El uso de modelos de simulación está impulsado por la creciente necesidad de evaluar los impactos del cambio climático sobre la producción de alimentos, comprender las brechas de información de rendimiento de cultivos y la seguridad alimentaria, diseñar opciones de adaptación, identificar estrategias de gestión de riesgos e incorporar modelos de cultivos a la evaluación integrada de las implicaciones políticas. Los modelos de cultivos están diseñados para representar procesos biofísicos entre el medio ambiente, manejo del cultivo y genética, y los resultados de la simulación son aplicables para representar grandes áreas de cobertura de cultivo. La simulación por medio de modelos de cultivo como EPIC (Environmental Policy Integrated Climate Model), permite evidenciar los impactos que pueden generar las amenazas climáticas sobre el rendimiento, crecimiento e idoneidad de los cultivos. Para la selección de los cultivos a ser simulados, se tomó en cuenta variables biofísicas como suelo, clima y genética de cultivo, así como variables de manejo, mediante una matriz que proporciona la disponibilidad de información para cada cultivo. Se seleccionaron seis cultivos principales: arroz, maíz amarillo duro, maíz suave seco, papa, fréjol seco y caña de azúcar. Para configurar el modelo de simulación, se establecieron cuadrículas de 10x10 Km con una cobertura espacial de cultivo de al menos el 70%. Se realizaron 1,240 corridas para escenarios climáticos futuros, obteniendo los impactos de las amenazas climáticas sobre los rendimientos de los 6 cultivos, siendo el elemento más sensible el estrés térmico debido a la variación de la temperatura a nivel global. Se estima que el arroz, el maíz duro, la papa y la caña presentan mejor adaptación y mejores rendimientos en condiciones óptimas, mientras que el fréjol y el maíz suave tienen un menor desempeño. Se presenta el análisis de riesgo climático para el sector Soberanía Alimentaria, Agricultura, Ganadería, Acuacultura y Pesca, aplicando el modelo de rendimiento simulado EPIC, calculado en toneladas por hectárea para el cultivo de Maíz Suave, Periodo Historico (1985-2015) y los 5 Años Tipo Futuros.

El uso de modelos de simulación está impulsado por la creciente necesidad de evaluar los impactos del cambio climático sobre la producción de alimentos, comprender las brechas de información de rendimiento de cultivos y la seguridad alimentaria, diseñar opciones de adaptación, identificar estrategias de gestión de riesgos e incorporar modelos de cultivos a la evaluación integrada de las implicaciones políticas. Los modelos de cultivos están diseñados para representar procesos biofísicos entre el medio ambiente, manejo del cultivo y genética, y los resultados de la simulación son aplicables para representar grandes áreas de cobertura de cultivo. La simulación por medio de modelos de cultivo como EPIC (Environmental Policy Integrated Climate Model), permite evidenciar los impactos que pueden generar las amenazas climáticas sobre el rendimiento, crecimiento e idoneidad de los cultivos. Para la selección de los cultivos a ser simulados, se tomó en cuenta variables biofísicas como suelo, clima y genética de cultivo, así como variables de manejo, mediante una matriz que proporciona la disponibilidad de información para cada cultivo. Se seleccionaron seis cultivos principales: arroz, maíz amarillo duro, maíz suave seco, papa, fréjol seco y caña de azúcar. Para configurar el modelo de simulación, se establecieron cuadrículas de 10x10 Km con una cobertura espacial de cultivo de al menos el 70%. Se realizaron 1,240 corridas para escenarios climáticos futuros, obteniendo los impactos de las amenazas climáticas sobre los rendimientos de los 6 cultivos, siendo el elemento más sensible el estrés térmico debido a la variación de la temperatura a nivel global. Se estima que el arroz, el maíz duro, la papa y la caña presentan mejor adaptación y mejores rendimientos en condiciones óptimas, mientras que el fréjol y el maíz suave tienen un menor desempeño. Se presenta el análisis de riesgo climático para el sector Soberanía Alimentaria, Agricultura, Ganadería, Acuacultura y Pesca, aplicando el modelo de rendimiento simulado EPIC, calculado en toneladas por hectárea para el cultivo de Maíz Duro, Periodo Historico (1985-2015) y los 5 Años Tipo Futuros.

Los cambios de uso del suelo, deforestación y la extracción de agua para riego han influido en las respuestas locales y regionales del ciclo del agua. Los cambios en los patrones de circulación atmosférica también afectan el lugar y la frecuencia en que se producen los fenómenos extremos, se prevé que los aumentos en la evapotranspiración por mayor demanda atmosférica de agua disminuyan la humedad del suelo, lo que generará mayor aridez en regiones como la cuenca del Amazonas y América Central. La priorización del sistema sectorial se llevó a cabo en cinco pasos: selección de cuatro Unidades Hidrográficas (UH) ubicadas en las cuencas de Pastaza, Esmeraldas, Jubones y Guayas, identificando criterios nacionales relevantes para la gestión del Recurso Hídrico, realizando un análisis multicriterio espacializado mediante indicadores de prioridad por Unidades Hidrográficas (UH) y validando los resultados preliminares con el Grupo Sectorial de Trabajo (GST). Finalmente, se seleccionaron cuatro UH para el análisis de modelación hidroclimática usando el modelo SWAT (Soil Water Assessment Tool), que simula procesos hidrológicos a nivel de cuenca para predecir impactos de cambios en el uso del suelo y prácticas de manejo, así como escenarios de cambio climático. La aplicación del modelo SWAT se dividió en tres fases: procesamiento y análisis de la información requerida, calibración y validación de parámetros para establecer una línea base y analizar el balance hídrico actual, y proyección del balance hídrico en las UH priorizadas bajo cinco posibles condiciones climáticas futuras para evaluar los impactos biofísicos. SWAT permite estimar la producción de sedimentos mediante la ecuación universal modificada de pérdida de suelo (MUSLE). Se analizan las variaciones de degradación específica mediante el estudio de los cambios en la producción de sedimentos, medidos como tn/ha/año, para cada una de las unidades hidrográficas, por año típico climático. Los principales impactos del cambio climático sobre los caudales, producción de sedimentos y riesgos de erosión hídrica de los ríos Esmeraldas, Jubones y Guayas en Ecuador. En general, se proyecta una reducción de los caudales anuales y mensuales, lo cual podría generar problemas para satisfacer la demanda hídrica de la población y las actividades productivas. Además, se estima un incremento de la producción de sedimentos y las tasas de erosión hídrica. Se presenta el Análisis de Riesgo Climático para el sector Patrimonio Hídrico por el cambio de sedimentos en la cuenca del Río Guayas para el Periodo Histórico (1985-2015) y los 5 Años Tipo Futuros.

Los cambios de uso del suelo, deforestación y la extracción de agua para riego han influido en las respuestas locales y regionales del ciclo del agua. Los cambios en los patrones de circulación atmosférica también afectan el lugar y la frecuencia en que se producen los fenómenos extremos, se prevé que los aumentos en la evapotranspiración por mayor demanda atmosférica de agua disminuyan la humedad del suelo, lo que generará mayor aridez en regiones como la cuenca del Amazonas y América Central. La priorización del sistema sectorial se llevó a cabo en cinco pasos: selección de cuatro Unidades Hidrográficas (UH) ubicadas en las cuencas de Pastaza, Esmeraldas, Jubones y |, identificando criterios nacionales relevantes para la gestión del Recurso Hídrico, realizando un análisis multicriterio espacializado mediante indicadores de prioridad por Unidades Hidrográficas (UH) y validando los resultados preliminares con el Grupo Sectorial de Trabajo (GST). Finalmente, se seleccionaron cuatro UH para el análisis de modelación hidroclimática usando el modelo SWAT (Soil Water Assessment Tool), que simula procesos hidrológicos a nivel de cuenca para predecir impactos de cambios en el uso del suelo y prácticas de manejo, así como escenarios de cambio climático. La aplicación del modelo SWAT se dividió en tres fases: procesamiento y análisis de la información requerida, calibración y validación de parámetros para establecer una línea base y analizar el balance hídrico actual, y proyección del balance hídrico en las UH priorizadas bajo cinco posibles condiciones climáticas futuras para evaluar los impactos biofísicos. SWAT permite estimar la producción de sedimentos mediante la ecuación universal modificada de pérdida de suelo (MUSLE). Se analizan las variaciones de degradación específica mediante el estudio de los cambios en la producción de sedimentos, medidos como tn/ha/año, para cada una de las unidades hidrográficas, por año típico climático. Los principales impactos del cambio climático sobre los caudales, producción de sedimentos y riesgos de erosión hídrica de los ríos Esmeraldas, Jubones y Guayas en Ecuador. En general, se proyecta una reducción de los caudales anuales y mensuales, lo cual podría generar problemas para satisfacer la demanda hídrica de la población y las actividades productivas. Además, se estima un incremento de la producción de sedimentos y las tasas de erosión hídrica. Se presenta el Análisis de Riesgo Climático para el sector Patrimonio Hídrico por el cambio de sedimentos en la cuenca del Río Esmeraldas para el Periodo Histórico (1985-2015) y los 5 Años Tipo Futuros.

El uso de modelos de simulación está impulsado por la creciente necesidad de evaluar los impactos del cambio climático sobre la producción de alimentos, comprender las brechas de información de rendimiento de cultivos y la seguridad alimentaria, diseñar opciones de adaptación, identificar estrategias de gestión de riesgos e incorporar modelos de cultivos a la evaluación integrada de las implicaciones políticas. Los modelos de cultivos están diseñados para representar procesos biofísicos entre el medio ambiente, manejo del cultivo y genética, y los resultados de la simulación son aplicables para representar grandes áreas de cobertura de cultivo. La simulación por medio de modelos de cultivo como EPIC (Environmental Policy Integrated Climate Model), permite evidenciar los impactos que pueden generar las amenazas climáticas sobre el rendimiento, crecimiento e idoneidad de los cultivos. Para la selección de los cultivos a ser simulados, se tomó en cuenta variables biofísicas como suelo, clima y genética de cultivo, así como variables de manejo, mediante una matriz que proporciona la disponibilidad de información para cada cultivo. Se seleccionaron seis cultivos principales: arroz, maíz amarillo duro, maíz suave seco, papa, fréjol seco y caña de azúcar. Para configurar el modelo de simulación, se establecieron cuadrículas de 10x10 Km con una cobertura espacial de cultivo de al menos el 70%. Se realizaron 1,240 corridas para escenarios climáticos futuros, obteniendo los impactos de las amenazas climáticas sobre los rendimientos de los 6 cultivos, siendo el elemento más sensible el estrés térmico debido a la variación de la temperatura a nivel global. Se estima que el arroz, el maíz duro, la papa y la caña presentan mejor adaptación y mejores rendimientos en condiciones óptimas, mientras que el fréjol y el maíz suave tienen un menor desempeño. Se presenta el análisis de riesgo climático para el sector Soberanía Alimentaria, Agricultura, Ganadería, Acuacultura y Pesca, aplicando el modelo de rendimiento simulado EPIC, calculado en toneladas por hectárea para el cultivo de Papa Fresca, Periodo Historico (1985-2015) y los 5 Años Tipo Futuros.

Se presenta la aplicación de modelos de Máxima Entropía (MaxEnt) y Boosted Regression Trees (BRT) para determinar los cambios en la distribución espacial de especies marinas en la Franja Marino Costera del Ecuador Continental y Galápagos. La metodología implementada se basa en la recopilación de datos de presencia de especies de diversas fuentes, incluyendo el Global Biodiversity Information Facility, iNaturalist, Ocean Biodiversity Information System y el Instituto Público de Investigación de Acuicultura y Pesca, junto con variables climáticas y oceanográficas como temperatura del mar, salinidad, concentración de clorofila, y producción primaria neta de biomasa. El proceso metodológico involucró la depuración rigurosa de las ocurrencias de especies, considerando criterios específicos como la georreferenciación precisa, una incertidumbre menor a 1 km, y registros de los últimos 30 años. Las variables independientes se seleccionaron según el hábitat de las especies, utilizando datos de plataformas como Marine Copernicus Services y WorldClim, además de incorporar proyecciones climáticas de los escenarios SSP2-4.5 y SSP5-8.5 para Ecuador en el período 2015-2100, considerando horizontes temporales cercanos (2021-2050) y lejanos (2051-2080). Los resultados del modelamiento revelan cambios significativos en la distribución de varias especies marinas. Se proyectan reducciones considerables en la distribución de especies como Auxis sp. (Botella) con una disminución de hasta el 50% en Esmeraldas y Manabí, Cetengraulis mysticetus (Chuhueco) con una reducción drástica debido a la acidificación oceánica, y Litopenaeus spp. (Camarón) con disminuciones significativas en todas las provincias costeras. Mientras que la ballena jorobada (Megaptera novaeangliae) muestra un patrón único de redistribución, con mayor concentración en zonas costeras ecuatorianas.

El modelamiento por inundación costera se basó en la metodología 'Bathtub' mejorada, que consiste en la superposición de una capa ráster sobre la topografía (MDT). Se utilizaron Modelos de Elevación Digital (DEM) y datos mareográficos de la Universidad de Hawái para configurar los modelos. La recopilación y preparación de datos incluyó la descarga de series de mareas históricas de la Universidad de Hawái utilizando Delft-dashboard, así como proyecciones futuras de elevación del nivel medio del mar y del oleaje desde la plataforma SPRAAC para futuros cercanos y a mediano plazo. Los Modelos Digitales del Terreno (MDT) empleados contaron con una resolución de 4 metros para Ecuador continental (proporcionados por SIGTIERRAS) y de 12.5 metros para las Islas Galápagos (descargados del satélite Alos Palsar). Para el análisis de mareas y discretización de la costa, se analizaron los datos históricos de mareas determinando los periodos de retorno de 10 y 100 años ajustados a la distribución estadística de valores extremos generalizados (GEV) y comprobados por la prueba de Kolmogorov-Smirnov. La costa ecuatoriana fue discretizada utilizando las estaciones mareográficas y polígonos de Thiessen. La determinación de la cota de inundación modelada se realizó sumando las variables de marea, oleaje y aumento del nivel medio del mar, utilizando datos del Sistema de Información, Proyecciones, Riesgo Climático y Adaptación al Cambio Climático (SPRAAC). Las proyecciones del nivel medio del mar bajo los escenarios SSP2-4.5 y SSP4-8.5 fueron obtenidas de SPRACC, complementándose con registros históricos de oleaje y sus proyecciones futuras. El modelado geoespacial se ejecutó mediante QGIS, creando un modelo que permite determinar las cotas y áreas de inundación mediante el método de Bathtub mejorado, considerando la continuidad hidráulica y eliminando errores del DEM. La línea de costa se trazó utilizando datos del Instituto Geográfico Militar (IGM), escala 1:50,000, como punto de origen de las inundaciones, y se realizó una corrección hidráulica del MDT para asegurar que el agua encuentre un camino correcto desde la costa hacia el terreno. Se definieron tres posibles escenarios de inundación: Escenario E1 correspondiente a condiciones actuales con un evento extremo (T2), donde T2 se refiere al periodo de retorno de 100 años para eventos extremos de marea basado en datos históricos (1980-2023); Escenario E2 que representa un futuro cercano bajo un escenario optimista respecto a los efectos del cambio climático (SLR2 + T1), donde SLR2 corresponde a la proyección del aumento del nivel del mar bajo el escenario SSP4-8.5 para el futuro cercano (2021-2050) y T1 se refiere al periodo de retorno de 10 años para eventos extremos de marea basado en datos históricos; y Escenario E3 que representa un futuro medio bajo un escenario pesimista de los efectos del cambio climático (SLR4 + Hs + T2), donde SLR4 corresponde a la proyección del aumento del nivel del mar bajo el escenario SSP4-8.5 para el futuro medio (2051-2080), Hs representa las proyecciones de oleaje (altura significativa del oleaje) bajo el escenario RCP8.5 para el futuro medio (2081-2100), y T2 se refiere al periodo de retorno de 100 años para eventos extremos de marea. Finalmente, se calcularon las cotas de inundación específicas para cada escenario y área de influencia, utilizando estaciones mareográficas discretizadas con polígonos de Thiessen. Una parte considerable de la comunidad de Puerto López se vería afectada, especialmente el sector turístico y hotelero. Destinos turísticos en la provincia de Santa Elena como Olón, Montañita y Manglaralto también tendrían daños graves.

El uso de modelos de simulación está impulsado por la creciente necesidad de evaluar los impactos del cambio climático sobre la producción de alimentos, comprender las brechas de información de rendimiento de cultivos y la seguridad alimentaria, diseñar opciones de adaptación, identificar estrategias de gestión de riesgos e incorporar modelos de cultivos a la evaluación integrada de las implicaciones políticas. Los modelos de cultivos están diseñados para representar procesos biofísicos entre el medio ambiente, manejo del cultivo y genética, y los resultados de la simulación son aplicables para representar grandes áreas de cobertura de cultivo. La simulación por medio de modelos de cultivo como EPIC (Environmental Policy Integrated Climate Model), permite evidenciar los impactos que pueden generar las amenazas climáticas sobre el rendimiento, crecimiento e idoneidad de los cultivos. Para la selección de los cultivos a ser simulados, se tomó en cuenta variables biofísicas como suelo, clima y genética de cultivo, así como variables de manejo, mediante una matriz que proporciona la disponibilidad de información para cada cultivo. Se seleccionaron seis cultivos principales: arroz, maíz amarillo duro, maíz suave seco, papa, fréjol seco y caña de azúcar. Para configurar el modelo de simulación, se establecieron cuadrículas de 10x10 Km con una cobertura espacial de cultivo de al menos el 70%. Se realizaron 1,240 corridas para escenarios climáticos futuros, obteniendo los impactos de las amenazas climáticas sobre los rendimientos de los 6 cultivos, siendo el elemento más sensible el estrés térmico debido a la variación de la temperatura a nivel global. Se estima que el arroz, el maíz duro, la papa y la caña presentan mejor adaptación y mejores rendimientos en condiciones óptimas, mientras que el fréjol y el maíz suave tienen un menor desempeño. Se presenta el análisis de riesgo climático para el sector Soberanía Alimentaria, Agricultura, Ganadería, Acuacultura y Pesca, aplicando el modelo de rendimiento simulado EPIC, calculado en toneladas por hectárea para el cultivo de Caña de Azúcar, Periodo Historico (1985-2015) y los 5 Años Tipo Futuros.

En las últimas décadas los fenómenos climáticos relacionados con lluvias extremas han provocado inundaciones y deslizamientos afectando la infraestructura residencial, productiva y social. Bajo este contexto, se realiza el análisis de riesgo climático para el sector Asentamientos Humanos mediante la aplicación de modelos de impactos biofísicos usando Aprendizaje Automático para los deslizamientos. Se evaluaron 49 ciudades intermedias, usando 22 indicadores ambientales, urbanísticos y sociodemográficos. Se sistematizó la información a implementar en los modelos de deslizamientos para evaluar las áreas susceptibles en las ciudades priorizadas. Se emplearon técnicas de Machine Learning, que consideran características climáticas y topográficas, prediciendo la susceptibilidad en celdas de 100 x 100 metros. Para mejorar la precisión de la clasificación, se implementaron dos modelos: uno basado en las características permanentes del suelo y otro en la relación entre la pendiente del terreno y la precipitación. Se realiza una estimación de la cantidad de población en condiciones de precariedad e infraestructura social que se ubican en áreas susceptibles bajo diversos escenarios de precipitación en 7 ciudades del Ecuador. La evidencia muestra que áreas susceptibles a deslizamientos se ubican en territorios caracterizados por tener relieves colinados bajos y pendientes medias y altas, donde predominan los suelos arenosos, areniscas y tombas, la susceptibilidad aumenta con la presencia de días extremadamente lluviosos. Se presenta el Análisis de Riesgo Climático para el sector de Asentamientos Humanos por deslizamientos en la ciudad de Ventanas bajo el escenario de precipitación percentil 99 (probabilidad más alta de precipitación). Periodo Histórico y 5 Años Tipo Futuros.

El modelamiento por inundación costera se basó en la metodología 'Bathtub' mejorada, que consiste en la superposición de una capa ráster sobre la topografía (MDT). Se utilizaron Modelos de Elevación Digital (DEM) y datos mareográficos de la Universidad de Hawái para configurar los modelos. La recopilación y preparación de datos incluyó la descarga de series de mareas históricas de la Universidad de Hawái utilizando Delft-dashboard, así como proyecciones futuras de elevación del nivel medio del mar y del oleaje desde la plataforma SPRAAC para futuros cercanos y a mediano plazo. Los Modelos Digitales del Terreno (MDT) empleados contaron con una resolución de 4 metros para Ecuador continental (proporcionados por SIGTIERRAS) y de 12.5 metros para las Islas Galápagos (descargados del satélite Alos Palsar). Para el análisis de mareas y discretización de la costa, se analizaron los datos históricos de mareas determinando los periodos de retorno de 10 y 100 años ajustados a la distribución estadística de valores extremos generalizados (GEV) y comprobados por la prueba de Kolmogorov-Smirnov. La costa ecuatoriana fue discretizada utilizando las estaciones mareográficas y polígonos de Thiessen. La determinación de la cota de inundación modelada se realizó sumando las variables de marea, oleaje y aumento del nivel medio del mar, utilizando datos del Sistema de Información, Proyecciones, Riesgo Climático y Adaptación al Cambio Climático (SPRAAC). Las proyecciones del nivel medio del mar bajo los escenarios SSP2-4.5 y SSP4-8.5 fueron obtenidas de SPRACC, complementándose con registros históricos de oleaje y sus proyecciones futuras. El modelado geoespacial se ejecutó mediante QGIS, creando un modelo que permite determinar las cotas y áreas de inundación mediante el método de Bathtub mejorado, considerando la continuidad hidráulica y eliminando errores del DEM. La línea de costa se trazó utilizando datos del Instituto Geográfico Militar (IGM), escala 1:50,000, como punto de origen de las inundaciones, y se realizó una corrección hidráulica del MDT para asegurar que el agua encuentre un camino correcto desde la costa hacia el terreno. Se definieron tres posibles escenarios de inundación: Escenario E1 correspondiente a condiciones actuales con un evento extremo (T2), donde T2 se refiere al periodo de retorno de 100 años para eventos extremos de marea basado en datos históricos (1980-2023); Escenario E2 que representa un futuro cercano bajo un escenario optimista respecto a los efectos del cambio climático (SLR2 + T1), donde SLR2 corresponde a la proyección del aumento del nivel del mar bajo el escenario SSP4-8.5 para el futuro cercano (2021-2050) y T1 se refiere al periodo de retorno de 10 años para eventos extremos de marea basado en datos históricos; y Escenario E3 que representa un futuro medio bajo un escenario pesimista de los efectos del cambio climático (SLR4 + Hs + T2), donde SLR4 corresponde a la proyección del aumento del nivel del mar bajo el escenario SSP4-8.5 para el futuro medio (2051-2080), Hs representa las proyecciones de oleaje (altura significativa del oleaje) bajo el escenario RCP8.5 para el futuro medio (2081-2100), y T2 se refiere al periodo de retorno de 100 años para eventos extremos de marea. Finalmente, se calcularon las cotas de inundación específicas para cada escenario y área de influencia, utilizando estaciones mareográficas discretizadas con polígonos de Thiessen. Una parte significativa de Guayaquil se inundaría bajo el escenario E3, especialmente los barrios cercanos a las riberas de la ría.