pág. 356
RECONFIGURACIÓN DEL RÉGIMEN
TÉRMICO Y ESTABILIDAD PLUVIOMÉTRICA
EN MANABÍ MEDIANTE ERA5-LAND Y
PROYECCIONES CLIMÁTICAS CMIP6
THERMAL REGIME RECONFIGURATION AND
PRECIPITATION STABILITY IN MANABÍ USING ERA5-LAND
AND CMIP6 CLIMATE PROJECTIONS
Jonny Fernando Rivadeneira Vera
Universidad Técnica Estatal de Quevedo, Ecuador
Yeriel Elizabeth Zambrano Mera
Pontificia Universidad Católica del Ecuador, Ecuador
pág. 357
DOI: https://doi.org/10.37811/cl_rcm.v10i4.24995
Reconfiguración del Régimen Térmico y Estabilidad Pluviométrica en
Manabí mediante ERA5-Land y Proyecciones Climáticas CMIP6
Jonny Fernando Rivadeneira Vera1
jrivadeneirav2@uteq.edu.ec
https://orcid.org/0000-0003-3309-2426
Universidad Técnica Estatal de Quevedo
Quevedo, Ecuador
Yeriel Elizabeth Zambrano Mera
yzambrano@pucesm.edu.ec
https://orcid.org/0000-0003-1574-0637
Pontificia Universidad Católica del Ecuador Sede
Manabí
Portoviejo, Ecuador
RESUMEN
La Demarcación Hidrográfica de Manabí (DHM), situada en la costa ecuatoriana del Pacífico tropical
oriental, es un área con una fuerte influencia océano-atmósfera y con baja densidad de estaciones
meteorológicas, lo que dificulta caracterizar de manera robusta su variabilidad climática. Esta
investigación, fusiona el reanálisis ERA5-Land (procesado mediante Google Earth Engine) con datos
de series históricas de diez modelos climáticos del Proyecto de Intercomparación de Modelos Acoplados
fase 6 (CMIP6), para evaluar las tendencias de temperatura media, máxima y mínima, la amplitud
térmica diaria (DTR), la precipitación y el balance hídrico superficial de la DHM entre 1964 y 2012,
además de evaluar la fidelidad de los modelos climáticos frente a las observaciones satelitales. Las
tendencias se identificaron mediante la prueba no paramétrica de Mann-Kendall y el estimador de
pendiente de Sen. Los resultados revelan que la temperatura media anual fue estable (pendiente de Sen
= +0,013 °C década⁻¹; p = 0,845), aunque la temperatura máxima disminuyó (−0151 °C década⁻¹; p =
0,063) y la mínima aumentó (+0,070 °C década⁻¹; p = 0,062), y se asociaron con la amplitud térmica
diaria que mostró una disminución significativa (−0,236 °C década⁻¹; p = 0,001). La precipitación anual
mostró una tendencia ligeramente positiva (+53,85 mm década⁻¹; τ = 0,115; p = 0,248). La evaluación
del conjunto CMIP6 mostró un sesgo cálido sistemático en la amplitud térmica (sesgo promedio = +3,30
°C) y un sesgo seco en la precipitación (PBIAS promedio = −5,3%), siendo los modelos con el mejor
rendimiento relativo GFDL-ESM4, EC-Earth3 y ACCESS-ESM1-5. Demostrando que, el cambio
climático en la DHM no se refleja en un calentamiento uniforme, sino que es una reestructuración del
régimen térmico diario modulado por la dinámica del Pacífico oriental, la Oscilación del Sur de El Niño
y el balance energético superficial, situación que los modelos CMIP6 reproducen parcialmente.
Palabras clave: demarcación Hidrográfica de Manabí, variabilidad climática, ERA5-Land, modelos
CMIP6, amplitud térmica diaria
1
Autor principal
Correspondencia: jrivadeneirav2@uteq.edu.ec
pág. 358
Thermal Regime Reconfiguration and Precipitation Stability in Manabí
Using ERA5-Land and CMIP6 Climate Projections
ABSTRACT
The Manabí Hydrographic District (MHD), located on the Ecuadorian coast of the eastern tropical
Pacific, is an area strongly influenced by ocean–atmosphere interactions and characterized by a low
density of meteorological stations, which makes it difficult to robustly characterize its climate
variability. This study integrates the ERA5-Land reanalysis, processed using Google Earth Engine, with
historical time-series data from ten climate models participating in Phase 6 of the Coupled Model
Intercomparison Project (CMIP6) to assess trends in mean, maximum, and minimum temperature, daily
temperature range (DTR), precipitation, and the surface water balance of the MHD between 1964 and
2012, as well as to evaluate the fidelity of the climate models against satellite observations. Trends were
identified using the nonparametric Mann–Kendall test and Sen’s slope estimator. The results indicate
that the annual mean temperature remained stable (Sen’s slope = +0,013 °C decade⁻¹; p = 0,845),
although the maximum temperature decreased (−0,151 °C decade⁻¹; p = 0,063) and the minimum
temperature increased (+0,070 °C decade⁻¹; p = 0,062). These changes were associated with the daily
temperature range, which showed a significant decrease (−0,236 °C decade⁻¹; p = 0,001). Annual
precipitation showed a slightly positive trend (+53,85 mm decade⁻¹; τ = 0,115; p = 0,248). The
evaluation of the CMIP6 ensemble showed a systematic warm bias in the temperature range (mean bias
= +3,30 °C) and a dry bias in precipitation (mean PBIAS = −5,3%), with GFDL-ESM4, EC-Earth3, and
ACCESS-ESM1-5 exhibiting the best relative performance. This demonstrates that climate change in
the MHD is not reflected in uniform warming but rather in a restructuring of the daily thermal regime
modulated by eastern Pacific dynamics, the El Niño–Southern Oscillation, and the surface energy
balance, a situation that the CMIP6 models reproduce only partially.
Keywords: Manabí Hydrographic District, climate variability, ERA5-Land, CMIP6 models, daily
temperature range
Artículo recibido 15 mayo 2026
Aceptado para publicación: 21 junio 2026
pág. 359
INTRODUCCIÓN
El monitoreo constante de la variabilidad climática regional depende cada vez más del uso de múltiples
fuentes de observación. Las estaciones meteorológicas proporcionan información precisa en puntos
específicos y continuidad temporal, pero su alcance espacial no puede capturar completamente regiones
con topografía complicada o baja densidad instrumental. Los sensores remotos y los productos de
reanálisis climático, en cambio, proporcionan cobertura casi global y alta resolución temporal,
permitiendo monitorear zonas de difícil acceso. La combinación de ambas fuentes reduce las
incertidumbres inherentes a cada sistema de medición y fortalece los procesos de calibración, validación
y asimilación de datos en modelos numéricos del sistema terrestre (Balsamo et al., 2018; Gorelick et al.,
2017; Reichle et al., 2019; Organización Meteorológica Mundial [OMM], 2022). En esta línea, el
Informe de Síntesis del Sexto Informe de Evaluación del IPCC (2023) señala que la integración de
observaciones satelitales y terrestres, junto con modelos climáticos de mayor resolución, ha
incrementado sustancialmente la confianza en la detección y atribución de los cambios climáticos
observados a escala global y regional.
El Copernicus Climate Change Service (2024) considera que la combinación de observaciones
satelitales, estaciones meteorológicas y productos de reanálisis constituye actualmente el estándar
internacional para el monitoreo operativo del clima, al proporcionar series temporales consistentes y
espacialmente continuas. Diversos trabajos apoyan esta visión, Balsamo et al. (2018) indican que, en
general, la asimilación de datos ayuda a mejorar las previsiones meteorológicas y reduce los errores en
la representación de los procesos atmosféricos e hidrológicos; Yang et al. (2013) destacan que las
mediciones satelitales son clave para el seguimiento de variables climáticas esenciales; mientras que el
IPCC (2021) reconoce que la fusión de observaciones terrestres, observaciones satelitales y modelos ha
aumentado la fiabilidad de la evaluación del sistema climático.
En este ecosistema de observación, Google Earth Engine (GEE) se ha establecido como una de las
plataformas más relevantes para procesar grandes volúmenes de información geoespacial. Su
arquitectura de computación en la nube permite la integración de datos de múltiples sensores satelitales,
modelos climáticos y registros históricos en un entorno reproducible y escalable (Gorelick et al., 2017;
Tamiminia et al., 2020; Amani et al., 2020).La creciente disponibilidad de productos climáticos del
pág. 360
Centro Europeo de Previsiones Meteorológicas a Medio Plazo (ECMWF, por sus siglas en inglés), el
Servicio Climático de Corpénico (C3S, por sus siglas en inglés) y la Administración Nacional de
Aeronáutica y el Espacio (NASA, por sus siglas en inglés) ha ampliado considerablemente el potencial
analítico de GEE, permitiendo evaluar tendencias climáticas y variabilidad hidrológica a escalas
espaciales y temporales antes inalcanzables. Estudios de validación recientes han confirmado que,
cuando están debidamente calibrados, los productos obtenidos de sensores remotos como ERA5 y
ERA5-Land poseen una alta concordancia con los registros de estaciones meteorológicas, incluyendo
temperatura y precipitación (Sun et al., 2019; Hersbach et al., 2020; Muñoz-Sabater et al., 2021). En
este contexto, estos productos son una alternativa confiable para complementar redes meteorológicas de
baja densidad, como es el caso en gran parte del territorio ecuatoriano.
De este modo, la Demarcación Hidrográfica de Manabí (DHM), situada en la costa del Pacífico oriental
tropical del Ecuador, representa un caso de particular interés científico. Su posición geográfica la expone
directamente a la interacción océano–atmósfera del Pacífico ecuatorial, a la influencia de la corriente de
Humboldt y a la variabilidad interanual asociada a El Niño-Oscilación del Sur, factores que modulan de
forma no lineal el comportamiento térmico y pluviométrico regional (McPhaden et al., 2020;
Timmermann et al., 2018). A esto se suma una limitada densidad de estaciones meteorológicas terrestres,
lo que restringe la capacidad de detectar tendencias climáticas robustas a partir de observaciones
convencionales únicamente. La disponibilidad de reanálisis de alta resolución como ERA5-Land, junto
con el acceso abierto a los modelos climáticos globales del proyecto CMIP6 base física del Sexto
Informe de Evaluación del IPCC (AR6), ofrece la oportunidad de superar estas limitaciones y de
contrastar simultáneamente las observaciones satelitales con la simulación climática de última
generación.
Esta investigación articula tres líneas de analisis: (i) caracterizar las tendencias de temperatura media,
máxima y mínima, así como la amplitud térmica diaria y la precipitación en la Demarcación
Hidrográfica de Manabí a lo largo del período 1964–2012, para lo cual empleamos datos de ERA5-Land
procesados en Google Earth Engine (GEE); (ii) realizar el balance hídrico superficial mensual y
estacional de la región; y (iii) evaluar cuantitativamente el desempeño de diez modelos históricos del
ensamble CMIP6 contrastandolo con las observaciones de ERA5-Land, identificando los modelos con
pág. 361
mejor fidelidad regional. Esta integración de observación satelital, análisis de datos y modelos
climáticos globales responde a las tendencias metodológicas internacionales orientadas a fortalecer los
sistemas de vigilancia climática en regiones con cobertura instrumental limitada (IPCC, 2021; IPCC,
2023; OMM, 2022), y aporta evidencia empírica sobre la capacidad de los modelos climáticos del
CMIP6 para representar la variabilidad climática de la costa tropical de ecuador influenciada por
procesos oceánicos regionales.
MATERIALES Y MÉTODOS
Área de estudio
La Demarcación Hidrográfica de Manabí (DHM) se ubica en la región costera central del Ecuador, sobre
el litoral del Pacífico oriental tropical. Su posición geográfica la expone de manera directa a la
interacción océano–atmósfera del Pacífico ecuatorial, a la influencia de la corriente fría de Humboldt y
a la variabilidad climática asociada a El Niño-Oscilación del Sur (ENSO, por sus siglas en inglés), la
Oscilación Decadal del Pacífico (PDO, por sus siglas en inglés) y la Oscilación Interdecadal del Pacífico
(IPO, por sus siglas en inglés). La región se caracteriza por la falta de estaciones meteorológicas
terrestres con continuidad temporal heterogénea, lo cual es típico de gran parte de la costa ecuatoriana,
y por ello se han elegido productos de reanálisis de alta resolución como fuentes primarias de
información climática.
pág. 362
Figura 1. Ubicación de la Demarcación Hidrográfica de Manabí (DHM) en la costa del Pacífico oriental
tropical del Ecuador. El recuadro superior izquierdo sitúa el área de estudio en el contexto sudamericano.
La DHM cubre una extensión de 11.483,68 km², delimitada por la divisoria de aguas de las cuencas
hidrográficas que drenan hacia el Pacífico en la provincia de Manabí, motivo por el cual su contorno no
coincide exactamente con el límite político-administrativo provincial (Figura 1). Los principales núcleos
urbanos de la demarcación Portoviejo, Manta, Chone, Jipijapa y Montecristi se ubican en el sector
centro-sur de la DHM, mientras que el extremo norte, hacia Pedernales y Bahía de Caráquez,
corresponde a la franja de transición climática hacia la región más húmeda del noroccidente ecuatoriano.
Fuentes de datos
Se emplearon dos grandes familias de productos climáticos:
a) Reanálisis ERA5-Land. Producto de reanálisis climático desarrollado por el Centro Europeo de
Previsiones Meteorológicas a Medio Plazo (ECMWF) dentro del programa Copernicus Climate Change
Service (C3S), con resolución espacial aproximada de 9 km y cobertura temporal continua desde 1950
hasta la actualidad (Muñoz-Sabater et al., 2021). Se extrajeron las variables de temperatura del aire a 2
m (media, máxima y mínima diaria), precipitación total y evapotranspiración real, agregadas a escala
pág. 363
mensual y anual para el período hidrológico octubre 1964 - septiembre 2012 (48 años hidrológicos,
definidos de octubre a septiembre para ajustarse al ciclo lluvioso-seco de la costa ecuatoriana).
b) Ensamble histórico CMIP6. Simulaciones históricas del Proyecto de Intercomparación de Modelos
Acoplados fase 6 (CMIP6), base física del Sexto Informe de Evaluación del IPCC (AR6),
correspondientes a diez modelos climáticos globales: ACCESS-CM2, ACCESS-ESM1-5, CanESM5,
CNRM-CM6-1, EC-Earth3, GFDL-ESM4, IPSL-CM6A-LR, MIROC6, MPI-ESM1-2-HR y MRI-
ESM2-0. Para cada modelo se extrajeron las mismas variables anuales (temperatura media, máxima,
mínima, amplitud térmica y precipitación) correspondientes al mismo tiempo y espacio que ERA5-Land
(1965-2012), lo que permitió una comparación directa serie a serie.
Procesamiento geoespacial en Google Earth Engine
Todo el procesamiento de las colecciones ráster recorte al dominio de la DHM, agregación temporal
(diaria a mensual y anual), cálculo de estadísticos zonales y extracción de series de tiempo se realizó en
la plataforma de computación en la nube Google Earth Engine (GEE), siguiendo el flujo de trabajo
estándar para análisis climático reproducible descrito por Gorelick et al. (2017) y Tamiminia et al.
(2020). El uso de GEE permitió procesar de manera eficiente las series temporales de larga duración de
ERA5-Land y de los diez modelos CMIP6 sin necesidad de descargar los datos ráster completos,
generando directamente las series tabulares (formato CSV) utilizadas en los análisis estadísticos
posteriores. El año hidrológico se definió del 1 de octubre al 30 de septiembre, criterio que refleja mejor
el ciclo estacional lluvioso (aproximadamente diciembre-mayo) y seco (junio-noviembre) de la costa
ecuatoriana que el año calendario.
Análisis de tendencias: Mann–Kendall y pendiente de Sen
La significancia y magnitud de las tendencias temporales de temperatura media, máxima (Tmáx),
mínima (Tmín), amplitud térmica diaria (DTR, por sus siglas en inglés, calculada como Tmáx – Tmín)
y precipitación anual se evaluaron mediante la prueba no paramétrica de Mann–Kendall (Mann, 1945;
Kendall, 1975), ampliamente utilizada en climatología e hidrología por su robustez frente a la no
normalidad y a la presencia de valores atípicos en series hidroclimáticas. El estadístico S se calculó
como la suma de los signos de todas las diferencias entre pares de observaciones posteriores y anteriores
en la serie; a partir de su varianza se derivó el estadístico normalizado Z y el valor p bilateral asociado,
pág. 364
además del coeficiente de correlación de rangos τ de Kendall como medida de la fuerza de la asociación
monotónica. La magnitud de la tendencia se estimó de forma no paramétrica mediante el estimador de
pendiente de Sen (Sen, 1968), calculado como la mediana de las pendientes de todas las combinaciones
posibles de pares de puntos de la serie, un estimador robusto frente a valores extremos y preferible a la
regresión lineal ordinaria en series climáticas con alta variabilidad interanual (Yue & Wang, 2004;
Hamed & Rao, 1998). Se consideraron significativas las tendencias con p < 0,10, siguiendo la práctica
habitual en estudios de tendencias climáticas en regiones con series relativamente cortas y alta
variabilidad natural asociada a ENSO (Collaud Coen et al., 2020).
Balance hídrico superficial
El balance hídrico mensual se estimó como la diferencia entre la precipitación total y la
evapotranspiración real (ambas obtenidas de ERA5-Land) para cada mes del período 1964-2012,
clasificando cada registro en condición de superávit o déficit hídrico. A partir de la serie mensual se
construyó la climatología mensual (promedio, máximo, mínimo y desviación del balance para cada uno
de los doce meses del año) y se agregó el balance a escala estacional, diferenciando la temporada lluviosa
(diciembre-mayo) de la temporada seca (junio-noviembre), sobre las cuales se aplicaron igualmente las
pruebas de Mann–Kendall y Sen para evaluar tendencias estacionales.
Evaluación del desempeño de los modelos CMIP6 frente a ERA5-Land
Para cada una de las cinco variables analizadas (temperatura media, máxima, mínima, amplitud térmica
y precipitación) se evaluó el desempeño de los diez modelos CMIP6 respecto a ERA5-Land utilizado
como referencia observacional mediante un conjunto estandarizado de métricas de error y asociación:
sesgo medio (bias) y sesgo porcentual (PBIAS), error absoluto medio (MAE), raíz del error cuadrático
medio (RMSE), coeficientes de correlación de Pearson y de Spearman, y coeficiente de determinación
(R²).
El signo y la magnitud de las tendencias de Sen obtenidas de forma independiente para cada modelo y
para ERA5-Land también se compararon, observando la coincidencia de signos como criterio de
fidelidad direccional. Con las métricas normalizadas (RMSE, sesgo y correlación normalizadas dentro
del rango 0-1, y penalización por discrepancia de signo en la tendencia), se calculó una puntuación
compuesta por variable y una puntuación global por modelo (promedio de las puntuaciones de las cinco
pág. 365
variables), lo que permitió establecer el ranking de rendimiento relativo de los diez modelos para el
DHM. Usando este ranking, también creamos un conjunto reducido en el que los cinco modelos de
mejor rendimiento (EC-Earth3, ACCESS-CM2, CanESM5, ACCESS-ESM1-5 e IPSL-CM6A-LR para
la precipitación, con combinaciones equivalentes para las variables térmicas) servirían como un punto
de comparación adicional en comparación con el conjunto completo de diez modelos.
El manejo de datos tabulares, el cálculo de estadísticos descriptivos y la elaboración de las figuras se
realizaron con las bibliotecas científicas de Python (pandas, NumPy, SciPy y Matplotlib). Todas las
series se depuraron previamente verificando la totalidad del registro mensual y anual; ningún año
hidrológico del período 1964-2012 presentó datos faltantes en ERA5-Land.
RESULTADOS
Régimen térmico
El análisis compuesto de la temperatura media, máxima y mínima anual, reveló que la señal climática
principal de la DHM entre 1964 y 2012 no resulta en un aumento constante de la temperatura, sino más
bien en una reconfiguración del régimen térmico regional (Tabla 1, Figura 2). Se encontró que la
temperatura media anual se mantuvo casi constante (pendiente de Sen = +0,013 °C década⁻¹; Z = 0,187;
p = 0,845; τ = 0,020) sin evidencia estadística de una tendencia monótona. Por otro lado, la temperatura
máxima media anual mostró una reducción de bajo nivel de −0,151 °C década⁻¹ (p = 0,063), mientras
que la temperatura mínima anual presentó un aumento de magnitud comparable (+0,070 °C década⁻¹)
(p = 0,062). Ambas tendencias son de significancia estadística moderada (90%) cuando se consideran
individualmente, pero son opuestas en signo y de magnitud similar, produciendo un patrón de
calentamiento asimétrico consistente con el observado en la literatura climática internacional (Sun et al.,
2019; IPCC, 2021).
pág. 366
Figura 2. Series anuales de temperatura media, máxima y mínima en la DHM (1965–2012), con las
respectivas líneas de tendencia de Sen para Tmáx y Tmín. Fuente: ERA5-Land, procesado en Google
Earth Engine.
La combinación de una temperatura máxima en descenso y una temperatura mínima en ascenso se
traduce en una reducción estadísticamente robusta de la amplitud térmica diaria (DTR = Tmáx − Tmín),
con una pendiente de Sen de −0,236 °C década⁻¹ (Z = −3,289; p = 0,001; τ = −0,328), la tendencia más
significativa de todo el análisis (Tabla 1, Figura 3). En términos absolutos, la DTR promedio de la DHM
para el período fue de 6,15 °C, oscilando entre un mínimo anual de 4,78 °C y un máximo de 7,32 °C,
con un cambio total acumulado de −1,11 °C a lo largo de las cinco décadas analizadas.
Figura 3. Evolución de la amplitud térmica diaria (DTR) en la DHM (1965–2012) y tendencia de Sen
ajustada. La reducción de la DTR constituye la señal climática más robusta identificada en el período
de estudio.
pág. 367
Tabla 1. Valores Estadísticos de tendencia (Mann–Kendall y pendiente de Sen) para las variables
térmicas y pluviométricas de la DHM, 1965–2012.
Variable
Pendiente de
Sen
(unidad/año)
Pendiente de
Sen
(unidad/década)
p
(bilateral)
τ de
Kendall
Significancia
Temperatura
media anual
(°C)
+0,0013
+0,013
0,845
0,020
No
significativa
Temperatura
máxima
anual (°C)
−0,0151
−0,151
0,063
−0,186
Significativa
(90 %)
Temperatura
mínima
anual (°C)
+0,0070
+0,070
0,062
0,186
Significativa
(90 %)
Amplitud
térmica
diaria, DTR
(°C)
−0,0236
−0,236
0,001
−0,328
Significativa
(99 %)
Precipitación
anual (mm)
+5,385
+53,85
0,248
0,115
No
significativa
Precipitación: variabilidad interanual
La precipitación anual de la DHM mostró una tendencia monotónica positiva de baja magnitud (τ =
0,115), con un incremento estimado mediante la pendiente de Sen de 5,385 mm año⁻¹ (53,85 mm por
década). Sin embargo, dicha tendencia no alcanzó significancia estadística (Z = 1,155; p = 0,248), lo
que indica que el incremento observado no constituye evidencia suficiente de un cambio sistemático del
régimen pluviométrico durante el período analizado (Tabla 1, Figura 4). Las anomalías anuales de
precipitación evidencian, en cambio, una elevada variabilidad interanual: años clasificados como “muy
húmedos” coincidentes con los eventos El Niño extraordinarios de 1982-1983 y 1997-1998 alternan con
años “muy secos”, con anomalías que superan ±100 % respecto al promedio del período. Esta alta
dispersión, característica de los regímenes de precipitación tropicales dominados por ENSO, reduce
sustancialmente la potencia estadística de la prueba de Mann–Kendall para detectar tendencias de
magnitud pequeña frente a la variabilidad natural de la serie (Yue & Wang, 2004; Collaud Coen et al.,
2020).
pág. 368
Figura 4. Precipitación anual de la DHM (1965–2012) con tendencia de Sen ajustada (panel superior)
y anomalías anuales respecto a la media del período (panel inferior). Los valores positivos extremos
coinciden con los eventos El Niño de 1982–1983 y 1997–1998.
Balance hídrico superficial
La climatología mensual del balance hídrico (precipitación menos evapotranspiración real) confirma la
marcada estacionalidad de la DHM, con un período lluvioso (diciembre-mayo) caracterizado por
superávit hídrico sostenido y un período seco (junio-noviembre) con condiciones de déficit recurrente
(Figura 5).
Sin embargo, a escala estacional, la tendencia del balance hídrico para la temporada de lluvias no fue
estadísticamente significativa (p = 0,227) ni tampoco lo fue la temporada seca (p = 0,278), pero con una
ligera tendencia negativa (pendiente de Sen ≈ −17.6 mm década⁻¹), lo cual es consistente con la
intensificación del calor sensible inferido por la disminución de Tmax durante los meses secos. En 43
de los 48 años hidrológicos analizados, la temporada seca mostró déficit hídrico en comparación con
pág. 369
ningún año con un déficit generalizado en la temporada de lluvias, demostrando que una de las partes
más dependientes del balance hídrico regional es estacional en lugar de una tendencia a largo plazo.
Figura 5. Climatología mensual del balance hídrico superficial en la DHM (1964–2012): precipitación
media, evapotranspiración real media y balance hídrico medio (P − ET) por mes.
Evaluación del desempeño de los modelos CMIP6 frente a ERA5-Land
La comparación sistemática entre el ensamble histórico CMIP6 (diez modelos) y las observaciones de
ERA5-Land reveló sesgos consistentes y variables entre productos climáticos (Tabla 2, Figuras 6 y 7).
Para la temperatura media anual, los modelos CMIP6 presentan un sesgo cálido moderado y sistemático
respecto a ERA5-Land (bias promedio = +1,45 °C; PBIAS ≈ +6,1 %), patrón que se repite con mayor
magnitud en la temperatura máxima (bias promedio = +2,28 °C) y se invierte, aunque de menor
magnitud, en la temperatura mínima (bias promedio = −1,03 °C). El sesgo más pronunciado se observa
en la amplitud térmica diaria, donde los modelos CMIP6 sobreestiman sistemáticamente la DTR
observada por ERA5-Land en un promedio de +3,30 °C (PBIAS ≈ +54 %), reflejando que, si bien los
modelos reproducen razonablemente los valores medios de Tmáx y Tmín por separado, no logran
capturar la magnitud del acoplamiento fino entre ambas variables que determina la amplitud térmica
diaria real de una costa tropical dominada por procesos oceánicos locales (Figura 6). Para la
precipitación, el ensamble CMIP6 muestra un sesgo seco moderado (bias promedio = −64,1 mm año⁻¹;
pág. 370
PBIAS ≈ −5,3 %) y una dispersión entre modelos considerablemente mayor que en las variables térmicas
(RMSE promedio = 671 mm), consistente con la conocida dificultad de los modelos climáticos globales
para representar procesos convectivos de escala fina en regiones tropicales costeras (Figura 7).
Figura 6. Comparación entre las observaciones de ERA5-Land y el rango (envolvente mín.–máx.) y
promedio del ensamble histórico de diez modelos CMIP6 para la temperatura media anual en la DHM
(1965–2012).
Figura 7. Comparación entre las observaciones de ERA5-Land y el rango (envolvente mín.–máx.) y
promedio del ensamble histórico de diez modelos CMIP6 para la precipitación anual en la DHM (1965–
2012).
Las correlaciones interanuales entre ERA5-Land y los modelos CMIP6 fueron, en general, bajas a
moderadas (r de Pearson entre −0,28 y 0,50 según variable y modelo), lo cual es esperable considerando
pág. 371
que los modelos históricos de CMIP6 no están inicializados para reproducir la fase específica de la
variabilidad interanual observada (en particular la ocurrencia exacta de eventos ENSO), sino únicamente
su distribución estadística de largo plazo bajo el forzamiento radiativo histórico. La coincidencia de
signo entre las tendencias de Sen de ERA5-Land y de cada modelo CMIP6 criterio más relevante para
el objetivo de este estudio que la correlación interanual exacta fue más alta para la amplitud térmica y
la temperatura máxima (siete y seis de diez modelos, respectivamente, coinciden en el signo de la
tendencia observada) y más baja para la precipitación, donde la elevada variabilidad interanual dificulta
la comparación de tendencias de baja magnitud entre productos.
Tabla 2. Métricas de evaluación del ensamble histórico CMIP6 (diez modelos) frente a ERA5-Land,
promediadas por variable, DHM 1965–2012.
Variable
Bias medio
(10 modelos)
PBIAS
medio (%)
RMSE
medio
r de Pearson
medio
r máximo
(mejor modelo)
Temperatura media
(°C)
+1,45
+6,1 %
1,64
−0,015
0,085 (EC-
Earth3)
Temperatura máxima
(°C)
+2,28
+8,2 %
2,47
−0,145
−0,068
(ACCESS-
CM2)
Temperatura mínima
(°C)
−1,03
−4,8 %
1,27
0,090
0,273
(ACCESS-
ESM1-5)
Amplitud térmica,
DTR (°C)
+3,30
+53,7 %
3,37
0,092
0,496 (EC-
Earth3)
Precipitación (mm)
−64,1
−5,3 %
671,0
0,023
0,132 (IPSL-
CM6A-LR)
Basado en la clasificación de rendimiento general, integrando sesgo, error cuadrático medio
normalizado, correlación y la coincidencia de tendencia direccional de las cinco variables (Tabla 3,
Figura 8), GFDL-ESM4, EC-Earth3 y ACCESS-ESM1-5 fueron asignados en clasificaciones de
rendimiento más satisfactorios para representar el clima observado en la DHM. Estos tres modelos se
utilizaron, junto con CanESM5 e IPSL-CM6A-LR, para formar un ensamble reducido de cinco modelos
que redujeron la dispersión del rango multimodelo, mostrando poco cambio en el sesgo promedio con
respecto al conjunto completo de diez modelos. Por el contrario, ACCESS-CM2 y MRI-ESM2-0 tienen
el rendimiento mas bajo con esta configuración.
pág. 372
Tabla 3. Ranking global de desempeño de los diez modelos CMIP6 evaluados frente a ERA5-Land para
la DHM. *Puntaje compuesto normalizado (0–1); menor valor indica mejor desempeño relativo.
Ranking
Modelo
Puntaje
global*
Ranking medio
por variable
Variables con signo de
tendencia coincidente (de
5)
1
GFDL-ESM4
0,408
4,2
4
2
EC-Earth3
0,412
5,2
4
3
ACCESS-ESM1-5
0,421
4,6
4
4
CNRM-CM6-1
0,443
4,0
3
5
MPI-ESM1-2-HR
0,473
5,8
3
6
CanESM5
0,491
5,0
3
7
MIROC6
0,509
5,6
3
8
IPSL-CM6A-LR
0,534
6,0
2
9
MRI-ESM2-0
0,620
7,0
4
10
ACCESS-CM2
0,656
7,6
4
Figura 8. Ranking global de desempeño de los diez modelos CMIP6 evaluados frente a ERA5-Land
para la DHM. El puntaje integra sesgo, RMSE normalizado, correlación y coincidencia de signo de
tendencia en las cinco variables climáticas analizadas (menor puntaje = mejor desempeño relativo).
DISCUSIÓN
La localización de la DHM en la costa del Pacífico oriental tropical constituye un factor determinante
para interpretar el comportamiento térmico observado. A diferencia de regiones continentales interiores,
donde las tendencias térmicas responden principalmente al forzamiento radiativo asociado al incremento
de gases de efecto invernadero, la costa ecuatoriana está fuertemente influenciada por la interacción
océano-atmósfera, en la cual la elevada capacidad calorífica del océano amortigua las variaciones
extremas de temperatura del aire, mientras que las anomalías de la temperatura superficial del mar
pág. 373
(SST), la nubosidad y los flujos turbulentos de calor modifican de forma diferencial Tmáx y Tmín
(Hersbach et al., 2020; Muñoz-Sabater et al., 2021; IPCC, 2021; Balsamo et al., 2018). El principal
mecanismo de esta modulación es El Niño Oscilación del Sur: durante los eventos El Niño, el
calentamiento anómalo de la SST en el Pacífico ecuatorial oriental debilita los alisios y desplaza la
convección hacia la costa occidental de Sudamérica, incrementando simultáneamente temperatura y
precipitación; durante La Niña predominan condiciones opuestas, más frías y secas (Timmermann et al.,
2018; Cai et al., 2020; McPhaden et al., 2020).
El período analizado (1964-2012) incluye algunos de los eventos ENSO más intensos registrados
instrumentalmente 1982-1983 y 1997-1998, claramente visibles como las anomalías positivas extremas
de precipitación en la Figura 4. La alternancia entre fases cálidas y frías incrementa la variabilidad
interanual y reduce la potencia estadística de las pruebas de tendencia, especialmente en series de
aproximadamente cinco décadas (Collaud Coen et al., 2020; Yue & Wang, 2023), lo que ayuda a
explicar por qué la temperatura media anual y la precipitación anual no alcanzaron significancia
estadística pese a mostrar tendencias de signo consistente con el calentamiento global. Investigaciones
desarrolladas en Ecuador refuerzan esta interpretación: Campozano et al. (2020) muestran que la
relación entre ENSO y la precipitación depende del estado de la Oscilación Decadal del Pacífico (PDO),
de manera que una misma intensidad de El Niño puede producir respuestas hidrológicas distintas según
la fase decadal; así mismo Zambrano Mera et al. (2018), indican que la DHM está directamente
influenciada por los eventos ENSO en su fase cálida y fría.
El hallazgo central de este estudio radica en la estabilidad de la temperatura media, disminución de la
máxima, incremento de la mínima y reducción significativa de la DTR lo cual es consistente con la
evidencia global de que el calentamiento reciente no es homogéneo entre variables térmicas, sino que
se manifiesta principalmente mediante cambios diferenciales entre Tmáx y Tmín (Sun et al., 2019;
IPCC, 2021). Este analisis, concuerda con Sun et al., 2019, quien indica que, a escala global, el aumento
de temperatura ha estado acompañado por un incremento más rápido de la temperatura mínima que de
la máxima, lo que conduce a una reducción sistemática de la DTR en gran parte de las regiones
continentales, lo cual tambien ha sido corroborado por análisis recientes que atribuyen esta reducción al
incremento de humedad atmosférica, a cambios en la cobertura vegetal y a una mayor retroalimentación
pág. 374
radiativa nocturna (Wang et al., 2023; Zhang et al., 2023). Las proyecciones basadas en CMIP6
respaldan además la persistencia de este comportamiento durante el siglo XXI, con tasas de reducción
de la DTR de entre −0,007 y −0,013 °C año⁻¹ según el escenario de emisiones (Lima et al., 2026; IPCC,
2021), del mismo orden de magnitud que la tendencia observada en la DHM.
A escala global, las tendencias de temperatura media superficial muestran incrementos del orden de
0,15-0,20 °C por década desde mediados del siglo XX, con una señal más intensa en las temperaturas
mínimas que en las máximas (Seneviratne et al., 2021; Forster et al., 2020). En Sudamérica, estudios
basados en reanálisis y observaciones reportan tendencias positivas consistentes tanto en Tmáx como
en Tmín, con incrementos típicos de +0,20 a +0,40 °C por década, generalmente más intensos en la
temperatura mínima (Vuille et al., 2018; Quesada et al., 2012). Los resultados de la DHM contrastan
con este patrón continental: mientras la temperatura mínima presenta un incremento de +0,070 °C por
década de magnitud considerablemente menor al promedio sudamericano, la temperatura máxima
muestra una disminución de −0,151 °C por década, un comportamiento poco común a escala global,
pero documentado en otras regiones costeras del Pacífico oriental bajo fuerte influencia de afloramiento
y nubosidad persistente, como sectores de la costa de Perú (Garreaud et al., 2020). Análisis regionales
utilizando ERA5, indican que las partes costeras del Pacífico sur demuestran una tasa de calentamiento
mucho más baja que el interior continental, con diferencias que pueden superar los 0,10-0,20 °C por
década entre regiones adyacentes (Barkhordarian et al., 2022). Esto refuerza nuestra visión de que la
señal térmica de la DHM está altamente modulada por procesos oceánico-atmosféricos locales, que por
el forzamiento radiativo global.
La disminución de la DTR observada en la DHM (−0,0236 °C año⁻¹) podría resultar de cambios en el
en el balance energético superficial, el mismo que controla la distribución de la energía disponible entre
el flujo de calor sensible, el calor latente y el almacenamiento en el suelo (Chen et al., 2022; Doan et al.,
2022). En áreas costeras húmedas tropicales como la DHM, un aumento en la humedad atmosférica
favorece un mayor flujo de calor latente a expensas del calor sensible, lo que reduce las temperaturas
máximas diurnas (Panwar & Kleidon, 2022). Además, un alto contenido de vapor de agua atmosférico
potencia el efecto invernadero de onda larga en la superficie al reducir el enfriamiento radiativo nocturno
y elevar las temperaturas mínimas. Este doble mecanismo atenuación diurna por evaporación e
pág. 375
inhibición del enfriamiento nocturno por humedad es plenamente consistente con el patrón cuantitativo
observado en la DHM y ha sido documentado en estudios basados en observaciones de FLUXNET y en
los propios reanálisis ERA5/ERA5-Land (Hersbach et al., 2020; Muñoz-Sabater et al., 2021).
La interpretación de los cambios detectados en la DHM se sustenta en la creciente evidencia de que
ERA5 y ERA5-Land constituyen herramientas robustas para el análisis de tendencias climáticas en
regiones con limitada densidad de estaciones. Varios estudios han observado correlaciones entre 0,85–
0,95 para ERA5-Land y observaciones de temperatura en zonas tropicales y montañosas (Albergel et
al., 2020; Tarek et al., 2021), y las comparaciones entre Europa y África identifican diferencias inferiores
a 0,05 °C por década entre las tendencias de ERA5 y estaciones meteorológicas (Nouri et al., 2022).
Para América del Sur, Rivera et al. (2021) demuestran que ERA5-Land reproduce adecuadamente el
calentamiento diferencial entre Tmáx y Tmín en las regiones andinas, aunque con cierta subestimación
de los extremos diurnos debido al suavizado inherente del reanálisis; un patrón de subestimación que
sigue el comportamiento mostrado en la comparación CMIP6 ERA5-Land de este trabajo, donde el
conjunto de modelos climáticos globales sobreestima sistemáticamente el DTR observada por el
reanálisis en aproximadamente 3,3 °C.
Este sesgo cálido en la DTR simulada por CMIP6 es consistente con una limitación ampliamente
reconocida de los modelos climáticos globales de resolución relativamente gruesa (habitualmente 100-
250 km) para representar procesos superficiales de escala fina nubosidad de capa límite marina,
afloramiento costero, heterogeneidad de humedad del suelo que son precisamente los mecanismos
identificados en la sección 4.1 como responsables de la compresión térmica diaria observada en la DHM.
En contraste, la mayor coincidencia de signo de tendencia entre CMIP6 y ERA5-Land para la
temperatura máxima (seis de diez modelos) y la amplitud térmica (siete de diez modelos) sugiere que,
aunque los modelos no reproducen la magnitud absoluta de estas variables, sí capturan de forma parcial
la dirección del cambio térmico regional. El desempeño superior relativo de GFDL-ESM4, EC-Earth3
y ACCESS-ESM1-5 frente al resto del ensamble resulta relevante para estudios de proyección futura
sobre la DHM, ya que sugiere que un subconjunto reducido de modelos en lugar del ensamble completo
de CMIP6 podría ofrecer una base más fidedigna para generar escenarios climáticos regionales, un
hallazgo consistente con la práctica creciente en estudios de downscaling regional de seleccionar
pág. 376
subconjuntos de modelos mediante criterios de desempeño histórico antes de generar proyecciones
(Lima et al., 2026).
El sesgo seco moderado del ensamble CMIP6 en precipitación (PBIAS ≈ −5,3 %), acompañado de una
dispersión considerablemente mayor entre modelos que en las variables térmicas, es igualmente
consistente con la literatura: Hersbach et al. (2020) y Muñoz-Sabater et al. (2021) reconocen que la
precipitación continúa siendo la variable con mayor incertidumbre en los productos de reanálisis y
modelación climática, debido al carácter altamente localizado de los procesos convectivos tropicales y
a las limitaciones inherentes a la asimilación de datos y a la parametrización de la convección en los
modelos globales. En conjunto, la evaluación cuantitativa realizada en este estudio no solo caracteriza
el clima observado de la DHM, sino que aporta un criterio objetivo de selección de modelos climáticos
para investigaciones futuras de proyección en la región.
Los resultados de este estudio tienen implicaciones directas para la gestión de recursos hídricos y la
planificación territorial en la DHM (Palacios-López et al., 2026; Rivadeneira Vera et al., 2020; Kaiser-
Flores et al., 2026). La estabilidad de la temperatura media anual no debe interpretarse como ausencia
de cambio climático, sino como el resultado de una fuerte modulación regional ejercida por la dinámica
océano-atmósfera del Pacífico ecuatorial oriental; en este contexto, la reducción de la amplitud térmica
diaria constituye un indicador más sensible del cambio climático regional que la temperatura media
considerada de forma aislada (IPCC, 2021; Wild, 2009; Muñoz-Sabater et al., 2021), con implicaciones
potenciales sobre la evapotranspiración, la demanda hídrica agrícola y la salud pública en la región
costera. Entre las limitaciones del estudio cabe señalar que el uso de un producto de reanálisis como
fuente única de observación, si bien está ampliamente validado en la literatura, no sustituye por completo
a la densificación de la red de estaciones meteorológicas terrestres; asimismo, la evaluación de CMIP6
se restringió al experimento histórico (sin escenarios futuros SSP) y a diez modelos con resolución
nativa heterogénea, por lo que el ranking de desempeño obtenido debe interpretarse como una referencia
relativa específica para la DHM y no como una jerarquía universal de calidad de los modelos.
pág. 377
CONCLUSIONES
El análisis integrado de temperatura, amplitud térmica diaria, precipitación y balance hídrico de la
Demarcación Hidrográfica de Manabí durante el período 1964-2012, a partir de ERA5-Land procesado
en Google Earth Engine, evidencia que la señal climática dominante en la región no es un calentamiento
uniforme de la temperatura media, sino una reorganización del régimen térmico diario. La temperatura
media anual permaneció estadísticamente estable, mientras que la temperatura máxima disminuyó y la
mínima aumentó de forma simultánea, generando una reducción significativa y robusta de la amplitud
térmica diaria (−0,236 °C década⁻¹; p = 0,001), la evidencia más sólida de cambio climático regional
identificada en este estudio.
La precipitación anual mostró una tendencia positiva de baja magnitud y no significativa, resultado
consistente con la elevada variabilidad interanual asociada a ENSO y con estudios previos realizados en
la región que atribuyen a este fenómeno la ausencia de un patrón pluviométrico monotónico persistente
en Manabí. El balance hídrico confirmó una marcada estacionalidad, con superávit sostenido en la
temporada lluviosa y déficit recurrente en la temporada seca, sin tendencias estacionales
estadísticamente significativas en el período analizado.
El analisis del contraste de la serie histórica de CMIP6 y ERA5-Land, mostró sesgos cálidos sistemáticos
en la amplitud térmica diaria, sesgos moderados en las temperaturas promedio y máximas, y sesgos
secos en la precipitación, junto con un rendimiento relativo heterogéneo entre los diez modelos
estudiados. GFDL-ESM4, EC-Earth3 y ACCESS-ESM1-5 lograron la mayor fidelidad conjunta con las
observaciones satelitales para el área de estudio, mientras que ACCESS-CM2 y MRI-ESM2-0 el peor
desempeño. Esta clasificación sirve como una entrada directa para la selección informada de modelos
en futuras investigaciones de proyección climática regional.
Lo resultados obtenidos demuestran que la dinámica del Pacífico oriental tropical, mediada por el
ENSO, la PDO y el balance de energético en la superficie, actúa como un modulador dominante del
clima costero en Manabí, produciendo una respuesta térmica diferenciada en comparación con el patrón
continental sudamericano. Esto destaca el valor de incorporar la amplitud térmica diaria como indicador
complementario dentro de los sistemas de monitoreo climático regional, así como la integración de
observaciones satelitales, reanálisis y modelos climáticos globales como base para la gestión ambiental,
pág. 378
la planificación territorial y el diseño de estrategias de adaptación al cambio climático en la costa tropical
ecuatoriana.
REFERENCIAS BILIOGRÁFICAS
Albergel, C., Dutra, E., Munier, S., Calvet, J.-C., Munoz-Sabater, J., de Rosnay, P., & Balsamo, G.
(2020). ERA5-Land: A state-of-the-art global reanalysis dataset for land applications. Earth
System Science Data, 13(9), 4349–4383. https://doi.org/10.5194/essd-13-4349-2021, 2021
Amani, M., Ghorbanian, A., Ahmadi, S. A., Kakooei, M., Moghimi, A., Mirmazloumi, S. M.,
Moghaddam, S. H. A., Mahdavi, S., Ghahremanloo, M., Parsian, S., Wu, Q., & Brisco, B.
(2020). Google Earth Engine cloud computing platform for remote sensing big data
applications: A comprehensive review. IEEE Journal of Selected Topics in Applied Earth
Observations and Remote Sensing, 13, 5326–5350.
https://doi.org/10.1109/JSTARS.2020.3021052
Balsamo, G., Agusti-Panareda, A., Albergel, C., Arduini, G., Beljaars, A., Bidlot, J., Blyth, E.,
Bousserez, N., Boussetta, S., Brown, A., Buizza, R., Buontempo, C., Chevallier, F., Choulga,
M., Cloke, H., Cronin, M. F., Dahoui, M., De Rosnay, P., Dirmeyer, P. A., … Zsoter, E. (2018).
Satellite and in situ observations for advancing global Earth surface modelling: A review.
Remote Sensing, 10(12), 2038. https://doi.org/10.3390/rs11080941
Barkhordarian, A., Saatchi, S. S., Behrangi, A., Loikith, P. C., & Mechoso, C. R. (2022). A recent
systematic increase in vapor pressure deficit over tropical South America. Scientific Reports,
12, 15331. https://doi.org/10.1038/s41598-019-51857-8
Cai, W., McPhaden, M. J., Grimm, A. M., Rodrigues, R. R., Taschetto, A. S., Garreaud, R. D., Dewitte,
B., Poveda, G., Ham, Y.-G., Santoso, A., Ng, B., Anderson, W., Wang, G., Geng, T., Jo, H.-S.,
Marengo, J. A., Alves, L. M., Osman, M., Li, S., … Vera, C. (2020). Climate impacts of the El
Niño–Southern Oscillation on South America. Nature Reviews Earth & Environment, 1, 215–
231. https://doi.org/10.1038/s43017-020-0040-3
Campozano, L., Ballari, D., Montenegro, M., & Avilés, A. (2020). Future meteorological droughts in
Ecuador: Decadal probabilities of below-normal precipitation under climate change scenarios.
Journal of Hydrology: Regional Studies, 28, 100667. https://doi.org/10.3389/feart.2020.00017
pág. 379
Collaud Coen, M., Andrews, E., Aliaga, D., Andrade, M., Angelov, H., Bukowiecki, N., Ealo, M.,
Fialho, P., Flentje, H., Hallar, A. G., Hooda, R., Kalapov, I., Krejci, R., Lin, N.-H., Marinoni,
A., Ming, J., Nguyen, N. A., Pandolfi, M., Pont, V., … Laj, P. (2020). Long-term trend analysis
of aerosol variables at background sites: Statistical methods and uncertainty assessment.
Atmospheric Chemistry and Physics, 20(15), 8867–8908. https://doi.org/10.5194/acp-20-8867-
2020
Copernicus Climate Change Service. (2024). Global Climate Highlights 2023. European Centre for
Medium-Range Weather Forecasts. https://climate.copernicus.eu/global-climate-highlights-
2023
Chen, X., Wang, D., & Sivapalan, M. (2022). Data-guided exploration of the energy partitioning at
land surface in the contiguous US. Water Resources Research, 58(8), e2021WR031006.
https://doi.org/10.1029/2021WR031006
Doan, Q.-V., Kusaka, H., & Trieu, T.-N. Q. (2022). Causes for asymmetric warming of sub-diurnal
temperature responding to global warming. Geophysical Research Letters, 49(18),
e2022GL100029. https://doi.org/10.1029/2022GL100029
Forster, P. M., Maycock, A. C., McKenna, C. M., & Smith, C. J. (2020). Latest climate models confirm
need for urgent mitigation. Nature Climate Change, 10, 7–10. https://doi.org/10.1038/s41558-
019-0660-0
Garreaud, R. D., Boisier, J. P., Rondanelli, R., Montecinos, A., Sepúlveda, H. H., & Veloso-Aguila, D.
(2020). The Central Chile Mega Drought (2010–2018): A climate dynamics perspective.
International Journal of Climatology, 40(1), 421–439. https://doi.org/10.1002/joc.6219
Gorelick, N., Hancher, M., Dixon, M., Ilyushchenko, S., Thau, D., & Moore, R. (2017). Google Earth
Engine: Planetary-scale geospatial analysis for everyone. Remote Sensing of Environment, 202,
18–27. https://doi.org/10.1016/j.rse.2017.06.031
Hamed, K. H., & Rao, A. R. (1998). A modified Mann-Kendall trend test for autocorrelated data. Journal
of Hydrology, 204(1–4), 182–196. https://doi.org/10.1016/S0022-1694(97)00125-X
Hersbach, H., Bell, B., Berrisford, P., Hirahara, S., Horányi, A., Muñoz-Sabater, J., Nicolas, J., Peubey,
C., Radu, R., Schepers, D., Simmons, A., Soci, C., Abdalla, S., Abellan, X., Balsamo, G.,
pág. 380
Bechtold, P., Biavati, G., Bidlot, J., Bonavita, M., … Thépaut, J.-N. (2020). The ERA5 global
reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730), 1999–2049.
https://doi.org/10.1002/qj.3803
IPCC, 2021: Climate Change 2021: The Physical Science Basis. Contribution of Working Group I to
the Sixth Assessment Report of the Intergovernmental Panel on Climate Change[Masson-
Delmotte, V., P. Zhai, A. Pirani, S.L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L.
Goldfarb, M.I. Gomis, M. Huang, K. Leitzell, E. Lonnoy, J.B.R. Matthews, T.K. Maycock, T.
Waterfield, O. Yelekçi, R. Yu, and B. Zhou (eds.)]. Cambridge University Press, Cambridge,
United Kingdom and New York, NY, USA, In press, https://doi.org/10.1017/9781009157896
Intergovernmental Panel on Climate Change [IPCC]. (2023). Climate Change 2023: Synthesis Report.
Contribution of Working Groups I, II and III to the Sixth Assessment Report of the IPCC. [Core
Writing Team, H. Lee and J. Romero (eds.)]. IPCC, Geneva, Switzerland,184 pp.,
https://doi.org/10.59327/IPCC/AR6-9789291691647
Kaiser-Flores, B. J., Pilozo-Jiménez, K. K., Hernández-Cajas, J. D., & Burgos-Chiriguay, E. T. (2026).
Servicios ecosistémicos de los bosques tropicales frente al cambio climático. Innova Science
Journal, 4(1), 371–382. https://doi.org/10.63618/omd/isj/v4/n1/235
Kendall, M. G. (1975). Rank Correlation Methods (4th ed.). Charles Griffin, London.
Mann, H. B. (1945). Nonparametric tests against trend. Econometrica, 13(3), 245–259.
McPhaden, M. J., Santoso, A., & Cai, W. (Eds.). (2020). El Niño Southern Oscillation in a Changing
Climate (Geophysical Monograph Series, Vol. 253). American Geophysical Union & John
Wiley & Sons. https://doi.org/10.1002/9781119548164
Lima, D. M. C., Gomes, H. B., Ray, P., Watanabe, M., da Silva, M. C. L., Torres, R. R., Silva, M. T.,
Lyra, M. J. A., … Bezerra, K. F. D. S. (2026). Projected (2015–2100) nighttime-enhanced
warming and regional contrasts in diurnal temperature range across South America: Sub-
regional assessments from CMIP6. Earth Systems and Environment.
https://doi.org/10.1007/s41748-026-01214-3
Muñoz-Sabater, J., Dutra, E., Agustí-Panareda, A., Albergel, C., Arduini, G., Balsamo, G., Boussetta,
S., Choulga, M., Harrigan, S., Hersbach, H., Martens, B., Miralles, D. G., Piles, M., Rodríguez-
pág. 381
Fernández, N. J., Zsoter, E., Buontempo, C., & Thépaut, J.-N. (2021). ERA5-Land: A state-of-
the-art global reanalysis dataset for land applications. Earth System Science Data, 13(9), 4349–
4383. https://doi.org/10.5194/essd-13-4349-2021
Nouri, M., Hatzaki, M., Nojarov, P., Asimakopoulos, D. N., & Maheras, P. (2022). Reliability of the
ERA5 in replicating mean and extreme temperatures across Europe. Water, 14(4), 543.
https://doi.org/10.3390/w14040543 Organización Meteorológica Mundial [OMM]. (2022).
State of the Global Climate 2021 (WMO-No. 1290). OMM.
Palacios-López, L. A., Pinargote-Bravo, V. J., Mieles-Giler, J. W., & Zapata-Velasco, M. L. (2026).
Medidas de adaptación al cambio climático frente a inundaciones y sequías en contextos
urbanos y rurales de países en desarrollo. Innova Science Journal, 4(1), 227–240.
https://doi.org/10.63618/omd/isj/v4/n1/224
Panwar, A., & Kleidon, A. (2022). Evaluating the response of diurnal variations in surface and air
temperature to evaporative conditions across vegetation types in FLUXNET and ERA5. Journal
of Climate, 35(19), 6301–6328. https://doi.org/10.1175/JCLI-D-21-0345.1
Quesada, B., Vautard, R., Yiou, P. et al. Asymmetric European summer heat predictability from wet
and dry southern winters and springs. Nature Clim Change 2, 736–741 (2012).
https://doi.org/10.1038/nclimate1536
Reichle, R. H., Liu, Q., Koster, R. D., Draper, C. S., Mahanama, S. P. P., & Partyka, G. S. (2019). Land
surface precipitation in MERRA-2. Journal of Climate, 32(11), 3327–3346.
https://doi.org/10.1175/JCLI-D-16-0570.1
Rivadeneira Vera, J. F., Zambrano Mera, Y. E., & Pérez-Martín, M. Á. (2020). Adapting water
resources systems to climate change in tropical areas: Ecuadorian coast. Science of the Total
Environment, 703, 135554. https://doi.org/10.1016/j.scitotenv.2019.135554
Rivera JA, Otta S, Lauro C and Zazulie N (2021) A Decade of Hydrological Drought in Central-Western
Argentina. Front. Water 3:640544. https://doi.org/10.3389/frwa.2021.640544
Sen, P. K. (1968). Estimates of the Regression Coefficient Based on Kendall’s Tau. Journal of the
American Statistical Association, 63(324), 1379–1389.
https://doi.org/10.1080/01621459.1968.10480934
pág. 382
Seneviratne, S.I., X. Zhang, M. Adnan, W. Badi, C. Dereczynski, A. Di Luca, S. Ghosh, I. Iskandar, J.
Kossin, S. Lewis, F. Otto, I. Pinto, M. Satoh, S.M. Vicente-Serrano, M. Wehner, and B. Zhou,
2021: Weather and Climate Extreme Events in a Changing Climate. In Climate Change 2021:
The Physical Science Basis. Contribution of Working Group I to the Sixth Assessment Report
of the Intergovernmental Panel on Climate Change[Masson-Delmotte, V., P. Zhai, A. Pirani,
S.L. Connors, C. Péan, S. Berger, N. Caud, Y. Chen, L. Goldfarb, M.I. Gomis, M. Huang, K.
Leitzell, E. Lonnoy, J.B.R. Matthews, T.K. Maycock, T. Waterfield, O. Yelekçi, R. Yu, and B.
Zhou (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY,
USA, pp. 1513–1766, https://doi.org/10.1017/9781009157896.013
Sun, X., Ren, G., You, Q., Ren, Y., Xu, W., Xue, X., Zhan, Y., Zhang, S., & Zhang, P. (2019). Global
diurnal temperature range (DTR) changes since 1901. Climate Dynamics, 52, 3343–3356.
https://doi.org/10.1007/s00382-018-4329-6
Tamiminia, H., Salehi, B., Mahdianpari, M., Quackenbush, L., Adeli, S., & Brisco, B. (2020). Google
Earth Engine for geo-big data applications: A meta-analysis and systematic review. ISPRS
Journal of Photogrammetry and Remote Sensing, 164, 152–170.
https://doi.org/10.1016/j.isprsjprs.2020.04.001
Tarek, M., Brissette, F. P., & Arsenault, R. (2021). Uncertainty of gridded precipitation and temperature
reference datasets in climate change impact studies. Hydrology and Earth System Sciences,
27(3), 685–699. https://doi.org/10.5194/hess-25-3331-2021
Timmermann, A., An, S.-I., Kug, J.-S., Jin, F.-F., Cai, W., Capotondi, A., Cobb, K. M., Lengaigne, M.,
McPhaden, M. J., Stuecker, M. F., Stein, K., Wittenberg, A. T., Yun, K.-S., Bayr, T., Chen, H.-
C., Chikamoto, Y., Dewitte, B., Dommenget, D., Grothe, P., … Zhang, X. (2018). El Niño–
Southern Oscillation complexity. Nature, 559, 535–545. https://doi.org/10.1038/s41586-018-
0252-6
Vuille, M., Carey, M., Huggel, C., Buytaert, W., Rabatel, A., Jacobsen, D., Soruco, A., Villacís, M.,
Yarleque, C., Elison Timm, O., Condom, T., Salzmann, N., & Sicart, J.-E. (2022). Rapid decline
of snow and ice in the tropical Andes: Impacts, uncertainties and challenges ahead. Earth-
Science Reviews, 176, 195–213. https://doi.org/10.1016/j.earscirev.2017.09.019
pág. 383
Wang, Y.-R., Samset, B. H., Stordal, F., Bryn, A., & Hessen, D. O. (2023). Past and future trends of
diurnal temperature range and their correlation with vegetation assessed by MODIS and
CMIP6. Science of the Total Environment, 904, 166727.
https://doi.org/10.1016/j.scitotenv.2023.166727
Wild, M. (2009). Global dimming and brightening: A review. Journal of Geophysical Research, 114,
D00D16. https://doi.org/10.1029/2008JD011470
Yang, J., Gong, P., Fu, R., Zhang, M., Chen, J., Liang, S., Xu, B., Shi, J., & Dickinson, R. (2013). The
role of satellite remote sensing in climate change studies. Nature Climate Change, 3(10), 875–
883. https://doi.org/10.1038/nclimate1908
Yue, S., & Wang, C. (2004). The Mann-Kendall test modified by effective sample size to detect trend
in serially correlated hydrological series. Water Resources Management, 18, 201–218.
https://doi.org/10.1023/B:WARM.0000043140.61082.60
Zambrano Mera, Y. E., Rivadeneira Vera, J. F., & Pérez-Martín, M. Á. (2018). Linking El Niño Southern
Oscillation for early drought detection in tropical climates: The Ecuadorian coast. Science of
the Total Environment, 643, 193–207. https://doi.org/10.1016/j.scitotenv.2018.06.160
Zhang, W., Furtado, K., Wu, P., Zhou, T., Chadwick, R., Marzin, C., Rostron, J., & Sexton, D. (2023).
Increasing precipitation variability on daily-to-multiyear timescales in a warmer world. Science
Advances, 7, eabf8021. https://doi.org/10.1126/sciadv.abf8021