
pr Adeje mm 1991-03 0.63
pr Adeje mm 1991-04 0.08
pr Adeje mm 1991-05 0.00
pr Adeje mm 1991-06 0.00
pr Adeje mm 1991-07 0.00
pr Adeje mm 1991-08 0.00

2.4 Análisis de series temporales por variable

Para que una variable cumpla el criterio de rango temporal, el valor de P25 debe superar el umbral mínimo según la frecuencia: ≥ 10 para datos anuales (Y), ≥ 40 para trimestrales (Q) y ≥ 60 para mensuales (M). El percentil 25 (P25) es el tamaño de serie que supera el 75 % de los municipios: si P25 ≥ umbral, al menos el 75 % de los municipios cumple el rango temporal mínimo, que es el requisito de AEDV.

Por variable: nº de municipios, rango de fechas y percentiles del tamaño de serie temporal (periodos por municipio).

VARIABLE categoria freq_obs n_regiones date_start date_end P0 P25 P50 P75 P100
pr Precipitación M 88 1990-01 2022-12 396 396 396 396 396
prNa1 Precipitación M 88 1990-01 2022-12 396 396 396 396 396
prmax24 Precipitación M 88 1990-01 2022-12 396 396 396 396 396
prmax5days Precipitación M 88 1990-01 2022-12 396 396 396 396 396
tasmax Temperatura M 88 1990-01 2022-12 396 396 396 396 396
tasmaxNap90 Temperatura M 88 1990-01 2022-12 396 396 396 396 396
tasmaxhwdmax Temperatura M 88 1990-01 2022-12 396 396 396 396 396
tasmaxmax Temperatura M 88 1990-01 2022-12 396 396 396 396 396
tasmin Temperatura M 88 1990-01 2022-12 396 396 396 396 396
tasminNa20 Temperatura M 88 1990-01 2022-12 396 396 396 396 396
tasminNap90 Temperatura M 88 1990-01 2022-12 396 396 396 396 396
tasminNb0 Temperatura M 88 1990-01 2022-12 396 396 396 396 396
tasminmin Temperatura M 88 1990-01 2022-12 396 396 396 396 396
tmean Temperatura M 88 1990-01 2022-12 396 396 396 396 396

2.5 Municipios y número de observaciones

MUNICIPIO n_obs
Adeje 5544
Agaete 5544
Agulo 5544
Agüimes 5544
Alajeró 5544
Aldea de San Nicolás, La 5544
Antigua 5544
Arafo 5544
Arico 5544
Arona 5544
Arrecife 5544
Artenara 5544
Arucas 5544
Barlovento 5544
Betancuria 5544
Breña Alta 5544
Breña Baja 5544
Buenavista del Norte 5544
Candelaria 5544
Fasnia 5544
Firgas 5544
Frontera 5544
Fuencaliente de la Palma 5544
Garachico 5544
Garafía 5544
Granadilla de Abona 5544
Guancha, La 5544
Guía de Isora 5544
Gáldar 5544
Güímar 5544
Haría 5544
Hermigua 5544
Icod de los Vinos 5544
Ingenio 5544
Llanos de Aridane, Los 5544
Matanza de Acentejo, La 5544
Mogán 5544
Moya 5544
Oliva, La 5544
Orotava, La 5544
Palmas de Gran Canaria, Las 5544
Paso, El 5544
Pinar de El Hierro, El 5544
Puerto de la Cruz 5544
Puerto del Rosario 5544
Puntagorda 5544
Puntallana 5544
Pájara 5544
Realejos, Los 5544
Rosario, El 5544
San Andrés y Sauces 5544
San Bartolomé 5544
San Bartolomé de Tirajana 5544
San Cristóbal de La Laguna 5544
San Juan de la Rambla 5544
San Miguel de Abona 5544
San Sebastián de la Gomera 5544
Santa Brígida 5544
Santa Cruz de Tenerife 5544
Santa Cruz de la Palma 5544
Santa Lucía de Tirajana 5544
Santa María de Guía de Gran Canaria 5544
Santa Úrsula 5544
Santiago del Teide 5544
Sauzal, El 5544
Silos, Los 5544
Tacoronte 5544
Tanque, El 5544
Tazacorte 5544
Tegueste 5544
Teguise 5544
Tejeda 5544
Telde 5544
Teror 5544
Tijarafe 5544
Tinajo 5544
Tuineje 5544
Tías 5544
Valle Gran Rey 5544
Vallehermoso 5544
Valleseco 5544
Valsequillo de Gran Canaria 5544
Valverde 5544
Vega de San Mateo 5544
Victoria de Acentejo, La 5544
Vilaflor de Chasna 5544
Villa de Mazo 5544
Yaiza 5544

2.6 Validación de requisitos AEDV

Validación de requisitos AEDV — umbrales: > 80 municipios, último dato ≥ 2024, P25 ≥ 60 meses.

Variable Cobertura geográfica Datos actualizados (≥ 2024) Tamaño series (P25 ≥ umbral) CUMPLE LOS 3
pr [M] ✔ ✘ ✔ ✘
prNa1 [M] ✔ ✘ ✔ ✘
prmax24 [M] ✔ ✘ ✔ ✘
prmax5days [M] ✔ ✘ ✔ ✘
tasmax [M] ✔ ✘ ✔ ✘
tasmaxNap90 [M] ✔ ✘ ✔ ✘
tasmaxhwdmax [M] ✔ ✘ ✔ ✘
tasmaxmax [M] ✔ ✘ ✔ ✘
tasmin [M] ✔ ✘ ✔ ✘
tasminNa20 [M] ✔ ✘ ✔ ✘
tasminNap90 [M] ✔ ✘ ✔ ✘
tasminNb0 [M] ✔ ✘ ✔ ✘
tasminmin [M] ✔ ✘ ✔ ✘
tmean [M] ✔ ✘ ✔ ✘

De las 14 variables seleccionadas: 14 cumplen la cobertura geográfica (> 80 municipios), 14 el tamaño de serie temporal (P25 ≥ 60 meses) y 0 la actualización (último dato ≥ 2024).

Limitación de la fuente (importante para la conclusión): el producto observado en rejilla de AdapteCCa llega hasta 2022 (es una colección por versión —Escenarios-PNACC 2024—, no una serie que se actualice cada año). Por eso, con el umbral estricto anio_min = 2024 el criterio de “datos actualizados” no se cumple para ninguna variable; sin embargo, dado que la cobertura y la longitud temporal son excelentes (88 municipios, 396 meses por municipio, 1990–2022), podremos usar este dataset para el proyecto personal de AEDV.

2.7 Proyecciones (proyecciones_canarias.rds)

El segundo dataset, proyecciones_canarias.rds, es el complemento prospectivo del histórico: las mismas 14 variables, pero proyectadas al futuro con modelos CMIP6 regionalizados. Se diferencia del histórico en su estructura temporal:

  • No tiene serie anual ni fechas: son climatologías (un valor por mes), así que la dimensión temporal son los 12 meses, no años. Cada valor es la media climatológica de 30 años del horizonte correspondiente.
  • Añade tres dimensiones: escenario (4 trayectorias de emisión SSP: ssp126, ssp245, ssp370, ssp585), modelo (los 11 GCMs de CMIP6 individuales más ensemble, la media del conjunto) y horizonte (4 ventanas climáticas de 30 años: la base histórica de referencia y 3 horizontes futuros).
  • Columnas: municipio · variable · unidad · escenario · modelo · horizonte · mes · value.

Los horizontes corresponden a estos periodos de 30 años, según la definición de AdapteCCa / Escenarios-PNACC:

horizonte periodo (años) denominación
reference 1971-2000 base histórica
near_future 2011-2040 futuro cercano
medium_future 2041-2070 futuro medio
far_future 2071-2100 futuro lejano

La línea base de referencia del modelo es el periodo histórico 1971–2000 (código interno reference). Sí se incluye en este rds, junto a los 3 horizontes futuros, lo que permite calcular directamente las anomalías futuro − referencia. Al proceder del forzamiento histórico común de CMIP6, su valor es prácticamente idéntico en los 4 escenarios SSP (se repite en cada uno por simetría de la estructura).

Los escenarios son trayectorias SSP (Shared Socioeconomic Pathways) del IPCC-AR6: cada una combina un relato socioeconómico (SSP1–5) con un nivel de forzamiento radiativo en 2100 —el número del código, p. ej. 2.6 = 2,6 W/m²— que resume el volumen de emisiones de gases de efecto invernadero (GHG). Van de menos a más emisiones: ssp126 (bajas) → ssp245 (medias) → ssp370 (altas) → ssp585 (muy altas). A mayor escenario, mayor calentamiento proyectado. El detalle de cada uno está en la tabla de la sección Escenarios de emisión (GHG / SSP).

Por eso los criterios AEDV de series temporales y actualización no aplican igual (no es una serie observada): su papel es proyectar/comparar frente a la línea base histórica ya validada. A continuación, un resumen de su contenido:

Concepto Valor
Variables 14
Escenarios (SSP) ssp126, ssp245, ssp370, ssp585
Modelos (GCM + ensemble) 12
Horizontes (periodo) reference (1971-2000); near_future (2011-2040); medium_future (2041-2070); far_future (2071-2100)
Municipios 88
Meses 12
Filas totales 2.838.528

2.8 Escenarios de emisión (GHG / SSP)

Detalle de las 4 trayectorias SSP presentes en el dataset de proyecciones.

Qué significa la columna “Calentamiento 2100 (AR6)”. Es el aumento estimado de la temperatura media GLOBAL del planeta a finales de siglo (media del periodo 2081–2100) respecto al clima preindustrial (referencia 1850–1900), según el 6º Informe de Evaluación del IPCC (AR6, Grupo de Trabajo I, 2021). Es una cifra de referencia que sitúa la severidad de cada escenario; no es el calentamiento concreto de Canarias —ese se obtiene de los datos regionalizados de este mismo dataset y suele diferir del valor global.

Cómo se obtiene. El IPCC parte del conjunto de modelos climáticos globales CMIP6 y, combinándolos con el calentamiento ya observado, el paleoclima y el conocimiento de los procesos físicos, acota la dispersión de los modelos para dar, en cada escenario:

  • una mejor estimación (el valor central), y
  • un rango “muy probable” (entre paréntesis) que, en el lenguaje calibrado del IPCC, cubre del percentil 5 al 95 (≈ 90 % de probabilidad).

Así, ssp585 → ~4,4 °C (3,3–5,7) se lee: la mejor estimación es +4,4 °C y es muy probable que el calentamiento global en 2100 quede entre +3,3 y +5,7 °C.

Escenario SSP Relato Forzamiento 2100 Emisiones Calentamiento 2100 (AR6) Descripción
ssp126 SSP1-2.6 Sostenibilidad ~2,6 W/m² Bajas ~1,8 °C (1,3–2,4) CO₂ neto cero hacia ~2050. Compatible con limitar el calentamiento bien por debajo de 2 °C (Acuerdo de París).
ssp245 SSP2-4.5 Camino intermedio ~4,5 W/m² Medias ~2,7 °C (2,1–3,5) Emisiones intermedias; las políticas climáticas avanzan a ritmo moderado. Escenario ‘central’ de referencia.
ssp370 SSP3-7.0 Rivalidad regional ~7,0 W/m² Altas ~3,6 °C (2,8–4,6) Mundo fragmentado, poca cooperación climática; las emisiones de GHG casi se duplican hacia 2100.
ssp585 SSP5-8.5 Desarrollo por combustibles fósiles ~8,5 W/m² Muy altas ~4,4 °C (3,3–5,7) Crecimiento intensivo en combustibles fósiles. Límite superior plausible de emisiones.

2.9 Mapas coropléticos interactivos

Mapas interactivos (leaflet: zoom, hover con el valor y leyenda) a nivel de municipio, sin mapa base, con la geometría de mapSpain. Unen los datos por el nombre del municipio.

Tmáx media de julio observada por municipio (histórico):

Tmáx media de julio proyectada — SSP5-8.5, futuro lejano (2071–2100):

Proyecciones por modelo (dispersión inter-modelo): el mapa anterior usa el ensemble (la media de los 11 GCMs), pero el dataset guarda cada modelo por separado. Para el mismo caso (tasmax de julio, SSP5-8.5, futuro lejano), promediando a toda Canarias, el valor varía notablemente según el modelo; el ensemble (rojo) es la media del conjunto.

Series temporales por horizonte de cada modelo (tasmax, SSP5-8.5), promediadas a toda Canarias: cada línea gris es un GCM y la roja el ensemble.

3 Incorporación del dataset a la memoria

Al compilar este documento se ha generado el fichero CLIMA_CANARIAS_analisis.Rmd: es la sección Análisis del dataset de arriba, preparada para la sección Comprensión de los datos de la memoria, con los títulos al nivel de esa sección. Para incorporar el dataset a la memoria:

  1. Copia a la carpeta de la memoria estos ficheros de la carpeta CLIMA_CANARIAS: observaciones_canarias_1990_2022.rds, proyecciones_canarias.rds, CLIMA_CANARIAS_metadatos.xlsx y CLIMA_CANARIAS_analisis.Rmd.
  2. Comprueba que en la carpeta de la memoria está también utilidades.R (viene en la carpeta ProyectoPersonal, junto al modelo de memoria) y que la memoria lo carga en el chunk de librerías: source("utilidades.R").
  3. Pega este chunk en la sección Comprensión de los datos de la memoria, cambiando los nombres de las tablas por otros que describan el dataset:
```{r, results='asis', cache=FALSE}
clima <- aedv_incluir_dataset("CLIMA_CANARIAS_analisis.Rmd")
# este dataset tiene 2 tablas: aedv_incluir_dataset() las devuelve en una lista
clima_obs  <- clima$data  # observaciones mensuales por municipio, 1990-2022
clima_proy <- clima$proy  # proyecciones por escenario, modelo y horizonte
```

Al compilar la memoria, el análisis aparece en el lugar del chunk y los datos quedan en las tablas clima_obs y clima_proy (tibbles), con las que se sigue trabajando en el resto de la memoria. Este dataset tiene 2 tablas: aedv_incluir_dataset() las devuelve juntas en una lista, y las líneas que siguen a la llamada las separan, cada una con su nombre. Si incorporas varios datasets, pega un chunk por cada uno, con nombres de tabla distintos. En un dataset auxiliar, que no tiene que cumplir los requisitos de AEDV, aedv_incluir_dataset("CLIMA_CANARIAS_analisis.Rmd", validacion = FALSE) omite la validación.

El texto explicativo del dataset (qué mide, qué significa cada variable y cada una de sus opciones…) se escribe en la memoria, antes o después del chunk, no en CLIMA_CANARIAS_analisis.Rmd: ese fichero se sustituye cada vez que se vuelve a generar.