Modelación Hidrológica y Agronómica de Los Efectos Del Cambio y La Variabilidad Climática en La Producción Cafetera de Caldas

Modelación hidrológica y agronómica de los efectos del
cambio y la variabilidad climática en la producción

cafetera de Caldas
Olga Lucía Ocampo López
Universidad Nacional de Colombia

Sede Manizales
Doctorado en Ingeniería- Línea Automática
Manizales, Colombia
2018
Modelación hidrológica y agronómica de los efectos del
cambio y la variabilidad climática en la producción
cafetera de Caldas
Olga Lucía Ocampo López
Tesis Doctoral presentada como requisito parcial para optar al título de:
Doctor en Ingeniería- Línea Automática
Director:
PhD., Jorge Julián Vélez Upegui
Línea de Investigación:
Modelación Ambiental
Grupo de Investigación:
Hidráulica e Ingeniería Ambiental
Universidad Nacional de Colombia

Sede Manizales
Doctorado en Ingeniería- Línea Automática
Manizales, Colombia
2018
A mi familia
Gracias totales.
Agradecimientos
A las instituciones que colaboraron para la realización del trabajo:
A NCAR, y en especial a David Yates por todos los conocimientos impartidos en el tema de Cambio Climático.
A Euroclima, y en especial a Joycee Rodríguez por su colaboración en la parametrización de Bioma.
Al Centro de Agricultura de la Universidad de Chile, AGRIMED, Al Profesor Fernando Santibáñez, Paula
Santibáñez, Carolina Caroca y todo su equipo por su continuo soporte en el modelo Simproc.
Al IDEAM, la CHEC, GENSA, Aguas de Manizales, CORPOCALDAS, por su colaboración con la información
climática.
A Cenicafé, mención especial a Fernando Gast, Néstor Riaño y Carolina Ramírez, por el apoyo en la
información desde CENICAFÉ.
A la Universidad Autónoma de Manizales y en especial, a sus directivos Gabriel Cadena, Iván Escobar, María
del Carmen Vergara, Alba Patricia Arias por su apoyo.
A los coordinadores del departamento de Mecánica y Producción, José Germán Hoyos y Mauricio Ovalle, por
su colaboración.
A todas las personas que colaboraron en la realización del trabajo:
Al profesor Jorge Julián Vélez por su acertada dirección y acompañamiento continuo,
Al profesor Germán Poveda por permitirme hacer parte del proyecto VACEA que brindó invaluables aportes a
este trabajo.
Al profesor Omar Darío Cardona por sus aportes desde la Gestión del Riesgo.
A la Ing. Adela Londoño, por permitirme hacer parte del equipo del POMCA del Chinchiná, donde se brindaron
elementos fundamentales para este trabajo.
A los estudiantes de maestría: Jenny Paola Marín, Diego Alejandro Patiño, David Felipe Rincón, Stephania
Grisales, Alejandro Marulanda por su continua colaboración.
A los jóvenes investigadores: Karen Castañeda, quien soportó el proceso de modelación en BIOMA y Katherine
Salazar, quien colaboró con la recopilación de series.
A los estudiantes de pregrado: Diana Yulieth Soto y Lina María Álvarez por su aporte en la recopilación de
información.
Al equipo del IDEA gracias por todo su apoyo y colaboración.
Resumen IX
Resumen
El análisis de los efectos del cambio climático y la variabilidad climática natural en la productividad cafetera,
para el departamento de Caldas, Colombia, fue el objetivo de este trabajo de tesis doctoral realizado mediante
técnicas de modelación hidrológica y agronómica. Diferentes técnicas estadísticas y matemáticas fueron
aplicadas considerando los modos de variabilidad climática, con énfasis en el ciclo diurno de las variables
climáticas que influyen en la productividad; los escenarios futuros de cambio climático y sus efectos en el
balance hídrico y en la productividad cafetera. El modelo conceptual de tanques fue usado para la modelación
hidrológica, y los modelos Simproc, Aquacrop y Cropsyst en la plataforma Bioma, para la modelación de
cultivos. Los resultados del estudio permiten una mejor comprensión del ciclo diurno, que juega un papel
fundamental tanto en el ciclo biológico de las plantas de café como en el ciclo del agua; un mejor entendimiento
del comportamiento espacio-temporal de las variables climáticas para los diferentes modos de variabilidad
climática en el período más reciente o línea base y los escenarios futuros de cambio climático. Por otra parte,
el estudio aporta modelos hidrológicos y agronómicos calibrados y validados para las condiciones del Eje
Cafetero colombiano y la simulación de los posibles efectos de variabilidad y cambio climático. Se espera que
los resultados puedan ser integrados por la Federación Nacional de Cafeteros, FNC, la Gobernación de Caldas
y CORPOCALDAS en los planes de adaptación y gestión del riesgo en beneficio de la caficultura regional.
Palabras clave: Café, Cambio climático, Ciclo diurno, productividad cafetera, Variabilidad Climática.
X Abstract
Hydrological and agronomic modeling of the climate change

and natural climate variability effects on coffee production in
Caldas
Abstract
The analysis of climate change and natural climate variability effects on coffee productivity of the department
of Caldas was the objective of this doctoral thesis that was carried out through hydrological and agronomic
modeling techniques. Different statistical and mathematical techniques were carried out, taking into account
the different modes of climate variability, with emphasis on the diurnal cycle of climatic variables that influence
productivity; future scenarios of climate change and their effects on water balance and coffee productivity. The
conceptual tank model was used for hidrological modelling and Simproc, Aquacrop and Cropsyst in Bioma
Platform were employed for crop modeling. The results permit a better comprehension of the diurnal cycle,
which plays a fundamental role in biological cycle of coffee plants and in water cycle; a better understanding
of the spatio-temperoral behavior of climate variables for the different modes of climate variability in the most
recent period or baseline and future scenarios of climate change. On the other hand, the study provides
calibrated and validated hydrological and crop models for the Colombian Coffee Axis, and the simulation of
possible effects of climate variability and climate change. It is expected that results can be integrated by FNC
(National Federation of Coffee Growers), the Government of Caldas and CORPOCALDAS in the adaptation
and risk management plans to the benefit of regional coffee production.
Keywords: Coffee, Climate Change, Diurnal cycle, Climate variability, Coffee productivity.
Tesis Doctoral Ocampo (2018) XI
Contenido
Pág.
1. Descripción del área problemática y justificación.............................................................. 24

1.1 Descripción del área problemática ............................................................................. 24
1.2 Formulación de la pregunta de Investigación ................................................................ 27
1.3 Justificación ......................................................................................................... 27
2. Objetivos.................................................................................................................... 29
2.1 Objetivo General ................................................................................................... 29
2.2 Objetivos Específicos ............................................................................................. 29
3. Estado del Arte............................................................................................................ 30

3.1 Cambio climático ................................................................................................... 30
3.1.1 Efectos del cambio climático .................................................................................. 31
3.1.1.1 Cambios observados ........................................................................................... 31
3.1.1.2 Futuros cambios climáticos, riesgos e impactos .......................................................... 33
3.1.1.3 Futuras trayectorias de adaptación, mitigación y desarrollo sostenible ............................. 36
3.1.2 Cambio climático en Colombia ............................................................................... 37
3.1.2.1 Cambios observados en Colombia .......................................................................... 38
3.1.2.2 Futuros cambios climáticos, riesgos e impactos en Colombia ......................................... 39
3.1.2.3 Vulnerabilidad, adaptación y mitigación .................................................................... 40
3.2 Variabilidad climática.............................................................................................. 42
3.2.1 Variabilidad climática en Colombia .......................................................................... 43
3.2.2 Ciclo diurno ....................................................................................................... 44
3.3 Cambio climático y balance hídrico ............................................................................ 45
3.3.1 Modelación hidrológica ......................................................................................... 47
3.3.2 Antecedentes regionales de la modelación hidrológica ................................................. 50
3.4 Cambio climático y agricultura .................................................................................. 51
3.4.1 Adaptación al cambio climático............................................................................... 53
3.4.2 Modelos de cultivos ............................................................................................. 55
3.5 Café, variabilidad y cambio climático .......................................................................... 58
3.5.1 Generalidades del cultivo del café ........................................................................... 58
3.5.2 Ecotopos cafeteros y sistemas de producción en Colombia ........................................... 59
3.5.3 Fenología del cafeto ............................................................................................ 60
3.5.4 Factores que inciden en la productividad .................................................................. 64
3.5.5 Factores climáticos que intervienen en la productividad cafetera..................................... 64
3.5.5.1 Disponibilidad de Energía ..................................................................................... 65
3.5.5.2 Disponibilidad hídrica ........................................................................................... 66
3.5.6 Vulnerabilidad del sistema de producción de café ....................................................... 68
3.5.7 Modelos para el cultivo de café .............................................................................. 69
XII Contenido
4. Metodología ............................................................................................................... 72
4.1 Caso de estudio .................................................................................................... 72
4.2 Diseño metodológico .............................................................................................. 73
4.3 Información hidroclimática ........................................................................................ 73
4.4 Descripción metodológica análisis del ciclo diurno y tendencias ......................................... 75
4.5 Descripción metodológica escenarios de cambio climático ............................................... 76
4.6 Descripción metodológica modelación hidrológica .......................................................... 78
4.7 Modelación agronómica ........................................................................................... 80
5. Ciclo diurno y tendencias ............................................................................................. 84

5.1 Brillo solar ............................................................................................................ 84
5.2 Radiación solar ..................................................................................................... 91
5.3 Humedad Relativa.................................................................................................. 93
5.4 Temperaturas ..................................................................................................... 100
5.4.1 Temperatura media........................................................................................... 100
5.4.2 Amplitud térmica .............................................................................................. 109
5.4.3 Indicadores climáticos ....................................................................................... 110
5.5 Viento ............................................................................................................... 111
5.6 Precipitación ....................................................................................................... 116
5.6.1 Precipitación media........................................................................................... 116
5.6.2 Eventos extremos de precipitación ........................................................................ 121
5.6.3 Ciclo diurno..................................................................................................... 124
6. Escenarios de cambio climático................................................................................... 133

6.1 Escenarios IDEAM Colombia Tercera comunicación Nacional ......................................... 133
6.1.1 Escenarios precipitación IDEAM........................................................................... 134
6.1.2 Escenarios temperatura media IDEAM .................................................................. 136
6.2 Método simple de reducción de escala ...................................................................... 138
6.2.1 Escenarios temperatura media método simple de reducción de escala .......................... 138
6.2.2 Escenarios precipitación media método simple de reducción de escala .......................... 142
6.2.3 Aptitud climática ............................................................................................... 146
6.2.3.1 Aptitud climática en región actual de ecotopos cafeteros ..................................... 146
6.2.3.2 Aptitud climática en Caldas .......................................................................... 148
6.3 Método no paramétrico kNN-Bootstrapping ................................................................ 149
6.3.1 Escenarios precipitación kNN-Bootstrapping ........................................................... 149
6.3.2 Escenarios temperatura media kNN-Bootstrapping ................................................... 159
6.3.3 Aptitud climática ............................................................................................... 167
6.3.3.1 Aptitud climática en región actual de ecotopos cafeteros ..................................... 167
6.3.3.2 Aptitud climática para el departamento de Caldas.............................................. 172
6.3.4 Eventos extremos de precipitación en escenarios de cambio climático ........................... 173
7. Balance hídrico ......................................................................................................... 176

7.1 Cuencas del departamento de Caldas ....................................................................... 176
7.2 Calibración y validación del modelo hidrológico ........................................................... 179
7.3 Simulación hidrológica en las cuencas de Caldas......................................................... 182
7.4 Efectos de variabilidad climática en las cuencas de Caldas ............................................ 187
7.5 Escenarios de cambio climático en las cuencas de Caldas ............................................. 194
8. Efectos de variabilidad y cambio climático en productividad cafetera ................................ 200

8.1 Efectos del ENSO en la productividad cafetera colombiana ............................................ 200
8.2 Estadísticas cafeteras de Caldas ............................................................................. 203
8.3 Efectos del ENSO en la productividad cafetera de Caldas .............................................. 205
Contenido XIII
8.4 Calibración y validación de los modelos de cultivo ........................................................208

8.4.1 Modelo Aquacrop.............................................................................................. 208
8.4.2 Modelo Cropsyst en BioMa ................................................................................. 212
8.4.3 Calibración del modelo Simproc o Simfrut ............................................................... 215
8.5 Simulación para la línea base ..................................................................................217
8.6 Corrección en el modelo de cultivo por efectos del ENSO...............................................219
8.6.1 Corrección Modelo Aquacrop ............................................................................... 219
8.7 Modelación Agronómica con efectos de la variabilidad climática.......................................223
8.8 Modelación Agronómica con escenarios de cambio climático ..........................................225
8.8.1 Modelo Aquacrop.............................................................................................. 226
8.8.3 Ensamble de modelos de cultivo........................................................................... 232
9. Discusión de Resultados ............................................................................................ 235

9.1 Ciclo Diurno y tendencias .......................................................................................235
9.1.1 Brillo y radiación solar ........................................................................................ 235
9.1.2 Humedad relativa.............................................................................................. 237
9.1.3 Temperaturas .................................................................................................. 238
9.1.4 Viento ............................................................................................................ 241
9.1.5 Precipitación .................................................................................................... 242
9.2 Escenarios de cambio climático ...............................................................................244
9.3 Aptitud climática ...................................................................................................252
9.4 Modelación hidrológica ..........................................................................................254
9.5 Efectos de variabilidad y cambio climático en la productividad cafetera ..............................257
9.5.1 Influencia de la variabilidad climática ..................................................................... 257
9.5.2 Efectos del cambio climático por modelación de cultivos ............................................. 259
9.5.3 Productividad y calidad ...................................................................................... 261
9.5.4 Vulnerabilidad y adaptación ................................................................................. 263
10. Anexos .................................................................................................................... 269

10.1 Tablas ...............................................................................................................269
10.2 Figuras ..............................................................................................................282
Bibliografía ...................................................................................................................... 290

Tesis Doctoral Ocampo (2018) XIV
Lista de figuras
Pág.
Figura 1.1. Cambios en el sistema climático global ...................................................................... 24
Figura 1.2. Mapa Cafetero del Departamento de Caldas ............................................................... 28
Figura 3.1. Impactos del cambio climático en algunos sectores ....................................................... 33
Figura 3.2. Trayectorias de emisiones de GEI ............................................................................ 37
Figura 3.3. Variación diaria de la tasa de energía y de la temperatura del aire .................................... 44
Figura 3.4. Impactos en cascada de una mayor concentración de GEI.............................................. 46
Figura 3.5. Efectos e impactos del cambio climático en los recursos hídricos ..................................... 46
Figura 3.6. Modelos hidrológicos para la evaluación de las respuestas al cambio climático .................... 48
Figura 3.7. Efectos e impactos del cambio climático en la agricultura y la seguridad alimentaria .............. 52
Figura 3.8. Enfoque proyecto VACEA ....................................................................................... 54
Figura 3.9. Aplicación del modelo DPSIR para evaluar el impacto de cambio climático en la agricultura .... 55
Figura 3.10. Componentes del sistema de cultivo agrícola ............................................................. 56
Figura 3.11. Jerarquía de factores de crecimiento y niveles de producción asociados ........................... 57
Figura 3.12. Estadísticas de producción de café a nivel global 1990-2016 ......................................... 58
Figura 3.13. Ecotopos Cafeteros en Colombia ............................................................................ 60
Figura 3.14. Fases fenológicas del cultivo del cafeto .................................................................... 61
Figura 3.15. Fases fenológicas del cultivo del cafeto en los primeros tres años ................................... 63
Figura 3.16. Factores que afectan el potencial de producción de un cultivo ........................................ 64
Figura 3.17. Balance hídrico y efectos en la floración del café ........................................................ 67
Figura 4.1. Localización de la zona de estudio ............................................................................ 72
Figura 4.2. Localización cuencas hidrográficas del departamento de Caldas ...................................... 73
Figura 4.3. Esquema metodológico .......................................................................................... 74
Figura 4.4. Localización de estaciones ..................................................................................... 75
Figura 4.5. Esquema conceptual del modelo Tetis ........................................................................ 79
Figura 4.6. Factores que inciden en la productividad cafetera .......................................................... 80
Figura 4.7. Esquema Simplificado del modelo SIMPROC ............................................................... 81
Figura 4.8. Marco Conceptual de la Plataforma BioMa................................................................... 82
Figura 4.9. Esquema conceptual del modelo Aquacrop .................................................................. 83
Figura 5.1. Tendencias en el brillo solar diario ............................................................................ 85
Figura 5.2. Periodograma del brillo solar diario ........................................................................... 86
Figura 5.3. Variación trimestral del Ciclo diurno del brillo solar ........................................................ 87
Figura 5.4. Ciclo diurno del brillo solar en estaciones de Caldas ...................................................... 87
Figura 5.5. Ciclo diurno del brillo solar ...................................................................................... 88
Figura 5.6. Alteraciones ciclo diurno del brillo solar por ENSO ........................................................ 88
Figura 5.7. Comportamiento estacional del brillo solar mensual 1981-2010 ....................................... 89
Contenido XV
Figura 5.8. Mapa de brillo solar diario y alteraciones por variabilidad climática ................................... 90
Figura 5.9. Comportamiento estacional de la radiación 1981-2010 .................................................. 91
Figura 5.10. Mapa de radiación solar línea base ......................................................................... 91
Figura 5.11. Ciclo diurno de la radiación solar en la estación Posgrados........................................... 92
Figura 5.12. Ciclo diurno de la radiación solar y efectos del ENSO en la estación Posgrados................. 93
Figura 5.13. Tendencias en humedad relativa ............................................................................ 94
Figura 5.14. Periodograma de la humedad relativa...................................................................... 94
Figura 5.15. Variación diaria de la humedad relativa .................................................................... 95
Figura 5.16. Comparación de la variación diaria de la humedad relativa en estaciones de Cenicafé ........ 96
Figura 5.17. Análisis de tendencias registros horarios de humedad relativa estación Cenicafé ............... 97
Figura 5.18. Periodograma registros horarios de humedad relativa estación Cenicafé .......................... 97
Figura 5.19. Efectos del ENSO en la humedad relativa estación Cenicafé ......................................... 98
Figura 5.20. Ciclo diurno de la HR y efectos del ENSO. Estación posgrados ..................................... 99
Figura 5.21. Humedad relativa para la línea base y efectos del ENSO.............................................100
Figura 5.22. Tendencias en temperatura media .........................................................................101
Figura 5.23. Periodograma temperatura media..........................................................................102
Figura 5.24. Variación horaria de temperatura en estación Agronomía ............................................103
Figura 5.25. Comparación de la variación diaria de la temperatura en estaciones de Cenicafé ..............104
Figura 5.26. Efectos del ENSO en la temperatura diurna en la estación Cenicafé ..............................105
Figura 5.27. Ciclo diurno de la temperatura en la estación Posgrados .............................................106
Figura 5.28. Efectos del ENSO en el ciclo diurno de la temperatura en Posgrados .............................107
Figura 5.29. Temperatura media línea base 1981-2010 y efectos del ENSO......................................108
Figura 5.30. Temperatura media línea base 1981-2010 y efectos del ENSO......................................108
Figura 5.31. Tendencias en la amplitud térmica .........................................................................109
Figura 5.32. Ciclo anual de la velocidad del viento para la estación Cenicafé ....................................112
Figura 5.33. Efectos del ENSO en la velocidad del viento para la estación Cenicafé ...........................112
Figura 5.34. Ciclo diurno de la velocidad del viento para la estación Cenicafé ...................................113
Figura 5.35. Índice relativo de velocidad del viento para la estación Cenicafé ...................................113
Figura 5.36. Distribución espacial de la Velocidad del viento ........................................................114
Figura 5.37. Ciclo diurno de la dirección del viento para la estación Cenicafé ...................................114
Figura 5.38. Ciclo anual de la precipitación ..............................................................................117
Figura 5.39. Anomalías en la precipitación por efecto del ENSO ....................................................118
Figura 5.40. Tendencias en la precipitación anual ......................................................................119
Figura 5.41. Periodograma de la precipitación diaria ...................................................................120
Figura 5.42. Precipitación histórica 1959-2000 ..........................................................................121
Figura 5.43. Precipitación media Anual 1981-2010 .....................................................................121
Figura 5.44. Distribuciones de valor extremo para las tormentas registradas en las estaciones Fuente:
Elaboración propia ..............................................................................................................122
Figura 5.45. Ciclo diurno de la precipitación .............................................................................125
Figura 5.46. Índice relativo del ciclo diurno de la precipitación .......................................................128
Figura 5.47. Alteración del ciclo diurno de la precipitación por ENSO ..............................................129
Figura 5.48. Anomalías en la precipitación diurna por ENSO ........................................................130
Figura 5.49. Anomalías en la precipitación nocturna por ENSO .....................................................131
Figura 5.50. Precipitación máxima promedio horaria ...................................................................132
XVI Contenido
Figura 6.1. Anomalías en las proyecciones de precipitación, según los resultados de la Tercera
Comunicación Nacional para el período 2011-2040 .................................................................... 134
Figura 6.2. Anomalías en las proyecciones de precipitación 2011-2040 por rango de altitud................. 135
Figura 6.3. Anomalías en las proyecciones de precipitación por trimestre y rango altitudinal ................ 135
Figura 6.4. Registros y proyecciones de precipitación anual en estaciones ...................................... 136
Figura 6.5. Anomalías en las proyecciones de temperatura 2011-2040 por rango de altitud ................. 137
Figura 6.6. Registros y proyecciones de temperatura media anual en estaciones .............................. 137
Figura 6.7. Distribución espacial de la temperatura media del aire proyectada para el periodo 2020-2049.
RCP 2.6. Ensamble simple multimodelo. .................................................................................. 138
Figura 6.8. Variación de las proyecciones de la temperatura media para la región de los Ecotopos cafeteros
RCP 2.6. Ensamble multimodelo 2020-2049 ............................................................................. 139
Figura 6.10. Variación de las proyecciones de la temperatura media para la región de los Ecotopos cafeteros
Figura 6.12. Variación escenarios de temperatura media para la región de los Ecotopos cafeteros RCP 6.0.
Ensamble multimodelo 2020-2049.......................................................................................... 141
Figura 6.14. Variación de los escenarios de temperatura media para la región de los Ecotopos cafeteros
Figura 6.15. Distribución espacial de la precipitación para el periodo 2020-2049. RCP 2.6................... 142
Figura 6.16. Variación de los escenarios de precipitación media para la región de los Ecotopos cafeteros
Figura 6.18. Variación de las proyecciones de precipitación media mensual para la región de los Ecotopos
cafeteros RCP 4.5 Ensamble multimodelo 2020-2049 ................................................................. 144
cafeteros RCP 6.0 Ensamble multimodelo 2020-2049 ................................................................. 145
cafeteros RCP 8.5. Ensamble multimodelo 2020-2049 ................................................................ 146
Figura 6.23. Aptitud climática para el cultivo del café en la región de los Ecotopos cafeteros según las
proyecciones de temperatura y precipitación para el periodo 2020-2049. RCP 2.6 ............................. 147
Figura 6.24. Aptitud climática para el cultivo del café en la región de los Ecotopos cafeteros según las
proyecciones de temperatura y precipitación para el periodo 2020-2049. RCP 8.5 ............................. 147
Figura 6.25. Aptitud climática para el cultivo del café en Caldas según las proyecciones de temperatura y
precipitación para el periodo 2020-2049. RCP 2.6 ...................................................................... 148
Figura 6.26. Aptitud climática para el cultivo del café en Caldas según las proyecciones de temperatura y
precipitación para el periodo 2020-2049. RCP 8.5 ...................................................................... 149
Contenido XVII
Figura 6.27. Desempeño de los modelos para reproducir el registro histórico de la precipitación media anual
......................................................................................................................................150
Figura 6.28. Desempeño de los modelos para reproducir el ciclo anual de la precipitación ...................150
Figura 6.29. Desempeño de los modelos para reproducir el periodograma de la precipitación ...............151
Figura 6.30. Desempeño de los modelos para reproducir valores extremos de la precipitación diaria ......152
Figura 6.31. Registros y proyecciones de precipitación media anual en estaciones cafeteras................153
Figura 6.32. Incertidumbres en escenarios de precipitación media anual en estaciones cafeteras ..........154
Figura 6.33. Ciclo anual para los escenarios de precipitación en estaciones cafeteras ........................155
Figura 6.34. Incertidumbres en los escenarios de precipitación mensual en estaciones cafeteras ..........156
Figura 6.35. Anomalías en la precipitación mensual en las estaciones cafeteras por rango altitudinal .....157
Figura 6.36. Anomalías en la precipitación promedio anual para el departamento de Caldas ................158
Figura 6.37. Desempeño para reproducir el registro histórico de la temperatura media anual ................159
Figura 6.38. Registros y proyecciones de temperatura media anual en estaciones cafeteras ................160
Figura 6.39. Incertidumbres en escenarios de temperatura media anual en estaciones cafeteras...........161
Figura 6.40. Ciclo anual para los escenarios de temperatura media en estaciones cafeteras ................162
Figura 6.41. Incertidumbres en los escenarios de temperatura media en estaciones cafeteras ..............163
Figura 6.42. Anomalías en la temperatura media en estaciones del departamento de Caldas ...............164
Figura 6.43. Anomalías en la temperatura media en estaciones cafeteras de Caldas ..........................165
Figura 6.44. Distribución espacial de las anomalías en la temperatura media mensual 2020-2049 .........166
Figura 6.45. Distribución espacial de la temperatura media anual 1981-2010....................................167
Figura 6.46. Distribución espacial de los escenarios de temperatura media anual 2020-2049 ...............168
Figura 6.47. Distribución espacial de la precipitación media anual 1981-2010 ...................................169
Figura 6.48. Distribución espacial de los escenarios de precipitación media anual 2020-2049 ...............170
Figura 6.49. Aptitud climática 1981-2010 y con escenarios de cambio climático 2020-2049 RCP 8.5. .....172
Figura 6.50. Distribuciones de valor extremo para las tormentas según proyecciones del modelo CCSM4
RCP 8.5. ..........................................................................................................................174
Figura 6.51. Distribuciones de valor extremo para las tormentas según proyecciones de cambio climático
para el municipio de Manizales. .............................................................................................175
Figura 7.1. Cuencas hidrográficas del departamento de Caldas y ecotopos cafeteros .........................176
Figura 7.2. Cuencas y subcuencas hidrográficas analizadas.........................................................179
Figura 7.3. Hidrogramas obtenidos del modelo hidrológico calibrado y validado ................................180
Figura 7.4. Curvas de duración de caudales obtenidas del modelo hidrológico calibrado y validado........181
Figura 7.5. Resultados modelación hidrológica en cuencas de Caldas 1981-2010 .............................183
Figura 7.6. Indicadores del régimen hidrológico en cuencs de Caldas. ............................................186
Figura 7.7. Alteraciones en el balance hídrico por ENSO en cuencas de Caldas................................187
Figura 7.8. Efectos del ENSO en el brillo solar diario en cuencas de Caldas .....................................191
Figura 7.9. Efectos del ENSO en la temperatura media en cuencas de Caldas..................................192
Figura 7.10. Efectos del ENSO en la acumulación térmica en cuencas de Caldas ..............................194
Figura 7.11. Anomalías en variables según escenarios de cambio climático cuenca del río Arma ..........195
Figura 7.12. Anomalías en variables hidroclimáticas en cuencas de Caldas por efecto de cambio climático
Ensamble multimodelo 2020-2040 ..........................................................................................196
Figura 7.13. Incertidumbres en las anomalías en variables hidroclimáticas en cuencas de Caldas por efecto
del cambio climático 2020-2040. ............................................................................................197
Figura 8.1. Tendencias en la producción nacional y departamental 1905-1965 ..................................200
XVIII Contenido
Figura 8.2. Producción nacional de café y áreas cultivadas........................................................... 201

Figura 8.3. Relación productividad de café nacional y ONI............................................................ 201
Figura 8.4. Incidencia del ENSO en la producción Nacional. ......................................................... 202
Figura 8.5. Incidencia del ENSO en la producción Nacional. ......................................................... 203
Figura 8.6. Producción cafetera de los municipios de Caldas ........................................................ 205
Figura 8.7. Productividad cafetera de los municipios de Caldas ..................................................... 206
Figura 8.8. Relación productividad cafetera departamental y ONI ................................................... 206
Figura 8.9. Anomalías en la producción cafetera por ENSO .......................................................... 207
Figura 8.10. Anomalías en la productividad cafetera por ENSO ..................................................... 207
Figura 8.11. Pantalla de inicio del modelo AquaCrop................................................................... 208
Figura 8.12. Calibración del modelo Aquacrop en Chinchiná ......................................................... 209
Figura 8.13. Validación del modelo Aquacrop en Estaciones Cafeteras ........................................... 210
Figura 8.14. Validación del modelo Aquacrop en las cuencas de Caldas .......................................... 211
Figura 8.15. Selección de las grillas en BIOMA.......................................................................... 212
Figura 8.16. Calibración del modelo Cropsyst en BioMa para Chinchiná .......................................... 214
Figura 8.17. Validación del modelo Cropsyst en BioMa para los municipios ...................................... 214
Figura 8.18. Variación diurna de la temperatura en el modelo Simfrut.............................................. 215
Figura 8.19. Modelos de producción de café según la edad y densidad de siembra ............................ 216
Figura 8.20. Calibración del modelo Simfrut en Chinchiná ............................................................ 216
Figura 8.21. Validación del modelo Simfrut en Chinchiná ............................................................. 217
Figura 8.22. Modelación hidrológica línea base 1989-2010- Estación Naranjal .................................. 217
Figura 8.23. Resultados de la modelación hidrológica y efectos del ENSO ....................................... 218
Figura 8.24. Comportamiento de la fotosíntesis acumulada con la humedad volumétrica ..................... 219
Figura 8.25. Relación producción relativa con el ONI .................................................................. 220
Figura 8.26. Relación producción relativa con lluvia antecedente ................................................... 220
Figura 8.27. Corrección en las salidas de Aquacrop por efectos del ENSO ....................................... 221
Figura 8.28. Corrección en las salidas de BioMa por efectos del ENSO ........................................... 223
Figura 8.29. Comparación de resultados de la modelación de cultivos ............................................. 225
Figura 8.30. Comparación resultados Aquacrop ajustado con escenarios de cambio climático............... 227
Figura 8.31. Incertidumbres en las proyecciones de modelos de cultivos según resultados Aquacrop ..... 228
Figura 8.32. Comparación resultados BioMa ajustado con escenarios de cambio climático ................... 230
Figura 8.33. Incertidumbres en las proyecciones de modelos de cultivos según resultados BioMa .......... 231
Figura 8.34. Comparación resultados ensamble modelos de cultivo con escenarios de cambio climático . 233
Figura 9.1. Alteraciones ciclo diurno del brillo solar por ENSO ...................................................... 237
Figura 9.2. Incertidumbres en las proyecciones climáticas ............................................................ 248
Figura 10.1. Indicadores climáticos asociados con temperaturas extremas ...................................... 282
Figura 10.2. Tendencias en Índices de precipitación extrema RClimdex ....................................... 283
Figura 10.4. Distribución espacial de la precipitación mensual para el periodo 2020-2049. RCP 8.5 ....... 286
Figura 10.5. Anomalías en la temperatura media mensual en estaciones cafeteras de Caldas .............. 288
Contenido XIX
Lista de tablas
Pág.
Tabla 3.1. Modelos incluidos en el Coupled Model Intercomparison Project Phase 5 ........................... 34
Tabla 3.2. Trayectorias de Concentración Representativas RCPs ................................................... 35
Tabla 3.3. Índices de Vulnerabilidad al cambio climático ............................................................... 40
Tabla 3.4. Modelos hidrológicos empleados en análisis de impacto del cambio climático ...................... 49
Tabla 3.5. Modelos del proyecto AgMIP ................................................................................... 57
Tabla 3.6. Balance Cafetero en Colombia 2009-2012 (millones de sacos 60 kg) ................................. 59
Tabla 3.7. BBCH-Descripción de las fases fenológicas de la planta de café....................................... 62
Tabla 3.8. Potencial productivo según el brillo solar ..................................................................... 65
Tabla 3.9. Relación temperatura del aire y tiempo de cosecha y desarrollo foliar ................................ 66
Tabla 3.10. Clasificación de la vulnerabilidad del suelo al déficit hídrico............................................ 69
Tabla 4.1. Modelos climáticos RCP´s AR5 empleados en la reducción de escala simple ...................... 77
Tabla 4.2. Modelos climáticos RCP´s AR5 para downscaling no paramétrico a escala diaria ................. 78
Tabla 5.1. Indicadores climáticos asociados con temperaturas extremas .........................................110
Tabla 5.2. Tendencias en Indicadores climáticos asociados con temperaturas extremas .....................110
Tabla 5.3. Lluvias máximas diarias para estaciones cafeteras .......................................................123
Tabla 5.4. Tendencias en Índices de precipitación extrema RClimdex..............................................124
Tabla 6.1. Anomalías en la precipitación mensual en estaciones cafeteras de Caldas .........................156
Tabla 6.2. Anomalías en la temperatura media anual en estaciones de Caldas .................................164
Tabla 6.3. Análisis de varianza y prueba post hoc de Duncan para las anomalías en la temperatura media
anual en estaciones de Caldas ..............................................................................................164
Tabla 6.4. Estimación de áreas óptimas para la producción de café en los Ecotopos cafeteros .............171
Tabla 6.5. Tormentas para diferentes periodos de retorno proyecciones CCSM4 RCP 8.5. ..................174
Tabla 7.1. Superficie de los ecotopos cafeteros en las cuencas de Caldas .......................................177
Tabla 7.2. Superficie de los ecotopos cafeteros en las cuencas hidrográficas de Caldas .....................179
Tabla 7.3. Funciones objetivo del modelo hidrológico calibrado y validado en subcuencas de Caldas .....182
Tabla 7.4. Análisis de estadística descriptiva variables climáticas 1981-2010....................................182
Tabla 7.5. Indicadores del régimen hidrológico en Cuencas de Caldas ............................................186
Tabla 7.6. Anomalías trimestrales en la precipitación por Variabilidad Climática ................................189
Tabla 7.7. Efectos del ENSO en el brillo solar y en el potencial productivo .......................................191
Tabla 7.8. Efectos del ENSO en la temperatura media y en el desarrollo del cafeto ............................193
Tabla 7.9. Efectos del ENSO en la acumulación térmica ..............................................................193
Tabla 7.10. Efectos del ENSO en la amplitud Térmica ................................................................194
XX Contenido
Tabla 7.11. Resultados de la modelación hidrológica con escenarios de cambio climático .................. 199
Tabla 8.1. Área cultivada con café según nivel de tecnificación (Miles de hectáreas). ......................... 204
Tabla 8.2. Área cultivada con café según exposición solar (Miles de hectáreas) ................................ 204
Tabla 8.3. Estadísticas de la caficultura del departamento de Caldas ............................................. 205
Tabla 8.4. Parámetros de calibración del modelo Aquacrop .......................................................... 209
Tabla 8.5. Resultados de la calibración y Validación del modelo Aquacrop a escala municipal – 2002-2010
..................................................................................................................................... 210
Tabla 8.6. Validación del modelo de cultivo Aquacrop 2002-2014................................................... 211
Tabla 8.7. Parámetros de calibración del modelo Cropsyst en la plataforma BIOMA ........................... 213
Tabla 8.8. Calibración y Validación del modelo de cultivo Cropsyst en BioMa 2002-2010 a escala municipal
..................................................................................................................................... 215
Tabla 8.9. Resultados del ajuste en la salida del modelo Aquacrop 2002-2010 .................................. 221
Tabla 8.10. Resultados del ajuste en la salida de BioMa 2002-2010 ............................................... 222
Tabla 8.11. Análisis de varianza modelación de la línea base 1990-2010 ......................................... 224
Tabla 8.12. Anomalías en la productividad por condición hidrológica ............................................... 224
Tabla 8.13. Escenarios de productividad según resultados modelo Aquacrop ajustado ........................ 226
Tabla 8.14. Anomalías en la productividad según resultados modelo Aquacrop ajustado ..................... 228
Tabla 8.15. Escenarios de productividad según resultados de BioMa ajustado .................................. 229
Tabla 8.16. Anomalías en la productividad según resultados de BioMa ajustado ................................ 231
Tabla 8.17. Escenarios de productividad según resultados del ensamble de modelos de cultivo ............ 232
Tabla 8.18. Anomalías en la productividad según ensamble simple modelos de cultivo ....................... 234
Tabla 9.1. Efectos de la variabilidad climática en el brillo solar y en el potencial productivo en la región de los
ecotopos cafeteros. ............................................................................................................ 236
Tabla 9.2. Técnicas de regionalización para refinar la escala de los MCG ........................................ 245
Tabla 9.3. Estadísticos de los escenarios de cambio climático 2020-2049 con el método simple de reducción
de escala ......................................................................................................................... 247
Tabla 9.4. Estadísticos de los escenarios de cambio climático 2020-2049 para la región de los ecotopos
cafeteros de Caldas con el método simple de reducción de escala ................................................. 248
Tabla 9.5. Anomalías en la precipitación según las proyecciones con el método KNN Boostrapping RCP 8.5.
en el departamento de Caldas para el 2020-2049 ...................................................................... 249
Tabla 9.6. Anomalías en la precipitación según las proyecciones con el método KNN Boostrapping RCP 8.5.
en la región de los ecotopos cafeteros de Caldas para el 2020-2049 .............................................. 249
Tabla 9.7. Anomalías promedio en la precipitación según las proyecciones con el método KNN Boostrapping
RCP 8.5. en estaciones cafeteras de Caldas para el 2020-2049 .................................................... 250
Tabla 9.8. Anomalías en la temperatura según las proyecciones con el método KNN Boostrapping RCP 8.5.
en el departamento de Caldas para el 2020-2049 ...................................................................... 251
Tabla 9.9. Anomalías en la temperatura según las proyecciones con el método KNN Boostrapping RCP 8.5.
en la región de los ecotopos cafeteros de Caldas para el 2020-2049 .............................................. 251
Tabla 9.10. Superficie con la aptitud climática para la producción de café en el Caldas ....................... 253
Tabla 9.11. Anomalías en la productividad según el ensamble simple de los modelos de cultivo ............ 260
Tabla 9.12. Distribución de caficultores por clase de economía cafetera ......................................... 263
Tabla 10.1. Listado de estaciones con registro diario empleadas en el estudio ................................. 269
Tabla 10.2. Análisis de estadística descriptiva registros de brillo solar, horas por día .......................... 272
Tabla 10.3. Análisis de estadística descriptiva estimaciones de radiación solar, kWh/m2 ..................... 272
Contenido XXI
Tabla 10.4. Análisis de estadística descriptiva registros de humedad relativa, % ...............................272

Tabla 10.5. Análisis de estadística descriptiva registros de temperatura media. °C ............................273
Tabla 10.6. Temperatura media y efectos en desarrollo del café ....................................................273
Tabla 10.7. Amplitud térmica efectos del ENSO ........................................................................274
Tabla 10.8. Estadística descriptiva de la velocidad del viento en la estación Cenicafé m/s. ...................275
Tabla 10.9. Registros y proyecciones de precipitación media anual en estaciones cafeteras.................275
Tabla 10.10. Valores medios de anomalías en la precipitación mensual por grupos homogéneos según
ANOVA y prueba post hoc de Duncan .....................................................................................276
Tabla 10.11. Registros y proyecciones de temperatura media anual en estaciones cafeteras................277
Tabla 10.12. Análisis de varianza y prueba post hoc de Duncan para las anomalías en la temperatura media
anual en estaciones cafeteras de Caldas..................................................................................278
Tabla 10.13. Análisis de estadísticas para las anomalías en la temperatura media trimestral en estaciones
de Caldas .........................................................................................................................279
Tabla 10.14. Resultados de la modelación hidrológica con escenarios de cambio climático .................280
Tesis Doctoral Ocampo (2018) 23
Introducción
El cambio climático y la variabilidad climática están generando efectos en diferentes sectores
económicos, en especial en el agua y la agricultura, que plantean retos y desafíos en el mediano y
largo plazo. Es necesario implementar estrategias de adaptación que aseguren la sostenibilidad
económica, para ello, se requiere un conocimiento del clima en las diferentes regiones.
El análisis de los efectos del cambio y la variabilidad climática en la productividad cafetera en Caldas
es un trabajo de investigación que pretende generar conocimiento del clima y sus efectos, a partir del
análisis de los diferentes modos de variabilidad climática y los posibles escenarios futuros de cambio
climático. Entre las novedades de este trabajo se tienen el análisis del ciclo diurno de las variables
climáticas, de particular importancia en el cultivo y en el ciclo del agua, y la modelación integrada,
hidrológica y agronómica, para las condiciones actuales y los escenarios de cambio climático en el
departamento de Caldas.
Para el desarrollo del trabajo se aplicaron diferentes técnicas matemáticas y estadísticas para el
análisis de la información, proveniente de estaciones en tierra y de información disponible de
sensores remotos. Para la evaluación del cambio climático, se analizaron diferentes trayectorias de
concentración o RCP, planteadas por el IPCC y los escenarios del IDEAM, propuestos en la Tercera
Comunicación Nacional; se realizó el “downscaling” estadístico para la evaluación de los efectos a
escala de cuenca, lo que permitió obtener la información de entrada para el análisis de aptitud
climática para el cultivo del café, la modelación hidrológica y agronómica.
Diferentes software licenciados y libres fueron empleados para el desarrollo de la investigación tales
como: Matlab, SSPS IBM Statistics, Stat Graphics, ArcGIS, R y Excel. Para la modelación hidrológica
se empleó el modelo de tanques, que es un modelo conceptual y físicamente basado; mientras que
la agronómica se utilizaron los modelos Simproc, Aquacrop y Cropsyst, este último en la plataforma
BIOMA. Diferentes rutinas de programación y automatización fueron desarrolladas para facilitar el
procesamiento y análisis de la información, a escala diaria y horaria.
Entre los resultados que se exponen se tiene el análisis de la variabilidad climática para las variables
que influyen en la productividad cafetera como son: la precipitación, la temperatura, la humedad
relativa, el viento, la evapotranspiración, el brillo y la radiación solar; el análisis de escenarios futuros
de cambio climático y sus efectos en la aptitud climática; la evaluación de alteraciones por la
Oscilación del Sur- El Niño y los posibles efectos por cambio climático en el balance hídrico por
modelación hidrológica, y en la productividad cafetera, empleando modelos de cultivos. Se espera
que estos resultados puedan ser integrados en los planes de adaptación y gestión del riesgo en
beneficio de la caficultura del departamento de Caldas.
24 Tesis Doctoral Ocampo (2018)
1. Descripción del área problemática y justificación
1.1 Descripción del área problemática

La comunidad científica tiene gran interés en estimar los impactos potenciales de los cambios en el
sistema climático global (Figura 1.1), donde influyen fenómenos globales como el cambio climático,
la pérdida de biodiversidad, la desertización y los cambios en el uso del suelo, entre otros (IPCC,
2002, 2007a, 2007b). Para ello, es necesario comprender las dinámicas de las interacciones
ambientales, por la extrema complejidad de los feedbacks o ciclos de retroalimentación y la gran
variabilidad espacio-temporal (IPCC, 2007a).
Figura 1.1. Cambios en el sistema climático global

Fuente: (IPCC, 2007b)
El aumento en las temperaturas, por el efecto del calentamiento global (IPCC, 2012), acelera el ciclo
hidrológico y contribuye a una mayor evaporación y precipitaciones más intensas (Dai, 2006). Por
otra parte, por el incremento en la cantidad de energía y humedad en el sistema climático (Trenberth
et al., 2007; Willett et al., 2008) se espera un incremento en la variabilidad climática. Este hecho es
evidente porque no sólo se presentan incrementos en la temperatura media del aire, sino también en
los extremos (Zhang et al., 2008; IPCC, 2001, 2007a, 2012, 2013).
Es así como diferentes estudios concluyen que la frecuencia, intensidad y duración de los eventos
extremos ha sido modificada por el calentamiento global (IPCC, 2012; OMM 2013; National
Academies of Sciences, Engineering and Medicine, 2016). Estos eventos extremos son una de las
principales manifestaciones del cambio climático en muchas regiones del mundo (OMM, 2013) y uno
de los aspectos más amenazadores del cambio climático mundial (OMM, 2008). En general, hay
preocupación por las tendencias en estos eventos (Roy & Rouault, 2013), en especial por los
aumentos generalizados en los extremos de precipitación (Alexander et al. 2006) y sus efectos en los
los recursos hídricos y la productividad agrícolas (Rosenzweig et al., 2004; Lin, 2007).
Los efectos del cambio climático están impactando todos los sectores de la sociedad, como la
agricultura, la salud pública, el agua, la energía, el transporte, el turismo y el desarrollo
socioeconómico, en general (OMM, 2009; 2011; Useros, 2013); son por tanto uno de los desafíos de
la humanidad y no son exclusivamente problemas ambientales sino de desarrollo (CMNUCC, 2007;
PNUMA, 2007).
En este sentido, la comunidad internacional, en cabeza de la ONU, ha establecido acciones para
medir y enfrentar el Cambio Climático. El Acuerdo de Paris (ONU, 2015) busca, con las contribuciones
nacionales, mantener el aumento de la temperatura media mundial por debajo de 2°C, con respecto
a los niveles preindustriales y así reducir los riesgos y los efectos del cambio climático. En la Agenda
2030 se ha definido el objetivo de desarrollo sostenible 13. Acción por el clima que pretende “adoptar
medidas urgentes para combatir el cambio climático y sus efectos” (Naciones Unidas, 2016, p. 33).
El Global Climate Risk Index representa el ranking de los países más afectados considerando las
pérdidas humanas y económicas (Kreft, Eckestein & Melchior, 2016); la medición de este ranking
para el período 1996-2015 concluye que los países tropicales tienen mayores índices de riesgo
climático.
En los países tropicales, el clima y el tiempo atmosférico están influenciados por los fenómenos
macro-climáticos, de meso-escala o de escala sinóptica, los mecanismos de convección que dominan
la lluvia tropical y la interacción suelo-atmósfera (Poveda, 2004). En los trópicos, los efectos de los
ciclos día-noche son más importantes que los ciclos estacionales (Jaramillo, 2005). Por otra parte, se
caracterizan por la óptima fijación de carbono y la alta capacidad fotosintética que globalmente
corresponde a los bosques húmedos tropicales (Jaramillo, 2005).
En los agroecosistemas tropicales, la temperatura por sus efectos en la evapotranspiración, tiene un
efecto crucial en la vegetación (Delire et al., 2008); por tanto, el incremento de la temperatura es el
principal factor que genera efectos en el hábitat en las zonas altas, mientras que los cambios en la
precipitación son los factores que influyen en las zonas bajas (Li et al., 2009).
Estos cambios influyen en los sistemas de producción agropecuarios; es así como la productividad
agrícola depende del ciclo del agua, de la distribución temporal y espacial de las precipitaciones y de
la disponibilidad de agua para riego. Por ende, un ciclo hidrológico intensificado, producido por el
calentamiento global, es un desafío para la agricultura porque tanto el déficit como el exceso de agua,
impactan la productividad del sector (Ocampo, 2011). Es de anotar que, en los trópicos, la mayoría
de los cultivos no están dotados de irrigación y, por tanto, la variabilidad climática juega un rol
importante en la producción y productividad agrícolas (Slingo et al., 2005).
Dado que las plantas intervienen en los ciclos del agua y de carbono (Hutjes et al., 1998; Prentice et
al., 2000), pero su tasa y dinámica del crecimiento es afectada por las variables climáticas, se requiere
el análisis integrado de las interacciones ambientales que permita identificar patrones y dinámicas en
un escenario de cambio global. Este análisis es complejo porque las interacciones ambientales
involucran un gran número de procesos, que pueden ser significativamente modificados por el cambio
climático con efectos en los ciclos hidrológicos, bioquímicos y de energía (Wang, 2005; Meehl et al.,
2007; Seneviratne et al., 2010). No obstante, los métodos y técnicas de modelación son apropiadas
para este análisis integrado (Seneviratne et al., 2006; Frank et al., 2010).
En este tipo de análisis de interacciones ambientales se han reportado problemas en la escala, pues
la mayoría de los estudios emplean escalas mensuales o semanales, pero diferentes autores (Kanae
et al., 2004; Roy & Rouault, 2013) sugieren emplear una resolución temporal más fina para revelar
las tendencias a escala local. Este tipo de requerimientos son particularmente importantes en
regiones con sustancial variabilidad climática y donde los efectos de la topografía añaden
complejidades adicionales, tal como ocurre en los países tropicales como Colombia.
En el contexto colombiano, las diferentes comunicaciones nacionales (IDEAM 2001, 2010a, b; IDEAM
et al. 2017) revelan que el país es vulnerable a la variabilidad climática y al Cambio Climático. Por
su parte, los estudios del Departamento Nacional de planeación (DNP, 2012) evalúan los impactos
económicos del cambio climático y agrupan, por sectores, según el tipo de impacto, así: 1) Sectores
que se impactan directamente por los cambios en las variables climáticas como la agricultura, la
ganadería, la pesca y la silvicultura; 2) Sectores cuyos impactos están correlacionados con los del
primer grupo; 3) Sectores que durante un período serán beneficiados pero eventualmente resultan
perdedores; 4) Sectores ganadores como minero-energéticos y minerales. Los posibles impactos
afectan por tanto los sectores productivos (CEPAL, 2013) y se requiere el desarrollo de estrategias
que preparen al país para afrontar los retos que impone al desarrollo económico y social (DNP, 2011).
Por su parte, el sector agrícola colombiano, históricamente ha podido adaptarse a la variabilidad
climática, pero los fenómenos extremos representan una gran amenaza (Banco de la Republica,
2007); este sector a su vez es vulnerable al cambio climático (DNP 2011, 2012). Los posibles
impactos del cambio climático en la agricultura para el año 2050 fueron estimados por el CIAT
(Ramírez et al., 2012), sin considerar medidas de adaptación; plantean afectaciones en el 80% de los
cultivos, con una incidencia en 3.5 millones de personas e impactos cercanos al 14% PIB agrícola.
Otras instituciones como el IDEAM, con el apoyo de FONADE y el BID han avanzado en la
investigación de los efectos del cambio climático en la producción y rendimiento de cultivos por
sectores, se destaca el estudio de estado del arte de Fernández (2013a), que incluyó una revisión de
los modelos de cultivo más empleados (Fernández, 2013b) y la evaluación de los efectos en maíz,
papa y arroz usando AquaCrop (Fernández, 2013c); sin embargo, no realizó la modelación para el
principal cultivo agrícola colombiano, el café.
El café (Coffea arabica) ha sido tradicionalmente el principal producto agrícola de exportación de
Colombia (Muñoz, 2010) y uno de los más importantes de diversos países tropicales (Duque & Baker,
2003). El segmento de mercado al que pertenece el café colombiano corresponde al tipo de cafés
arábicos lavados. Colombia contribuye con alrededor del 30% de producción global
(Superintendencia de Industria y Comercio, 2012), en consecuencia, es el mayor productor de café
de calidad y punto de referencia del grano de calidad superior a escala mundial (Organización
Internacional del Café, 2015).
Si bien, la industria cafetera tiene gran influencia en la estabilidad económica y social del país
(Federación Nacional de Cafeteros de Colombia, 2014), en los últimos años, algunos de los
principales departamentos cafeteros han presentado transformaciones importantes por los retos que
enfrentan no sólo por los cambios en el mercado, sino también por situaciones como: “el cambio
climático, la geografía y los escenarios sociopolíticos locales y territoriales que han evolucionado y
definen el entorno para la producción” (FNC, 2014, p. 13).
La caficultura colombiana ha pasado por años difíciles (FNC, 2011a); es así como las alteraciones
climáticas asociadas con el fenómeno de La Niña afectan considerablemente la ocurrencia de las
floraciones; en consecuencia, la producción de café baja significativamente; tal como se reportó para
el 2011 y el 2012, donde sólo alcanzó 7.8 y 7.7 millones de sacos, respectivamente (FNC, 2011a,
2012a).
La FNC está adelantando ambiciosos programas de renovación y focalizando sus esfuerzos en la
estrategia denominada “Caficultura climática Inteligente” que comprende la conservación de suelo, el
uso adecuado del sombrío, los sistemas de alerta temprana de broca y roya, el conocimiento oportuno
del clima en las diferentes regiones y el uso de la tecnología para llevar soluciones prácticas
relevantes y oportunas al campo (FNC, 2011b, 2012b).
En el contexto departamental, la caficultura es fundamental para la economía; no obstante, ha sufrido
contracción en los últimos años; se detectan además afectaciones por la variabilidad climática, es así
como por efectos de la ola invernal 2010-2011, se invirtieron recursos por $1.934 millones para el
apoyo a pequeños productores (FNC, 2012c).
En este panorama, el análisis de la variabilidad climática y el cambio climático en el departamento de
Caldas, permite el conocimiento del clima y una mayor comprensión de los efectos en la productividad
cafetera, de tal manera que se pueden involucrar los resultados en la toma de decisiones que
conlleven a definir estrategias efectivas de adaptación que aseguren la sostenibilidad económica;
porque las soluciones, para ser relevantes, deben ser locales, dado que el cambio y la variabilidad
climáticas no son uniformes en todas las regiones del país (FNC, 2012b).
1.2 Formulación de la pregunta de Investigación

Este estudio responde a las siguientes preguntas de investigación: 1. ¿Cómo es el ciclo diurno de las
variables climáticas en estaciones cafeteras del departamento de Caldas? 2. ¿Cuáles son los efectos
de la variabilidad climática y el cambio climático en el balance hídrico en las cuencas de Caldas con
influencia en la zona cafetera? 3. ¿Cuáles son los efectos de la variabilidad climática y el cambio
climático en la producción cafetera de Caldas?
1.3 Justificación
En respuesta a los impactos del cambio y la variabilidad climáticas, el Plan Nacional de Adaptación
al Cambio Climático –PNACC- busca incidir en los procesos de planificación ambiental, territorial y
sectorial para que se incluyan las proyecciones climáticas en la toma de decisiones, de tal manera
que se busque la reducción de la vulnerabilidad de las poblaciones, ecosistemas y sectores
productivos y se incremente la resiliencia para responder a los eventos climáticos (DNP, 2011). Se
requiere, por tanto, información científica que facilite la elaboración de estrategias eficaces de
reducción de riesgos y adaptación (OMM, 2009).
El análisis de las variables climatológicas, en especial la lluvia, en escalas de tiempo que permitan
analizar los distintos modos de variabilidad, como el ciclo diurno, es particularmente importante para
la gestión integral de los recursos hídricos (Deckers et al., 2010); los estudios de cuencas no aforadas
(Wale et al., 2009); la modelación hidrológica (Rientjes et al., 2013); el análisis de amenazas de
eventos extremos (Lenderink & Meijgaard, 2008; Tarenkeng et al., 2010; Goodess, 2013; Roy &
Roualt, 2013); la evaluación de impactos de cambios de uso del suelo (Rientjes, et al. 2011) y del
cambio climático (Abdo et al., 2009).
Para reducir las pérdidas materiales y los problemas relacionados con la agricultura y los recursos
hídricos por efectos de la variabilidad y el cambio climático, es necesario mejorar la comprensión de
los procesos, en un marco integral, que plantea el análisis del ciclo del agua y la modelación de
cultivos. Este análisis implica un profundo conocimiento de la dinámica de estos procesos (Goodes,
2013), para lo cual se requiere la aplicación de técnicas de análisis de datos, modelación, métodos
numéricos y rutinas de automatización que facilitan la simulación. Con ello, es posible una mejor
comprensión y cuantificación de los procesos relevantes y reducir las incertidumbres en los
escenarios futuros del clima, con respecto a los cambios en la variabilidad del clima y los fenómenos
extremos, así como los impactos ambientales y agrícolas (Seneviratne et al., 2010).
El estudio es relevante dado que la caficultura es fundamental para la economía del departamento:
veinticinco (25) de los veintisiete (27) municipios de Caldas se dedican a la producción de café (Figura
1.2); representa el 54,4% del PIB agropecuario; contribuye con el 24% del empleo generado y con el
52% de las exportaciones totales de Caldas (Comité departamental de Cafeteros de Caldas, 2015).
Es una apuesta departamental (DNP, 2007), que requiere el apoyo de las diferentes instituciones
para avanzar en la sostenibilidad y enfrentar los desafíos que el cambio climático impone al sector
(OIC, 2014).
Figura 1.2. Mapa Cafetero del Departamento de Caldas

Fuente: (Comité departamental de cafeteros de Caldas, 2005)
El análisis del cambio y la variabilidad climática en el departamento de Caldas y sus impactos en la

productividad cafetera de Colombia está enmarcado en los objetivos del Plan Nacional de Adaptación
de Colombia (DNP, 2011) y responde a las necesidades establecidas por el DNP (2011) sobre los
estudios de vulnerabilidad en aspectos como la productividad agrícola. Está alineado además con los
objetivos estratégicos de la FNC (2011b, 2012a) que buscan lograr una caficultura productiva y
proveer desarrollos científicos y tecnológicos oportunos y pertinentes en beneficio de los caficultores
colombianos. La investigación genera un mayor conocimiento sobre los potenciales riesgos
asociados a la variabilidad y al cambio climático, de tal manera que sirve como insumo para la
planificación en el uso del territorio y para la definición de proyectos específicos de adaptación que
conlleven a una mayor resiliencia en los sistemas de producción cafeteros.
2. Objetivos
2.1 Objetivo General

Analizar los efectos de la variabilidad y el cambio climático en la producción cafetera de Caldas
mediante modelación hidrológica y agronómica
2.2 Objetivos Específicos

 Comprender el ciclo diurno y las tendencias de las variables climáticas que influyen en la
productividad cafetera de Caldas.
 Estimar los escenarios futuros de cambio climático para el departamento de Caldas.
 Evaluar los efectos del cambio climático y la variabilidad climática en el balance hídrico en las
cuencas de Caldas, mediante modelación hidrológica.
 Evaluar los efectos del cambio climático y la variabilidad climática en la producción cafetera por
modelación de cultivos.
3. Estado del Arte

Este capítulo detalla la revisión de literatura científica en torno al cambio climático, la variabilidad
climática, sus efectos en el balance hídrico, en la agricultura, y la evaluación de los impactos por
modelación hidrológica y de cultivos. Finalmente, realiza un análisis detallado de los factores que
afectan la productividad cafetera y los efectos del cambio y la variabilidad climática en el sector.
3.1 Cambio climático

El cambio climático no es un debate, sino un hecho ampliamente aceptado (IPCC, 2007a, b; OMM,
2008; Stern, 2008; IPCC, 2012; 2013). La Organización Meteorológica Mundial (OMM, 2011b) lo
define como “una importante variación estadística en el estado habitual del clima en su variabilidad,
que persiste durante un extenso período, por lo general, durante decenios o períodos más largos”.
Según La Convención Marco de las Naciones Unidas sobre el Cambio Climático (CMNUCC), es “un
cambio en el clima que se atribuye directa o indirectamente a la actividad humana”; se da además de
la variabilidad natural del clima observada (IPCC, 2007c), durante un período que va desde decenios
hasta siglos (OMM, 2011). El Quinto informe del Grupo Intergubernamental de Expertos sobre el
Cambio Climático (IPCC, 2015), confirma la influencia humana en el sistema climático, el papel de
los gases de efecto invernadero e ilustra los posibles riesgos e impactos.
Según el IPCC (2013b), si bien existen sustancias y procesos naturales que son impulsores del
cambio climático, la principal contribución es antropogénica y proviene del aumento en la
concentración de dióxido de Carbono, CO2, que genera forzamiento radiativo; este último es una
medida del cambio en el flujo de energía causado por el impulsor en la parte superior de la atmósfera
y se expresa en W/m2.
Las mediciones de la OMM (2016b) de los Gases de Efecto Invernadero (GEI) durante el año 2015
revelan que la concentración atmosférica alcanzó una media mundial de 400 ppm de dióxido de
carbono en el 2015, el metano llegó a 1845 ppb, y el óxido nitroso a 328 ppb. En consecuencia, los
incrementos con respecto a la época preindustrial (1750) ascendieron a 144%, 256% y 121%,
respectivamente. Entre 1990 y 2015, debido al aumento de las concentraciones de GEI, se registró
un aumento del 37% en el forzamiento radiativo, según el índice anual de gases de efecto invernadero
de la NOAA (Butler & Montzka, 2016). Por su parte, las mediciones del año 2016 (OMM, 2017)
evidencian que las concentraciones siguen en ascenso: CO2: 403 ppm, CH4: 1853 ppb y N2O 328.9
ppb con efectos en el potencial de forzamiento radiativo que registra incremento del 40%.
3.1.1 Efectos del cambio climático

El quinto informe del IPCC (2015) abordó los siguientes cuatro aspectos fundamentales que deben
ser considerados para el análisis de los efectos del cambio climático: 1) Cambios observados; 2)
Futuros cambios climáticos, riesgos e impactos; 3) Futuras trayectorias de adaptación, mitigación y
desarrollo sostenible; 4) Adaptación y mitigación. A continuación, se describen los principales
aspectos que tienen relación con la agricultura y los recursos hídricos.
3.1.1.1 Cambios observados

Los cambios asociados con el calentamiento se detectan en otros componentes del sistema climático
(Zhang et al., 2008) tales como: la circulación atmosférica global (Gillett et al., 2003); la distribución
de la precipitación (Zhang et al., 2007), de la humedad (Wilett et al., 2007), y en el ciclo hidrológico
(Barnett et al., 2008); con consecuencias en las condiciones hidroclimáticas y meteorológicas. En
este sentido, el IPCC (2015) puntualiza sobre los cambios observados en la atmósfera, la criosfera,
el nivel del mar y los océanos.
Los cambios en la composición de la atmósfera han provocado aumento de la temperatura media
mundial. Para el período 1880-2012, la tendencia lineal de aumento de la temperatura fue de 0.85°C
(0.65-1.06°C), según el quinto informe del IPCC (2015). Esta tasa de calentamiento lleva a períodos
más cálidos, según lo expresado por la OMM (2018): los cinco años más cálidos se han registrado a
partir del 2010; el quinquenio más cálido corresponde a 2013-2017, con una anomalía en la
temperatura de 1.0°C con respecto a los niveles preindustriales; el año 2016, sucedió uno de los
fenómenos de El Niño más intensos con anomalías de 0.56°C; mientras que el 2017, fue el año más
cálido sin un episodio de El Niño, con anomalías de 0.46°C.
El derretimiento de los casquetes polares y glaciares es uno de los efectos del calentamiento global
(CMNUCC, 2007, IPCC, 2015). El cambio anual ha sido negativo desde 1988. Entre el 2001-2010,
los glaciares del mundo perdieron más masa que en cualquier otra década desde que comenzaron
los registros (OMM, 2013a). No obstante, los balances negativos han seguido aumentando; para el
período 2011-2015, las pérdidas medias de los glaciares varían entre -600 y -1200 mm de equivalente
de agua (OMM, 2016a); para el 2016 se estiman en promedio en -900 mm (OMM; 2018).
Los cambios en la criosfera y la expansión térmica del océano han llevado a una elevación en el nivel
del mar. Según el IPCC, para el 1901-2010 se reporta un promedio global de 0,19 m (0,17 – 0,21).
Para el período 2001-2010 la tasa de aumento del nivel de mar fue alrededor de 3 mm por año (OMM,
2013 a); mientras que para el período 2004-2015 se estima en 3.7 mm/año (OMM, 2018).
Particularmente, el calentamiento del océano trae consigo cambios en la salinidad, pH, con
modificaciones en las concentraciones de oxígeno, que afectan la circulación oceánica (IPCC, 2015).
Para la década 2001-2010 la anomalía en la temperatura del océano a nivel global fue de 0,35°C;
para el hemisferio Norte fue 0,41°C; mientras que, para el hemisferio Sur, 0,29°C (OMM, 2013a).
Para el quinquenio 2011-2015 se evidencian anomalías notables en la cuenca oriental del Pacífico
Norte y la región oriental del Atlántico Norte; se tienen a su vez las temperaturas más altas de registro
en la parte occidental del Pacífico ecuatorial (OMM, 2016a).
El aumento de las temperaturas acelera el ciclo hidrológico y contribuye a precipitaciones más
intensas y mayor evaporación. Como el aire cálido puede retener más humedad, es probable que el
cambio climático haya influido en la probabilidad e intensidad de los episodios de precipitaciones
extremas (OMM, 2013b; IPCC, 2007a). Si bien la variabilidad natural influye en estos eventos
extremos, su frecuencia, intensidad y duración ha sido modificada por el calentamiento global (IPCC,
2007a, 2012, 2015; OMM 2013; National Academies of Sciences, Engineering and Medicine, 2016).
Se estima, por tanto, que el cambio climático vaya exacerbando esta amenaza pues se prevé
aumento en la frecuencia y la intensidad de los fenómenos meteorológicos extremos (IPCC, 2007a;
2012).
Las condiciones meteorológicas y climáticas extremas han sido la causa de nueve de cada diez
desastres naturales en el mundo, durante los últimos 50 años (OMM, 2009; 2011a). En las primeras
dos décadas del siglo XXI, la OMM (2013b) registró un mayor número de lluvias extremas que
desencadenaron eventos como: inundaciones, fenómeno más frecuente, crecidas de ríos y
deslizamientos de tierra. El período 2011-2015 (OMM, 2015a), se caracterizó por numerosos
episodios de fenómenos extremos como: olas de calor y frío, ciclones tropicales, inundaciones
sequías y tormentas. Por su parte, en el 2017 (OMM, 2018) se registraron 84 ciclones tropicales y
fue la temporada de huracanes más activa y una de las más costosas, en especial para USA y las
pequeñas islas del caribe.
Todas estas estadísticas conducen a que los fenómenos meteorológicos extremos sean la principal
amenaza de la humanidad, tal como lo indica el Foro Económico Mundial (WEF, 2018) en el Global
Risk Report 2018. Por su parte, el IPCC (2007a, 2012) plantea que el aumento en los fenómenos
extremos, así como el cambio en las tendencias socioeconómicas y demográficas son elementos que
han contribuido a aumentar la vulnerabilidad frente al cambio climático. Las poblaciones con menos
recursos son las vulnerables por su capacidad de adaptación limitada; mientras que las más
expuestas se encuentran en los países en desarrollo, con infraestructuras frágiles y con una menor
capacidad para reducir los riesgos y gestionarlos (PNUD, 2000; OMM, 2011a). Según el quinto
informe: “Las diferencias en la vulnerabilidad y la exposición se derivan de factores distintos del clima
y de desigualdades multidimensionales producidas a menudo por procesos de desarrollo dispares”
(IPCC, 2015, p. 57).
En este contexto, los impactos del cambio climático están teniendo lugar en la actualidad y se espera
que se recrudecerán en el futuro, si no se toman las medidas de adaptación pertinentes (OMM, 2008).
Estos impactos son heterogéneos y están influenciados por los factores ambientales, sociales y
económicos. Sin embargo, el IPCC (2015) ha clasificado los impactos observados, según su relación
con sistemas físicos, biológicos y humanos. En los sistemas físicos se tienen impactos en los
glaciares, nieve, hielo y/o permafrost; ríos, lagos, inundaciones y/o sequías; efectos de la erosión
costera y/o del nivel del mar. En los sistemas biológicos, se registran impactos en ecosistemas
marinos y terrestres e incendios forestales. En los sistemas humanos, se presentan impactos en la
producción de alimentos; medios de subsistencia, salud y/o economía. Estos impactos repercuten en
los sectores económicos, extremadamente sensibles a los cambios en el clima (IPCC 2007a, 2008;
OMM, 2009; 2011); la Figura 3.1 describe algunos de estos impactos en el agua, la seguridad
alimentaria, la agricultura y la salud.
Impactos en el Agua: en calidad y disponibilidad.
Impactos en la Seguridad Alimentaria: en

disponibilidad, suministro, utilización y acceso de
alimentos
Impactos en la Agricultura: Estrés térmico, daños

en cultivos, erosión de suelos, enfermedades y
plagas, menor rendimiento de cultivos, mejores
cosechas en entornos más fríos, etc.
Impactos en la Salud: cambios en la dinámica de

enfermedades y vectores que pueden ocasionar
propagación de enfermedades.
Figura 3.1. Impactos del cambio climático en algunos sectores

Adaptada (IPCC, 2007a, 2008; OMM, 2011)
3.1.1.2 Futuros cambios climáticos, riesgos e impactos

Si bien no se discute que las emisiones de GEI contribuyen al cambio climático, los científicos
continúan investigando cuál será la respuesta del clima a dichas emisiones, a lo largo del tiempo, en
las distintas regiones del mundo (OMM, 2013a). Según el IPCC (2015), las emisiones de GEI
provocarán un mayor calentamiento y cambios duraderos en los componentes del sistema climático,
con impactos generalizados que pueden estimarse por modelación del sistema climático de la tierra.
Para el quinto informe del IPCC (2013) se ejecutó el proyecto CMIP5 –Coupled Modeling
Intercomparison Project 5-, que agrupa diferentes instituciones y modelos (Tabla 3.1). Las
simulaciones del CMIP5 cubren un espectro más amplio, que se agrupa en tres tipos así: 1.
Simulaciones de décadas pasadas y predicciones decadales denominadas Hindcasts; 2.
Simulaciones de largo plazo forzadas por escenarios de emisión, según las Trayectorias de
Concentración Representativas o RCPs –Representative Concentration Pathways-; 3. Simulaciones
con modelos atmosféricos forzados por los RCPs y temperaturas de superficie del mar.
Los nuevos escenarios desarrollados por IAMC –Integrated Assessment Modelling Community-
consideran un proceso distinto, el cual es descrito por Moss et al. (2008, 2010) y Van Vuuren et al.
(2011). Estos escenarios representan 4 posibles vías representativas de concentraciones de GEI que
generan un forzamiento radiativo para el año 2100 (Tabla 3.2). El nuevo escenario RCP2.6 proyecta
concentraciones más bajas que los escenarios SRES, empleados en el cuarto informe del IPCC
(2007a); mientras que el escenario RCP8.5 estima concentraciones más altas que el escenario SRES
A2.
Tabla 3.1. Modelos incluidos en el Coupled Model Intercomparison Project Phase 5
Centros Modelos Instituciones
BCC BCC-CSM1.1 Beijing Climate Center, China Meteorological Administration
BCC-CSM1.1(m)
CCCma CanAM4 Canadian Centre for Climate Modelling and Analysis
CanCM4
CanESM2
CMCC CMCC-CESM Centro Euro-Mediterraneo per I Cambiamenti Climatici
CMCC-CM
CMCC-CMS
CNRM- CNRM-CM5 Centre National de Recherches Meteorologiques / Centre
CERFACS Europeen de Recherche et Formation Avancees en Calcul
Scientifique
COLA and CFSv2-2011 Center for Ocean-Land-Atmosphere Studies and National
NCEP Centers for Environmental Prediction
CSIRO-BOM ACCESS1.0 CSIRO (Commonwealth Scientific and Industrial Research
ACCESS1.3 Organisation, Australia), and BOM
CSIRO-QCCCE CSIRO-Mk3.6.0 Commonwealth Scientific and Industrial Research Organisation
in collaboration with the Queensland Climate Change Centre of
Excellence
EC-EARTH EC-EARTH EC-EARTH consortium
FIO FIO-ESM The First Institute of Oceanography, SOA, China
GCESS BNU-ESM College of Global Change and Earth System Science, Beijing
Normal University
INM INM-CM4 Institute for Numerical Mathematics
IPSL IPSL-CM5A-LR Institut Pierre-Simon Laplace
IPSL-CM5A-MR
IPSL-CM5B-LR
LASG-CESS FGOALS-g2 LASG, Institute of Atmospheric Physics, Chinese Academy of
Sciences; and CESS, Tsinghua University
LASG-IAP FGOALS-gl LASG, Institute of Atmospheric Physics, Chinese Academy of
FGOALS-s2 Sciences
MIROC MIROC4h Atmosphere and Ocean Research Institute (The University of
MIROC5 Tokyo), National Institute for Environmental Studies, and Japan
Agency for Marine-Earth Science and Technology
MIROC MIROC-ESM Japan Agency for Marine-Earth Science and Technology,
MIROC-ESM-CHEM Atmosphere and Ocean Research Institute (The University of
Tokyo), and National Institute for Environmental Studies
MOHC HadCM3 Met Office Hadley Centre (additional HadGEM2-ES realizations
(additional HadCM3Q contributed by Instituto Nacional de Pesquisas Espaciais)
realizations by HadGEM2-A
INPE) HadGEM2-CC HadGEM2-ES
MPI-M MPI-ESM-LR Max Planck Institute for Meteorology (MPI-M)
MPI-ESM-MR
MPI-ESM-P
MRI MRI-AGCM3.2H Meteorological Research Institute
MRI-AGCM3.2S
MRI-CGCM3
NASA GISS GISS-E2-H NASA Goddard Institute for Space Studies
GISS-E2-H-CC
GISS-E2-R
GISS-E2-R-CC
Centros Modelos Instituciones

NASA GMAO GEOS-5 NASA Global Modeling and Assimilation Office
NCAR CCSM4 National Center for Atmospheric Research
NCC NorESM1-M Norwegian Climate Centre
NorESM1-ME
NICAM NICAM.09 Nonhydrostatic Icosahedral Atmospheric Model Group
NIMR/KMA HadGEM2-AO National Institute of Meteorological Research/Korea
Meteorological Administration
NOAA GFDL GFDL-CM2.1 Geophysical Fluid Dynamics Laboratory
GFDL-CM3
GFDL-ESM2G
GFDL-ESM2M
GFDL-HIRAM-C180
GFDL-HIRAM-C360
NSF-DOE- CESM1(BGC) CESM1(CAM5) National Science Foundation, Department of Energy, National
NCAR CESM1(CAM5.1, FV2) Center for Atmospheric Research
CESM1(FAST CHEM)
CESM1(WACCM)
Fuente: CMIP5 (2015)
Considerando estas trayectorias de concentración representativas (RCP), el IPCC (2015) indica que
es probable que para finales del siglo XXI la temperatura global en superficie sea superior en 1,5 ºC
a la del período entre 1850 y 1900 para todos los escenarios RCP, excepto para el RCP2.6. Es
probable que esa temperatura sea superior en 2ºC para los escenarios RCP6.0 y RCP8.5. El
calentamiento continuará después de 2100 en todos los escenarios RCP, excepto para el RCP2.6.
En consecuencia, se esperan aumentos en el nivel del mar, reducción en la criosfera y cambios en
los océanos, los cuales producirán cambios no uniformes en el ciclo del agua (IPCC, 2013, 2015).
Tabla 3.2. Trayectorias de Concentración Representativas RCPs

Forzante radiativo CO2 equivalente atmosférico Horizonte
W/m2 ppm
8.5 >1370 2100, en aumento
6.0 850 Estabilización después de 2100
4.5 650 Estabilización después de 2100
2.6 490 Pico antes de 2100 y después
declina
Adaptada: (Moss et al., 2010)
Los impactos del cambio climático varían entre regiones, dependiendo de la localización, las
condiciones ambientales locales, las respuestas en el ámbito socioeconómico y los factores
institucionales (IPCC, 2007a). En materia de riesgos, según el IPCC (2015, p. 69): “El cambio
climático agravará los riesgos existentes y creará nuevos riesgos para los sistemas naturales y
humanos”.
Para Latinoamérica, los riesgos clave implican efectos, en la distribución de plagas y enfermedades,
el balance hídrico y en la agricultura; se prevé una menor disponibilidad de agua y mayor número de
inundaciones y deslizamientos de tierra; menor producción y calidad de los alimentos y propagación
de enfermedades transmitidas por vectores. Para el sector agrícola, los impactos dependen de la
adaptación, dado que “todos los aspectos de seguridad alimentaria están potencialmente afectados
por el cambio climático, incluidos la producción y el uso de alimentos, el acceso a estos y la estabilidad
de precios” (IPCC, 2015, p. 72).
Para la evaluación de impactos futuros considerando los escenarios de cambio climático, se han
desarrollado una serie de guías y estudios de referencia que pueden aplicarse a nivel de país, región
o sector productivo (Mearns et al., 2003; Wilby et al., 2004; Lu, 2006; 2007; Carter, 2007; Knutti et al.,
2010; PNUD, 2011; Mearns et al., 2015; Wade et al., 2015; DHI, 2016; FAO, 2016c; Foden & Young,
2016; Herron et al., 2016; Paltsev et al., 2016; Wilcke & Bärring, 2016).
A nivel regional y local, las señales del cambio climático se ven afectadas por los cambios en las
circulaciones de gran escala que afectan el clima y por los efectos de los forzamientos regionales y
locales que modulan la señal del cambio a gran escala (Giorgi, 2008). En la medida que la escala
espacial se reduce, la variabilidad climática aumenta, haciendo que la identificación de las señales
sea cada vez más compleja (Giorgi, 2008). En consecuencia, las proyecciones de los cambios
climáticos regionales y locales son extremadamente complejas y tienen un alto grado de
incertidumbre.
Con el desarrollo de plataformas informáticas más potentes, se ha aumentado la resolución horizontal
de los modelos climático globales, que son las herramientas más empleadas para la simulación y
predicción del cambio climático (OMM, 2008); pero la escala es aún demasiado grande para las
evaluaciones de impactos regionales y locales (Meehl et al., 2007); por lo cual, “se ha logrado una
caracterización más completa y rigurosa de la incertidumbre en las proyecciones de largo plazo”, a
escala global (IPCC, 2015, p.60).
En consecuencia, se requiere de información climática a escalas que varían entre el nivel regional,
nacional y local; para tal efecto, se han desarrollado modelos regionales y diferentes técnicas de
regionalización para refinar la escala o efectuar el downscaling; diferentes estudios describen las
técnicas y sus aplicaciones (Cubash, et al., 1995; Hewitson & Crane, 1996; Giorgi & Mearns, 1999;
Giorgi et al., 2001; Lorenz & Jacobs, 2005; Christensen et al., 2007; Giorgi, 2008; IDEAM, 2010d;
Trzaska & Schnarr, 2014; Fenta & Disse, 2016: Volosciuk, 2016; Thanda, 2016).
Finalmente, la comprensión de las fuentes de incertidumbre asociadas a las proyecciones del cambio
climático es fundamental para cuantificar sus impactos futuros (Giorgi, 2005). Las fuentes de
incertidumbres en las proyecciones climáticas según el IPCC AR5 (2013) incluyen la variabilidad
interna por las fluctuaciones naturales intrínsecas del sistema climático en ausencia de forzantes
radiativos; la incertidumbre en los forzantes por el desconocimiento de cómo serán las emisiones de
GEI y erupciones volcánicas futuras y las incertidumbres de los modelos, porque no responden de
manera igual a un mismo forzante radiativo. En general, la incertidumbre en la modelación del clima
futuro se origina por las emisiones futuras de GEI, la respuesta del modelo y la variabilidad del sistema
climático (Mearns et al., 2003; Lu, 2007; PNUD, 2011). Según el IPCC (2015), las estimaciones de
la incertidumbre se basan en análisis estadísticos de las observaciones y/o resultados de modelos y
en el juicio experto; algunos estudios reportan los métodos de evaluación (Hailegeorgis & Burn, 2009;
Honti et al., 2014).
3.1.1.3 Futuras trayectorias de adaptación, mitigación y desarrollo sostenible

La adaptación y la mitigación son fundamentales para reducir los riesgos del cambio climático (IPCC,
2015). La adaptación puede contribuir al bienestar de las poblaciones, en el contexto del desarrollo
sostenible; no obstante, requiere de planificación y acciones específicas para fortalecer la capacidad
de adaptación, reducir la vulnerabilidad y la exposición, a corto plazo (IPCC, 2015). En materia de

mitigación, se plantean retos políticos, tecnológicos y socioeconómicos, con el fin de limitar el
calentamiento por debajo de 2°C (IPCC, 2015). Es así como las diferentes trayectorias de emisiones
de GEI (Figura 3.2) según el quinto informe del IPCC, plantean posibles escenarios de emisión, que
a su vez dependen de los modelos de desarrollo socioeconómico que puedan adoptarse y de las
medidas tecnológicas para la reducción y captura de los GEI.
Figura 3.2. Trayectorias de emisiones de GEI

Fuente: (IPCC, 2015)
En este contexto, el Acuerdo de París establece las contribuciones a nivel nacional, como una
respuesta mundial al cambio climático que promueve la mitigación de las emisiones de GEI y fomenta
el desarrollo sostenible. El Acuerdo reconoce la importancia de la reducción del riesgo de pérdidas y
daños y la necesidad de mejorar la comprensión de los efectos adversos del cambio climático; para
tal efecto, sugiere actuaciones en sistemas de alerta temprana; preparación de situaciones de
emergencia; fenómenos extremos; fenómenos de evolución lenta; evaluación y gestión integral del
riesgo; seguros; pérdidas no económicas; resiliencia de las comunidades, los medios de vida y los
ecosistemas (UN, 2015).
Por su parte, la Agenda 2030 y los objetivos de desarrollo sostenible brindan una hoja de ruta para la
reducción de las desigualdades y enfrentar el cambio climático; son, por tanto, un compromiso
adquirido para la prevención de desastres por eventos naturales, así como el avance en temas de
mitigación y adaptación al cambio climático (CEPAL, 2016).
3.1.2 Cambio climático en Colombia

A continuación, se describen los cambios observados y futuros, y se relacionan aspectos claves de
vulnerabilidad, mitigación y adaptación.
3.1.2.1 Cambios observados en Colombia

Diferentes investigadores (Pabón 1995, 2003; Mesa et al., 1997; Pérez et al., 1998; Quintana-Gómez,
1999; León, 2000; Pabón & Hurtado, 2002; Poveda et al., 2007; Acevedo 2009; Poveda, 2009; Pabón,
2012) han analizado las tendencias de largo plazo en las variables hidroclimáticas donde se
evidencian las señales de cambio climático: La temperatura media está aumentando a razón de 0.1-
0.2°C por década, con valores promedio de 0.13°C por década; mientras que la precipitación
presenta cambios entre -4% a 6% por década, con reducciones en los valles de los ríos Magdalena
y Cauca e incrementos en el piedemonte Llanero y en la región Pacífica.
Algunas instituciones nacionales como el INVERMAR (2003, 2008, 2016), el Ministerio de Ambiente
y Desarrollo Sostenible y el IDEAM (2001, 2010b) han realizado estudios para estimar los posibles
impactos del cambio climático. Los estudios realizados por el IDEAM han permitido avanzar en la
comprensión del clima en el territorio nacional (IDEAM 2005, 2015a) y la estimación de la oferta
hídrica (IDEAM, 2010c, 2015b). Estos estudios revelan que en el país está aumentando la
variabilidad temporal de las series hidrológicas y que algunas zonas experimentan reducciones en su
oferta hidrológica natural. Por otra parte, evidencian tendencias de calentamiento de largo plazo en
las temperaturas máximas (Hurtado, 2012a) y mínimas (Hurtado, 2012b) y permiten caracterizar las
olas de calor y frío en el país (Hurtado, 2012c) a su vez que facilitan la identificación de señales de
cambio climático (Mayorga, Hurtado & Benavides, 2011).
Por otra parte, el análisis de tendencias de las series climáticas ha sido abordado por diferentes
investigadores. Pérez-Rendón, Ramírez-Builes, & Peña-Quiñones, (2016) identificaron las
tendencias, empleando el estadístico de Man-Kendall, de las series anuales de temperatura del aire
en la zona cafetera colombiana y las señales de cambio climático. Por su parte, Mayorga et al. (2011),
evaluaron las tendencias para el período 1971-2010 empleando el RClimdex; evidencian un aumento
generalizado de las precipitaciones, tormentas y lluvias intensas en el país; aunque detectan
tendencias de reducción en la precipitación en San Andrés, Arauca y Casanare y el Alto Cauca;
encontraron además tendencias generalizadas de aumentos en temperaturas, con mayores
incrementos en las estaciones de páramo. El análisis de tendencias efectuado en el año 2017 por el
IDEAM no revela diferencias sustanciales con estudios previos (IDEAM- UNAL, 2018).
Las señales de cambio climático son por tanto, objeto de medición y análisis permanente; es así como
los estudios del IDEAM (Benavidez & Rocha, 2012), cuantifican los indicadores que manifiestan
cambios en el sistema climático en Colombia: Promedios nacionales de las tasas lineales de
calentamiento: 0.15°C para 1961-2010 y 0.20°C para 1980-2011; el decenio más caliente y más
lluvioso fue el 2001-2010 con una temperatura promedio de 22.36°C y una precipitación mensual de
178.5 mm; el año más lluvioso fue el 2010, seguido por el 2011. Con respecto al nivel del mar, varios
estudios han analizado su ritmo de incremento: 3-5 mm al año para el Pacífico y 1-2 mm en la Costa
Caribe (Rangel & Montealegre, 2005; Pabón 2003; Pabón & Lozano, 2005, INVEMAR, 2008); para la
estación mareográfica de Cartagena se evidencia un ascenso del nivel del mar de 3.5 mm/año
(IDEAM, 2010b).
Una de las señales de cambio climático más evidente es la disminución de los glaciares tropicales en
el país (Magrin et al. 2007; IDEAM, 2001, IDEAM, 2010b). Diferentes investigaciones han evaluado
las afectaciones en los glaciares (Flórez 1992 a, b; Ceballos et al., 2006; Huggel et al., 2007; Poveda
& Pineda, 2009; Marengo, Herzog et al., 2011), en especial por sus efectos en los servicios
ecosistémicos (Ruiz et al., 2009). Es así como evidencian la pérdida de ocho glaciares durante el
siglo XX; una tasa de retroceso glaciar de 20-25 metros por año, con pérdidas de la cobertura glaciar
entre el 3 a 5% por año (IDEAM, 2010b). Por otra parte, se registran tendencias de reducción de las
precipitaciones anuales en las estaciones de páramo; por ejemplo, para la estación Las Brisas (4141
m.s.n.m.), localizada en el departamento de Caldas, la tendencia es de -2.8 mm/año (Mayorga et al.,
2011); mientras que las tendencias de aumento en la temperatura por década para esta estación son:
1,17°C máximas, 0,29°C en media, 0,24°C en mínima.
3.1.2.2 Futuros cambios climáticos, riesgos e impactos en Colombia

En materia de escenarios futuros de cambio climático, diversas investigaciones se han realizado para
el territorio Nacional (Molina et al., 2000, 2003; Bernal et al., 2001; Eslava & Pabón, 2001; Pabón et
al, 2001; Pabón, 2003; Ruiz & Martínez, 2007; Pabón, 2008; Ruiz, 2010; Pabón, 2011, 2012), las
cuales evalúan los posibles cambios en la temperatura y precipitación para diferentes escenarios de
cambio climático. Se tienen además estudios que estiman cambios en el balance hídrico (Mulligan,
2000; Tellez et al., 2001; Acevedo, 2009; Nakaegawa & Vergarda, 2010; Acevedo & Poveda, 2011;
García et al., 2012; Ocampo, Vélez & Londoño, 2014). La revisión de la literatura permite a su vez
detectar otros estudios que presentan proyecciones de la precipitación para Latinoamérica
empleando métodos de downscaling estadístico (Steinhoff et al., 2014) y dinámico (Teichmann et al.,
2013; Sánchez et al., 2015).
Con relación a la aptitud de los modelos para las proyecciones de precipitación, Palomino-Lemus,
Córdoba-Machado, Gámiz-Fortis, Castro-Díez, & Esteban-Parra, (2015) mediante reducción de
escala estadística simularon la precipitaciones de verano Colombia; encontraron que los modelos
MIROC5 y HadGEM2-AO sobreestiman los valores de precipitación; mientras que el modelo CESM1
(CAM5) da un valor apropiado de estimación en la precipitación; por su parte, los modelos CNRM-
CM5 y MPI-ESM-LR subestiman la precipitación en algunas regiones.
Los estudios técnicos de Armenta et al. (2014) describen los resultados de los escenarios para las
diferentes regiones agroclimáticas de Colombia; proyectan posibles aumentos en la temperatura
media alrededor de 1.0ºC en los 4 RCP, para el periodo 2011-2040; mientras que para la precipitación
muestran para finales de siglo, disminuciones en la región Caribe y la Amazonia (10-40%), aumentos
en el centro y norte de la región Andina (10 y 30%); estiman a su vez, mayores incrementos en la
precipitación para el Eje Cafetero, el Altiplano Cundiboyacense y la cuenca alta del río Cauca.
El informe de la Tercera Comunicación Nacional (IDEAM, PNUD, MADS, CANCILLERÍA, 2017)
compila en el capítulo de Vulnerabilidad y Riesgo por Cambio Climático los posibles cambios de la
temperatura media a lo largo del siglo XXI y los escenarios RCP por el método de ensamble; para el
RCP 8.5 estiman incrementos de temperatura para el período 2011-2040 (1.0°C), 2041-2070 (1.5-
2.0°C) y 2071-2100 (2.0-3.5°C). Para la precipitación se estiman incrementos en la región Andina y
reducciones en la Costa Caribe y Amazonía.
Por efecto del cambio climático, se prevé afectación económica, social y ambiental (ANDI, 2010; DNP,
2011). Desde el punto de vista económico se estiman impactos en la infraestructura portuaria,
carreteras, aeropuertos, servicios públicos, vivienda, industrias, así como en la infraestructura
agroindustrial, de salud, turística y de comunicaciones; incremento de los costos de producción por
impactos en la provisión de materias primas y logística. La afectación social se origina por los
impactos de los fenómenos meteorológicos extremos y el aumento de enfermedades infecciosas
sobre las poblaciones que podrán generar desplazamientos, conflictos sociales y afectar su
capacidad de trabajo y su salud. En materia ambiental, la alteración del ciclo hidrológico y la intrusión
salina, tendrán impactos sobre la biodiversidad, los ecosistemas, la fauna, flora y la disponibilidad de
agua. Los impactos son analizados no sólo en las comunicaciones nacionales a la CMNUCC (IDEAM
et al., 2017); sino también por otras entidades e instituciones.
Es así como el DNP-BID (2014) realizó un análisis de los impactos económicos del Cambio Climático
en Colombia, en diferentes sectores productivos: transporte (Gordillo et al., 2015), forestal (Riaño et
al., 2015), pesca (Herrera et al, 2015), ganadería (Tapasco et al., 2015a) y agricultura; incluyó además
la provisión de servicios ecosistémicos, consideró los impactos en los recursos hídricos (Tapasco et
al., 2015b), las especies nativas y el biocomercio (Tapasco et al., 2015c). Estos estudios tuvieron en
cuenta los costos económicos de los eventos extremos (Jaramillo et al., 2015). Para el período 2011
a 2100 los estudios del DNP-BID (2014) estimaron pérdidas anuales del 0,49% del PIB.
3.1.2.3 Vulnerabilidad, adaptación y mitigación

Las características físicas, geográficas, económicas, sociales y de biodiversidad del territorio nacional
hacen que sea altamente vulnerable al cambio climático (IDEAM, 2001, 2010b; IDEAM et al., 2017).
El BID (2010) resume las estadísticas que reflejan la vulnerabilidad de Colombia al cambio climático
y La CAF (2014) cuantifica la vulnerabilidad al cambio climático mediante un índice (IVCC) que
pondera el riesgo (50%), la sensibilidad (25%) y la capacidad adaptativa (25%). Los valores de los
índices se dividen en cuatro categorías, a saber: Extremo (0 – 2,5); alto >2,5 – 5); moderado (>5 –
7,5); bajo (>7,5 – 10). Las posiciones del país (y la puntuación del índice) entre 33 economías de ALC
fueron las siguientes: índice de riesgo: 16 (4,30, riesgo alto); Índice de sensibilidad: 11 (3,72 alta);
índice de capacidad adaptativa 15 (5,66 medio); índice de vulnerabilidad al cambio climático 16 (4,30
alto). La CAF (2014) presenta a su vez la evaluación de este índice para algunos departamentos
como Caldas y ciudades capitales, como Manizales (Tabla 3.3).
Tabla 3.3. Índices de Vulnerabilidad al cambio climático
Fuente: (CAF, 2014)
A partir de los resultados nacionales de la Tercera Comunicación Nacional (IDEAM et al., 2017a,b),
se estimaron los indicadores para evaluar la amenaza, la sensibilidad, la capacidad adaptativa y el
riesgo climático para Colombia considerando las Dimensiones de Seguridad Alimentaria, Recurso
Hídrico, Biodiversidad, Salud, Hábitat Humano e Infraestructura.
La amenaza por cambio climático representa la posibilidad de afectación en las diferentes
dimensiones evaluadas al 2040, por cambios en la temperatura y la precipitación; es más marcada
en la región Andina Colombiana; el Cesar es el departamento con mayor amenaza, mientras que
Caldas ocupa la posición 4 (IDEAM et al., 2017).
La sensiblidad representa condiciones no favorables para afrontar el cambio climático; Vaupés lidera
el ranking nacional; mientras que el departamento de Caldas ocupa la posición 16 (IDEAM et al.,
2017). En el ranking de capacidad adaptativa al cambio climático, Nariño ocupa la posición 1 y Caldas
la 10 (IDEAM et al., 2017).
Para el componente de Riesgo, la dimensión Seguridad Alimentaria presenta mayor porcentaje de
contribución al riesgo (34.6%), por los posibles impactos en los productos agrícolas que hacen parte
de la canasta familiar; seguida por hábitat humano (26.2%) e infraestructura (17.9%). El Ranking
nacional de riesgo por Cambio Climático lo encabeza San Andrés, Providencia y Santa Catalina, el
departamento de Caldas ocupa la posición 10 (IDEAM et al., 2017).
En materia de mitigación, los inventarios nacionales son el punto de partida para la definición de
acciones. La Tercera Comunicación Nacional (IDEAM, 2015a), indica que para el 2012, la
participación por sector en las emisiones de GEI fue 43% AFOLU, 44% Energía, 8% Residuos y 5%
procesos industriales. Estas emisiones se componen de CO 2 (62,9%), CH4 (25,8%), N2O (10,7%),
HFC2 (1%) y SF6 (0,1%). En el 2012, el sector agrícola aportó 27,9 MTon de CO2eq, el pecuario 23,8
MTon de CO2eq, y la deforestación 23,8 MTon de CO2eq; aunque esta última reportó 78,9 MTon de
CO2eq en el 2010 (IDEAM, 2015).
De acuerdo con la Contribución Prevista determinada a nivel nacional, para el año 2010, el país emitió
224 MTon de CO2eq, que representan el 0,46% de las emisiones totales de GEI (Gobierno de
Colombia, 2015). 130,36 MTon de CO2eq fueron emitidas por agricultura, silvicultura y otros usos de
la tierra, denominada AFOLU por su escritura en inglés.
Por otra parte, el país viene avanzando en materia normativa para adoptar las convenciones,
protocolos, acuerdo y tratados internacionales y reglamentar sus políticas en relación con el cambio
climático; son de destacar las siguientes:
 1994: El artículo 4 de la Ley 164 de 1994 adoptó la Convención Marco de las Naciones Unidas
sobre el Cambio Climático.
 2000: La Ley 629 de 2000 ratificó el Protocolo de Kioto de la CMNUCC.
 2010: En el 2010 se expidió la Política Nacional para la Gestión Integral del Recurso Hídrico que
incorporó como uno de los objetivos: “la reducción de los riesgos asociados a la oferta hídrica
resultantes de los fenómenos de variabilidad climática y cambio climático, a través de la
implementación de medidas de adaptación en los ecosistemas clave”.
 2011: El Consejo Nacional de Política Económica y Social expidió el CONPES 3700 del 2011 de
Cambio Climático.
 2012: La Ley 1523 de 2012 adopta la política Nacional de Gestión del Riesgo de Desastres que
establece el Sistema Nacional y el Plan Nacional de Gestión del Riesgo de Desastres.
 2012: Se expide la Política Nacional para la Gestión Integral de la Biodiversidad y sus servicios
ecosistémicos, donde se identifica el Cambio Climático (CC) como uno de los motores de
transformación y pérdida de estos servicios.
 2013: Se formula la Política Nacional para la Gestión Integral Ambiental del Suelo que reconoce
que la degradación de los suelos contribuye al cambio climático; promueve la agricultura de
conservación y la rotación de cultivos para conservar la materia orgánica y reducir las emisiones
de GEI.
 2014: La ley 1715 de 2014 promueve el desarrollo y utilización de fuentes no convencionales de

energía.
 2015: El país presentó la contribución nacional determinada (iNDC), donde se compromete a
reducir el 20% de las emisiones de GEI para el año 2030.
 2016: El Decreto 298 de 2016 establece el Sistema Nacional de Cambio Climático, compuesto
por la comisión intersectorial de Cambio Climático (CICC) y los nodos regionales de cambio
climático.
 2017: La Política Nacional de Cambio Climático (MADS, 2017), establece líneas estratégicas e
instrumentales como componentes de la política que consideran el desarrollo rural bajo en
carbono y resiliente al clima y el manejo de ecosistemas para la adaptación y mitigación.
 2017: Decreto 926 1 de junio de 2017 adiciona el Titulo 5 Impuesto Nacional al Carbono.
 2017: Ley 1844 14 de julio de 2017. "Por medio de la cual se aprueba el Acuerdo de París"
 2017: Resolución 585 de 2017, "Por la cual se establece el procedimiento para conceptuar sobre
los proyectos de eficiencia energética/gestión eficiente de la energía que se presenten para
acceder al beneficio tributario de que trata el literal d) del artículo 1.3.1.14.7 del Decreto 1625 del
2016 (Único reglamentario en Materia Tributaria)."
 2018: Resolución 367 de 2018; "Por la cual se adiciona la resolución 1988 de 2017", metas para
el descuento de renta por uso racional y eficiente de la energía.
3.2 Variabilidad climática

El clima es el conjunto fluctuante de las condiciones atmosféricas, que se caracteriza por los estados
del tiempo en una región durante un período de tiempo relativamente largo (IDEAM, 2005); suele
definirse como el estado promedio del tiempo durante muchos años (OMM, 2011a).
Los valores de las variables climatológicas pueden fluctúar por encima o por debajo de la normal
climatológica. A estas fluctuaciones observadas en el clima, durante períodos de tiempo
relativamente cortos, se le conoce como variabilidad climática; mientras que a la diferencia entre el
valor registrado de la variable y su promedio se le denomina anomalía (IDEAM, 2005).
La variabilidad climática se da a lo largos de estaciones, decenios y siglos, en diferentes escalas
temporales, entre las que se destacan: diurna, Intraestacional, estacional, interanual e Interdecadal
(OMM, 2013a; IDEAM, 2005; Montealegre, 2005). El clima cambia, por tanto, en diferentes escalas
temporales generando impactos sobre numerosos aspectos sociales, económicos y
medioambientales (FAO, 2003; Stern, 2006; Wang et al., 2008; IPCC, 2007a).
Estas variaciones se dan por los factores radiativos forzantes, y las modificaciones en la forma de
interacción de los distintos componentes del sistema climático (IDEAM, 2005). La variabilidad natural
es, por tanto, parte intrínseca del clima; obedece a los ciclos y tendencias de la órbita terrestre, la
radiación solar incidente, la composición química de la atmósfera, la circulación de los océanos, la
biosfera, las erupciones volcánicas y otros fenómenos naturales (OMM, 2013a).
Entre los fenómenos más importantes a gran escala impulsores de la variabilidad estacional e
interanual del clima mundial se tienen: El Niño/Oscilación del Sur (ENSO), el Dipolo del Océano
Índico (DOI), la Oscilación Ártica (OA), la Oscilación del Atlántico Norte (OAN) y el Modo Anular del
Sur (SAM) (OMM, 2004; 2012). Otras características meteorológicas afectan el clima al fortalecer o
debilitar corrientes de aire denominadas corrientes en chorro (OMM, 2013a), que son descritas en
detalle por Poveda & Mesa (1999).
3.2.1 Variabilidad climática en Colombia

En Colombia, el clima está determinado por la ubicación del país en la franja ecuatorial y por factores
geográficos como la altitud, la latitud, la distancia al mar y la continentalidad (Jaramillo, 2005; IDEAM,
2005). El clima está influenciado por los procesos que ocurren en los océanos Atlántico y Pacífico;
la dinámica de las cuencas de los ríos Amazonas y Orinoco y las fuertes interacciones suelo-
atmósfera (Poveda 2004; Poveda et al. 2007; 2011). Estos aspectos crean un amplio espectro de
climas y microclimas que van desde los más calurosos hasta lo más fríos en los picos de las montañas
de las Cordilleras de los Andes (Jaramillo, 2005; IDEAM, 2010b).
Una descripción del clima colombiano es presentada por el IDEAM (2005, 2015a) según las
clasificaciones climáticas Internacionales. Otros autores (Eslava et al., 1986 a, b, c, d; Eslava, 1993;
Mesa et al., 1997; Pabón et al., 1998, 2001; Jaramillo, 2005) han desarrollado también descripciones
detalladas.
Por su localización en el Trópico, el clima y el tiempo atmosférico en Colombia están influenciados
por los fenómenos macro-climáticos, de meso-escala o de escala sinóptica y los mecanismos de
convección (Poveda & Mesa, 1997; Poveda et al., 2002; Poveda, 2004). Los fenómenos naturales
que producen eventos extremos, son frentes fríos, estacionarios, secos, huracanes, perturbaciones
tropicales y células con una humedad desproporcionada, los cuales pueden provocar precipitación
excesiva o sequías prolongadas. En Colombia, al igual que en muchas partes del mundo, se
considera que tales fenómenos están relacionados con la Oscilación del Sur-El Niño (Thomas &
Trenberth, 2003; Adger et al., 2007; IPCC, 2007a; CEPAL, 2009). Estos fenómenos que influyen en
la variabilidad climática, en las distintas escalas temporales, se describen en detalle por Ocampo &
Vélez (2015).
Por su parte, los Andes Colombianos exhiben muy amplia diversidad de climas gracias a la variación
de pisos térmicos (Poveda, 2004; Jaramillo, 2005; IDEAM, 2005, 2010b). Se destaca en esta región,
la cordillera de los Andes que se divide en las cordilleras Occidental, Central y Oriental, separadas
por los valles longitudinales de los ríos Cauca y Magdalena (IDEAM, 2010b).
En los región Andina colombiana, el clima es muy húmedo, con baja estacionalidad térmica y
marcadas variaciones diurnas de temperatura. La variabilidad de la temperatura está influenciada por
los gradientes altitudinales y la humedad del aire (Eslava 1993; Martínez et al., 2013). Por otra parte,
la precipitación exhibe amplia variabilidad espacial y temporal (Eslava, 1993; Pabón et al., 2001;
Poveda, 2011).
En esta región, los principales factores que influyen en el clima son: el desplazamiento de la Zona de
Convergencia Intertropical (ZCIT), la presencia del bosque amazónico al este, los vientos Alisios al
Norte, las corrientes en chorro y el sistema permanente de alta presión del Pacífico Sur y el Atlántico
Norte (Martínez, 1993; Poveda, 2004; Jaramillo, 2005, Martínez et al., 2013). Por otra parte, los
factores locales tienen efectos significativos, dado la diferencia entre el comportamiento físico de las
superficies tierra y agua; valle y montaña; los cambios en el uso del suelo, y el desarrollo urbano
acelerado (IDEAM 2005).
3.2.2 Ciclo diurno

El ciclo diurno es una característica típica de las condiciones de un lugar y es un indicador del tiempo
atmosférico, a través del cual es posible hacer seguimiento del cambio global (Murillo et al, 2005);
juega además un papel importante en la dinámica del ciclo del agua (Poveda 2004; Rientjes, 2013).
En ausencia de fenómenos meteorológicos significativos, el tiempo atmosférico de una zona es
gobernado por el ciclo diurno (Rodamilans, 2006). La amplitud y la fase del ciclo diurno son el
resultado de la interacción entre procesos dinámicos y radiativos (Zuluaga, 2005); por esta razón,
este ciclo es de gran importancia por su fuerte influencia en el balance radiativo y su control sobre la
temperatura superficial (Bechtold et al., 2004; Segura, 2005).
La Figura 3.3 muestra un comportamiento idealizado en los trópicos, con un mínimo de brillo solar al
amanecer y un máximo en la tarde (The COMET Program, 2011); cuando la energía entrante excede
la energía saliente, la temperatura del aire se eleva; en caso contrario, la temperatura baja. No
obstante, la dinámica del ciclo diurno es compleja porque implica varios procesos acoplados entre la
superficie, la capa límite y la atmósfera libre, tales como: el intercambio de calor, la turbulencia, la
convección, la nubosidad y la radiación (Bechtold et al., 2004).
Figura 3.3. Variación diaria de la tasa de energía y de la temperatura del aire

Fuente (The COMET Program, 2011)
Comprender el ciclo diurno de la radiación neta es clave por su influencia en la temperatura

superficial, la evapotranspiración y los procesos biológicos que controla. Carmona, Rivas & Caselles
(2015), proponen un modelo para su cálculo, usando información de satélites. Por su parte, Quan et
al. (2014) plantean un modelo híbrido para el análisis del ciclo diurno de la temperatura, también
empleando información satelital.
El ciclo de insolación solar sobre el terreno, los factores locales y los cambios diurnos en esfuerzos
friccionales sobre la capa límite atmosférica son los factores que pueden inducir en las variaciones
diurnas de convergencias de bajo nivel, que controlan el tiempo de ocurrencia de eventos convectivos
(Dai, 2001).
Las nubes por su parte, absorben y emiten radiación de onda larga y reflejan la luz solar (radiación
de onda corta), por lo que la nubosidad conduce a días más fríos y noches más cálidas y un menor
rango de temperatura diurna (The Comet Program, 2011).
En este contexto, se encuentran diferentes estudios que analizan el ciclo diurno de la nubosidad
convectiva tropical en las Américas; Meisner & Arkin (1987) indica que hay más variación en las áreas
de mayor relieve o donde se presentan efectos de las brisas tierra-mar. Garreud & Wallance (1997)
llegaron a las mismas conclusiones. Estos últimos autores afirman que el ciclo diurno es más fuerte
en Los Andes, sobre la Costa Nordeste de Suramérica y en la parte intermedia de la Amazonía;
detectaron máximos, menos pronunciados en la noche y en la mañana, en algunas áreas; plantean
que las regiones con máximos más pronunciados de nubosidad convectiva al finalizar la tarde, tienden
a experimentar mayor nubosidad convectiva media diurna. Aunque la evidencia es menos
concluyente, parece que puede ser igual para la lluvia (Segura, 2005).
Con relación al ciclo diurno de la precipitación, diversos autores lo han evaluado en regiones
tropicales, empleando información de sensores remotos (Meisner & Arkin, 1987; Bell & Reid, 1993;
Taikan & Musiake, 1994; Hall & Van der Haar, 1999; Imaoka & Spencer, 2000; Yang & Slingo 2001;
Mejía, 2002; Negri et al., 2002; Nesbitt & Zisper, 2003; Mapes et al., 2003; Zuluaga, 2005; Prat &
Nelson, 2014; Philippon et al., 2016); estaciones en tierra (Agudelo et al., 2001; Álvarez & Toro, 2001;
Viera & Moreno 2001; Murillo et al., 2005; Poveda et al., 2001; 2005) y modelación con el uso de
Advanced Weather Research and Forecasting-WRF- (Wilson & Barros, 2015).
Por lo que respecta a los eventos extremos, se tienen algunos trabajos que evalúan las tendencias
del ciclo diurno de los extremos de precipitación (Fujibe et al., 2005; Roy & Rouault, 2013; Thorndahl
et al., 2014), las descargas eléctricas (Blakeslee, et al., 2014; Cecil, Buechler & Blakeslee 2014; Sen
& Balling, 2014; Venugopal et al., 2016) y las tormentas de granizo (Martins et al., 2017).
Por otra parte, el ciclo diurno de las variables hidrológicas ha sido poco investigado en la literatura
científica, a pesar de que estas fluctuaciones a corto plazo pueden incorporar información útil para la
caracterización de sistemas hidroecológicos, si se tiene en cuenta los múltiples factores que pueden
originarla (Gribovszki, Szilágyi, & Kalicz, 2010): procesos de congelación y descongelación, eventos
de lluvia convectivas, cambios en la conductividad hidráulica en el lecho del río, cambios en la
temperatura, ciclo diurno de captación de agua por la vegetación, entre otros.
Finalmente, el ciclo diurno es una escala clave para comprender la evolución de la vegetación
(Philippon et al., 2016). Los ciclos día/noche exponen a las plantas a fluctuaciones en la luz
(fotoperiodos) y en la temperatura (termoperíodos), esenciales para la regulación de los procesos
fisiológicos (Ouyang et al., 1998; Kinmonth, Goloembeski & Imaizumi, 2013; Strayer & Kay, 1999).
Influye en todos los procesos biológicos de las plantas y los patrones de respuesta hormonales y de
stress (McClung & Gutiérrez, 2010) y regula los patrones de crecimiento y desarrollo (McWatters &
Devlin, 2011).
3.3 Cambio climático y balance hídrico

El cambio climático trae efectos en las variables meteorológicas e hidrológicas (Figura 3.4), pero los
cambios en la temperatura y la precipitación son los principales impulsores de la alteración del ciclo
hidrológico; la cual podría causar impactos sustanciales en la disponibilidad de los recursos hídricos
y en la calidad de agua (IPCC, 2007a, 2008).
Aumento del forzamiento radiativo (Calentamiento global)
Incremento de los gases de efecto invernadero
Calentamiento superficial (según humedad disponible)
Incremento en la temperatura Incremento en la evaporación
Aumento en la capacidad de Incremento en el contenido de

almacenamiento de agua humedad
Nubes, tormentas, frentes fríos o calientes, Los sistemas de precipitación toman la

ciclones, huracanes, tormentas de nieve humedad disponible
Figura 3.4. Impactos en cascada de una mayor concentración de GEI

Adaptada: (Bhatt & Mall, 2015)
Los principales efectos e impactos del cambio climático en los recursos hídricos se resumen en la
Figura 3.5, que se traducen finalmente en términos de calidad y disponibilidad; sin embargo, son
numerosos los factores no climáticos que afectan tanto la calidad como la cantidad de los recursos
hídricos y que a su vez aumentan la vulnerabilidad al cambio climático (IPCC, 2008).
Efectos Impactos
Disminución de agua en cuencas

Aumento de la Temperatura
que nacen en glaciares y zonas
atmosférica
de páramo
Disminución del oxígeno disuelto

Aumento de la temperatura y de la capacidad de
superficial del agua autodepuración; Incremento de
algas
Salinización de acuíferos
Aumento del Nivel del Mar
costeros
Variabilidad de la disponibilidad
Cambios en la precipitación
de agua
Menor disponibilidad de agua;

Aumento de la evapo- salinización de los recursos
transpiración hídricos; Disminución del nivel
freático
Aumento de la variabilidad
Interanual y de la frecuencia e Crecidas; sequías.
intensidad de fenómenos
extremos
Figura 3.5. Efectos e impactos del cambio climático en los recursos hídricos
Adaptada: (IPCC, 2008)
A escala global, se espera que los impactos globales del cambio climático en los recursos sean
negativos; porque hay muchos procesos y conexiones que aún no se entienden completamente; si
bien se ha avanzado en la modelación, aún falta comprender mejor los diferentes componentes del
balance (Sadoff & Muller, 2009).
Para América Latina, los expertos (IPCC 2007a, 2014) concluyen que entre los impactos observados
atribuidos al cambio climático se tienen el retroceso de los glaciares andinos, los cambios en los
caudales extremos en los principales ríos, la modificación de la descarga en los ríos en los Andes
occidentales; lo que se traducirá en una mayor competencia por el recurso hídrico entre los diferentes
usos (CEPAL, 2009).
Este último aspecto es de vital importancia, dado el creciente desarrollo demográfico en los países
latinoamericanos y en especial en las regiones de alta montaña, consideradas como Hotspots; donde
es probable que se incrementen las presiones, tanto por el uso del suelo, como por el agua (Luijten,
Knapp, & Jones, 2001).
En consecuencia, dentro de un paradigma adaptativo el concepto de “seguridad del agua” debe ser
continuamente revisado y reconstruido (Allan, Xia, & Pahl-Wostl, 2013), en especial en materia de
servicios ecosistémicos. En este contexto, las evaluaciones a escala de cuenca son relevantes
porque son la forma correcta de abordar la disponibilidad del recurso hídrico, sin considerar divisiones
políticas.
En este sentido, los Estudios Nacionales del Agua (IDEAM, 2014; 2010) abordan el balance hídrico
e indicadores de vulnerabilidad en el contexto de variabilidad climática. Es así como el IDEAM (2014)
presenta un análisis detallado de los índices oceánicos y atmosféricos correspondientes al ENSO y
su influencia en la escorrentía en las cuencas hidrográficas. Por otra parte, en el país se ha avanzado
en la comprensión de los patrones hidrológicos, las tendencias en la descarga y los ciclos de
variabilidad de los principales ríos como el Magdalena (Restrepo & Kjerfve, 2000; Carmona & Poveda,
2014; Restrepo et al., 2014; Restrepo & Escobar, 2016).
En el contexto de cambio climático, los estudios del IDEAM (2010 a, b) estiman impactos futuros
potencialmente altos en la escorrentía superficial, con disminuciones hasta del 30% en el rendimiento
hídrico (García et al., 2012). Desde otro ángulo, el IDEAM (2014) ha evaluado la retracción de
glaciares y afirma que, si persisten las condiciones climáticas de ascenso de la temperatura, se
espera su extinción en las próximas 4 décadas, con afectaciones en los servicios ecosistémicos.
Con relación a estos servicios, los estudios de Rodríguez, Armenteras, & Retana (2015) sugieren que
la provisión de agua y la regulación del flujo de agua son servicios ecosistémicos que pueden
afectarse por efectos de la variabilidad y el cambio climático; además de otros como son la prevención
de deslizamiento potenciado por lluvias y el almacenamiento de carbono en la biomasa.
3.3.1 Modelación hidrológica

Actualmente, no hay alternativa viable, diferente a los modelos para realizar proyecciones que
involucren el calentamiento global. El uso de los modelos permite un enfoque sistemático con el
objetivo de cerrar la brecha existente entre la teoría y las observaciones del sistema (Yang, Yu &
Cheng, 2005). Los modelos basados en datos históricos son alternativas posibles, pero de validez
marginal; en especial, cuando se aplican a los escenarios climáticos futuros, que se encuentran fuera
del rango de las condiciones climáticas capturadas en el registro histórico (Gardner, 2009).
La Figura 3.6 esquematiza la rutina para la evaluación de las respuestas hidrológicas al cambio
climático global. Hay un desajuste o falta de correspondencia entre los modelos climáticos que se
evalúan a escala global y las respuestas hidrológicas que se esperan a escala regional o local. Por
tal razón, la simulación de los efectos hidrológicos del cambio climático incluye los modelos climáticos,
que simulan los efectos climáticos de la concentración atmosférica creciente de gases de efecto
invernadero; los modelos hidrológicos, que simulan los impactos hidrológicos del cambio climático y
las técnicas de reducción de escala para vincular los modelos. (Xu, 1999; Xu y Singh et al. 2004).
Modelos hidrológicos para la evaluación de
las respuestas al cambio climático
Uso de salidas hidrológicas de GCMs
Acoplamiento de GCMs y modelos

hidrologicos de macro escala
Uso de la reducción de escala

dinámica
Uso de la reducción de escala

estadística
Uso de escenarios hipotéticos en

modelos hidrologicos
Figura 3.6. Modelos hidrológicos para la evaluación de las respuestas al cambio climático
Adaptado: (Xu & Singh, 2004)
Para la modelación se tienen diversas herramientas de software disponibles (Tabla 3.4) para evaluar
los impactos del cambio climático y en algunos casos, la selección de estrategias o medidas de
adaptación (IPCC, 2008). La elección de un modelo en particular depende de muchos factores
(Gleick, 1986), entre los cuales el propósito del estudio y la disponibilidad de datos para el modelo
han sido los factores determinantes (Xu, 1999). Si bien, se tienen prácticas como la corrección del
sesgo, para ajustar flujos medios y el ciclo estacional, la selección del modelo influye de manera
marcada en la calidad de la simulación (Harding, Weedon, van Lanen, & Clark, 2014).
Aunque las modelaciones y simulaciones de los efectos del cambio climático en el caudal son cada
vez más necesarias, deben tenerse presentes las incertidumbres generadas en cada una de las
etapas del proceso, que son producto de las dificultades de los modelos en la representación de la
variabilidad climática natural y en transferir los resultados de los modelos climáticos en las escalas
especiales y temporales requeridas para las cuencas hidrológicas (Fatichi, Rimkus, Burlando, &
Bordoy, 2014).
La evaluación de los impactos del cambio climático en la hidrología está por tanto sujeta a
incertidumbres relacionadas con los escenarios de cambio climático, las incertidumbres estocásticas
del modelo hidrológico y las incertidumbres estructurales de la modelación hidrológica (Dams,
Nossent, Senbeta, Willems, & Batelaan, 2015). Sin embargo, varios estudios reconocen (Arnell, 2011;
Teng et al., 2011; Kwon et al., 2012) que las proyecciones de cambio climático son la principal fuente
de incertidumbre. Es por esto que uso de multimodelos caracteriza mejor la incertidumbre y
proporciona una proyección eficiente a largo plazo (Refsgaard et al., 2014 ; Sellami, Benabdallah, La
Jeunesse, & Vanclooster, 2016).
Tabla 3.4. Modelos hidrológicos empleados en análisis de impacto del cambio climático
Modelo Descripción corta según página web Página web
WEAP (Sistema de Evaluación y Planificación del Agua) es una herramienta http://www.weap21.org/
computacional que provee un enfoque integral para la planificación de los
recursos hídricos. Se basa en un enfoque integrado, para la simulación
del balance de agua, a través de un proceso participativo, permite la
integración de modelos y la aplicación de escenarios de políticas de uso.
River-ware Es una herramienta de modelado de sistemas fluviales. Permite la toma https://cadswes.colorad
de decisiones operacionales, la evaluación de política, la optimización del o.edu/creative-
sistema, el balance de agua y la planificación a largo plazo. works/riverware
SWAT Sistema permite el modelado a escala de cuenca; cuantifica el impacto de http://swat.tamu.edu/
las prácticas de gestión de la tierra en estas cuencas.
HEC-HMS El Sistema de Modelado Hidrológico está diseñado para simular los http://www.hec.usace.a
procesos hidrológicos completos. Proporcionan herramientas de análisis rmy.mil/software/hec-
suplementarias para la optimización del modelo, la estimación del caudal, hms/
la erosión y el transporte de sedimentos y la calidad del agua.
USGS Modelo de precipitación-escorrentía, basado en parámetros físicos, https://wwwbrr.cr.usgs.
distribuidos, determinístico, desarrollado para evaluar la respuesta de gov/projects/SW_MoW
PRMS
diversas combinaciones de uso del suelo y el clima, en el flujo de agua y S/PRMS.html
la hidrología general de la cuenca.
MIKESHE Permite un modelado integrado de agua subterránea, superficial, recarga http://www.mikepowere
y evapotranspiración. dbydhi.com/products/mi
ke-she
Aquarius Es un modelo que permite la asignación temporal y espacial del agua en https://www.fs.fed.us/r
una cuenca hidrográfica. El modelo es impulsado por un criterio m/value/aquarius
operacional de eficiencia económica que requiere la reasignación de los
flujos de la corriente hasta que el rendimiento marginal neto en todos los
usos del agua sea igual.
RIBASIM Modelo de simulación de cuenca hidrográfica, permite analizar el https://www.deltares.nl/
comportamiento de las cuencas bajo diversas condiciones hidrológicas. en/software/ribasim/
Enlaza los insumos hidrológicos de agua en varios lugares con los
usuarios de agua específicos de la cuenca.
TETIS Modelo de simulación hidrológica y del ciclo de sedimentos que permite el http://lluvia.dihma.upv.e
análisis de cuenca; es distribuido y cuenta con parámetros físicamente s/ES/software/software.
basados. Es un modelo global, por tanto permite resolver problemas de html
crecidas, erosión y de recursos hídricos.
Específicamente en la modelación lluvia-escorrentía, debe tenerse en cuenta que las incertidumbres

están relacionadas con la dependencia del set de parámetros óptimos y las características climáticas
del período de calibración, también llamada robustez del modelo, y la incertidumbre de la estimación
de los parámetros que puede estar basada en inferencia Bayesiana (Brigode, Oudin, & Perrin, 2013).
Por otra parte, la modelación hidrológica tiene diversos problemas inherentes tales como la no-
linealidad, la escala (Bergström & Graham, 1998); la equifinalidad (Beven, 2007); la identificación de
la estructura del modelo; la capacidad predictiva limitada y la incertidumbre (Beven, 2007; Halliday et
al., 2012). Dadas estas limitaciones, hay un interés en la comunidad científica en la utilización de
datos en escalas temporales cortas para avanzar en la representación y adopción de modelos

ambientales integrados (Kirchner, 2006; Beven, 2007).
3.3.2 Antecedentes regionales de la modelación hidrológica

En los países en vía de desarrollo como Colombia, la modelación hidrológica se obstaculiza por la
carencia de datos de entrada. En este sentido, los diferentes estudios sugieren el uso de información
satelital, el empleo de correlaciones empíricas, la aplicación de modelos de pocos parámetros y los
mecanismos de regionalización.
En relación con el uso de información satelital, los estudios de Elgamal, Reggiani, & Jonoski (2017)
en el río Magdalena de Colombia, evaluaron el desempeño de los productos TRMM-3B42 y TMPA;
los autores concluyen que estos productos no producen estimación confiable de los patrones de
precipitación espacial y temporal y que tienen además una tendencia a sobreestimar los flujo pico; su
desempeño depende de la elevación y por tanto, sugieren su uso en regiones de paisaje ondulado.
Sin embargo, los productos del TRMM han sido evaluados por Ocampo & Vélez (2014) con resultados
satisfactorios en la cuenca del río Chinchiná.
En materia de correlaciones empíricas, se han empleado para el cálculo de la evapotranspiración.
Vélez, Poveda & Mesa (2000) afirman que las ecuaciones con menos error para la estimación en
Colombia son: Penman (1948), Morton (1983), Holdridge (1978), Turc (1962) y Cenicafé (Jaramillo,
1989).
Por otra parte, los modelos conceptuales y físicamente basados se han empleado para la modelación
en Colombia y en cuencas en la zona de estudio. Para Colombia, Vélez, Poveda & Mesa (2000)
sugieren la aplicación de modelos conceptuales de pocos parámetros tales como: Modelo T
(Thornthwaite & Mather, 1955), Modelo P (Palmer, 1965), Modelo Témez (Témez, 1977), Modelo
abcd (Thomas, 1981), Modelo Vandewiele (Vandewiele et al., 1992), Modelo Global Reservoir GR2M
(Makhlouf & Michel, 1994) y GR3M (Edijatano & Michael, 1989).
Para la zona de estudio, Ocampo & Vélez (2014) realizaron la comparación de los modelos
conceptuales de Tanques (Vélez, 2001), Tetis (Francés, Vélez & Vélez, 2007), Témez (1977), abcd
(Thomas, 1981), los modelos clásicos T (Thornthwaite & Mather, 1955) y P (Palmer, 1965) y los
modelos autorregresivos de medias móviles ARMA (Box & Jenkins, 1976; Salas & Smith, 1981) en la
modelación hidrológica para la cuenca del río Chinchiná, localizada en el departamento de Caldas.
Concluyen que los modelos conceptuales de tanques, Tetis, abcd y el modelo auto-regresivo ARMA
(1,1) Salas & Smith (1981) capturan de manera satisfactoria la descarga media y podrían ser
aplicados para la estimación en cuencas no aforadas en la zona de estudio; sin embargo, los mejores
desempeños los obtuvieron con los modelos de Tanques y Tetis, según los estadísticos empleados.
No obstante, también se evidencia el uso de modelos de mayor complejidad como el modelo WEAP,
modelo de planificación hidrológica que ha sido empleado en las cuencas del río Magdalena (Angarita
et al., 2014; Walschburger, Angarita & Delgado, 2015), Nechí (Ruiz et al., 2016), Quindío (Sandoval
et al., 2015); La Vieja (SEI & USAID, 2014) y en la cuenca del río Chinchiná. Es importante destacar
que la participación en los diferentes talleres coordinados por PARA-AGUA permitieron adoptar
lineamientos técnicos que se exponen en la metodología.
Con relación a la regionalización, los estudios nacionales del agua (IDEAM, 2010c, 2015b) presentan
los indicadores hidrológicos de las principales cuencas de Colombia y brindan elementos para la
modelación hidrológica a nivel regional. A partir de estos indicadores, Ocampo, Vélez & Londoño
(2014) realizaron el análisis de vulnerabilidad hídrica de la cuenca del río Chinchiná; la influencia del
ENSO y los posibles indicadores futuros basados en el CIMP3, donde emplearon el Modelo Tetis en
su versión agregada (Francés, Vélez & Vélez, 2007).
A escala local, la Corporación Autónoma Regional de Caldas-CORPOCALDAS- cuenta con diferentes
informes técnicos que brindan información sobre el territorio, las cuencas hidrográficas y el
comportamiento de las variables hidroclimáticas en el departamento de Caldas (CORPOCALDAS,
2007, CORPOCALDAS & COAMBIENTAL LAM, 2010; CORPOCALDAS, 2014; CORPOCALDAS &
GIAS, 2014, 2016).
Finalmente, es necesario destacar el estudio de González (2014) que expone la hidroclimatología del
departamento de Caldas; el autor relata los fenómenos macroclimáticos y de mesoescala que influyen
en el territorio y describe el análisis de las variables climáticas a saber: 1. Temperatura (1971-2010),
año medio (1990-1991) y afectaciones por el ENSO. 2. Precipitación (1971-2007), identificación de
regímenes y las variaciones por ENSO, estimación del ciclo diurno de la precipitación (1998-2007) en
once estaciones de Cenicafé, curvas intensidad duración-frecuencia y análisis de lluvias máxima. 3.
Brillo solar, comportamiento anual y mensual. 4. Evapotranspiración potencial. 5. Balance hídrico del
suelo, expresados a través del índice de aridez. 6. Caudales, análisis de aforos puntuales, estimación
de caudales máximos por métodos de regionalización con base en la función de Gumbel y mínimos
Q97.5 y Q90 de la serie.
3.4 Cambio climático y agricultura

La representación esquemática de los efectos e impactos del cambio climático en la agricultura y en
la seguridad alimentaria se resumen en la Figura 3.7. Una serie de impactos físicos, biológicos y
biofísicos afectan a los ecosistemas y agroecosistemas, lo que se traduce en impactos en la
producción agrícola, con repercusiones en la cantidad, calidad y precio; en los ingresos y el poder
adquisitivo de los hogares, con consecuencias en la seguridad alimentaria y la nutrición (FAO, 2016c).
El cambio climático tiene efectos en el sector agrícola por las diferentes variables conexas que
influyen en los cultivos tales como: la temperatura, la precipitación, la concentración de dióxido de
carbono, la humedad del suelo, etc. (IPCC, 2007a). Los posibles impactos, sin contemplar medidas
de adaptación son descritos por Ocampo (2011); no obstante, se espera que el cambio climático
intensifique los riesgos, particularmente en regiones donde la escasez de agua es ya una
preocupación; aunque se pueden crear nuevas oportunidades y potencialidades en ciertas zonas
geográficas donde se pueden mejorar la aptitud climática para algunos cultivos (Iglesias & Garrote,
2015).
Es así como la probabilidad de cambio de cambio en la cantidad, la intensidad y la distribución
temporal de las precipitaciones, podría modificar la escorrentía superficial y la cantidad de agua
evapotranspirada por las plantas (Kundzewicz et al, 2007), con efectos en los caudales superficiales
y subterráneos; por tal razón, existe un gran interés en el desarrollo de métodos para predecir estos
efectos del cambio climático (Verhaar et al., 2008).
Cualquier reducción de la escorrentía implica no solo la reducción del abastecimiento de agua
superficial, sino también la disminución de la humedad del suelo; por tanto, podría tener
consecuencias adversas para la agricultura (IPCC, 2008). Es por ello que se requiere una
comprensión holística de cómo los parámetros de la superficie terrestre influyen en el balance.
Figura 3.7. Efectos e impactos del cambio climático en la agricultura y la seguridad alimentaria
Fuente: (FAO, 2016c)
Es así como los cambios en los patrones de precipitación y temperatura podrían tener efecto en
evapotranspiración, la fotosíntesis y la producción de biomasa (PNUD, 2000; GTZ, 2008), alterando
el crecimiento, los calendarios de siembra y cosecha, la disponibilidad de agua, las poblaciones de
especies polinizadoras, la distribución y dinámica de plagas, enfermedades y especies depredadoras
(Jeger & Pautasso, 2008).
El análisis de la literatura científica evidencia que diferentes investigaciones se han enfocado en
analizar el rol de la sensibilidad del cultivo a la sequía y a los períodos de estrés térmico en los
estados de desarrollo, con el fin de definir los límites sobre los cuales se vuelven más vulnerables al
clima y los extremos climáticos (Challinor et al., 2005; Li, 2007); dado que estas variaciones climáticas
tienen gran influencia en la producción agrícola en un amplio rango de cultivos (Slingo et al., 2005).
No obstante, estos cambios son marcados entre las regiones.
En América Latina, por ejemplo, la vulnerabilidad de la agricultura al cambio climático varía según la
región, los cultivos y las tecnologías aplicadas; de igual manera, la variabilidad climática natural
influye debido a las modificaciones que provoca en los regímenes pluviales y de vientos y en la
dinámica de fenómenos extremos (PNUD, 2000; Ocampo 2011).
Si bien, la agricultura en América Latina es una actividad económica que representa alrededor del
10% del producto bruto interno (PBI) y contribuye con el 12% de las exportaciones agrícolas
mundiales (World Bank, 2009). En muchas regiones predomina la agricultura en pequeña escala, la
cual es especialmente vulnerable, dado que los factores de estrés socioeconómicos suelen agravar
dichas condiciones (IPCC, 2012).
Con relación a los impactos del cambio climático, el Banco Mundial advierte que la productividad
agrícola podría caer entre un 12% y un 50% hacia el año 2100 (World Bank, 2009). Por su parte, el
IPCC (2007a,b) anticipa que en las zonas templadas, como en el sudeste del continente aumentaría
el rendimiento de algunos cultivos; no obstante, estima incremento del estrés térmico y una mayor
sequía del suelo, que afectaría la productividad, en las regiones tropicales y subtropicales; proyecta
reducciones hasta un tercio del nivel actual; prevé además la posibilidad que en las zonas secas
aumente la salinización y la desertificación de las tierras agrícolas.
En Colombia, por su parte, las tierras con vocación agrícola corresponden al 18,9% del territorio, las
cuales tienen la capacidad para abastecer el mercado nacional y han alcanzado una reconocida
posición en productos de exportación, en las últimas décadas. El PIB agropecuario ha contribuido
con el 8% del PIB total y en promedio genera el 21% de los empleos del país (DNP, 2008; IDEAM
2010b). No obstante, el sector agrícola colombiano es vulnerable tanto a la variabilidad climática
natural como al cambio climático (Ocampo, 2011); es así como las pérdidas y daños en el sector
guardan relación directa con las precipitaciones y con los fenómenos climáticos extremos (Banco de
la República, 2007; ICA, 2010).
En materia de impactos del cambio climático, la segunda Comunicación Nacional (IDEAM, 2010b)
para el período comprendido entre el 2011 al 2040, estima vulnerabilidad alta para el sector
agropecuario y las áreas de minifundio campesino; los impactos potenciales altos, podrían alcanzar
el 50% de la superficie dedicada a las pasturas; el 57% de las áreas de cultivos permanentes y
semipermanentes; el 71% del área sembrada de café y el 47% de los minifundios campesinos.
El Análisis de vulnerabilidad y riesgo de la Tercera Comunicación Nacional (IDEAM et al., 2017b)
revela que la Dimensión Seguridad Alimentaria es la que más contribuye al riesgo por cambio
climático, como ya se había indicado.
Por otra parte, los estudios del Centro Internacional de Agricultura Tropical-CIAT- (Eitzinger et al.,
2010; Ramírez et al., 2012) empleando escenarios de cambio climático A2 para el año 2050 proyectan
impactos negativos en la productividad Nacional en la mayoría de los sistemas productivos, para el
cafetero, estiman cambios del -13%.
3.4.1 Adaptación al cambio climático

Existes múltiples opciones de adaptación cuya efectividad depende del sector y de la región. El IPCC
(2015) distingue tres enfoques interconectados de adaptación a saber: 1. Reducción de la
vulnerabilidad y la exposición mediante el desarrollo, planificación y prácticas, incluidas medidas de

bajo riesgo; 2. Adaptación incluidos ajustes graduales y adaptativos; 3. Transformación.
El proyecto VACEA: Vulnerabilidad y Adaptación a los extremos climáticos en las Américas propone
un enfoque integrado que considera tres dimensiones (Figura 3.8): La primera considera la evaluación
de vulnerabilidades pasadas, presentes y futuras, del clima, la agricultura y los recursos naturales a
partir de escenarios, modelos y pronósticos. En la segunda, se realiza un análisis de las
vulnerabilidades de las comunidades, las exposiciones a los riesgos, las sensibilidades y estrategias
de adaptación de productores rurales; incluye además el estudio sobre el papel de las instituciones
en la adaptabilidad. En la tercera, se considera el análisis de indicadores de vulnerabilidad para
construir un índice integrado (Musseta et al., 2017).
Figura 3.8. Enfoque proyecto VACEA

Fuente: (Musseta et al., 2017)
Algunos autores (Aleksandrova, Lamers, Martius, & Tischbein, 2014) proponen un proceso de
adaptación para la agricultura basado en un ciclo de mejoramiento continuo, para el cual el análisis
de los impactos en la producción es una de las entradas. En este sentido, el proyecto de investigación
europeo EnviroGRIDS (Lehmann et al., 2015), sugiere aplicar el modelo Directriz-Presión-Estado-
Impacto-Respuesta (DPSIR), tal como se esquematiza en la Figura 3.9, de esta manera se pueden
evaluar los efectos de los cambios en la precipitación y la temperatura en el potencial productivo y
establecer acciones y prácticas de adaptación, como el riego por ejemplo.
La literatura sobre estas prácticas de adaptación en agricultura, es cada vez mayor (Butterbach-Bahl
& Dannenmann, 2011; Campbell et al., 2014; Mbow et al., 2014; IPCC, 2014; Huang & Wang, 2014;
Lobell, 2014; Busari et al., 2015; Goglio et al., 2015; Lyle, 2015; Sapkota et al., 2015; Di Gregorio et
al., 2016; Islam et al., 2016; Rolando et al., 2017). El IPCC (2015) sugiere diferentes medidas de
adaptación que comprenden opciones tecnológicas, ecosistémicas, económicas, entre otras.
Figura 3.9. Aplicación del modelo DPSIR para evaluar el impacto de cambio climático en la
agricultura
Fuente: (Bär, Rouholahnejad, Rahman, Abbaspour, & Lehmann, 2015)
Por otra parte, en medidas de mitigación, el IPCC (2015) plantea acciones del lado de la oferta y de
la demanda. En el primero, en temas de silvicultura, agricultura en el suelo, ganadería, sistemas
integrados y bioenergía; mientras que, en el segundo, relacionados con la disminución de las pérdidas
en la cadena de suministro de alimentos, los cambios en la dieta y en la demanda de madera y
productos forestales.
Se encuentran diferentes herramientas para la adaptación y mitigación al cambio climático en el
sector agropecuario. La FAO (2009) presenta una guía para el análisis de riesgos en distritos
agrícolas; mientras que FAO & GIZ (2012) proponen diversos recursos de software para la evaluación
detallada del clima, los riesgos, el análisis de huella de carbono y la modelación de cultivos.
3.4.2 Modelos de cultivos

Para medir los efectos del cambio climático en la actividad agrícola, se han empleado diferentes
técnicas. Inicialmente, se basaban en encuestas de opinión a expertos; luego, en experimentos de
laboratorio que estudiaban los efectos de cambios en la temperatura sobre la producción de algunos
cultivos, de tal manera que los resultados se utilizaban para predecir cómo se alterarían los cultivos
bajo diferentes escenarios climáticos (Maddison et al., 2007; CEPAL, 2010); posteriormente, las
investigaciones se enfocaron en los efectos directos del cambio climático sobre la producción de
ciertos cultivos, como el trigo y el maíz y, más recientemente, se han incluido técnicas de modelación
para el análisis de las interacciones entre regiones, así como una variedad más amplia de cultivos
(Maddison et al, 2007).
Los modelos de cultivo que representan los procesos fundamentales de la producción vegetal como
interceptación de la radiación, fotosíntesis, ciclo del agua o del nitrógeno, pero difieren en su manera
de representar el ciclo fenológico del cultivo, el cual está relacionado con los flujos de materia y
energía y caracteriza el efecto sobre el ambiente. Estos modelos de simulación de cultivos se han
empleado para la evaluación de impactos en cultivos específicos (Bouman, Van Keulen, Van Laar, &
Rabbinge, 1996); son modelos matemáticos que describen las interacción entre el crecimiento del
cultivo, las dinámicas de carbono y nitrógeno del suelo y los procesos ambientales (Goglio et al.,
2015).
La comprensión cuantitativa de los procesos fisiológicos en las plantas, a nivel de cultivos, fue
realizada por De Wit (1968) y se establece como la base para la modelación de cultivos. Luego, De
Wit & Pennig de Vries (1982) plantearon cuatro componentes interrelacionados para un sistema de
cultivo agrícola que determinan la producción (Figura 3.10); donde las plagas, enfermedades y
malezas pueden además reducir el rendimiento del cultivo (Bouman et al., 1996). Posteriormente,
Rabbinge (1993) realizó una modificación de estos componentes, tal como se ilustra en la Figura
3.11.
1. Producción potencial: el crecimiento ocurre en condiciones con un amplio suministro
de agua y nutrientes y las tasas de crecimiento son sólo determinadas por las condiciones
climáticas (radiación solar y temperatura).
2. Producción limitada por agua: el crecimiento es limitado por la escasez de agua

durante al menos parte del período de crecimiento, pero hay una oferta amplia de
nutrientes.
3. Producción limitada por nitrógeno: el crecimiento es limitado por la escasez de

nitrógeno durante al menos parte de un período de crecimiento y por agua o
condiciones climáticas por el resto del tiempo.
4. Producción limitada por nutrientes: el crecimiento es limitado por la escasez de

fósforo u otros minerales durante al menos parte del período de crecimiento y por
nitrógeno, agua o condiciones climáticas por el resto del tiempo.
Figura 3.10. Componentes del sistema de cultivo agrícola

Fuente: Adaptado (Bouman et al., 1996)
Los modelos basados en procesos aseguran que se mantiene un balance de masa de carbono,
nitrógeno y agua. Estos modelos son particularmente útiles para la evaluación y predicción de
escenarios, ya que incluyen factores climáticos y del suelo, además de una amplia gama de prácticas
de manejo que afectan la producción de cultivos (Smith et al., 2012; Goglio et al., 2015).
Los modelos se diferencian unos de otros en el énfasis que ponen en la simulación de determinados
procesos ecofisiológicos y el balance entre empirismo y mecanicismo de sus algoritmos. Rivington
& Koo (2010) encontraron más de un centenar de modelos disponibles, entre ellos se tienen: APSIM
(McCown et al., 1996), AquaCrop (Hsiao et al., 2009; Raes et al., 2009; Steduto et al., 2009), CERES-
maize (Jones & Kiniri, 1986), CERES-Wheat (Ritchie & Otter, 1985), CropSyst (Stöckle et al., 2003),
EPIC (Williams et al., 1984), GLAM (Challinor et al., 2004), GOSSYM (Reddy et., 1997), INFOCROP
(Aggarwal et al., 2006), LPJ (Sitch et al., 2003), Maespa (Duursma & Medlyn, 2012), ORYZA
(Bouman & Van Laar., 2006), SIMPROC (Santibáñez 2001).
Se han creado además marcos y plataformas integradas para la modelización: APES (Donatelli et al.,
2010), BioMA; OMS (David et al., 2013), OpenMI (Gregersen et al., 2005), RECORD (Bergez et al.,
2014). Se destacan grandes grupos de modeladores SEAMLESS (van Ittersum et al., 2008), the
APSIM Initiative, MACSUR; the DSSAT Foundation; the International Consortium for Agricultural
Systems Applications (ICASA) (Jones et al., 2001) y The Agricultural Model Intercomparison and
Improvement Project AgMIP (Rosenzweig et al., 2013). La Tabla 3.5 enumera los modelos que hacen
parte de este último proyecto.
Figura 3.11. Jerarquía de factores de crecimiento y niveles de producción asociados

Fuente: Adaptado (Reidsma, Ewert, Lansink, & Leemans, 2010)
Con relación a la incertidumbre, en la modelación de cultivos y en escesarios de cambio climático, es

necesario una adecuada selección del modelo climático, que se ajuste a las condiciones locales
(Holzkämper, Klein, Seppelt, & Fuhrer, (2015). La complejidad de la estructura del modelo tiene
efectos sobre la incertidumbre y la propagación de errores en las evaluaciones del impacto del cambio
climático (San Martín, Olesen, & Porter, 2015). Por tanto, se sugiere un enfoque multimodelo para la
estimación de los efectos del cambio climático en la productividad de los cultivos (Makowski, 2015).
Tabla 3.5. Modelos del proyecto AgMIP
Modelo Referencia
APSIM McCown et al., 1996; Keating et al., 2003; Holzworth et al., 2014
AquaCrop Steduto et al., 2009; Raes et al., 2009; Hsiao et al., 2009
CropGrow-NAU Yan et al., 2004
CropSyst Stöckle et al., 2003
DSSAT Jones et al., 2003
EPIC Williams et al., 1984; Izaurralde et al., 2006
InfoCrop Aggarwal et al., 2006
ORIYZA2000 Bouman et al., 2001; Bouman & Van Laar, 2006
RZWQM2 Ahuja et al., 2000
SALUS Basso et al., 2010; Basso & Ritchie, 2012
SarraH Oettli et al., 2011; Sultan et al., 2013
STICS Brisson et al., 2003; 2009
WOFOST Van Diepen et al., 1989
Fuente: Adaptada (Porter et al., 2014)
3.5 Café, variabilidad y cambio climático
3.5.1 Generalidades del cultivo del café

El Café es un arbusto perenne de la familia Rubiaceae, familias de plantas superiores, diversa, con
unos 630 géneros y cerca de 10.500 especies, con distribución en regiones tropicales (Vargas, 2002).
El café es cultivado en más de 70 países, la mayoría de los cuales son pequeños caficultores con
menos de 10 hectáreas (Gresser & Tickell, 2002; Bitzer et al., 2008; Ocampo et al., 2017). El Coffea
arabica (café Arábica) y el Coffea canephora (Café Robusta) dominan el comercio mundial del café
(ICO, 2016).
Las estadísticas de producción son reportadas por la International Coffee Organization (ICO, 2017)
para el período 1990-2016 se ilustran en la Figura 3.12. Según la ICO (2018), durante los últimos
cuatro años las producciones registradas (en millones de sacos de 60 kg), para todos los países
exportadores fueron: 2014 (149.07), 2015 (152.10), 2016 (157.69) y 2017 (159.66).
160.000
140.000
Miles de sacos 60 kg
120.000
100.000
80.000
60.000
40.000
20.000
0
1993/94
1990/91
1991/92
1992/93
1994/95
1995/96
1996/97
1997/98
1998/99
1999/00
2000/01
2001/02
2002/03
2003/04
2004/05
2005/06
2006/07
2007/08
2008/09
2009/10
2010/11
2011/12
2012/13
2013/14
2014/15
2015/16
Año cosecha
Figura 3.12. Estadísticas de producción de café a nivel global 1990-2016
Fuente datos: (ICO, 2017)
La OIC (2018) presenta las estadísticas de producción de café por continente para el período
2016/2017: África 17.66 millones de sacos; Asia y Oceanía 49.48 millones de sacos; Centro América
21.2 millones de sacos y Suramérica 70.59 millones de sacos; las fluctuaciones con relación a la
cosecha 2015/2016 fueron +3.2% en África, +10.0% en Asia y Oceanía, +7.1% en Centroamérica y -
6,1% en Suramérica.
Los principales países productores para el año 2017, según el análisis de las estadísticas históricas
de la ICO (2018) y su producción (en millones de sacos de 60 kg), son los siguientes: Brasil (51),
Vietnam (29.5), Colombia (14.0), Indonesia (12.0), Honduras (8.3), Etiopía (7.6).
Concerniente a las exportaciones de café, el análisis de las estadísticas de la ICO (2017b, 2018b)
para el período 1990-2015, evidencia tendencias crecientes. Los principales exportadores en el 2015
fueron: Vietnam (25.2%), Brasil (22.2%), Colombia (11.9%) e Indonesia (6.8%) (ICO, 2016b; Ocampo
& Álvarez, 2017).
Baker (2010) analizó las estadísticas cafeteras para el registro histórico 1920-2010 e identificó tres
tendencias que exhiben comportamiento no lineal: La primera (A) identifica tendencia al crecimiento
en la producción durante el periodo evaluado, se presenta en países como Vietnam, Indonesia,
Etiopia y Perú. La segunda (B) representa la volatilidad en la producción, pero con una tendencia a
mantener los niveles de producción, se presenta en países como Colombia, Uganda, México y
Venezuela. En la tercera (C) se evidencia un pico en la producción y luego una tendencia a la
reducción, es el caso de Kenia, Ecuador, Camerún y el Salvador. Ocampo & Álvarez (2017) analizan
estas tendencias, con información más reciente, para los países productores a nivel global,
confirmando la volatilidad de la producción que se presentan en Colombia y las tendencias crecientes
en los principales países productores.
3.5.2 Ecotopos cafeteros y sistemas de producción en Colombia

Una mezcla de factores y características inherentes tales como las variedades cultivadas, las
condiciones climáticas y de suelos, el manejo agronómico de las plantaciones, la recolección selectiva
de los frutos maduros y los procesos de beneficio y secado hacen que el café colombiano sea
reconocido a nivel mundial por su excelente calidad (Salazar et al., 2017).
El Paisaje Cultural Cafetero ha sido declarado por la UNESCO como patrimonio Cultural de la
Humanidad, por sus rasgos distintivos a saber (Ministerio de Cultura, 2011): carácter familiar,
intensidad de mano de obra, calidad del producto, impacto en la economía regional, capital social e
institucionalidad.
El sector cafetero en Colombia se encuentra sometido a fluctuaciones y variaciones producidas por
factores ambientales, económicos, sociales, políticos, culturales, tal como lo expone la Federación
Nacional de Cafeteros de Colombia en sus informes de gestión de los últimos años (FNC, 2012, 2013,
2014, 2015, 2016, 2017).
La evolución de la producción, en los últimos años, se muestra en la Tabla 3.6. Según las estadísticas
de la FNC, la producción en los últimos tres años se ha mantenido y superado los 14 millones de
sacos. El valor de la cosecha cafetera en el 2017 ascendió a 7.5 billones; mientras que las
exportaciones representaron US$ 2.807 millones (FNC, 2017).
Tabla 3.6. Balance Cafetero en Colombia 2009-2012 (millones de sacos 60 kg)
BALANCE 2009 2010 2011 2012 2013 2014 2015 2016 2017
1) Producción e 8.6 9.5 8.8 8.9 11.5 12.5 14.4 14.5 14.6
importaciones
- Producción 7.8 8.9 7.8 7.7 10.9 12.1 14.2 14.2 14.2
- Importaciones 0.8 0.6 1.0 1.1 0.6 0.4 0.2 0.3 0.4
2) Exportaciones y 9.1 9.1 9.1 8.6 11.1 12.5 14.2 14.6 14.6
consumo
- Exportaciones 7.9 7.8 7.7 7.2 9.7 11.0 12.7 12.9 13.0
- Consumo Interno 1.3 1.3 1.3 1.5 1.4 1.5 1.5 1.7 1.7
3) Balance ((1)-(2)) -0.6 0.5 -0.2 0.2 0.4 0.0 0.2 -0.1 0.0
4) Inventarios 0.6 1.0 0.7 0.8 1.2 1.2 1.4 1.4 1.1
Fuente: (FNC, 2012, 2015, 2017)
En Colombia, el cafeto se cultiva comercialmente entre los 1000 y los 2000 msnm; considerando la
altitud, se han identificado tres zonas, así: 1) Zona optima: 1300-1700 msnm, 2) Zona marginal baja:
1000-1300 msnm, 3) Zona marginal alta: 1700-2000 msnm (Calambas, 2009). Sin embargo, la FNC-
Cenicafé (2016) identifican diferentes regiones denominadas Ecotopos cafeteros, las cuales
conforman un área agroecológica relativamente homogénea que considera el clima, el suelo y el
relieve (Gómez, Caballero & Baldión, 1991). La distribución geográfica de estos Ecotopos, según la
Plataforma Agroclimática cafetera se esquematiza en la Figura 3.13. Para el triángulo del café, la
caracterización de los ecotopos cafeteros es descrita por Ocampo et al. (2017). En los ecotopos
cafeteros se han desarrollo sistemas de producción de café tradicional, tecnificado, con semi-sombra,
y con sombra (Arcila et al., 2007).
Figura 3.13. Ecotopos Cafeteros en Colombia

Fuente: (FNC-CENICAFE, 2016)
3.5.3 Fenología del cafeto

La fenología es una rama de la meteorología que estudia la influencia del medio ambiente físico sobre
los seres vivos en sus fases fenológicas (SENAMHI, 2011), relacionadas con el desarrollo,
diferenciación e inicio de formación de los órganos de las plantas (Ramírez, 2014). La emergencia de
los cultivos, la brotación, la floración, la fructificación, la madurez, pertenecen al campo de la fenología
vegetal (Torres, 2009).
La identificación fenológica de estadios de crecimiento de las plantas mono y dicotiledóneas se realiza

con la escala extendida BBCH (Hack et al., 1992). Arcila et al. (2001; 2002) describen las fases
fenológicas de la planta de café empleando la escala BBCH, que se presenta en la Tabla 3.7 y se
resume en la Figura 3.14.
La floración es uno de los procesos fisiológicos más importantes del cafeto (Barros et al., 1978), que
comprende una secuencia de eventos bioquímicos, fisiológicos y morfológicos, los cuales son
afectados por diversos factores tales como: la temperatura, la luz, la disponibilidad de nutrientes y
agua, la relación carbono-nitrógeno y el genotipo (Rena & Barrios, 2004; DaMatta et al., 2007). Para
el café arábica, se evidencian diferentes estudios que analizan en detalle este proceso (Barros et al.,
1999, Rena et al., 2001; Rena & Barrios, 2004; DaMatta et al., 2007; Arcila et al., 2007; Cenicafé,
2013).
El patrón de crecimiento de los frutos de café arábica ha sido descrito siguiendo una curva de doble
sigmoide (Salazar- Gutiérrez et al., 1994; DaMatta et al., 2007). Tinoco (2017; 2014) ha avanzado
en el modelo matemático para explicar el crecimiento del fruto y en la determinación de las
propiedades geométricas y mecánicas del fruto.
Germinación, propagación vegetativa
Desarrollo de la hoja, en el tallo de la planta de almácigo
Desarrollo de la Inflorescencia
Floración
Maduración del fruto y de la semilla
Figura 3.14. Fases fenológicas del cultivo del cafeto

Fuente: (Abad, 2014)
Tabla 3.7. BBCH-Descripción de las fases fenológicas de la planta de café

Estado principal Código Descripción
0.Germinación, 00 Semilla seca (11-12% de humedad), de color amarillento si el pergamino está presente o
propagación verde-azulado si el café está trillado.
vegetativa Estaca (ortotrópica, mononodal, 60 mm de largo, dos hojas recortadas a la mitad).Tallos de la
zoca con dos nudos abultados y no se observa brote
01 Se inicia la imbibición de la semilla, la almendra aparece hinchada, color blanquecino, la
radícula no es visible.
Estaca plantada en el medio de enraizamiento. No se observan brotes ni formación de callos
03 Se completa la imbibición de la semilla, la almendra aparece blanca y con un ligero
abultamiento en el extremo donde se ubica el embrión.
Comienza la formación de callo en las estacas. Yemas redondas de color verde visibles en los
tallos de las zoca
05 La radícula brota de la semilla y aparece curvada.
Brotes visibles en las estacas. Comienza la formación de brotes en los tallos de las zocas
06 Elongación de la radícula, formación de raicillas y raíces laterales en la semilla y las estacas
07 El hipocotilo sobresale del suelo y presenta los cotiledones todavía encerrados en el
pergamino.
Las estacas han formado brotes y presentan raíces ramificadas
09 Emergencia: Las semillas han surgido desde el suelo y muestran los hipocotilos con los
cotiledones emergiendo a través del pergamino.
Las estacas presentan raíces 6-7 cm de largo y brotes con 1-2 nudos. Los tocones muestran
retoños con los primeros pares de hojas
1. Desarrollo de 10 Cotiledones completamente abiertos. Primer par de hojas verdaderas sin abrir se separan del
la hoja, en el ápice del tallo o Primer par de hojas verdaderas sin abrir se separan del ápice de la rama
tallo de la planta 11 Primer par de hojas abierto, pero sin alcanzar su tamaño final. Hojas de color verde claro o
de almácigo o bronceada
en las ramas del 12 2 pares de hojas abiertas, pero sin alcanzar su tamaño final. Hojas de color verde claro o
árbol bronceadas
13 3 pares de hojas abiertas, pero sin alcanzar su tamaño final. El tercer par de hojas a partir del
ápice es de color verde oscuro. Los estados continúan hasta…
19 9 o más pares de hojas abiertas visibles
2. Formación de 20 Primer par de ramas primarias visibles
ramas (plantas 21 10 pares de ramas primarias visibles
en campo) 22 20 pares de ramas primarias visibles. Los estados continúan hasta…
29 90 o más pares de ramas primarias visible
3. Elongación de 31 10 nudos presentes en la (s) rama(s)
las ramas 32 20 nudos presentes en la (s) rama(s). Los estados continúan hasta…
39 90 o más nudos presentes en la(s) rama(s)
5. Desarrollo de 51 Las yemas de las inflorescencias se observan como hinchamientos en las axilas foliares
la inflorescencia 53 Las yemas de las inflorescencias se hacen visibles por encima de las estípulas y están
cubiertas por un mucílago de color castaño; no se observan botones florales
57 Flores visibles, con sus corolas pegadas entre sí, nacen en inflorescencias multiflorales (3-4
flores por inflorescencia)
58 Flores visibles, separadas entre sí, todavía cerradas, pétalos 4-6 mm de longitud y de color
verde (estado de latencia)
59 Flores con pétalos alargados ( 6-10 mm de longitud), todavía cerrados, y de color blanco
6. Floración 60 Primeras flores abiertas
61 10% de las flores están abiertas
7. Desarrollo del 70 Frutos visibles como pequeñas cerezas amarillentas
fruto y de la 71 Cuajamiento del fruto: Iniciación del crecimiento de la cereza. Los frutos han alcanzado el 10%
semilla de su tamaño final (fosforitos)
73 Frutos de color verde claro y su contenido es líquido y cristalino. Los frutos han alcanzado el
30% de su tamaño final (fase de crecimiento rápido)
Estado principal Código Descripción

75 Frutos de color verde claro y su contenido es líquido y cristalino. Los frutos han alcanzado el
50% de su tamaño final
77 Frutos de color verde oscuro y su contenido es sólido y blanco. Los frutos han alcanzado el
70% de su tamaño final
79 Frutos de color verde oliva y su contenido es sólido y blanco. Los frutos han alcanzado el 90%
de su tamaño final (madurez fisiológica)
8. Maduración 81 Se inicia el cambio de color del fruto de verde oliva a rojo o amarillo
del fruto y de la 85 Incremento en la intensidad del color rojo o amarillo del fruto (específico de la variedad); fruto
semilla todavía no está listo para recolectar
88 El fruto está completamente maduro y listo para su recolección
89 Sobremaduro; comienzo del ennegrecimiento o secamiento del fruto; los frutos permanecen en
el árbol y comienza la abscisión
9. Senescencia 90 Los brotes han alcanzado su desarrollo completo; la planta presenta un color verde intenso; las
hojas son del tamaño normal para el cultivar y la cosecha se ubica en la parte baja de la planta
93 Las hojas más viejas cambian de color verde oscuro a un color amarillo con manchas rojas y
hay defoliación principalmente en la época de cosecha
94 El follaje se torna a un color verde oliva. Se observa defoliación en la parte basal del tallo y y
de las ramas inferiores
97 La zona de producción se ha trasladado hacia la parte más superior del tallo y hacia los
extremos apicales de las ramas, las hojas son de menor tamaño que para el normal del
cultivar; se observa defoliación fuerte en la parte basal y al interior de la planta, algunas ramas
de la base de la planta aparecen muertas
98 La zona de producción se limita a unas pocas ramas de la parte superior de la planta y a
algunos nudos de la parte apical de éstas. La planta está altamente defoliada. Se ha alcanzado
un alto grado de envejecimiento. El 90% o más de la cosecha se ha completado
99 Tratamientos de poscosecha o almacenamiento
Fuente: (Arcila et al., 2001)
Por su parte, Arcila et al. (2007) esquematizaron las fases fenológicas del cultivo del cafeto para 3
años (Figura 3.15), con las épocas de formación de nudos y hojas (N), floración (Fi), crecimiento del
fruto (Ci) y maduración del fruto y su relación con las lluvias (Arcila et al., 2007). Hasta los primeros
11 meses, se presenta una etapa netamente vegetativa, luego, es simultáneo el desarrollo vegetativo
y reproductivo (Arcila et al., 2007).
Figura 3.15. Fases fenológicas del cultivo del cafeto en los primeros tres años
Fuente: (Arcila et al., 2007)
3.5.4 Factores que inciden en la productividad

La productividad agrícola se mide como la cantidad de grano o de materia seca. La productividad del
cafetal se estima en kilogramos de café pergamino seco (kg cps) obtenidos por unidad de recurso
utilizado en su producción (Arcila, 2007). Según Cannell (1985), el rendimiento en café puede
estimarse con los siguientes componentes:
 Rendimiento por hectárea = árboles por hectárea x rendimiento por árbol
 Rendimiento por árbol = número de frutos por árbol x peso por fruto
 Número de frutos por árbol = número de nudos de fructificación por árbol x número de frutos
por nodo
 Peso de los granos por fruto = peso por fruto x relación peso de grano / fruto
En condiciones ideales, se obtiene la máxima producción posible o potencial, pero en la práctica los
factores climáticos, geográficos, del suelo y del cultivo limitan la producción (Havlin et al., 1999);
dichos factores se resumen en la Figura 3.16.
Factores climáticos y geográficos Suelo Factores de Cultivo

Precipitación Contenido de materia orgánica Especie y variedad
Temperatura del aire Textura Calidad de la semilla
Humedad relativa Estructura Fecha de siembra
Radiación y brillo solar Capacidad de intercambio Densidad de siembra y su geometría
Velocidad y dirección del viento Catiónico (CIC)
Evapotranspiración
Concentración de CO2 Saturación de bases
Disponibilidad hídrica
Altitud Pendiente y topografía
Nutrición
Latitud Temperatura del suelo
Plagas y enfermedades
Factores de manejo del suelo
Profundidad efectiva Eficiencia de cosecha
Fertilidad del suelo
Figura 3.16. Factores que afectan el potencial de producción de un cultivo

Adaptado: (Havlin et al., 1999)
3.5.5 Factores climáticos que intervienen en la productividad cafetera

El café requiere de un microclima específico para su crecimiento y desarrollo (Gliessman, 2002); si
bien es una planta altamente adaptada a los patrones climáticos de los trópicos, es sensible a los
cambios en las condiciones climáticas (Carr, 2001).
Cada región cafetera tiene un clima que conduce a un comportamiento específico de la planta y
determina su productividad (Jaramillo, 2005; González, 2007). La disponibilidad de agua y energía
juegan un papel importante en la producción y son necesarios para el crecimiento y desarrollo de la
planta (Ritchi, 1991), tal como se presenta a continuación.
3.5.5.1 Disponibilidad de Energía

La disponibilidad de energía hace referencia a la cantidad de radiación solar, horas de brillo solar y
temperatura que llega a la superficie; ejerce un papel fundamental en el proceso de acumulación de
biomasa del cultivo (Cenicafé, 2013).
Existe relación directa entre el número de botones florales y el brillo solar, según los diferentes
estudios de Cenicafé (Castillo & López, 1966; Jaramillo & Valencia, 1980; Ramírez et al., 2010,
Cenicafé, 2013). En consecuencia, hay relación directa entre el brillo solar acumulado y la producción
acumulada de café, pero depende de diversos factores tales como: densidad de siembra, temperatura
del aire y del suelo, disponibilidad hídrica, intercambio gaseoso y la nutrición (Cenicafé, 2013). Por
tanto, el brillo solar puede determinar el potencial productivo de una región, tal como se muestra en
la Tabla 3.8.
Tabla 3.8. Potencial productivo según el brillo solar
Brillo solar Potencial productivo Porcentaje del potencial productivo
(ha/año)
< 1300 Muy bajo < 50%
1300-1500 Bajo 50-60%
1500-1700 Medio 60-80%
1700-1900 Alto 80-90%
1900-2100 Muy Alto >90%
Fuente: Adaptado (Cenicafé, 2013)
Cuando la proporción de la radiación difusa es mayor que la directa, se presentan respuestas

fenológicas en el cafeto como alargamiento de entrenudos y aumento del área foliar, lo que repercute
en una disminución de la producción (Ramírez, 2012; Cenicafé, 2013).
Por su parte, los cambios en la temperatura del aire afectan la floración; esta a su vez está
influenciada por el fotoperiodo y la distribución de los períodos húmedos (Paes, 1985; Crisosto et al.,
1992; Camayo et al., 2003; Ramírez et al., 2011). Es así como la variación diaria de la amplitud
térmica influye en el cultivo del café (Cenicafé, 2013) y es un estímulo para la floración; se requieren
valores alrededor de 10°C para una adecuada floración del café (Ramírez et al., 2010).
En Colombia, según lo reportado por Cenicafé, las condiciones ambientales necesarias para una
apropiada floración del café, especialmente importantes en los trimestres de mayor floración (Feb.-
Abr. y Ago.-Oct.) son: un brillo solar diario promedio de 4.8 horas y no mayor de 7.5 horas; entre 60
y 65 días de déficit hídrico moderado (menor de 0.8) o entre 20 a 30 días de déficit hídrico fuerte
(menor de 0.5) por trimestre; como mínimo 1100°C de tiempo térmico acumulado; menos de 50 días
por trimestre con amplitud térmica inferior de 10°C (Jaramillo, 2011; Ramírez et al., 2011).
Con relación a la temperatura, el rango óptimo para el café arábiga es 18-21°C (Alegre, 1959; López
et al., 1972; Alvarado, 2007); no obstante, otros autores indican rangos de 18 a 23°C (Guharay et al.
2000; ICC, 2009). Cabe señalar, que se tienen plantaciones en zonas marginales con temperaturas
medias anuales tan altas como 24°C y 25°C, como ocurre en las regiones del Norte y Nordeste del
Brasil que siembran café Arábica (ICC, 2009). Sin embargo, por encima de 23°C, el desarrollo y
madurez del fruto se acelera con pérdidas en la calidad (Camargo, 1985). Con temperaturas mayores
a 24°C, la fotosíntesis neta decrece marcadamente, acercándose a cero en 34°C (Nunes et al., 1968;
Cannell, 1976). La exposición continua a una temperatura diaria tan alta como 30°C podría resultar
en un crecimiento reducido y en anormalidades como el amarillamiento de las hojas. Durante la
floración, una temperatura relativamente alta podría causar aborción de las flores (ICC, 2009). En
contraste, con temperaturas por debajo de 18°C el crecimiento se reduce (Camargo, 1985). La
ocurrencia de heladas, aunque sea esporádica, afecta considerablemente el cultivo (ICC, 2009).
La acumulación térmica define la longitud del período del proceso productivo (Tabla 3.9) y así
establece los días para la primera cosecha y para el máximo desarrollo foliar; sin embargo, en zonas
de baja acumulación térmica, el inicio de la producción se da con el brillo solar acumulado (Cenicafé,
2013).
Tabla 3.9. Relación temperatura del aire y tiempo de cosecha y desarrollo foliar
Temperatura media (°C) Primera cosecha (días) Máximo desarrollo foliar (días)
14 1438 3398
15 1150 2718
16 958 2265
17 821 1942
18 719 1699
19 639 1510
20 575 1359
21 523 1236
22 479 1133
23 442 1045
Fuente: (Cenicafé, 2013)
3.5.5.2 Disponibilidad hídrica

Los requerimientos hídricos del cultivo contemplan la demanda para la evapotranspiración, la cual se
incrementa con el área foliar y con la densidad de siembra; aunque hay un mejor uso del agua con
altas densidades de siembra (Cenicafé, 2013). Si la temperatura es favorable, el crecimiento del árbol
de café arábico muestra una periodicidad similar a la distribución de las lluvias (Maestri & Barros,
1977); en regiones con lluvias regulares y temperaturas moderadas como en Colombia, la
periodicidad del crecimiento parece estar determinada por variaciones en la radiación solar y la
disminución de la temperatura del aire, las cuales afectan el crecimiento y la fotosíntesis (Silva et al.,
2004; DaMatta et al., 2007).
Los países con estaciones de lluvias marcadas durante el año, tienden a tener floraciones
concentradas y, consecuentemente, cosechas concentradas en un periodo relativamente corto de
alrededor de tres meses, en el año (FNC, 2016). En Brasil, algunas investigaciones (Guerra et al.,
2005; 2006; Soares et al., 2005; DaMatta et al., 2007), muestran los efectos en la concentración de
flor de café, a través de un déficit hídrico controlado impuesto a los cultivos con irrigación; aunque su
implementación no es una tarea fácil (DaMatta et al., 2007), se toma como referencia, que el valor
crítico del potencial hídrico para desencadenar la apertura de las flores es 1,2 MPa (Magalhães &
Angelocci, 1976).
Por otra parte, diferentes estudios han evaluado los coeficientes de cultivo de los cafetos en la
producción en secano y bajo riego por aspersión y goteo. Estos coeficientes están afectados por la
fenología de los cultivos, la evolución del área foliar y la temperatura (Ramírez et al., 2010b;
Flumignan, de Faria, & Prete, 2011).
En países como Vietnam, donde se requiere riego, dado que la lluvia sólo proporciona el 25% de la
demanda potencial de evapotranspiración del cultivo, se analizan estrategias para el uso eficiente del
agua, considerando el ciclo fenológico y la necesidad de estrés hídrico para la floración (Amarasinghe,
Hoanh, D’haeze, & Hung, 2015).
En Colombia, el comportamiento de la floración depende del balance hídrico, pues se requiere un
corto período de stress para la floración, tal como se muestra en la Figura 3.17; en los cultivos
localizados al Norte y Sur del país, se da una cosecha principal en el año; mientras que la zona central
se tienen dos cosechas: mitaca y principal (Ramírez et al., 2011).
Figura 3.17. Balance hídrico y efectos en la floración del café

Fuente: (Jaramillo, 2011)
Aunque para la floración se requiere un período definido de sequía, un estrés hídrico extendido puede
dañar la planta (Lin, 2007). En caso de déficit o exceso hídrico, la planta cierra sus estomas como
mecanismo de defensa y se presenta la “evapotranspiración ajustada” (Gómez, 2000; Cenicafé,
2013), la cual incide en el área foliar y en la profundidad de las raíces y tiene relación directa con la
producción acumulada (Cenicafé, 2013).
Es así como el desarrollo foliar presenta sensibilidad al déficit hídrico; cuando es moderado, las hojas
se deshidratan y hay una caída en el ángulo de inclinación foliar; cuando se prolonga, hay reducción
en la distancia de los entrenudos (Cenicafé, 2013); luego de la interrupción de un periodo seco
prolongado, las plantas pueden mostrar envejecimiento prematuro y pérdida de follaje (Arcila et al.,
2007).
La escasez de agua, particularmente entre las semanas 7 y 14 después de la floración, en la etapa
de rápida expansión de la fruta, afecta el crecimiento del fruto, ya que los óvulos no alcanzan su
tamaño máximo potencial, bajo agua limitante (Arcila et al., 2007; DaMatta et al., 2007). Si estas
deficiencias se dan entre las semanas 15 y 25, se producen granos vanos o defectuosos por
insuficiente llenado de la almendra (Arcila et al., 2007).
Por otra parte, el exceso hídrico, influye en el número de botones florales en zonas donde la
acumulación térmica es baja; es crítico cuando se presentan más de 20 días por trimestre con valores
del índice de humedad mayores a 0.5 (Ramírez et al., 2010b, 2011). El exceso hídrico genera
además pérdida de bases intercambiables del suelo, lo que trae como consecuencia el aumento en
la acidez del suelo (Ramírez et al., 2014).
Para el buen desarrollo del cafeto se requieren lluvias entre 1800 y 2800 mm por año (Jaramillo,
2005; Calambas, 2009), bien distribuidas en todos los meses del año; aunque en las zonas cafeteras
colombianas la lluvia anual varía entre 1400 y 4200 mm anuales (Arcila et al., 2007).
En temas de balance hídrico, Ramírez et al. (2010c) han definido rangos adecuados de lluvia para el
cultivo del café en Colombia, en función el mes, la altitud, la edad del cultivo, la capacidad de
almacenamiento de agua en el suelo y la cuenca, pues los cultivos que están situados en la cuenca
del Magdalena demandan mayores valores de lluvia mensual, la cual oscila entre 40 y 100 mm.
3.5.6 Vulnerabilidad del sistema de producción de café

Cenicafé (2013) identifica las vulnerabilidades del sistema de producción a las amenazas climáticas
así: 1. Vulnerabilidad al exceso hídrico, 2. Vulnerabilidad al déficit hídrico, 3. Vulnerabilidad a la
reducción del brillo solar, 4. Vulnerabilidad a la temperatura, 5. Vulnerabilidad al viento, 6.
Vulnerabilidad al granizo.
Para la vulnerabilidad al exceso y al déficit hídrico, Ramírez et al. (2012b) establece una metodología
para estimar el riesgo agroclimático a partir del índice de humedad del suelo (IHS). Por su parte,
Ramírez (2014) categorizó los índices de vulnerabilidad de los suelos cafeteros al déficit hídrico así:
Muy vulnerable: suelos que en 15 días o menos alcanzan el déficit hídrico crítico (IHS<0.3);
Vulnerable: aquellos que soportan más de 15 días, pero menos de 30 días; Poco Vulnerable: aquellos
que soportan más de 30 días sin alcanzar el déficit hídrico crítico. Los resultados para el departamento
de Caldas se compilan en la Tabla 3.10.
En materia de vulnerabilidad a la temperatura, Cenicafé (2013) afirma que las temperaturas ideales
para el cultivo del café están alrededor de 20°C, con menores temperaturas, se aumenta la
vulnerabilidad a eventos fríos de variabilidad climática. Sugiere además revisar la amplitud térmica,
pues con valores inferiores a 10°C se incrementa la vulnerabilidad.
Con relación a los vientos, generan erosión eólica y estrés fisiológico (Cenicafé, 2013); no obstante,
para la zona cafetera colombiana son pocas las evidencias al respecto. Por su parte, el granizo
genera daños de tipo mecánico (Cenicafé, 2013). Según Arcila & Jaramillo (2010) estos daños
pueden clasificarse así: despuntes de tallos y ramos, lesiones de tallos y ramas, ruptura foliar,
defoliación, desprendimiento de frutos, lesiones en frutos.
Tabla 3.10. Clasificación de la vulnerabilidad del suelo al déficit hídrico
Localidad Unidad Clasificación Capacidad de Días en Vulnerabilidad
del suelo Taxonómica almacenamiento IHS < 0.31
50 cm (mm)
Chinchiná Chinchiná 71.3 33 Poco Vulnerable
Filadelfia Malba Parallthic Troportent 156.1 67 Poco Vulnerable
Filadelfia Socorro Dustrandept 59.2 29 Vulnerable
Manizales Bodega Typic Eutropepts 50.8 25 Vulnerable
Manizales Cascarero Typic Eutropepts 69.0 33 Poco Vulnerable
Manizales Chinchiná Melanudand 61.1 29 Vulnerable
Manizales Chuscal Typic Troporthents 62.9 30 Vulnerable
Manizales Las Vegas Typic Troporthents 76.3 35 Poco Vulnerable
Manizales Letras Melanudand 99.0 44 Poco Vulnerable
Manizales Letras Dystrandept 103.5 46 Poco Vulnerable
Manizales Malabar Vertic Trupudalf 63.2 30 Vulnerable
Manizales Malabrigo Typic Troporthents 55.5 27 Vulnerable
Manizales Peña Azul Typic Troporthents 105.1 47 Poco Vulnerable
Manizales Santillana Andic Hapludalis 63.4 30 Vulnerable
Manizales Tablazo 83.2 38 Poco Vulnerable
Manizales Violeta Eutropept 77.9 36 Poco Vulnerable
Marquetalia Frenso Acrudoxis Durudands 87.3 40 Poco Vulnerable
Neira Tareas Conglomerado 48.4 24 Vulnerable
Neira Tareas Eutropept 52.2 26 Vulnerable
Palestina Malabar Tropudalf 63.2 30 Vulnerable
Risaralda Frisolina Eutropept 58.9 29 Vulnerable
Supía Chinchina Dystrandept 90.3 41 Poco Vulnerable
Supía Guamal 42.3 22 Vulnerable
Fuente: (Cenicafé, 2013)
3.5.7 Modelos para el cultivo de café

Para estimar el impacto potencial de las variaciones climáticas en la producción de café se han
utilizado diferentes modelos matemáticos, tales como: modelos econométricos (Craparo, 2015),
relaciones empíricas entre los factores climáticos, modelos de cultivo y de productividad (Arcila et al.,
2007; DNP, 2012; Cenicafe, 2013), los cuales pueden considerar además la dinámica de plagas y
enfermedades (Jaramillo et al., 2011).
Los modelos de simulación de cultivo relacionan el crecimiento, desarrollo y las variables
ambientales; no sólo pueden suministrar información para el monitoreo de la humedad del suelo, sino
también pronosticar la producción basados en las variables climáticas, tales como: temperatura del
aire y balance de agua en el suelo durante las diferentes etapas fenológicas del cultivo (Haggar &
Schepp, 2012).
De acuerdo con la revisión de la literatura, algunos de los estudios que han aplicado modelos para el
cultivo del café se relacionan a continuación:
 Picini et al., (1999) desarrollaron modelos matemáticos agrometeorológicos que relacionan la
fenología y la producción bienal, a partir de una serie de datos de producción de cafetos adultos,
variedad Mundo Novo, en Brasil. Tanto Piccini et al. (1999) como Carvalho et al (2003), para la
estimación de la producción de café en Brasil, se basaron en los modelos matemáticos de Stewart
et al. (1976), Doorebons & Kassan (1979) y Rao (1988), los cuales sólo consideran la incidencia
del balance hídrico en la producción.
 Dauzat et al. (2001) desarrollaron un modelo virtual de la planta de café, que reproduce de
manera tridimensional la arquitectura, la geometría y la topología de las hojas individuales y su
respuesta a la radiación, transpiración y el flujo de savia en el tallo a varios sumideros. Este
modelo no tiene en cuenta la dinámica de la planta.
 Camargo et al., (2003) desarrollaron un modelo matemático fenológico-agrometeorológico, para
la estimación de los rendimientos de café, para diferentes regiones de Brasil. Santos & Camargo
(2006) parametrizaron este modelo, en algunas regiones de Brasil, y consideraron además las
reducciones en el rendimiento potencial, por el balance hídrico del suelo, durante diferentes
etapas de crecimiento. Camargo et al. (2007) realizaron el modelo agroclimático en café y el
mapeo de productividades en Brasil.
 Zacharias et al., (2008) parametrizaron y validaron un modelo agrometeorológico, para la
estimación del inicio de la etapa de floración del café arábica en Brasil, para las variedades Mundo
Novo y Catuaí, en edad adulta.
 Montoya et al., (2009), desarrollaron el modelo para predecir el rendimiento potencial del café de
Cenicafé, el cual cuenta con seis subsistemas de factores determinantes: clima, suelo, manejo,
fisiología y ecofisiología, plagas y enfermedades y económico, los cuales interactúan con
procesos o mecanismos de las plantas y del cultivo. No se identificaron estudios publicados del
uso de este modelo con escenarios de cambio climático.
 Gutiérrez et al., (1998) desarrollaron un modelo de simulación de la planta de café para Brasil
para modelar la dinámica de la broca del café. Rodríguez, Cure, Cotes, Gutierrez, & Cantor,
(2011) modificaron este modelo, para captar las diferencias en la fenología del café y el
crecimiento para Colombia. Por su parte, Rodríguez, Cure, Gutierrez, Cotes, & Cantor, (2013)
desarrollaron un modelo para comprender la dinámica de la broca del café. La revisión de
literatura no evidencia apliaciones de estos modelos para la simulación de escenarios de cambio
climático.
 Villers et al (2009) emplearon las proyecciones de cambio climático en los diagramas
ombrotérmicos, con el fin de medir los posibles impactos, cualitativos, en las fases reproductivas
de la floración y desarrollo del fruto, para las especies Coffea arabica y canephora.
 Charbonnier et al., (2013) parametrizaron el modelo MAESTRA, modelo de absorción de la luz
solar en 3D, en cultivos agroforestales de café arabica con árboles de sombra (Erythrina
poepiggiana), con el fin de comprender el impacto del sombrío en la productividad.
 Taugourdeau et al. (2014) establecieron modelos para estimar la producción en función del Índice
de Vegetación de Diferencia Normalizada (NDVI), calculado a partir de imágenes de satélite de
Alta Resolución (HR) y el índice de área foliar. Los coeficientes de correlación fueron
relativamente bajos para ser empleados en estimaciones de productividad.
 Mighty, (2015) presenta un modelo para el cultivo de café en la isla de Jamaica que integra las
perspectivas de los actores locales, mediante el proceso analítico jerárquico, para determinar las
ponderaciones de los criterios biofísicos y de infraestructura utilizados en el análisis de aptitud,
empleando los Sistemas de Información Geográfica.
 Craparo et al., (2015) demuestran que el aumento de la temperatura mínima es la variable

climática más importante responsable de disminuir los rendimientos de Café arábica entre 1961
y 2012 en Tanzania; proyectan que por cada incremento de 1°C, resultan pérdidas de rendimiento
anual promedio de 137 ± 16,87 kg ha-1.
Concerniente a los modelos de la FAO, Rivera et al., (2013) afirma que el modelo FAO-IIASA ha
sido aplicado en diferentes estudios de vulnerabilidad de café al cambio climático en varios países;
este modelo fue desarrollado por la Organización de las Naciones Unidas para la Alimentación y la
Agricultura (FAO) y el Instituto Internacional para el Análisis de Sistemas Aplicados (IIASA) para la
aplicación de la metodología “Zonas Agroecológicas” (ZAE), que pretende evaluar los recursos y el
potencial agrícola a escala global (FAO, 2017).
El modelo EcoCrop de la FAO (2007) emplea las temperaturas mensuales: mínimas, máximas y
medias, y la precipitación mensual total, para determinar un índice basado en cada parámetro
separadamente; finalmente, determina una valoración total de aptitud (de 0 a 100); este modelo brinda
la información ecológica para el café arabica y ha sido empleado en evaluaciones de cambio de la
aptitud climática, con escenarios del CIPM3, a escala de países (CIAT, 2012abcd; Eitzinger, 2010;
Haggar & Schepp, 2012; Zapata et al., 2011).
La mayoría de las modelaciones con EcoCrop se han comparado con el modelo de predicción de
cultivo MaxEnt (Máxima entropía); este modelo es similar a una regresión logística; pues busca
estimar la distribución de probabilidad conjunta de máxima entropía (Elith et al., 2006; Phillips et al.,
2006). Ha sido empleado en diferentes estudios para evaluar la aptitud climática a escala de país o
región, con escenarios del CIMP3 (Schroth et al. 2009; CIAT, 2012abcd; Bunn et al., 2013; Estes et
al. 2013; Guzmán, 2013).
AquaCrop es el modelo de cultivo de la FAO para simular la respuesta del rendimiento al agua de
varios cultivos herbáceos (Cleves, Toro & Martínez, 2016). El modelo incluye los componentes de
suelo, con el balance de agua; cultivo con su desarrollo, crecimiento y producción; atmósfera con su
régimen térmico, precipitación, demanda evaporativa y concentración de CO 2 y el manejo con las
prácticas agronómicas tales como irrigación y fertilización (FAO, 2015).
En Colombia, el DNP (2012) realizó el “Estudio de Impactos Económicos del Cambio Climático en
Colombia”; utilizaron 8 modelos agroclimáticos de tipo empírico para estimar la productividad y
rendimiento a partir de las variables climatológicas, para los cultivos de algodón, arroz riego, maíz,
papa, banano, caña azúcar, plátano y café.
Aunque los enfoques sobre la modelización de los impactos de los cultivos, a menudo se centran en
el avance de los modelos en procesos más sofisticados, en cultivos como el café podría decirse que
aún falta mayor avance científico para seguir este enfoque (Bunn et al., 2013). La revisión de la
temperatura permite identificar que el enfoque de modelado que se basa en el concepto de nicho
ecológico puede ser apropiado para la modelación de escenarios de cambio climático e impactos en
los sistemas de producción de café (Bunn et al., 2013). En este sentido, la comparación de modelos
mecánicos de procesos y de nicho ecológico, empleando SIG, es una metodología apropiada para el
análisis de posibles impactos del cambio climático en la producción cafetera en una región.
4. Metodología
4.1 Caso de estudio

El caso de estudio comprende el departamento de Caldas, Colombia, y sus regiones cafeteras, tal
como se representa en el mapa de la Figura 4.1. La delimitación de los ecotopos cafeteros fue
suministrada por CENICAFÉ (2014) y los mapas de división política municipal por CORPOCALDAS
(2014).
Figura 4.1. Localización de la zona de estudio

Fuente: Elaboración propia a partir (CORPOCALDAS, 2014, CENICAFÉ, 2014)
Para la modelación hidrológica se consideraron las cuencas hidrográficas del departamento (Figura
4.2) teniendo en cuenta la división política (CORPOCALDAS, 2014) y la delimitación del IDEAM
(2013); dadas las diferencias encontradas en cuencas que sólo están en jurisdicción de Caldas, se
realizó la delimitación de las cuencas, a partir del modelo de elevación digital del terreno (DEM) de la
USGS (2014) en escala 30 m x 30 m, para tal efecto, se emplearon las herramientas de hidrología de
los SIG, disponibles en el software ArcGis 10.1.
Figura 4.2. Localización cuencas hidrográficas del departamento de Caldas

Fuente: Elaboración propia a partir (CORPOCALDAS, 2014, CENICAFÉ, 2014, USGS, 2014)
4.2 Diseño metodológico

Esta investigación de tipo cuantitativo con enfoque exploratorio estuvo fundamentada en técnicas de
modelación hidrológica y agronómica para analizar los efectos de la variabilidad y el cambio climático
en la producción cafetera del departamento de Caldas.
Con base en los objetivos específicos, el esquema metodológico adoptado para el desarrollo del
proyecto, se ilustra en la Figura 4.3, donde se describen las principales actividades para cada uno de
los objetivos.
4.3 Información hidroclimática

El análisis de las variables climáticas fue realizado a partir de los registros diarios y horarios de las
estaciones meteorológicas y pluviométricas administradas por el IDEAM, la CHEC, el Centro Nacional
de Investigaciones del Café (CENICAFE), ISAGEN y la Universidad Nacional de Colombia, sede
Manizales.
Las variables climáticas analizadas fueron: brillo, radiación solar, humedad relativa, temperaturas,
velocidad y dirección del viento y precipitación. Para la validación del modelo hidrológico, fueron
requeridas las mediciones de caudal de las estaciones localizadas en las cuencas de Caldas.
Para la caracterización climática, el periodo definido como línea base fue 1981-2010; para tal efecto,
se seleccionaron estaciones localizadas en Caldas y en departamentos vecinos que tuvieran
influencia en las cuencas de Caldas, según el análisis de polígonos de Thiessen. En la Figura 4.4 se
muestra la localización de las estaciones; mientras que la Tabla 10.1, que se presenta en los anexos,
detalla la información para las estaciones pluviométricas y principales. Se consideraron estaciones
con registros como mínimo desde la década del ochenta, pero se incluyeron otras estaciones con
menor tiempo de registro e información satelital procedente del TRMM y de la plataforma Euroclima,
para una mejor caracterización del área de estudio.
Análisis de variabilidad climática y cambio climático y sus efectos en la

producción cafetera de Caldas
3- Efectos 4- Efectos
1- Ciclo diurno y 2-Cambio
Balance producción
tendencias Climático
hidrológico cafetera
Revisión de estado Revisión de Revisión de Revisión de

del arte estado del arte estado del arte estado del arte
Recopilación y Análisis de
Recopilación y Recopilación y
Homogenización escenarios 3
Homogenización análisis de series
series Comunicación
series
Nacional
Procesamiento de Recopilación de
modelos y Delimitación de Selección de
información de
técnicas para cuencas modelos
sensores remotos
Downscaling
Análisis estadístico y Validación del Calibración y

de tendencias. Análisis línea base
modelo hidrológico validación
Análisis del ciclo Escenarios método Simulación línea

Simulación línea
diurno. simple reducción base
base
de escal
Efectos de Efectos de
Estimación índices Efectos variabilidad
variabilidad variabilidad
agroclimáticos climática (ENSO)
climática (ENSO) climática (ENSO)
Indices climáticos Análisis de Efectos de Efectos de cambio

(Rclimdex) aptitud climática cambio climático climático
Figura 4.3. Esquema metodológico

Fuente: Elaboración propia
Para el análisis del ciclo diurno, se tuvo en cuenta la información de las estaciones de la Red
hidroclimática de Manizales, con registros cada 5 minutos y los registros de las estaciones localizadas
en Caldas de Cenicafé, con información horaria de brillo solar, precipitación, velocidad y dirección del
viento e información de humedad relativa y temperatura a las 7, 13 y 19 horas.
Se realizaron pruebas clásicas de análisis de homogeneidad empleando el Software R. Se efectuó
complementación de series con el Software SueMulador que se basa en un proceso estocástico
markoviano (Chica-Ramírez et al., 2014), que considera la variabilidad climática intra-anual asociada
al movimiento de la Zona de Confluencia Intertropical e interanual relacionada con los cambios en los
patrones del clima como consecuencia del ENSO. Se realizó además verificación de los estadísticos
de la serie y la correlación con estaciones vecinas.
Figura 4.4. Localización de estaciones

4.4 Descripción metodológica análisis del ciclo diurno y tendencias

Las variables climáticas analizadas fueron brillo solar, radiación solar, humedad relativa, precipitación
y temperaturas (máximas, mínimas y promedio), velocidad y dirección del viento y precipitación, para
las cuales se realizaron análisis de estadística descriptiva, en las diferentes escalas temporales; para
lo cual fueron empleadas las herramientas gráficas y estadísticas de Excel y del software IBM SSPS
Statistics.
El grado de aleatoriedad fue evaluado mediante el análisis de autocorrelación que muestra
autocorrelaciones estimadas entre los valores de la variable a diferentes retrasos. El coeficiente de
autocorrelación con retraso k mide la correlación entre los valores al tiempo t y al tiempo t-k,
considerando límites de probabilidad del 95.0% alrededor de 0. Si los límites de probabilidad a un
retraso particular no contienen el coeficiente estimado, hay una correlación estadísticamente
significativa a ese retraso al nivel de confianza del 95.0%. Este análisis fue llevado a cabo con el
software Stat Graphics.
Para estimar las variaciones de amplitud y fase de los ciclos diurnos se empleó el análisis espectral
que muestra el comportamiento de la variable en el dominio de la frecuencia (Briggs& Neison, 1995).
Se empleó la técnica de periodograma que se usa para identificar ciclos de frecuencia fija en los
datos. El periodograma se construye ajustando una serie de funciones seno a cada una de las
frecuencias. Las ordenadas son igual a las amplitudes cuadradas de las funciones seno. Puede
pensarse en el periodograma como un análisis de varianza por frecuencia, puesto que la suma de
ordenadas es igual a la suma de cuadrados total corregida en la tabla ANOVA. Este análisis fue
ejecutado con el software Stat Graphics.
El análisis de tendencias fue realizado por análisis gráfico de barras de error considerando período
de una y tres décadas; se efectuó además la confirmación con la técnica no paramétrica clásica de
Mann Kendall. Además de eso, se aplicaron pruebas de comparación de medias por técnicas
paramétricas (ANOVA post Hoc Duncan), previa verificación de supuestos de normalidad
(Kolmogórov-Smirnov) y homocedasticidad (Prueba de Levene) o por técnicas no paramétricas
(Kruskal Wallis) para identificar diferencias estadísticamente significativas entre las variables, con un
nivel de confianza del 95%, considerando criterios como los períodos de tiempo, el rango de
localización por alturas o la ocurrencia del fenómeno ENSO. Este análisis fue realizado en el software
IBM SSPS Statistics.
Para el análisis de variabilidad climática, se realizó la clasificación de la serie por periodo hidrológico,
teniendo en cuenta el índice Oceánico el Niño reportado por la NOAA. Por tanto, se hizo el análisis
para períodos secos, El Niño; húmedos, durante La Niña y normales, donde no se presentó el
fenómeno.
Se calcularon los índices agroclimáticos propuestos por CENICAFE (2011) que incluye: índices
térmicos -tiempo y amplitud térmica- y de energía -brillo solar acumulado-, los índices de
concentración y de erosividad de la precipitación. Además, se estimaron los índices climáticos
relacionados con eventos extremos aplicando el Software RClimdex (Zhang & Yang, 2004).
La distribución espacial de las variables climáticas fue realizada por interpolación con el Software
ArGis con el método de Kriging para la precipitación y para otras variables con el método IDW (inverso
de la distancia al cuadrado). Para las variables con alta correlación con la altitud, se establecieron
modelos de regresión lineal, los cuales fueron validados teniendo en cuenta el análisis de significancia
de los individuales (<0,05), la prueba global del modelo (<0,05) y la verificación de los supuestos
de distribución normal de los errores (Shapiro-Wilk, significancia de 0,05), homocedasticidad (Prueba
de White) y la no correlación en los errores (Durbin Watson); para tal efecto se emplearon los software
estadísticos EViews y SSPS.
4.5 Descripción metodológica escenarios de cambio climático

Para el análisis de los escenarios futuros de cambio climático para el departamento de Caldas se
consideraron tres métodos a saber:
1. Salidas del Ensamble REA del IDEAM a nivel de estación: Se estimaron las anomalías y se
realizaron las interpolaciones en ArcGis para la visualización espacial empleando el método IDW,
se evaluaron además con técnicas gráficas de Excel y SSPS IBM Statistics. Se realizaron análisis
de comparación de medias para estimar diferencias estadísticamente significativas (=0.05)
teniendo en cuenta los rangos de altitud de la zona cafetera.
2. Ensamble simple: Se tomó como punto de partida el método simple de reducción de escala de
WordlClim (Hijmans et al., 2005), el cual está basado en la suma de las anomalías interpolados
a las superficies de alta resolución mensuales para clima de WorldClim. El método básicamente
produce una superficie suavizada (interpolación) de los cambios en los climas, también llamados
anomalías; luego, se aplica esta superficie interpolada al clima de referencia teniendo en cuenta
el posible sesgo debido a la diferencia en las líneas de base. El método supone que los cambios
en los climas sólo son relevantes a escala gruesa, y que las relaciones entre las variables se
mantienen hacia el futuro. Cada conjunto de datos se compone de las variables temperatura y
precipitación sobre una resolución espacial de 30 arcosegundos, 1 km x 1 km (Ramírez & Jarvis,
2010). El ensamble simple fue realizado con ArcGis para los diferentes RCP, teniendo en cuenta
los modelos que se listan en la Tabla 4.1, donde O significa empleado y X no disponible
Tabla 4.1. Modelos climáticos RCP´s AR5 empleados en la reducción de escala simple
Model Institute Historical rcp26 rcp45 rcp60 rcp85
csiro_access1_0 O X O X O
Australian Common wealth Scientific and Industrial
csiro_access1_3 O X O X O
Reserch Organization, AUSTRALIA
csiro_mk3_6_0 O O O O O
bcc_csm1_1 O O O O O
Beijing ClimateCenter, CHINA
bcc_csm1_1_m O O O O O
bnu_esm Beijing Normal University - Earth System Model O O O X O
Canadian Centre for Climate Modelling and
cccma_canesm2 Analysis O O O X O
ncar_ccsm4 O O O O O
The Community Earth Climate System Model.
cesm1_bgc O X O X O
National Center for Atmosferic Research NCAR
cesm1_cam5 O O O O O
European Centre for Medium-Range Weather
ec_earth Forecasts O X X X O
State Key Laboratory Numerical Modeling for
atmospheric Sciences and geophysical fluid
lasg_fgoals_g2 Dynamics. China. O O O X O
First Institute of Oceanography-Eartyh System
fio_esm Model O O O O O
gfdl_cm3 O O O O O
gfdl_esm2g NOAA Geophysical Fluid Dynamics Laboratory O O O O O
gfdl_esm2m O O O O O
giss_e2_h O O X O O
giss_e2_h_cc O X O X X
NASA Goddard Institute for Space Studies
giss_e2_r O O O O O
giss_e2_r_cc O X O X X
nimr_hadgem2_ao National Institute of Meteorological Research O O O O O
mohc_hadgem2_cc O X O X O
Met Office Hadley Centre
mohc_hadgem2_es O O O O O
inm_cm4 Institute for Numerical Mathematics, RUSIA O X O X O
ipsl_cm5a_lr O O O O O
ipsl_cm5a_mr InstitutPierre-SimonLaplace,FRANCIA O O O X O
ipsl_cm5b_lr O X X X O
miroc_esm National Institute for Environmental Studiesand O O O O O
miroc_esm_chem Japan Agency for Marine-Earth Science and O O O O O
miroc_miroc5 Technology, JAPÓN O O O O O
mpi_esm_lr O O O X O
Max Planck Institute for Meteorology, ALEMANIA
mpi_esm_mr O O X X O
mri_cgcm3 Meteorological Research Institute, JAPÓN O O O O O
ncc_noresm1_m Norwegian Climate Centre (NorClim) O O O O O
Convenciones: O: empleado. X: No disponible.
3. Método de downscaling no paramétrico: se empleó el Método kNN - bootstrapping (Yates et al.

2003, Gangopadhyayet al. 2005) para generar series de sintéticas de clima informadas por el
GCM. Este método se caracteriza porque construye series sintéticas diarias a partir de los GCM
y las series históricas; utiliza reglas probabilísticas que preservan atributos presentes en la serie
histórica; así como atributos climáticos de resolución diaria; finalmente, considera la señal de la
Oscilación del Sur ENSO en las proyecciones de cambio climático (Angarita, 2014). Para el
procesamiento se emplearon rutinas de programación en R y los GCM con información de registro

diario para el RCP 8.5 (Tabla 4.2), suministrados por NCAR. Se evaluó la capacidad de los
modelos evaluados de reproducir el clima histórico y actual y las anomalías en las variables
evaluadas. El downscaling se obtuvo a nivel de estación, por tanto, se realizaron las
interpolaciones en ArcGis para el análisis espacial.
Tabla 4.2. Modelos climáticos RCP´s AR5 para downscaling no paramétrico a escala diaria
Modelo Institución
CanESM2 Canadian Centre for Climate Modelling and Analysis
CCSM4 National Center for Atmospheric Research
CNRM-CM5 Centre National de Recherches Meteorologiques / Centre Europeen de Recherche et
Formation Avancees en Calcul Scientifique
CSIRO-Mk3-6-0 Australian Common wealth Scientific and Industrial ReserchOrganization
HadGEM2-CC Met Office Hadley Centre ESM
MPI-ESM-MR Max-Planck-Institut für Meteorologie
NorESM1-ME Norwegian Climate Centre
Dado que el GCM contribuye con la mayor parte de la incertidumbre (Déqué et al., 2007), se empleó
un ensamble multimodelo que da un conjunto de proyecciones, para una variable dada, que cubren
los futuros más probables; este conjunto reduce la incertidumbre asociada a las proyecciones (Ruiz
et al., 2013). Para el método 3, se realizaron tres proyecciones por realización, con el fin de estimar
la incertidumbre, que fue analizada por el método de la RSU (Relative Standard Uncertainty), que
corresponde al coeficiente de variación en este caso.
Se aplicaron pruebas de comparación de medias por técnicas paramétricas (ANOVA post Hoc
Duncan), previa verificación de supuestos de normalidad (Kolmogórov-Smirnov) y homocedasticidad
(Prueba de Levene) o por técnicas no paramétricas (Kruskal Wallis) para identificar diferencias
estadísticamente significativas entre los modelos y los RCP, con un nivel de confianza del 95%.
La aptitud climática fue evaluada empleando las herramientas de los SIG, empleando el software
ArGIS. Se consideró una zona óptima para el cultivo del café, donde la temperatura promedio fluctúa
entre 18°C y 22°C y la precipitación entre 1400 mm y 2800 mm y una zona denominada “marginal
húmeda”, que conserva el mismo rango de temperatura promedio, pero con una precipitación entre
2800 mm y 4200 mm. Este análisis fue realizado en la franja de los ecotopos cafeteros delimitados
por Cenicafé y también en todo el territorio del departamento de Caldas.
4.6 Descripción metodológica modelación hidrológica

El balance hídrico fue empleado para el cálculo de la oferta hídrica superficial. La ecuación del
balance se representa por la siguiente expresión (Poveda et al., 2007):
dS(t)
= P (t) − E (t) − R(t) Ec (1)
dt
Donde:
S (t): representa el almacenamiento de agua en el suelo como una función del tiempo
P (t): Precipitación en mm por unidad de tiempo
E (t): Evapotranspiración real o efectiva en mm por unidad de tiempo
R (t): Escorrentía incluyendo el flujo base en mm por unidad de tiempo
Para efectuar el balance hidrológico se empleó el modelo conceptual, físicamente basado y de

Tanques (Vélez, 2001), en su versión agregada a escala diaria. El esquema conceptual se presenta
en la Figura 4.5.
Figura 4.5. Esquema conceptual del modelo Tetis

Fuente: (Vélez, 2001)
.
La cantidad de agua alamcenada en cada capa, conceptualizada como un tanque, no puede exceder
una capacidad máxima y no puede ser inferior a una mínima. Los parámetros que definen estas
capacidades se relacionan con las características físicas de la cuenca (coberturas, suelo y
morfología), para generar vínculos entre el modelo matemático teórico y la realidad (Vélez, 2013).
La principal desventaja de este tipo de modelos estriba en el concepto de equifinalidad (Beven, 1993),
es decir, la existencia de diferentes valores de los parámetros del modelo con los que se obtienen
similares medidas de ajuste. Por tanto, si los valores de los parámetros no pueden ser definidos de
manera única, los parámetros no pueden asociarse directamente a las características de la cuenca.
Este problema fue resuelto aplicando las técnicas de calibración y validación (Ocampo, Vélez y
Londoño, 2014), para tal efecto se utilizó la técnica Split sample (Singh et al., 2004); se emplearon
además los hidrogramas o gráficos de series de tiempo del flujo simulado y medidos a lo largo de los
períodos de calibración y validación, para identificar el sesgo del modelo, las diferencias en el tiempo,
la magnitud de los caudales máximos y la forma de las curvas de recesión (Moriasi et al, 2007).
Igualmente, se estimaron los parámetros estadísticos recomendados por Moriasi et al., (2007) y
Debels y Escurra (2010).
Los efectos de variabilidad climática fueron evaluados en el balance hidrológico, considerando los
períodos hidrológicos por años El Niño, La Niña y los años Normal o sin presencia del evento. Se
realizó además la modelación de los posibles efectos por cambio climático con los escenarios
definidos a escala diaria y el ensamble multimodelo.
4.7 Modelación agronómica

Si bien existen múltiples factores que influyen en la producción cafetera, en este estudio sólo serán
considerados los factores climáticos; los cuales tienen un gran impacto en la productividad, como se
muestra en la Figura 4.6.
Figura 4.6. Factores que inciden en la productividad cafetera

Fuente: (Jaramillo, 2011)
Se emplearon los modelos de cultivo que fueron calibrados para la zona; para calibrar el modelo se
ajustan los parámetros fenológicos del ciclo completo y los relacionados con el suelo (Van Intersum
et al., 2003).
Para realizar la modelación agronómica o de cultivos se parte de una condición ideal donde un cultivo,
bien adaptado a unas condiciones climáticas, puede dar la máxima producción; el rendimiento
máximo por tanto no está limitado por agua, nutrientes, plagas o enfermedades y está determinado
por el tipo de cultivo, la radiación solar y la temperatura ambiental.
Para el estudio se emplearon tres modelos de cultivo: SIMPROC, AQUACROP y CROPSYST en la
plataforma BIOMA.
El modelo SIMPROC (Santibáñez, 2001) integra en el tiempo las respuestas ecofisiológicas de los
cultivos frente a los estímulos climáticos; simula el crecimiento de los cultivos con base en los niveles
de interceptación de la radiación solar, la temperatura y disponibilidad hídrica. El esquema conceptual
del modelo se presenta en la Figura 4.7. El modelo inicializa con un índice de área foliar a partir del
cual se puede interceptar la radiación solar, estimada según la ecuación de Lambert-Beer (Houghton,
1986). La fotosíntesis bruta (Fb) depende de la radiación solar absorbida y la eficiencia fotosintética
del cultivo (Efc), la cual varía con la radiación solar incidente y el nivel de CO2 en la atmósfera. El
modelo usa una fórmula empírica que relaciona la intensidad de la luz y la eficiencia fotosintética
derivada de curvas fotosintéticas de diferentes autores (Choudhury, 2001; Gaastra, 1959; Hesketh
and Baker, 1967). Por otra parte, el efecto de la concentración del CO2 en la fotosíntesis (𝛿𝑐) es
derivado de datos experimentales (Heichel & Musgrave, 1969; Wang et al., 2012). La producción
potencial de materia seca o crecimiento potencia (CREo) es función de la respiración de
mantenimiento (Rm) y de la eficiencia bioquímica del crecimiento (Ec), la cual varía entre 0,5 a 0,75
dependiendo del cultivo (Penning de Vries and Van Laar, 1982).
Figura 4.7. Esquema Simplificado del modelo SIMPROC

Fuente: Adaptado (Santibáñez, 2001)
La respiración de mantenimiento (Rm) depende de la biomasa del cultivo (biom) y la temperatura (T),
se expresa en función de los factores de respiración (Km) y los coeficientes de respiración. Los
factores de respiración representan el consumo de carbohidratos diarios como una proporción de la
biomasa (Van Keulen & Wolf, 1986). Los coeficientes de respiración en la oscuridad se calculan con
la ecuación experimental de Ludwing et al (1965), como una función de la temperatura, la cual
también regula la producción de materia seca de acuerdo a la ecuación propuesta por Yan & Hunt
(1999). El modelo contiene una subrutina que evalúa el balance hídrico del sistema suelo-planta, que
tiene como componentes la precipitación efectiva, la evapotranspiración potencial y real, la capacidad
de almacenamiento de agua del suelo y la percolación profunda.
El modelo evalúa a su vez, los períodos de saturación temporal del suelo suponiendo que ellos se
producen cada vez que el suelo se encuentra a capacidad de campo y se producen lluvia que exceden
la evapotranspiración potencial de un nivel crítico previamente establecido, el cual depende de la
textura del suelo y la topografía.
Según Santibañez (2001), a partir de la intercepción de la radiación solar y del área foliar, el modelo
simula en cada instante la producción fotosintética bruta. Una vez considerados los costos
respiratorios, se establece el potencial de producción de materia seca, proceso en el que influyen las
temperaturas y la disponibilidad de agua en el suelo. Mediante un balance hídrico del suelo, se
establece el grado de satisfacción de las demandas hídricas del cultivo, lo que, a su vez, regula la
velocidad del crecimiento.
El modelo simula la fenología del cultivo a partir de la acumulación de días-grado, variable de base
para establecer en todo instante la edad fisiológica del cultivo. A partir de ésta, se modula el
coeficiente de reparto del crecimiento entre los distintos órganos de la planta, así como su sensibilidad
frente a eventos catastróficos como las heladas, el estrés térmico y la sequía. El área foliar del cultivo
crece hasta que la fenología lleva a la senescencia, momento a partir del cual comienza a disminuir
el área de hojas expuesta a la radiación solar y, con ello, la fotosíntesis hacia el final del ciclo.
La parametrización del modelo Simproc para café se realizó con la colaboración de su creador, el Dr.
Santibañez, con base en la producción reportada para la cuenca del río Chinchiná y los estudios
técnicos de Cenicafé, en el marco de la pasantía del doctorado y del proyecto VACEA.
Por otra parte, BioMA –Aplicación de Modelos Biofísicos- es una plataforma que se encuentra
diseñada para ejecutar modelos con una base de datos relacionada espacialmente. La Plataforma
BioMA fue desarrollada por el Instituto de Ambiente y Sostenibilidad (IES) y el Centro Común de
Investigación (JRC) de la Comisión Europea, con el fin de realizar análisis sobre la agricultura y el
cambio climático. El marco conceptual se muestra en la Figura 4.8.
Figura 4.8. Marco Conceptual de la Plataforma BioMa

Fuente: (Comisión Europea, 2016)
BioMA tiene la capacidad de estructurar modelos en forma secuencial y está apoyada por una serie
de módulos que facilitan la introducción ordenada de la información agrológica, climática, de manejo
y de suelos. Dentro de la plataforma BioMa se encuentra el modelo CropSyst (Cropping Systems
Simulation Model), para simulación de varios cultivos (Comisión Europea, 2016).
CropSyst es un modelo de simulación de crecimiento de multi-cultivo, multi-anual, desarrollado con
interfaces que permiten el enlace con SIG, generadores de tiempo, modelos económicos y/o de riesgo
(Stockle, 2003). Este modelo contiene dos módulos de Nitrógeno y de agua. El submódulo de agua
en el modelo incluye parámetros de precipitación, irrigación, escorrentía, intercepción, infiltración del
agua, redistribución del agua en el perfil del suelo, transpiración del cultivo y evaporación (IDEAM,
2013).
La parametrización del modelo se logró con la colaboración de Euroclima, el apoyo del programa
Jóvenes investigadores de Colciencias. Para tal efecto, se tuvo en cuenta la información reportada
por Cenicafé en las Granjas Cafeteras y los reportes municipales de las evaluaciones agropecuarias.
AquaCrop es el modelo de cultivo de la FAO para simular la respuesta del rendimiento al agua de
varios cultivos herbáceos. El modelo incluye los componentes de suelo, con el balance de agua;
cultivo con su desarrollo, crecimiento y producción; atmósfera con su régimen térmico, precipitación,
demanda evaporativa y concentración de CO2 y el manejo con las prácticas agronómicas tales como
irrigación y fertilización, el esquema conceptual se presenta en la Figura 4.9. (FAO, 2013).
Figura 4.9. Esquema conceptual del modelo Aquacrop

Fuente: (FAO, 2013)
AquaCrop se fundamenta en la separación de la evaporación del suelo (E) y la transpiración del

cultivo (Tr), así como en el rendimiento final (Y) en biomasa (B) y el índice de cosecha (HI) (Raes et
al., 2009). AquaCrop tiene una estructura con una relación suelo-planta-atmósfera. Incluye al suelo,
con su balance de agua, la planta con su desarrollo crecimiento y rendimiento y a la atmósfera con el
régimen térmico, precipitación, evapotranspiración y concentración de CO2. Adicionalmente son
considerados algunos aspectos de la gestión, tales como el riego y la fertilización; el modelo no
considera la afección por plagas y enfermedades en la planta (Raes et al., 2009).
La parametrización del modelo se logró con el apoyo del programa Jóvenes investigadores de
Colciencias. Para tal efecto, se tuvo en cuenta la información reportada por Cenicafé en las Granjas
Cafeteras y los reportes municipales de las evaluaciones agropecuarias.
5. Ciclo diurno y tendencias

En este capítulo presenta los resultados del análisis para comprender el ciclo diurno y las tendencias
de las variables que influyen en la disponibilidad de agua y energía, fundamentales para el
crecimiento y desarrollo de la planta y en la productividad cafetera del departamento de Caldas.
5.1 Brillo solar

Para este estudio se parte de la información de registros diarios de 34 estaciones alrededor de la
zona de estudio, 29 de ellas entre la franja altitudinal de 1000 – 2300 m.s.n.m. y sólo 12 en el
departamento de Caldas.
El análisis de estadística descriptiva para el registro histórico diario se resume en la Tabla 10.2.
(anexo)¡Error! No se encuentra el origen de la referencia., para algunas estaciones de Caldas;
mientras que el comportamiento medio por década se ilustra en la Figura 5.1., considerando la
ubicación por franja altitudinal. El análisis de varianza, por prueba no paramétrica, revela diferencias
estadísticamente significativas entre las estaciones por décadas. La prueba de Tau de Kendall
confirma tendencias decrecientes en todas las estaciones de Caldas, con excepción de Rafael
Escobar.
Para las estaciones Agronomía y Naranjal se evaluaron los registros diarios para el período 1956-
2013 y para Cenicafé para el período 1961-2013. El coeficiente de autocorrelación con retraso k mide
la correlación entre los valores al tiempo t y al tiempo t-k. 24 de los 24 coeficientes de autocorrelación
fueron estadísticamente significativos al nivel de confianza del 95.0%, implicando que la serie de
tiempo puede no ser completamente aleatoria. Similares resultados se obtienen en otras estaciones
con períodos menores de registro, tales como Aeropuerto La Nubia y Santa Helena, entre otras.
El análisis espectral, aplicando la técnica del periodograma (Figura 5.2), fue realizado con el fin de
identificar ciclos de frecuencia fija en los datos; en el periodograma las ordenadas son iguales a las
amplitudes cuadradas de las funciones seno. Puede asemejarse el periodograma a un análisis de
varianza por frecuencia, puesto que la suma de ordenadas es igual a la suma de cuadrados total
corregida. Según los períodos, se identifican ciclos cada 0.5, 1.0, 7.4, 11.8, 14, 20 y 30 años.
Altitud: 2000 – 2300 m.s.n.m.
Altitud: 1400- 2000 m.s.n.m.
Altitud: 1000- 1500 m.s.n.m.
Figura 5.1. Tendencias en el brillo solar diario

Periodograma para Naranjal

Periodograma para Agronomia (X 1000.0)
(X 1000.0) 8
8
6
6
Ordenada
Ordenada
4
4
2
2
0
0
0 0.1 0.2 0.3 0.4 0.5
0 0.1 0.2 0.3 0.4 0.5
frecuencia frecuencia
Periodograma para Santagueda

Periodograma para Cenicafe
(X 1000.0)
(X 1000.0) 4
8
3
6
Ordenada
Ordenada
2
4
1
2
0
0 0 0.1 0.2 0.3 0.4 0.5
0 0.1 0.2 0.3 0.4 0.5 frecuencia
frecuencia
Figura 5.2. Periodograma del brillo solar diario

Con relación al ciclo diurno, se realizó el análisis a partir de la información de las estaciones con
registro horario de brillo solar entre las 7 a.m. y 7 pm. La variación trimestral se ilustra en la Figura
5.3, donde se aprecia que las curvas siguen un comportamiento monomodal, que es más definido a
medida que disminuye la altitud. El análisis estadístico revela que no existen diferencias
estadísticamente significativas entre los trimestres para las estaciones analizadas.
La Figura 5.4 ilustra el comportamiento de la variable para algunas estaciones de la zona cafetera de
Caldas. Se presenta alta correlación y significativa entre el brillo solar horario y la altitud; de acuerdo
con el análisis de los registros hasta la 9 a.m. estas correlaciones son directas. Después de las 9
a.m., el brillo solar tiene una relación inversamente proporcional con la altitud. Para el brillo solar
diario acumulado se confirma relación inversa con la altitud.
Por otra parte, la variación del ciclo diurno a escala mensual se muestra en la Figura 5.5; es evidente
una mayor intensidad del brillo solar en los meses con menos lluvias. Según las pruebas no
paramétricas hay diferencias estadísticamente significativas entre el brillo medio horario entre las 7 y
17 horas, por rango altitudinal. En estaciones como Agronomía por ejemplo se recibe menos del 60%
del brillo posible en horas de medio día en los meses más cálidos como Ene-Feb y Julio-Agosto;
mientras que en Granja Lúker alcanza hasta el 80%.
1,0
Agronomía
0,8
Brillo solar, h
0,6
0,4
0,2
0,0
7 8 9 10 11 12 13 14 15 16 17 18 19
Horas del día
1,0
Granja Luker
0,8
Brillo solar, h
0,6
0,4
0,2
0,0
7 8 9 10 11 12 13 14 15 16 17 18 19
DEF MAM JJA SON Mes Horas del día
Figura 5.3. Variación trimestral del Ciclo diurno del brillo solar
1,0
0,9
0,8
0,7
Brillo solar, h
0,6
0,5
0,4
0,3
0,2
0,1
0,0
7 8 9 10 11 12 13 14 15 16 17 18 19
Horas del día
Agronomía Cenicafe Granja Luker Santa Helena

Naranjal Rafael Escobar Almacafé Letras Santágueda
Figura 5.4. Ciclo diurno del brillo solar en estaciones de Caldas

Figura 5.5. Ciclo diurno del brillo solar

Las alteraciones del ciclo diurno por variabilidad climática se ilustran en la Figura 5.6. Aumenta el
área bajo la curva en años El Niño y se reduce en años La Niña. Entre las 8 y 18 horas, la anomalía
es ±10% en promedio, para la estación Naranjal, con registros horarios para el período 1995-2013.
1,0
Estación Naranjal
0,8
Brillo solar, h
0,6
0,4
0,2
0,0
7 8 9 10 11 12 13 14 15 16 17 18 19
La Niña El Niño Normal Horas del día
Figura 5.6. Alteraciones ciclo diurno del brillo solar por ENSO
El comportamiento promedio estacional del brillo solar mensual para el período 1981-2010 se muestra
en la Figura 5.7; se evidencia el ciclo bimodal típico, con mayores valores a principios y mediados del
año. Con excepción de la estación Santa Helena -ubicada en el oriente de Caldas- donde la
estacionalidad es más marcada, las demás estaciones siguen la misma tendencia en el ciclo anual,
tal como lo muestran Ocampo & Vélez (2015).
250
200 AGRONOMÍA
Brillo solar horas por mes
NARANJAL
150 CENICAFÉ
GRANJA LÚKER
SANTÁGUEDA
100
EL ALGARROBO
RAFAEL ESCOBAR
50
SANTA HELENA
0
Ene Feb Mar Abr May Jun Jul Ago Sep Oct Nov Dic
Figura 5.7. Comportamiento estacional del brillo solar mensual 1981-2010

Fuente: propia
El comportamiento espacial del brillo solar medio diario para la línea base, 1981-2010, se muestra en
la Figura 5.8, para su elaboración se estimaron modelos de tendencia de carácter potencial con la
altitud, a partir de la información de las doce estaciones localizadas en Caldas y cinco estaciones de
departamentos vecinos localizadas entre 4150 y 775 m.s.n.m; se presenta una mayor incertidumbre
en el Valle del río Magdalena y específicamente para el municipio de La Dorada, pues no se cuenta
con mediciones en esta zona.
Teniendo en cuenta que el brillo solar determina el potencial productivo en una región, la clasificación
para la región de los ecotopos cafeteros se presenta en la Figura 5.8, el área según el potencial es la
siguiente: Muy Alto: 207.53 km2, Alto 986.32 km2 y medio 1302.90 km2.
Las alteraciones por variabilidad climática fueron estimadas también a partir de modelos potenciales
con la altitud, para el rango de 4150 y 775 m.s.n.m. y los mapas a escala diaria se esquematizan en
la Figura 5.8, que incluyen la línea base (1981-2010), años normales, húmedos y secos; nuevamente
se presenta incertidumbre en los resultados para las zonas bajas en el Valle del Magdalena. En estos
mapas diarios se delimita la franja de 7.5 horas/día que es el máximo recomendado de brillo solar y
se toman los valores diarios, según la clasificación de potencial (Cenicafe, 2013). Para la zona de los
ecotopos las anomalías promedio en años El Niño son 4.8% (desvest 0.093); mientras que en años
La Niña -7.15% (desvest 1.15), lo cual influye en el potencial productivo en la región de los ecotopos
cafeteros del departamento de Caldas.
Figura 5.8. Mapa de brillo solar diario y alteraciones por variabilidad climática
5.2 Radiación solar

Para la determinación de la radiación solar para la línea base 1981-2010 se parte de correlaciones
empíricas validadas para la zona (Ocampo & Vélez, 2015) que emplean registros de Brillo Solar y
Humedad Relativa.
Con base en esta información, se estima el comportamiento del ciclo anual para algunas estaciones
de Caldas (Figura 5.9), se caracteriza por curvas típicas estacionales bimodales, con mayores
valores durante los períodos más secos enero-febrero y julio-agosto.
450
Radiación solar cal/cm2-min
400
Agronomía
350 Cenicafé
Granja Luker
300
Santágueda
250 Aeropuerto La Nubia
200
Figura 5.9. Comportamiento estacional de la radiación 1981-2010

Fuente: propia
La distribución espacial se muestra en la Figura 5.10 que consolida los resultados para el
departamento de Caldas para el período de línea base. La región de los ecotopos cafeteros en Caldas
recibe entre 341 a 437 (cal/día) /cm2 de radiación solar, con un promedio de 373 (cal/día) /cm2 (cv
3%). En promedio equivalen a 4.33 kWh/m2, con rangos entre 3.97-5.09 kWh/m2.
Figura 5.10. Mapa de radiación solar línea base

El análisis de estadística descriptiva de la estimación de la radiación solar, para las estaciones que
cuentan con registros de brillo solar y humedad relativa, para el período 1981-2010, se resume en la
Tabla 10.3. De acuerdo con las estimaciones, en años La Niña, se reduce la radiación solar en -
2.7%, en promedio; mientras que, en El Niño se incrementa en 3%, en promedio.
Para la radiación solar se cuenta con series relativamente cortas de la red de estaciones de Manizales
administrada por el IDEA; por tanto, no se realizó el análisis de tendencias para esta variable.
Tomando como base la información de la estación Posgrados, que cuenta con uno de los registros
más largos, se efectuó el análisis del ciclo diurno de la radiación, el cual se visualiza en la Figura
5.11. Los mayores valores se reportan en los meses de enero y febrero a las 11 a.m. En general, los
máximos mensuales se reportan a las 11 a.m., con excepción de junio, agosto, septiembre y octubre
que se registran a las 10 a.m.
Figura 5.11. Ciclo diurno de la radiación solar en la estación Posgrados

Para efectos de comparación y facilidad de comprensión de la dinámica del ciclo diurno, se construye
el índice que relaciona la radiación horaria con la máxima. En la Figura 5.12 (arriba) se ilustra para
la estación posgrados, donde se aprecia que exhibe un claro comportamiento monomodal, con
variaciones entre los meses del año.
La influencia de la variabilidad climática se ve reflejada en la Figura 5.12 (abajo), en un mes crítico
para la floración del café como el mes de Febrero; se reduce el área bajo la curva en años La Niña y
se aumenta en años El Niño. El ciclo está influenciado por la altitud, según el análisis de las
estaciones de la red de Caldas.
Radiación solar / radiación máx

0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas del día
Ene Feb Mar abr May Jun

Jul Agos Sep Oct Nov Dic
Estación posgrados. Febrero

1,0
Radiación solar/ radiación max
0,9
0,8
0,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
La Niña El Niño Normal
Figura 5.12. Ciclo diurno de la radiación solar y efectos del ENSO en la estación Posgrados
5.3 Humedad Relativa

Esta variable influye en la disponibilidad de energía, agua y en la dinámica de plagas y enfermedades.
Se cuenta con 38 estaciones para la región, con más de 20 años de registro diario, 12 de ellas
situadas en el departamento de Caldas. El análisis de estadística descriptiva se compila en la Tabla
10.4.
El análisis de tendencias por década se resume en la Figura 5.13 para el registro histórico. La prueba
no paramétrica de Tau Kendall confirma tendencias significativas, positivas o crecientes en
estaciones como: Agronomía, Cenicafé, Granja Lúker, Naranjal, Plan Alto y Florencia; por el contrario,
se evidencian tendencias significativas, negativas o decrecientes en las siguientes estaciones:
Almacafé Letras, Rafael Escobar, Aeropuerto Santágueda, Bellavista, La Pelada.
Figura 5.13. Tendencias en humedad relativa

El coeficiente de autocorrelación con retraso k mide la correlación entre los valores de las estaciones
al tiempo t y al tiempo t-k. Para las estaciones con mayor longitud de registro como Cenicafé,
Agronomía y Santagueda, 24 de los 24 coeficientes de autocorrelación son estadísticamente
significativos al nivel de confianza del 95.0%, implicando que la serie de tiempo puede no ser
completamente aleatoria. De otro lado, la Figura 5.14 presenta los periodogramas para las estaciones
con mayor longitud en el registro diario, se identifican ciclos en periodos de 0.5, 4-7, 30 años.
Periodograma para Cenicafe Periodograma para Agronomia

(X 10000.0) (X 10000.0)
15 10
12 8
Ordenada
Ordenada
9 6
6 4
3 2
0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Figura 5.14. Periodograma de la humedad relativa

Por lo que respecta al ciclo diurno, se parte de las estaciones de Cenicafé con información horaria a
las 7, 13 y 19 horas; el comportamiento gráfico se sintetiza en la Figura 5.15 para las estaciones con
el registro más largo; es claro el comportamiento diferenciado con mayores registros en la mañana y
menores al medio día; se identifica además la bimodalidad interanual con mayores valores en
períodos de mayor precipitación.
Agronomía
100
90
Humedad relativa, %
80
70
60
50
40
Cenicafé
100
Humedad relativa, %
90
80
70
60
50
40
7 horas 13 horas 19 horas
Figura 5.15. Variación diaria de la humedad relativa

El análisis comparativo del comportamiento horario para las diferentes estaciones se muestra en la
Figura 5.16, considerando el registro histórico. Es evidente la menor variabilidad en horas de la
mañana y la mayor al medio día. Las pruebas no paramétricas confirman diferencias estadísticamente
significativas entre las estaciones en las horas de registro. De igual manera, se encuentran diferencias
por rango altitudinal.
Para la estación Cenicafé que cuenta con registro histórico desde el año 1950, se realizó el análisis
de tendencias decadales que se resume en la Figura 5.17. La prueba no paramétrica confirma
tendencias ascendentes en los tres registros, significativas a las 7 y 19 horas ( = 0.05) y altamente
significativas a las 13 horas ( = 0.01). El análisis del periodograma se consolida en la Figura 5.18
para las 13 y 19 horas, se identifican ciclos cada 0.5; 6.5; 12; 16; 21 y 32 años.
Para estos registros horarios, se realizó el análisis de autocorrelaciones estimadas entre los valores
de la humedad relativa a los diferentes retrasos; 24 de los 24 coeficientes de autocorrelación son
estadísticamente significativos al nivel de confianza del 95.0%, implicando que las series de tiempo
puede no ser completamente aleatoria.
Humedad Relativa 7 horas

100,00
90,00
Humedad relativa, %
80,00
70,00
60,00
50,00
40,00

100,00
90,00
Humedad relativa, %
80,00
70,00
60,00
50,00
40,00

100,00
90,00
Humedad relativa, %
80,00
70,00
60,00
50,00
40,00
Agronomía Almacafe Cenicafe
Granja Luker Naranjal Plan Alto
Rafael Escobar Santa Helena Santagueda
Figura 5.16. Comparación de la variación diaria de la humedad relativa en estaciones de Cenicafé

Figura 5.17. Análisis de tendencias registros horarios de humedad relativa estación Cenicafé
Periodograma para Cenicafe HR, % 13 horas Periodograma para Cenicafe HR 19 horas

(X 100000.) (X 10000.0)
8 24
20
6
16
Ordenada
Ordenada
4 12
8
2
4
0 0
0 0.1 0.2 0.3 0.4 0.5 0 0.1 0.2 0.3 0.4 0.5
Figura 5.18. Periodograma registros horarios de humedad relativa estación Cenicafé

Las alteraciones por variabilidad climática se presentan en la Figura 5.19 para el registro histórico
(1950-2013) de la estación Cenicafé. En años La Niña, las anomalías son: 7 horas: 1%, 13 horas:
2.2% y 19 horas: 2.6%; para el mes de febrero se presentan incrementos de 2%, 5.6% y 4.7%;
mientras que para el mes de agosto las anomalías son: 1.0%, 5.2% y 5.8%, respectivamente. Por su
parte, en años El Niño, se reduce en promedio la humedad relativa: 7 horas: -0.6%, 13 horas: -3.8%
y 19 horas: -2.0%. En los meses de mayor floración las anomalías son: Febrero: -1.5%, -4.8% y -
5.8%. Agosto: -0.6%, -5.5% y -3.8%, respectivamente.
Estación Cenicafé, Humedad Relativa, % 13 horas

100,0
90,0
Humedad relativa, %
80,0
70,0
60,0
50,0
40,0
30,0
Ene. Feb. Mar Abr. May Jun Jul Agos Sep Oct Nov Dic
Estación Cenicafé, Humedad Relativa, % 19 horas

100,0
90,0
Humedad relativa, %
80,0
70,0
60,0
50,0
40,0
30,0
Ene. Feb. Mar Abr. May Jun Jul Agos Sep Oct Nov Dic
Figura 5.19. Efectos del ENSO en la humedad relativa estación Cenicafé

Tomando como base el registro de las estaciones de Manizales, se realizó el análisis del ciclo diurno
para la estación Posgrados, que es una de las de mayor longitud de registro. Los resultados se
sintetizan en la Figura 5.20 (arriba). El ciclo diurno presenta menores valores a medio día y máximo
en horas nocturnas.
A partir de los valores máximos se construyó el índice de variación diaria que se muestra en la Figura
5.20 (medio). El índice es 1.0 a la cinco de la mañana cuando se registra la mayor humedad relativa.
Los mínimos tienen variaciones, así: para los meses más secos (DEF, JJA, Sep.) se da a las 14
horas; mientras que en los meses más húmedos a las 12 horas (Abr-May, Oct-Nov) y a las 13 horas
para el mes de marzo.
Para la estación Posgrados se estiman las alteraciones por variabilidad climática, considerando años
El Niño, La Niña y Normales, mediante la variación en el índice de humedad relativa diaria que se
presenta en la Figura 5.20 (abajo). Los mínimos mensuales, para años normales y secos, se dan a
las 14 horas; mientras que en años húmedos a las 13 horas. Es evidente la disminución de la
humedad relativo, en años El Niño, y un ligero aumento, en años La Niña.
Humedad Relativa, %
100
90
80
70
60
50
40
1 3 Oct
5 7 Jul
9 11
Horas del día 13 15 Abr
17 19 Ene
21 23
40-50 50-60 60-70 70-80 80-90 90-100
Indice diario Humedad relativa

1,000
0,900
HR/ HR MAX
0,800
0,700
0,600
0,500
0,400
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
Ene Feb Mar Abr May Jun

1,000
Humedad relativa / hr max
0,900
0,800
0,700
0,600
0,500
0,400
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
Figura 5.20. Ciclo diurno de la HR y efectos del ENSO. Estación posgrados

Para el período 1981-2010, a partir de la información disponible en las estaciones de Caldas y

departamentos vecinos, se construyeron los mapas de la Figura 5.21 que representan el
comportamiento espacial de la variable; estos mapas fueron elaborados a partir de modelos de
regresión lineal con la altitud. Es importante aclarar que se presentan errores marcados en las zonas
húmedas con baja altitud, como la Selva de Florencia, que registra humedades promedio del 91%.
Con respecto al efecto del ENSO, las estaciones reportan en promedio, incrementos de 1,8% en la
humedad relativa en períodos La Niña y reducciones de -1.7% en eventos El Niño; aunque los
coeficientes de variación son altos 93% y 63%, respectivamente. Para años La Niña, el mapa de
anomalías se presenta en la Figura 5.21, para años El Niño es prácticamente constante.
Figura 5.21. Humedad relativa para la línea base y efectos del ENSO.
5.4 Temperaturas
A continuación, se describe el comportamiento para las temperaturas medias, máximas, mínimas, la
amplitud térmica y se incluye además el análisis de los eventos extremos de temperatura.
5.4.1 Temperatura media

En la información disponible para el departamento y vecinos, se tienen 36 estaciones con registro
diario de temperatura media, de las cuales 17 se encuentran localizadas en Caldas. El análisis de
estadística descriptiva, para el registro histórico de las estaciones de Caldas, se resume en la Tabla
10.5; mientras que el análisis de tendencias se compila en la Figura 5.22. por rangos de altitud para
la zona cafetera. La prueba no paramétrica de Kruskal Wallis revela diferencias estadísticamente
significativas entre las décadas. Por su parte, el estadístico de Tau Kendall confirma tendencias
positivas y significativas en las siguientes estaciones: Agronomía, Cenicafé, Granja Lúker, Llanadas,
Naranjal, Santágueda, Aeropuerto La Nubia, Aeropuerto Santágueda, Bellavista, Las Brisas, La
Pelada y San Félix.
Altitud: 2000 – 2300 m.s.n.m.
Altitud: 1400- 2000 m.s.n.m.
Altitud: 1000- 1500 m.s.n.m.
Figura 5.22. Tendencias en temperatura media

El coeficiente de autocorrelación con retraso k mide la correlación entre los valores de la temperatura
al tiempo t y al tiempo t-k. Para las estaciones con mayor longitud de registro, tales como Cenicafé,
24 de los 24 coeficientes de autocorrelación son estadísticamente significativos, al nivel de confianza
del 95.0%, lo cual implica que la serie de tiempo puede no ser completamente aleatoria. El análisis
del periodograma se ilustra en la Figura 5.23, para las estaciones Agronomía y Naranjal, se identifican
ciclos cada 0.5, 1 y 3.7 años.

Periodograma para Agronomia
1500
1200
1200
1000
Ordenada
800 900
Ordenada
600 600
400 300
200
0
0 0 0.1 0.2 0.3 0.4 0.5
0 0.1 0.2 0.3 0.4 0.5 frecuencia
frecuencia
Figura 5.23. Periodograma temperatura media

Para el análisis del ciclo diurno se tomaron como base los registros de temperatura de las estaciones
Cenicafé, a las 7, 13 y 19 horas, tal como se representa en la Figura 5.24, para la estación Agronomía.
Se incluye la variación por períodos de tres décadas donde se evidencia el aumento en la temperatura
media horaria entre las décadas y mayores incrementos a las 19 horas.
Agronomía 7 horas
15,50
15,00
Temperatura, °C
14,50
14,00
13,50
13,00
Ene. Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
1956-1980 1961-1990 1971-2000 1981-2010 1991-2013
Figura 5.24. Variación horaria de temperatura en estación Agronomía

Agronomía 13 horas
21,00
Temperatura, °C 20,50
20,00
19,50
19,00
18,50
18,00
1956-1980 1961-1990 1971-2000 1981-2010 1991-2013
Agronomía 19 horas
17,50
17,00
16,50
Temperatura, °C
16,00
15,50
15,00
14,50
14,00
1956-1980 1961-1990 1971-2000 1981-2010 1991-2013
Figura 5.24. Variación horaria de temperatura en estación Agronomía

El análisis comparativo para las estaciones cafeteras se resume en la Figura 5.25, es evidente la
mayor variabilidad a las 13 horas y la menor a las 7 horas. Considerando el máximo, a las 13 horas,
se registran en promedio 0.71 y 0.81 de estos valores máximos a las 7 y 19 horas, respectivamente;
se presentan diferencias significativas en la estación Santa Helena, donde estas relaciones son 0.79
y 0.87, respectivamente.
Temperatura media, 7 horas

30,0
Temperatura media, °C
25,0
20,0
15,0

30,0
25,0
20,0
15,0

30,0
25,0
20,0
15,0
Cenicafe Granja Luker Naranjal PlanAlto

RafaelEscobar Santa Helena Santagueda
Figura 5.25. Comparación de la variación diaria de la temperatura en estaciones de Cenicafé

Los cambios por variabilidad climática para el registro histórico (1950-2013), en la estación Cenicafé,
se aprecian en la Figura 5.26. Durante los eventos La Niña, las anomalías son: 7 horas: -0.29°C, 13
horas: -0.62°C y 19 horas: -0.60°C, en promedio; las mayores anomalías se tienen en abril con
registros promedio de -0.51°C, -1.09°C y -0.93°C, respectivamente. Por su parte en los eventos El
Niño, los incrementos promedio de temperatura son: 7 horas: 0.32°C, 13 horas: 0.71°C y 19 horas:
0.47°C; las mayores anomalías se registran también en el primer trimestre, con promedios de 0.52°C,
1.09 y 0.87°C, respectivamente. Las relaciones T7/T13 y T19/T13 son relativamente similares
durante años normales, El Niño y La Niña.
30,00 Estación Cenicafé: Temperatura, 7 horas

Temperatura, °C
25,00
20,00
15,00
30,00 Estación Cenicafé: Temperatura, 13 horas

Temperatura,°C
25,00
20,00
15,00
30,00
Estación Cenicafé: Temperatura, 19 horas
Temperatura, °C
25,00
20,00
15,00
Figura 5.26. Efectos del ENSO en la temperatura diurna en la estación Cenicafé

Para el análisis del ciclo diurno, se parte de las estaciones de la red de Manizales. El comportamiento
para la estación posgrados se visualiza en la Figura 5.27, donde se ilustra la variación mensual y
trimestral de la temperatura media horaria. Se incluye además el índice que relaciona la temperatura
media con la máxima.
24
22
Temperatura, °C
20
18
16
14
12
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas del día
DEF MAM JJA SON
1,000
Temperatura media/tmax
0,900
0,800
0,700
0,600
0,500
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día

Figura 5.27. Ciclo diurno de la temperatura en la estación Posgrados

Las temperaturas máximas se reportan a las 11 en mayo; 12 horas en abril, y en SON; 13 horas en
el primer trimestre, junio, agosto y diciembre y 14 horas en Julio. Los mínimos se registran a las 5
horas, con excepción de enero y febrero que se alcanzan a las 6 horas.
Para el registro disponible en la estación Posgrados y considerando años El Niño (2002-2003), La

Niña (2010-2011) y Normales (2013), la variación en el índice de temperatura diaria por efecto de
variabilidad climática se presenta en la Figura 5.28. Es evidente la reducción en períodos fríos del
ENSO y el aumento en períodos cálidos, en especial en la mañana.
24
22
20
Temperatura, °C
18
16
14
12
10
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23
Horas del día
Figura 5.28. Efectos del ENSO en el ciclo diurno de la temperatura en Posgrados

Para el período 1981-2011, a partir de la información registrada en las estaciones para Caldas y los
departamentos vecinos, se reportan anomalías por eventos cálidos, El Niño, que oscilan entre 0.91 y
0.10°C; mientras que, durante La Niña, fluctúan entre -0.03 y -0.83°C. Con base en estos registros,
se establecen modelos de regresión lineal de la temperatura con la altitud, el comportamiento espacial
se ilustra en la Figura 5.29, que también muestra los cambios por efectos del ENSO.
Figura 5.29. Temperatura media línea base 1981-2010 y efectos del ENSO
Considerando que la temperatura media tiene relación con el tiempo de desarrollo foliar y de cosecha
(Tabla 3.9), el cambio en la acumulación térmica trimestral, para el registro histórico por décadas, se
muestra en la Figura 5.30 para la estación Cenicafé y se resume en la Tabla 10.6 (anexo). Para las
estaciones con registro más extenso, como Cenicafé, por ejemplo, se tienen 46 días de adelanto para
la primera cosecha y 108 días para el desarrollo foliar desde la década 1951-1960 a 1981-2010. Sin
embarbo, en promedio, se registran adelantos de 11 días por década para la primera cosecha y 25
días por década en el desarrollo foliar. Estos efectos son producto de los cambios en la acumulación
térmica.
Estación Cenicafé
4500
4000
Acumulación térmica, °C
3500
3000
2500
2000
1500
1000
Trimestre 1 Trimestre 2 Trimestre 3 Trimestre 4
Llenado Mitaca Cosecha Mitaca Floración Mitaca Crecimiento Mitaca
Floración principal Crecimiento principal Llenado principal Cosecha principal
1951-1980 1961-1990 1971-2000 1981-2010
5.4.2 Amplitud térmica

El análisis del registro histórico evidencia tendencias crecientes en las temperaturas máximas, según
los resultados del estadístico Tau-Kendal, en las siguientes estaciones: Agronomía, Cenicafé, Granja
Lúker, Llanadas, Rafael Escobar, Bellavista, Las Brisas, San Félix, Florencia.
La aplicación de esta prueba no paramétrica, confirma además tendencias positivas en las
temperaturas mínimas en las siguientes estaciones: Agronomía, Cenicafé, Granja Lúker, Llanadas,
Naranjal, Plan Alto, Santa Helena, Santágueda, Bellavista, Las Brisas, La Pelada, San Félix,
Florencia.
Concerniente a la amplitud térmica, las tendencias se ilustran en la Figura 5.31. la prueba no
paramétrica Tau- Kendal confirma tendencias decrecientes en las siguientes estaciones: Agronomía,
Cenicafé, Granja Lúker, Llanadas, Naranjal, Santágueda, Santa Helena.
Figura 5.31. Tendencias en la amplitud térmica

En estas tendencias influye además la variabilidad climática; en años La Niña, se reduce la amplitud
térmica; mientras que en años El Niño se aumenta, en comparación con los años normales (Tabla
10.7, anexo). En promedio, las anomalías son -0.50°C en períodos La Niña (cv 73%) y 0,49°C en
eventos El Niño (c.v. 39%). Según pruebas no paramétricas, se presentan diferencias
estadísticamente significativas entre la amplitud térmica registrada en las estaciones en estos

períodos.
5.4.3 Indicadores climáticos

El análisis de indicadores climáticos asociados con temperaturas extremas fue realizado para el
registro histórico, empleando la herramienta RClimdex (Tabla 5.1). Los resultados para algunas
estaciones se presentan en la Figura 10.1 (anexo) y el análisis de tendencias se consolida en la Tabla
5.2. que evidencia indicadores de calentamiento en las diferentes estaciones.
Tabla 5.1. Indicadores climáticos asociados con temperaturas extremas

Indicador Nombre del indicador Definición Unidad
ID
TXx Max Tmax Valor mensual máximo de temperatura máxima diaria ºC
TXn Min Tmax Valor mensual mínimo de temperatura máxima diaria ºC
TNx Max Tmin Valor mensual máximo de temperatura mínima diaria ºC
TNn Min Tmin Valor mensual mínimo de temperatura mínima diaria ºC
TX10p Días fríos Porcentaje de días cuando TX<10th percentil Días
TX90p Días calientes Porcentaje de días cuando TX>90th percentil Días
TN10p Noches frías Porcentaje de días cuando TN<10th percentil Días
TN90p Noches calientes Porcentaje de días cuando TN>90th percentil Días
WSDI Duración de periodos calientes Número anual de días con por lo menos 6 días Días
consecutivos en que TX>90th percentil
CSDI Duración de periodos fríos Número anual de días con por lo menos 6 días Días
consecutivos en que TN<10th percentil
Adaptado: (Zhang & Yang, 2004)
Tabla 5.2. Tendencias en Indicadores climáticos asociados con temperaturas extremas

Agronomía Cenicafe Granja Lúker Llanadas Naranjal Santa Helena Santagueda
Indices Slope P_Value Slope P_Value Slope P_Value Slope P_Value Slope P_Value Slope P_Value Slope P_Value
txx 0.013 0.138 0.026 0.00 -0.01 0.454 0.04 0.001 0.001 0.913 -0.043 0.012 -0.019 0.115
txn 0.004 0.535 0.002 0.73 0.005 0.704 0.012 0.557 -0.008 0.235 -0.013 0.491 -0.003 0.763
tnx 0.016 0.004 0.016 0.00 0.028 0.00 0.015 0.086 0.016 0.00 -0.003 0.796 0.021 0.00
tnn 0.018 0.001 0.028 0.00 0.038 0.00 0.026 0.084 0.029 0.00 0.032 0.024 0.037 0.00
tx10p 0.029 0.689 -0.021 0.711 -0.04 0.557 -0.012 0.162 0.103 0.067 -0.055 0.00 0.011 0.844
tx90p 0.324 0.01 0.435 0.00 0.134 0.287 0.552 0.029 -0.002 0.985 0.231 0.706 -0.115 0.341
tn10p -0.496 0.00 -0.528 0.00 -0.689 0.00 0.045 0.922 -0.673 0.00 2.476 0.042 -0.498 0.00
tn90p 0.501 0.00 0.506 0.00 0.722 0.00 -0.007 0.712 0.657 0.00 0.063 0.072 0.802 0.00
wsdi 0.059 0.154 0.104 0.002 0.031 0.627 -0.254 0.19 0.005 0.877 0.486 0.17 -0.053 0.298
csdi -0.106 0.044 -0.061 0.00 -0.108 0.024 -0.175 0.218 -0.056 0.005 0.308 0.204 -0.027 0.396
Teniendo en cuenta un nivel de confianza del 95%, las tendencias detectadas en los indicadores
climáticos de extremos de temperatura son las siguientes:
 Máximos de temperaturas máximas diarias (TXx): tendencias positivas en las estaciones
Cenicafé, Llanadas y tendencias negativas en Santa Helena.
 Mínimos de temperaturas máximas diarias (TXn): sin tendencia.
 Máximos de temperaturas mínimas diarias (TNx): tendencias positivas en Agronomía,
Cenicafé, Granja Lúker, Naranjal y Santágueda.
 Mínimo de temperaturas mínimas diarias (TNn): tendencias positivas en Agronomía,
Cenicafé, Granja Lúker, Naranjal, Santa Helena y Santágueda.
 Días fríos (Tx10P): Tendencias negativas en Santa Helena.
 Días calientes (Tx90P): tendencias positivas en Agronomía, Cenicafé, Llanadas.
 Noches frías (Tn10P): Tendencias negativas en Agronomía, Cenicafé, Granja Lúker, Naranjal
y Santágueda y positivas en Santa Helena.
 Noches calientes (Tn90P): Tendencias positivas en Agronomía, Cenicafé, Granja Lúker,
Naranjal y Santágueda.
 Duración de períodos calientes: Tendencias positivas en Cenicafé.
 Duración de períodos fríos: Tendencias negativas en Agronomía, Cenicafé, Granja Lúker,
Naranjal.
5.5 Viento
La zona intertropical de las calmas ecuatoriales atraviesa al país entre 2° y 5° de Latitud Norte. Se
caracteriza por una quietud atmosférica y falta de vientos regulares en la tropósfera (Guhl, 2016). En
Colombia, estos sistemas son influenciados por los factores locales de la cordillera de los Andes,
dado que la cordillera Central divide la franja ecuatorial, de baja presión atmosférica, en dos regiones
una al oriente y otra al occidente (Guhl, 2016).
El Centro de Investigaciones del Café cuenta con registros horarios de velocidad del viento entre
1971 y 2004. El comportamiento del ciclo anual para la velocidad promedio diaria y los valores
mínimos registrados a las 8 de la mañana y máximos a las 22 horas se presentan en la Figura 5.32,
para la estación Cenicafé; se evidencia el comportamiento bimodal típico de la zona, con máximas
velocidades promedio en el mes de Enero, para el primer semestre del año, y en agosto, para el
segundo semestre; las menores velocidades promedio se registran en los períodos lluviosos.
El análisis de la estadística descriptiva para la velocidad del viento, en la estación Cenicafé, se
resume en la Tabla 10.8. Las velocidades máximas promedio oscilan entre 5.19 m/s – 14.93 m/s, con
mayores valores en el mes de abril; se registran velocidades de brisas moderadas y algunas cercanas
a vendavales. Se presentan valores extremos que coinciden con velocidades de vendavales fuertes
y tormentas violentas, con mayor incidencia en horas nocturnas.
3,00
2,50
Velocidad del viento, m/s
2,00
1,50
1,00
0,50
0,00
Día 22 horas 8 horas
Figura 5.32. Ciclo anual de la velocidad del viento para la estación Cenicafé
Las alteraciones en la velocidad del viento por efectos de la variabilidad climática se consolidan en la
Figura 5.33, para la estación Cenicafé; durante El Niño, se producen mayores incrementos en la
velocidad del viento, en especial en el segundo semestre del año.
2,50
2,00
Velocidad del viento m/s
1,50
1,00
0,50
0,00
Figura 5.33. Efectos del ENSO en la velocidad del viento para la estación Cenicafé
Por lo que respecta a los eventos extremos, los promedios máximos se registran en años normales
en el mes de mayo (11.2 m/s); se reportan valores máximos extremos en los meses de mayo y agosto,
en años La Niña, y en los meses de enero, mayo y julio, en años normales.
El comportamiento del ciclo diurno se ilustra en la Figura 5.34. Según la escala de Beaufort, en la
mayor parte del ciclo diurno, el aire es ligero, mientras que en la noche ocurre una brisa muy ligera.
Con el fin de comprender la variación horaria, se construye el índice relativo de velocidad del viento
que se ilustra en la Figura 5.35. Las menores velocidades del viento se dan entre las 8 y 9 de la
mañana y las máximas entre las 21-23 horas.
Estación Cenicafé Dic

Nov
Oct
Sep
Velocidad viento m/s Ago
Jul
Jun
May
Abr
Mar
Feb
Ene
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas del día
0,50-1,00 1,00-1,50 1,50-2,00 2,00-2,50 2,50-3,00
Figura 5.34. Ciclo diurno de la velocidad del viento para la estación Cenicafé
1,00
0,90
0,80
Velocidad viento / vmax
0,70
0,60
0,50
0,40
0,30
0,20
0,10
0,00
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas del día

Jul Ago Sep Oct Nov Dic
Figura 5.35. Índice relativo de velocidad del viento para la estación Cenicafé
El análisis estadístico revela que se presentan diferencias estadísticamente significativas en las

velocidades del viento promedio y es posible establecer hasta seis conjuntos homogéneos, que van
desde los meses más lluviosos y con menor velocidad del viento, hasta los meses de enero y agosto
donde se registran los mayores valores promedio.
Euroclima provee información remota de medición de velocidad del viento a escala diaria para el
periodo 1989-2010. El mapa de distribución de velocidad media se visualiza en la Figura 5.36, con
promedios entre 1.3 – 3.1 m/s. Los mayores valores se presentan en la cordillera Central. La región
de los ecotopos cafeteros presenta en promedio valores de 2.07 m/s, con una desviación estándar
de 0.32 m/s.
Figura 5.36. Distribución espacial de la Velocidad del viento
Respecto a la dirección del viento, el comportamiento horario se muestra en la Figura 5.37., para la
estación Cenicafé. La frecuencia de las calmas es del 8% y la dirección predominante es SE 39%.
Para el promedio horario anual, la dirección predominante es sureste (SE) con frecuencias máximas
del 67% a las 21 horas y mínimas del 3% a las 11 horas; en esta hora predomina la dirección Norte
37%. Se evidencia el cambio en la dirección del viento diurno y nocturno por efecto de los factores
locales; en la noche predomina la dirección sureste (62%) y en el día la dirección Norte (20%). En
otras estaciones como Naranjal y Agronomía la dirección predominante en la noche también Sureste
(SE); mientras que en el día es Noroeste (NW).

N N
N 100% 100%
100%
NW 75% NE NW 75% NE
NW 75% NE
50% 50% 50%
25% 25% 25%
W 0% E W 0% E W 0% E
SW SE SW SE SW SE
S S S
Figura 5.37. Ciclo diurno de la dirección del viento para la estación Cenicafé
7 horas 8 horas
9 horas
N N
100% 100% N
75% 100%
NW NE NW 75% NE
NW 75% NE
50% 50%
50%
25% 25%
25%
W 0% E W 0% E W 0% E
SW SE SW SE SW SE
S S S
N N N
100% 100% 100%
NW 75% NE NW 75% NE NW 75% NE
50% 50% 50%
25% 25% 25%
W 0% E W 0% E W 0% E
SW SE SW SE SW SE
S S S
17 horas 18 horas
19 horas
N N
100% 100% N
NW 75% NE 100%
NW 75% NE
50% NW 75% NE
50%
50%
25% 25%
25%
W 0% E W 0% E
W 0% E
SW SE SW SE SW SE
S S S

N N N
100% 100% 100%
NW 75% NE NW 75% NE NW 75% NE
50% 50% 50%
25% 25% 25%
W 0% E W 0% E W 0% E
SW SE SW SE SW SE
S S S
5.6 Precipitación
5.6.1 Precipitación media

El movimiento de la ZCI determina el ciclo bimodal, con dos períodos más lluviosos en el año; este
comportamiento está claramente marcado para las diferentes estaciones analizadas en la zona de
estudio. Es así como la Figura 5.38 ilustra la variación en la estacionalidad intranual, por períodos
de tres décadas, para las estaciones con mayor longitud. Por otra parte, los resultados de pruebas
no paramétricas evidencian que se presentan diferencias significativas en los valores medios de
precipitación diaria y mensual entre décadas.
Estación Cenicafé 1951-2014

400
Precipitación, mm
300
200
100
0
1951-1980 1961-1990 1971-2000 1981-2010 1991-2014
Figura 5.38. Ciclo anual de la precipitación

Estación Naranjal 1956-2014

400
Precipitación, mm
300
200
100
0
1956-1980 1961-1990 1971-2000 1981-2010 1991-2014
Figura 5.38. Ciclo anual de la precipitación

El ciclo anual de la precipitación es afectado por la variabilidad climática, con incrementos de la

precipitación durante la ocurrencia de eventos fríos, La Niña, y reducciones, en fenómenos cálidos,
El Niño. Según las pruebas no paramétricas, hay diferencias significativas en los valores medios
diarios, mensuales y anuales, por efectos del ENSO. Los valores promedio de las anomalías en la
precipitación, por efecto del ENSO, se resumen en la Figura 5.39, para la estaciones con mayor
longitud en el registro.
Durante eventos La Niña, las anomalías en la precipitación son, en promedio: 19% en Agronomía,
18% en Cenicafé y 17% en Naranjal. Por otra parte, estas anomalías durante eventos El Niño, son
en promedio: -13% en Agronomía y Naranjal y -10% en Cenicafé. Particularmente, se presenta
variabilidad entre los meses, es así como las mayores anomalías se presentan en los trimestres 1 y
3 que son críticos para el cultivo del café, pues coinciden con las épocas de floración y/o llenado de
frutos.
Para el análisis de tendencias en la precipitación, se tomó el registro histórico a escala diaria de 83
estaciones localizadas en el departamento de Caldas con más de 20 años de registro. Los resultados
según el estadístico de Tau Kendall revelan tendencias positivas en 52 estaciones, 20 de ellas
localizadas en la región Centro Sur, 10 en el Magdalena Caldense, 11 en el Oriente, 7 al Norte y 4 al
Occidente. Particularmente, se identifican tendencias negativas en 13 estaciones, de las cuales 7
están en la región Centro Sur, 2 al Oriente, 1 en el Magdalena Caldense, 2 al Norte, 1 al Occidente.
Finalmente, no se detectan tendencias en 18 estaciones. Estas tendencias se reflejan en la
precipitación anual acumulada tal como se muestra en la Figura 5.40.
Anomalías, P % Cenicafé 1951-2014

80%
40%
0%
-40%
-80%
La Niña El Niño
Agronomía 1956-2014
80%
Anomalías, P %
40%
0%
-40%
-80%
La Niña El Niño
Naranjal 1956-2014
80%
Anomalías, P %
40%
0%
-40%
-80%
La Niña El Niño
Figura 5.39. Anomalías en la precipitación por efecto del ENSO

Figura 5.40. Tendencias en la precipitación anual

Por otra parte, el coeficiente de autocorrelación con retraso k mide la correlación entre los valores de
la precipitación, al tiempo t y al tiempo t-k. Para Agronomía, 24 de los 24 coeficientes de correlación,
son estadísticamente significativos, al nivel de confianza del 95.0%, por tanto, la serie de tiempo
puede no ser completamente aleatoria. Entre los resultados para otras estaciones se tienen: Cenicafé
18/24, Granja Lúker 16/24, Guaymaral 24/24, Ínsula 24/24, Montevideo 22/24, Naranjal 14/24; Planta
Sancancio 24/24. Además, el análisis del periodograma que se representa en la Figura 5.41, para
algunas de las estaciones con registros diarios mayores de 50 años, permite confirmar ciclos
semestrales, trimestrales, anuales, cada 3-5 años y 11 años.
Para la distribución espacial de la precipitación, se presentan los mapas obtenidos por WorldClim
para el período 1959-2000 (Figura 5.42), con el cual es posible establecer las siguientes estadísticas
para el departamento: la precipitación promedio anual multianual es 2450 mm, con una desviación
estándar de 588 mm; fluctúa entre 1749 mm y 6002 mm; con un óptimo pluviométrico en la Selva de
Florencia. Por su parte, en la región de los ecotopos cafeteros llueve en promedio 2723 mm anuales,
con una desviación estándar de 772 mm, y con rangos entre 1837 mm y 6002 mm. No obstante, se
evidencia que este mapa sobre-estima la precipitación en zonas de alta montaña, como los páramos.
Periodograma para Cenicafe

(X 10000.0)
6
4
Ordenada
3
0
0 0.1 0.2 0.3 0.4 0.5
frecuencia
Periodograma para Agronomia

(X 10000.0)
6
4
Ordenada
0
0 0.1 0.2 0.3 0.4 0.5
frecuencia

(X 10000.0)
6
4
Ordenada
0
0 0.1 0.2 0.3 0.4 0.5
frecuencia
Figura 5.41. Periodograma de la precipitación diaria

Con la información de las estaciones se elaboró el mapa de precipitación anual multianual para la
línea base, 1981-2010, el cual se muestra en la Figura 5.43. A partir de este mapa, se obtienen los
valores de precipitación para el departamento: precipitación promedio anual de 2761 mm, con una
desviación de 901 mm; la precipitación anual departamental fluctúa entre 1500 mm y 7139 mm. Por
su parte, en la región de los ecotopos cafeteros, el promedio de precipitación anual es 2942 mm, con
una desviación de 1100 mm; la precipitación en esta zona oscila entre 1500 mm y 7139 mm. No
obstante, se detectan errores en la señalización de la región de Ecotopos, tal como lo expresa
Ocampo et al. (2017b), pues está tomando el parque Nacional Natural Selva de Florencia donde se
presentan los mayores valores de precipitación para el departamento de Caldas.
Figura 5.42. Precipitación histórica 1959-2000

Fuente: Elaboración propia a partir WorldClim
Figura 5.43. Precipitación media Anual 1981-2010

Fuente: Elaboración propia a partir de registros de estaciones
5.6.2 Eventos extremos de precipitación

En relación con la precipitación diaria máxima, la prueba no paramétrica, con el estadístico de Tau
Kendall, revela tendencias positivas y significativas en estaciones como: Naranjal, Bocatoma Campo
Alegre, Planta Sancancio, Bolivia, El Recreo, Aguadas, Cañaveral, San Félix y Papayal. No obstante,
las lluvias máximas diarias siguen distribución de probabilidad de valor extremo; en este sentido, se
realizó el análisis con el software AFINS. La Tabla 5.3 compila los resultados de las tormentas para
los diferentes períodos de retorno, en algunas estaciones, incluye la función de máxima verosimilitud,
que en la mayoría de los casos fue Generalized Extreme Value (GEV); sin embargo, a partir del
análisis gráfico (Figura 5.44) se establece que la distribución de probabilidad Gumbel es también
adecuada para la zona de estudio.
Estación Agronomía Estación Agronomía

Gumbel GEV
Estación Cenicafé Estación Cenicafé

Gumbel GEV
Figura 5.44. Distribuciones de valor extremo para las tormentas registradas en las estaciones
Tabla 5.3. Lluvias máximas diarias para estaciones cafeteras

Registro Histórico
Gumbel Máxima Verosimilitud
Estaciones
Función de
Tr5 Tr10 Tr25 Tr50 Tr100 Tr500 Tr5 Tr10 Tr25 Tr50 Tr100 Tr500
Probabilidad
Agronomía 85 96 109 118 128 150 GEV 85 96 110 120 131 156
Cenicafé 98 110 125 136 147 172 GEV 98 112 130 144 160 199
Java 87 97 109 118 128 149 LogNormal 2 86 94 103 109 116 129
La Selva 100 111 126 137 148 173 GEV 99 109 121 129 136 152
Planta
88 102 119 132 145 175 GEV 88 100 114 123 132 150
Sancancio
Alta Suiza 77 86 97 105 113 132 GEV 77 86 99 109 119 144
Marmato 106 121 141 156 170 204 GEV 105 118 133 143 152 169
Uribe 110 124 141 154 166 195 GEV 111 124 141 153 165 192
Aeropuerto La
66 74 83 90 97 114 GEV 66 75 87 96 107 133
Nubia
EL Recreo 110 126 146 161 176 211 LogNormal 2 111 126 144 157 170 200
Granja Luker 86 95 106 115 123 143 GEV 87 95 105 112 119 134
Ínsula 112 128 147 162 176 209 GEV 109 117 124 128 132 137
Santágueda 87 94 104 111 118 134 GEV 88 95 103 108 114 125
Por otra parte, se efectuó el análisis de los índices climáticos del RClimdex, relacionados con eventos
extremos de precipitación, para las estaciones con mayor longitud en el registro; los resultados se
ilustran en la Figura 10.2 (anexo) y se resumen en la Tabla 5.4, para algunas estaciones. En términos
generales, revelan, con el 90% de confianza, las siguientes tendencias:
 RX1Day (Máximo mensual de precipitación en 1 día, mm): positivas en Naranjal, Llanadas,
El Recreo, Guaymaral.
 RX5Day (Máximo mensual de precipitación en 5 días consecutivos, mm): positivas en Santa
Helena, Java.
 SDII (Precipitación anual total dividida para el número de días húmedos (definidos por
PRCP ≥ 1.0mm) en un año, mm/día): crecientes en Cenicafé, Naranjal, Santa Helena,
Rafael Escobar.
 R10mm (Número de días en un año en que PRCP ≥ 10mm): positivas en Naranjal y Santa
Helena.
 R20mm (Número de días en un año en que PRCP ≥ 20mm): crecientes en Naranjal, Java,
Rafael Escobar, Bellavista.
 R25mm (Número de días en un año en que PRCP ≥ 25mm): positivas en Naranjal,
Santágueda, Rafael Escobar.
 CDD (Número máximo de días consecutivos con PRCP <1mm): Positivas en Montevideo.
 CDW (Número máximo de días consecutivos con PRCP ≥ 1mm): Positivas en Bellavista,
Manzanares, Java, Cuatro Esquinas.
 R95P (Precipitación anual total en que PRCP > 95 percentil, mm): Crecientes en Cenicafé,
Naranjal, Santágueda, Santa Helena, Guaymaral.
 R99P (Precipitación anual total en que PRCP > 99 percentil, mm): Crecientes en Naranjal,
Santa Helena, Llanadas.
 PRCTOT (Precipitación anual total en los días húmedos (PRCP≥PCP≥ 1mm), mm):
Positivas en Naranjal, Cuatro Esquinas, Java, Bellavista.
Tabla 5.4. Tendencias en Índices de precipitación extrema RClimdex
Agronomía Cenicafe Granja Lúker Naranjal

Indices Slope P_Value Slope P_Value Slope P_Value Slope P_Value
RX1DAY 0.053 0.73 0.017 0.908 0.171 0.262 0.397 0.001
RX5DAY 0.158 0.548 0.003 0.99 0.24 0.382 0.277 0.213
SDII 0.015 0.132 0.025 0.003 -0.007 0.621 0.038 0
R10mm 0.154 0.136 0.101 0.288 0.088 0.531 0.248 0.031
R20mm 0.113 0.069 0.068 0.206 0.112 0.266 0.205 0.004
R25mm 0.067 0.158 0.05 0.284 0.085 0.272 0.227 0
CDD 0.042 0.305 0.038 0.273 -0.484 0.095 0.038 0.248
CWD 0.041 0.392 -0.047 0.087 0.017 0.508 -0.014 0.655
R95P 1.943 0.26 2.553 0.049 2.263 0.265 6.687 0
R99P 0.941 0.25 1.066 0.171 1.453 0.208 2.405 0.003
PRCPTOT 4.299 0.149 3.566 0.16 6.556 0.139 11.159 0.001
Entre los indicadores agroclimáticos relacionados con la precipitación, se encuentran el Índice de

concentración de la precipitación que permite comprender la distribución de la precipitación en un
intervalo determinado de tiempo; el Índice de Fournier modificado y el índice de Erosividad que son
medidos para estimar la erosividad a causa de la precipitación (Ramírez et al. 2007).
El Índice de Concentración de la Precipitación, ICP, toma valores entre los rangos de Uniforme (8.3-
10) y moderadamente estacional (10 -15), según la clasificación propuesta por Oliver (1980). El índice
de Fournier Modificado, IFM, llega a valores superiores a 160 que indica muy alta agresividad de la
lluvia, según lo establecido por Apaydin et al. (2006). Finalmente, el índice de Erosividad toma valores
entre los rangos alto (7500-10000 MJ.mm.ha-1) y muy alto (10000- 15000 MJ.mm.ha-1), según la
clasificación de (Riviera et al., 1991).
5.6.3 Ciclo diurno

Cenicafé cuenta con información horaria de la precipitación, a partir de la cual se identificó el
comportamiento del ciclo diurno de la precipitación, que muestra en la Figura 5.45, para el registro
histórico, en las estaciones Agronomía, Naranjal, Granja Lúker, Rafael Escobar y Santa Helena.
La Figura 5.45 refleja la mayor participación de la lluvia nocturna en las estaciones cafeteras, en
comparación con estaciones urbanas y de mayor altitud, como es Agronomía, donde se presenta una
mayor cantidad de lluvia diaria en horas de la tarde. En la estación de la cuenca del río Magdalenta,
Santa Helena se presentan comportamientos diferenciados en comparación con las demás
estaciones.
Agronomía 1956-2013
1,2
1,0
Precipitacíón, mm
0,8
0,6
0,4
0,2
0,0
1 2
3 4 Oct
5 6
7 8 Jul
9 10
11 12 13
14 15 Abr
16 17
18 19 Ene
20 21
Horas del día 22 23
24
0,0-0,2 0,2-0,4 0,4-0,6 0,6-0,8 0,8-1,0 1,0-1,2
Naranjal 1954-2013
1,2
1,0
Precipitación, mm
0,8
0,6
0,4
0,2
0,0 Oct
1 2 3 4 Jul
5 6 7 8
9 10 11 Abr
12 13 14
Horas del día mm 15 16 17 Ene
18 19 20
21 22 23
24
0,0-0,2 0,2-0,4 0,4-0,6 0,6-0,8 0,8-1,0 1,0-1,2
Figura 5.45. Ciclo diurno de la precipitación

Granja Luker 1973_2014
1,2
1,0
Precipitación, mm
0,8
0,6
0,4
0,2
0,0
1 2
3 4 Oct
5 6
7 8 Jul
9 10
11 12
13 14 Abr
Horas del día 15 16
17 18 19
20 21 Ene
22 23
24
0,0-0,2 0,2-0,4 0,4-0,6 0,6-0,8 0,8-1,0 1,0-1,2
Rafael Escobar 1971-2005

1,2
1,0
Precipitación, mm
0,8
0,6
0,4
0,2
0,0 Oct
1 2 3 4 Jul
5 6 7 8
9 10 11 Abr
12 13 14
15 16 17
Horas del día 18 19 20 Ene
21 22 23
24
0,0-0,2 0,2-0,4 0,4-0,6 0,6-0,8 0,8-1,0 1,0-1,2

Santa Helena 1981-2013
2,4
2,2
2,0
1,8
Precipitación, mm
1,6
1,4
1,2
1,0
0,8
0,6
0,4
0,2
0,0 Oct
1 2 3 Jul
4 5 6
7 8 9 10 11 Abr
12 13 14
15 16 17
18 19 20 Ene
21 22 23
Horas del día 24
0,0-0,2 0,2-0,4 0,4-0,6 0,6-0,8 0,8-1,0 1,0-1,2 1,2-1,4 1,4-1,6 1,6-1,8 1,8-2,0 2,0-2,2 2,2-2,4

Para una mayor comprensión de este ciclo diurno y evaluar la variabilidad por períodos históricos, se
construye el índice relativo de variación de la precipitación en comparación con la máxima horaria.
La Figura 5.46 presenta la dinámica, donde se exhibe un claro comportamiento bimodal en Agronomía
y curvas con tendencia más monomodal en las estaciones cafeteras.
El análisis de estas curvas permite identificar algunos cambios: En Agronomía, se ha reducido la
participación de la lluvia nocturna en los últimos períodos; mientras que en Naranjal y Cenicafé, se
presenta desplazamiento del máximo de las 3 a las 2 de la mañana; en términos de cantidad, se
detecta incremento en la lluvia nocturna y vespertina.
A escala diurna, también se realizó el análisis de las alteraciones por variabilidad climática, tal como
se ilustra en la Figura 5.47. Es evidente el incremento de la precipitación durante la Niña y la reducción
en el Niño.
En los períodos fríos, La Niña, la lluvia diurna (6- 18 h) se incrementa así: 18% en Agronomía y
Cenicafé y 21% en Naranjal; mientras que la lluvia nocturna, aumenta así: 16% en Agronomía, 15%
en Cenicafé y Naranjal. Las mayores anomalías horarias en términos porcentuales son:
 Agronomía: 5 h. (48%), 9 h. (58%), 10 h. (38%), 15 h. (28%), 18 h. (35%), 19 h (38%).
 Cenicafe: 12 h. (36%), 14 h (45%), 15 h (48%), 19 h (21%), 21 h (30%), 22 h (36%).
 Naranjal: 10 h. (47%), 12 h (28%), 14 h (38%), 17 h (42%), 18 h (35%), 21 h (37%).
Precipitación / pmax, horaria Agronomía

1
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas del día
Cenicafé
Precipitación/ pmax, horaria
1
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas del día
Naranjal
Precipitación/ pmax, horaria
1
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas del día
1956-1980 1961-1990 1971-2000 1981-2010 1991-2013
Figura 5.46. Índice relativo del ciclo diurno de la precipitación

Por su parte, para los períodos cálidos, El Niño, la lluvia diurna se reduce así: -10% en Agronomía,
-11% en Cenicafé y -15% en Naranjal; mientras que las lluvias nocturnas disminuyen: -11% en
Agronomía y Cenicafé y -12% en Naranjal. Las mayores anomalías horarias para las estaciones
evaluadas en términos porcentuales son las siguientes:
 Agronomía: 7 h. (-30%), 10 h (-25%), 11 h. (-40%), 23 h. (-27%), 24 h. (-20%).
 Cenicafe: 7 h. (-21%), 11 h (-44%), 21 h (-24%), 23 h (-32%), 24 h (-18%).
 Naranjal: 4 h (-18%), 5 h. (-30%), 16 h (-26%), 19 h (-17%), 23 h (-17%).
Agronomía
0,8
Precipitación horaria, mm
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas del dia
Cenicafé
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas del día
Naranjal
1
0,8
0,6
0,4
0,2
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Horas del día
Figura 5.47. Alteración del ciclo diurno de la precipitación por ENSO

En el ciclo anual, el comportamiento de las anomalías mensuales promedio para las lluvias diurnas,
se presenta en la Figura 5.48 para las estaciones cafeteras, Cenicafé y Naranjal. La Niña influye de
manera marcada en los meses de floración, dado que las anomalías promedio de la precipitación
diurna en febrero son 43% en Cenicafé, y 73% en Naranjal; mientras que en agosto 47% y 43%,
respectivamente.
Cenicafé
100%
50%
0%
-50%
-100%
Naranjal
100%
50%
0%
-50%
-100%
La Niña El Niño
Figura 5.48. Anomalías en la precipitación diurna por ENSO

Por otra parte, la Figura 5.49 resume el comportamiento del ciclo anual para las anomalías en la
precipitación nocturna, en algunas estaciones cafeteras con mayor longitud de registro. Durante La
Niña, las mayores anomalías se registran en Marzo (42%) y Julio (41%) en Cenicafé; mientras que
en Febrero (43%) y Julio (68%) para Naranjal; por tanto, pueden afectar la floración. Por su parte, en
El Niño, las mayores anomalías se registran en Marzo (-29%) y Diciembre (-27%), en Cenicafé, y
Enero (-40%) y Diciembre (-31%), en Naranjal, durante estas fechas, pueden favorecer floración y
llenado.
Con respecto a la precipitación máxima horaria promedio, el análisis de los registros de las estaciones
se resume en la Figura 5.50. Los máximos valores promedio se dan a las 18 horas en Agronomía y
entre 1-3 horas en Cenicafé y Naranjal. Las mayores lluvias máximas se dan en horas de la tarde y
la noche en Agronomía; en horas de la madrugada y la noche en Naranjal y Cenicafé; no obstante,
en Cenicafé se registran lluvias máximas fuertes también en la mañana y en la tarde.
Cenicafé
100%
50%
0%
-50%
-100%
La Niña El Niño
Naranjal
100%
50%
0%
-50%
-100%
La Niña El Niño
Figura 5.49. Anomalías en la precipitación nocturna por ENSO

Agronomía
Precipitación Maxima, mm
60
50
40
30
20
10
0 Oct
1 2 3 4 Jul
5 6 7 8 Abr
9 10 11
12 13 14
15 16 17 Ene
18 19 20
Horas del día 21 22 23
24
0-10 10-20 20-30 30-40 40-50 50-60
Figura 5.50. Precipitación máxima promedio horaria

Cenicafé
80
Precipitación máxima, mm
70
60
50
40
30
20
10
0 Oct.
1 2 3 4 Jul.
5 6 7 8 Abr.
9 10 11
12 13 14
15 16 17 Ene.
18 19 20
21 22 23
24
Horas del día
0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80
Naranjal
80
70
60
50
40
30
20
10
0 Oct.
1 2 3 4 Jul.
5 6 7 8
9 10 11 Abr.
12 13 14
15 16 17
18 19 20 Ene.
21 22 23
24
0-10 10-20 20-30 30-40 40-50 50-60 60-70 70-80
Figura 5.50. Precipitación máxima promedio horaria

6. Escenarios de cambio climático

Las proyecciones de cambio climático son presentadas para las variables precipitación y temperatura.
Inicialmente, se muestran el análisis del ensamble REA del IDEAM a nivel de estación; luego, los
resultados con la aplicación del método simple de reducción de escala para los diferentes modelos,
en escala 1 km x 1km y finalmente, los resultados con la reducción de escala por el método no
paramétrico kNN – bootstrapping.
6.1 Escenarios IDEAM Colombia Tercera comunicación Nacional

Para la generación de escenarios de cambio climático, la Tercera Comunicación (IDEAM, PNUD,
MADS, DNP, Cancillería, 2015b; IDEAM et al., 2017) empleó los modelos del CMIP5. Para esta
comunicación, los estudios previos realizados por Rodríguez (2010) evaluaron 20 modelos del AR4;
los hallazgos del estudio identificaron que los modelos más representativos de los patrones de
circulación atmosférica fueron: UKHADGEM, MRI-232A, MPIECH-5, ECHO-G y UKHADCM3;
concluyeron además que los modelos que representan conjuntamente la temperatura y la
precipitación corresponden a: UKHADCM3, MPIECH5, ECHO-G y el MRI-232A y que un Ensamble
Simple, identificado como MODMED, representa adecuadamente las variables.
La evaluación de las simulaciones de precipitación y temperatura de los MCG del CMIP5, con el clima
presente de Colombia, fue realizada por Rodríguez (2012), quien clasificó los modelos según la
representación de la precipitación anual y del ciclo anual de la precipitación; el autor destaca los
modelos CCSM4, CNR-CM5, MPI-ESM-LR, HadCM3 y CanCM4, por su comportamiento, tanto a
nivel anual, como estacional. Para la variable temperatura sobresalen los modelos CCSM4, MPI-
ESM-LR y CNR-CM5, en la representación del ciclo anual y estacional. Por tanto, considerando las
dos variables, los modelos de mejor ajuste fueron CCSM4, MPI-ESM-LR, HadCM3 y CNR-CM5. El
estudio concluye además que “el modelo de alta resolución CCSM4 ha mostrado en general una
importante habilidad de la representación de la temperatura y la precipitación para la región de
Colombia” (Rodríguez, 2012, p. 30). Ruiz et al. (2013) evaluaron el ajuste de los datos observados y
las simulaciones de los modelos del CMIP5 para Colombia; concluyen que el método REA, Reliability
Ensamble Averaging, representa mejor el clima presente en el territorio nacional.
A continuación, se presenta el análisis efectuado a la información disponible generada por el IDEAM
para la Tercera Comunicación Nacional, con influencia en el departamento de Caldas.
6.1.1 Escenarios precipitación IDEAM

De acuerdo con el catálogo del IDEAM (2017), se tienen 83 estaciones en el departamento de Caldas
y de otras entidades se reportan 283 estaciones. Sin embargo, para la generación de escenarios de
la Tercera Comunicación Nacional, sólo se consideraron estaciones con registros desde 1970; en
consecuencia, para la variable precipitación sólo se tuvieron en cuenta 27 estaciones, de las cuales
19 se encuentran en la zona altitudinal entre 1000 y 2300 m.s.n.m., de las cuales 12 se localizan en
la región de los ecotopos cafeteros.
La distribución espacial de estas anomalías se ilustra en los mapas de la Figura 6.1, en los cuales se
observa que las menores anomalías se presentan al oriente del departamento y las mayores al sur.
Para el período 2011-2040, el promedio de las anomalías en las proyecciones de precipitación media
mensual, en el rango altitudinal entre 1000 y 2300 m.s.n.m., va desde 14.8% para el RCP 2.6 a 20.8%
con el RCP 8.5, con un alto coeficiente de variación entre las estaciones evaluadas.
Figura 6.1. Anomalías en las proyecciones de precipitación, según los resultados de la Tercera
Comunicación Nacional para el período 2011-2040
Con la prueba no paramétrica de comparación de medias de Kruskal Wallis, no se evidencian

diferencias estadísticamente significativas ( =0,05) entre los RCPs; particularmente, se encuentran
diferencias estadísticamente significativas para el rango altitudinal evaluado 1000-2300 m.s.n.m, con
la altitud así: a mayor altitud, mayor es la anomalía promedio, pero hay gran variabilidad como se
observa en la Figura 6.2.
Figura 6.2. Anomalías en las proyecciones de precipitación 2011-2040 por rango de altitud
Fuente: Elaboración propia a partir IDEAM (2016)
Por otra parte, aplicando la prueba de comparación de medias, se encuentran diferencias

estadísticamente significativas entre las proyecciones por trimestres húmedos como SON
(Septiembre-Octubre-Noviembre), con trimestres secos como DEF (Diciembre-Enero-Febrero).
Específicamente, las proyecciones plantean reducciones en las lluvias en MAM (Marzo-Abril-Mayo)
e incrementos en JJA (Junio-Julio-Agosto); por tanto, se observa un comportamiento diferenciado en
las anomalías entre el primer y segundo semestre del año, más que por trimestres, tal como se ilustra
en la Figura 6.3 para las proyecciones del RCP 2.6 y 8.5.
Figura 6.3. Anomalías en las proyecciones de precipitación por trimestre y rango altitudinal
El análisis histórico y futuro de las series proyectadas refleja que este método de reducción de escala
tiene dificultades en capturar la variabilidad de la serie observada como se observa en la Figura 6.4,
para la Estación Naranjal.
2613505-Naranjal
Precipitación Anual, mm
5000
4000
3000
2000
1000
1976
2061
1971
1981
1986
1991
1996
2001
2006
2011
2016
2021
2026
2031
2036
2041
2046
2051
2056
2066
2071
2076
2081
2086
2091
2096
Años
RCP26 RCP45 RCP60 RCP85
LI LS LSM Observados
Figura 6.4. Registros y proyecciones de precipitación anual en estaciones

6.1.2 Escenarios temperatura media IDEAM

De acuerdo con los resultados de la Tercera Comunicación Nacional, se evaluaron 15 estaciones con
registros históricos de temperatura, de las cuales 12 se encuentran localizadas entre 1000 y 2300
m.s.n.m.
Para el período 2011-2040, en las estaciones con el rango altitudinal para el cultivo del café, las
anomalías promedio oscilan entre 0.96°C (RCP 2.6) y 1.10°C (RCP 8.5). Por su parte, las pruebas
de comparación de medias revelan diferencias estadísticamente significativas, de tal manera, que se
conforman dos subconjuntos (=0.05) así: 1) RCP 2.6 y RCP 6.0, 2) RCP 4.5 y RCP 8.5. De igual
manera se encuentran diferencias por rango altitudinal, tal como se ilustra en la Figura 6.5, que
muestra relación inversa entre la anomalía y la altitud.
Con relación a las anomalías trimestrales, las pruebas de comparación de medias no reflejan
diferencias estadísticamente significativas entre los diferentes trimestres por cada escenario.
El análisis promedio anual de las series históricas y proyectadas con las trayectorias de concentración
se ilustra en la Figura 6.6 para la estación Naranjal. Se aprecia la tendencia al incremento de la
temperatura con los RCP y valores similares en las proyecciones hasta mitad de siglo. Aunque hay
una mejor captura del comportamiento de la serie histórica, aún falta mayor variabilidad en las
proyecciones con respecto a los registros observados.
El IDEAM presenta los escenarios de temperaturas mínimas y máximas, a partir de los cuales pueden
estimarse las anomalías. Para las temperaturas máximas, las anomalías medias proyectadas para
el período 2011-2040, fluctúan entre 1,14°C (RCP 2.6) y 1,37°C (RCP 8.5), en promedio, para la
franja altitudinal del café. Las pruebas de comparación de medias reflejan diferencias
estadísticamente significativas entre las proyecciones entre los RCP 2.6 y 8.5; pero, no se encuentran
diferencias entre los RCP 2.6, 4.5 y 6.0, para el período 2011-2040. Por otra parte, se identifican
diferencias, estadísticamentes significativas, en las anomalías con relación a la altitud, donde se
identifica relación inversa para el rango altitudinal evaluado.
Figura 6.5. Anomalías en las proyecciones de temperatura 2011-2040 por rango de altitud
2613505-Naranjal
27
25
23
21
19
17
1996
2091
1971
1976
1981
1986
1991
2001
2006
2011
2016
2021
2026
2031
2036
2041
2046
2051
2056
2061
2066
2071
2076
2081
2086
2096
Años
RCP26 RCP45 RCP60 RCP85
LI LS LSM Observaciones
Figura 6.6. Registros y proyecciones de temperatura media anual en estaciones

Con respecto a las temperaturas mínimas, para las estaciones que se encuentran en la franja
altitudinal entre 2000 y 2300 m.s.n.m, la anomalía promedio va desde 0.65°C (RCP 2.6) a 0.76°C
(RCP 8.5). Al igual que en el caso anterior, la prueba de comparación de medias evidencia diferencias
estadísticamente significativas entre las anomalías, según las trayectorias de concentración; hay
diferencias entre el RCP 2.6 y 8.5, pero no entre los RCP 2.6, 4.5 y 8.5 para el período 2011-2040.
Se confirman además diferencias con los rangos de altitud.
Teniendo en cuenta las proyecciones en la temperatura media de la Tercera Comunicación Nacional,
sin considerar otras variables ni medidas de mitigación y adaptación, se tendría pérdida de aptitud
climática para el cultivo del café en la zona marginal baja, por ejemplo, en la estación Granja Luker
(1031 m.s.n.m.) las proyecciones de temperatura media para los diferentes RCPs superan los 24°C
hacia el 2030. Mientras que las estaciones entre 1300 -1400 m.s.n.m. tendrían temperaturas medias
por encima de los óptimos recomendados hacia mitad de siglo, según los escenarios dados por los
RCP 4.5, 6.0 y 8.5. Por ejemplo, en las estaciones Rafael Escobar (1307 m.s.n.m.) y Cenicafé (1310
m.s.n.m.), las proyecciones de temperatura media superan los 23°C hacia el 2050; igual ocurre en la
estación Naranjal (1381 m.s.n.m.), pero en este último caso sólo para el RCP 8.5. En las estaciones
por encima de 1500 m.s.n.m, como Samaná (1532 m.s.n.m.) por ejemplo, los umbrales sólo se
superan a final de siglo para el RCP 8.5, los demás permanecen en el rango óptimo de temperatura
para el cultivo. Por otra parte, en la zona marginal alta se mejoraría la aptitud climática, así por ejemplo
en Estaciones como Bellavista (1932 m.s.n.m.) se superaría la temperatura media de 18°C hacia
mitad de siglo; igual ocurre con estaciones que están ligeramente superiores a 2000 m.s.n.m. como
por ejemplo Aeropuerto La Nubia (2058 m.s.n.m.) y Agronomía (2088 m.s.n.m.).
6.2 Método simple de reducción de escala

En este numeral, se resumen las proyecciones de cambio climático obtenidas a partir del ensamble
multimodelo y con el método simple de reducción de escala, para los diferentes RCP evaluados 2.6,
4.5, 6.0 y 8.5. Inicialmente, se describen las proyecciones de temperatura media; luego, de
precipitación media para el período 2020-2049; finalmente, se sintetizan los posibles cambios en la
aptitud climática considerando, los rangos óptimos para el cultivo del café: temperatura media 18°C
y 22°C, precipitación 1400 – 2800 mm; para tal fin, se presenta el análisis, tanto en la zona de los
ecotopos cafeteros, como en el departamento de Caldas.
6.2.1 Escenarios temperatura media método simple de reducción de escala

Las proyecciones de temperatura para el ensamble simple multimodelo con el RCP 2.6, se muestran
en la Figura 6.7, las cuales representan los escenarios de cambio climático para el período 2020-
2049; se ilustra la franja correspondiente a los ecotopos cafeteros.
Figura 6.7. Distribución espacial de la temperatura media del aire proyectada para el periodo 2020-
2049. RCP 2.6. Ensamble simple multimodelo.
Para el departamento de Caldas, en el período evaluado, los escenarios para la temperatura media
con el RCP 2.6., oscilan, por efecto de los pisos térmicos, entre -0.75°C y 29.10°C; el promedio de
la temperatura media es 20.68°C y un coeficiente de variación (c.v.) de 29%. En la región de los
Ecotopos cafeteros, estos escenarios fluctúan entre 15.65°C y 26.95°C, con un promedio de 21.65°C
y un c.v. de 9%; la variación mensual para la zona se resumen en la Figura 6.8.
30,00
Temperatura media°C
28,00
26,00
24,00
22,00
20,00
18,00
16,00
14,00
Ene Feb Mar Abr May Jun Jul Aug Sep Oct Nov Dec
Mean 21,65 22,05 22,14 21,70 21,85 21,73 21,90 21,79 21,51 21,13 21,04 21,30
Max 27,10 27,42 27,28 27,04 26,90 26,94 27,28 27,48 27,06 26,33 26,33 26,54
Min 15,50 15,90 16,05 15,32 15,84 15,92 15,94 15,85 15,57 15,34 15,26 15,33
Promedio multianual 2020-2049
Figura 6.8. Variación de las proyecciones de la temperatura media para la región de los Ecotopos
cafeteros RCP 2.6. Ensamble multimodelo 2020-2049
Los escenarios para el RCP 4.5, se ilustran en la Figura 6.9 que muestra las proyecciones de la
temperatura media, promedio anual para el período 2020-2049, con el ensamble multimodelo. En el
departamento, estos escenarios oscilan desde -0.74°C hasta 29.08°C, con un promedio de 20.68°C
y una desviación estándar de 5.91°C, que representa un c.v. del 29%.
En la región de los ecotopos cafeteros, las proyecciones de la temperatura media para el RCP 4.5.,
van desde 15.64°C a 26.94°C, con un promedio de 21.65°C y una desviación estándar de 1.89 (c.v.
9%). La variación promedio mensual multianual se ilustra en la Figura 6.10.
30,00
Temperatura media °C
28,00
26,00
24,00
22,00
20,00
18,00
16,00
14,00
Mean 21,68 22,04 22,15 21,73 21,87 21,71 21,85 21,76 21,50 21,13 21,08 21,33
Max 27,14 27,39 27,27 27,06 26,91 26,93 27,23 27,45 27,02 26,31 26,37 26,55
Min 15,53 15,86 16,04 15,31 15,87 15,90 15,88 15,80 15,55 15,33 15,29 15,36
Promedio Multianual 2020-2049
Figura 6.10. Variación de las proyecciones de la temperatura media para la región de los Ecotopos
Las proyecciones de la temperatura media anual, con el RCP 6.0, para el período 2020-2049 se
representan en la Figura 6.11. Para el departamento de Caldas, los escenarios de temperatura media
con este RCP, fluctúan entre -0.79°C y 29.06°C, con un promedio de 20.64°C y una desviación
estándar de 5.92°C (c.v. del 29%).
Figura 6.11. Distribución espacial de la temperatura media del aire proyectada para el periodo
2020-2049. RCP 6.0. Ensamble simple multimodelo.
Los escenarios para la temperatura media, en la región de los ecotopos cafeteros, oscilan en
promedio entre 15.62°C y 26.91°C, con una media de 21.61°C y una desviación estándar de 1.88°C.
La variación de la temperatura media mensual promedio se resume en la Figura 6.12.
30,00
28,00
26,00
24,00
22,00
20,00
18,00
16,00
14,00
Mean 21,61 22,03 22,15 21,67 21,82 21,69 21,84 21,61 21,43 21,06 21,02 21,29
Max 27,08 27,40 27,31 27,02 26,88 26,91 27,25 26,91 26,95 26,26 26,29 26,51
Min 15,48 15,88 16,06 15,27 15,82 15,89 15,87 15,62 15,51 15,27 15,23 15,33
Promedio Multianual 2020-2049
Figura 6.12. Variación escenarios de temperatura media para la región de los Ecotopos cafeteros
RCP 6.0. Ensamble multimodelo 2020-2049
Por otra parte, la Figura 6.13 muestra los escenarios de cambio climático para la temperatura media
anual para el período 2020-2049, con el ensamble multimodelo y el RCP 8.5. En Caldas, las
proyecciones de temperatura media oscilan entre -0.42°C y 29.45°C, con un promedio de 21.01°C y
una desviación estándar de 5.92°C, 28% de coeficiente de variación.
En los ecotopos cafeteros de Caldas, los escenarios de temperatura media para el RCP 8.5., fluctúan
entre 15.99°C y 27.29°C, con un promedio de 21.98°C y una desviación estándar de 1.89°C (9%,
c.v.). La variación mensual se representa en la Figura 6.14 y en los mapas de la Figura 10.3 (anexo).
30,00
28,00
26,00
24,00
22,00
20,00
18,00
16,00
14,00
Mean 21,97 22,38 22,46 22,01 22,22 22,05 22,22 22,12 21,87 21,43 21,38 21,65
Max 27,44 27,77 27,62 27,38 27,30 27,27 27,62 27,82 27,43 26,65 26,68 26,90
Min 15,83 16,23 16,38 15,64 16,23 16,24 16,27 16,18 15,93 15,64 15,60 15,70
Promedio multianual 2020-2049
Figura 6.14. Variación de los escenarios de temperatura media para la región de los Ecotopos
6.2.2 Escenarios precipitación media método simple de reducción de escala

La Figura 6.15 muestra la distribución espacial de los escenarios de cambio climático, de la
precipitación media mensual y anual, para el periodo 2020-2049, estimados con el RCP 2.6. En
Caldas, las proyecciones de precipitación anual oscilan entre 1832 mm y 6083 mm, con un promedio
de 2538 mm y una desviación estándar de 587 mm, lo cual representa un coeficiente de variación del
23%.
Figura 6.15. Distribución espacial de la precipitación para el periodo 2020-2049. RCP 2.6
Para la región de los Ecotopos cafeteros, las proyecciones en la precipitación anual con el RCP 2.6,
fluctúan entre 1942 mm y 6083 mm, con un promedio de 2816 mm y una desviación estándar de 772
mm, que representa una variación del 27%. El comportamiento mensual de la precipitación, que sigue
el ciclo bimodal, se resume en la Figura 6.16.
800
Precipitacion mm
700
600
500
400
300
200
100
0
Mean 156 172 234 318 311 199 155 194 239 328 290 221
Max 416 398 501 641 644 383 293 379 554 686 660 542
Min 88 97 139 222 210 124 85 117 127 200 179 129
Promedio mensual multianual 2020-2049
Figura 6.16. Variación de los escenarios de precipitación media para la región de los Ecotopos
Por otra parte, para el RCP 4.5, el comportamiento promedio mensual y anual de las proyecciones
de precipitación se consolidan en la Figura 6.17, para el período 2020-2049. Para el departamento
de Caldas estas proyecciones de precipitación anual oscilan entre 1809 mm y 6038 mm, con un
promedio de 2511 mm y una desviación estándar de 584 mm (c.v. 23%).
Con el RCP 4.5, las proyecciones de precipitación en la región de los Ecotopos cafeteros fluctúan
entre 1911 mm y 6038 mm, con un promedio de 2785 mm y una desviación estándar de 771 mm (c.v.
28%). El comportamiento promedio mensual se compila en la Figura 6.18.
714
614
Precipitación mm 514
414
314
214
114
14
Mean 155 174 231 315 301 199 153 193 239 322 284 220
Max 417 401 499 637 623 383 292 378 554 670 655 542
Min 89 99 135 217 204 124 82 117 127 196 173 127
Figura 6.18. Variación de las proyecciones de precipitación media mensual para la región de los
Ecotopos cafeteros RCP 4.5 Ensamble multimodelo 2020-2049
Por su parte, para el RCP 6.0, la Figura 6.19 muestra la distribución espacial del promedio mensual
y anual, de las proyecciones de precipitación, obtenidas con el RCP 6.0, período 2020-2049. Para el
departamento de Caldas, estas proyecciones de precipitación anual oscilan entre 1831 mm y 6069
mm, con un promedio de 2534 mm y una desviación estándar de 585 mm, que representa un
coeficiente de variación del 23%.
La Figura 6.20 presenta el comportamiento de las proyecciones de precipitación mensual, en los

ecotopos cafeteros, con el RCP 6.0. Para esta región, las proyecciones de precipitación promedio
anual fluctúan entre 1931 mm y 6069 mm, con un promedio de 2808 mm y una desviación estándar
de 711 mm (c.v. 27%).
814
714
Precipitación mm
614
514
414
314
214
114
14
Mean 155 172 218 310 311 200 168 193 241 332 293 216
Max 416 400 473 633 645 385 307 379 554 690 662 539
Min 88 97 128 214 209 124 98 116 130 205 182 121
Ecotopos cafeteros RCP 6.0 Ensamble multimodelo 2020-2049
Para el RCP 8.5, la Figura 6.21 presenta el mapa de las proyecciones de la precipitación, mensual y
anual, para el período 2020-2049. Para el departamento de Caldas, estas proyecciones de
precipitación promedio anual, fluctúan entre 1858 mm y 6101 mm, con un promedio de 2560 mm y
una desviación estándar de 587 mm (c.v. 23%).
En los ecotopos cafeteros de Caldas, las proyecciones de precipitación promedio anual con el RCP
8.5., oscilan entre 1952 mm y 6101 mm, con un promedio de 2836 mm y una desviación estándar de
774 mm (c.v. 27%). El comportamiento de las proyecciones de precipitación mensual se muestra en
la Figura 6.22 y en los mapas de la Figura 10.4 (anexo).
814
714
Precipitación mm
614
514
414
314
214
114
14
Mean 153 176 231 316 309 199 157 193 237 337 296 229
Max 406 403 498 637 642 388 297 378 552 696 666 551
Min 88 101 137 219 208 124 87 116 125 208 185 136
Ecotopos cafeteros RCP 8.5. Ensamble multimodelo 2020-2049
6.2.3 Aptitud climática

Para efectuar el análisis de aptitud climática, inicialmente se comprobaron, por una prueba de
comparación de medias, las diferencias estadísticamente significativas entre las proyecciones de los
escenarios de cambio climático, tanto en temperatura como en precipitación. A partir de la prueba no
paramétrica de Kruskal Walis, se establecen diferencias estadísticamente significativas, en al menos
uno de los escenarios, para las proyecciones de temperatura, pero no en las de precipitación. Se
aplica la prueba paramétrica ANOVA y la prueba post hoc de Tukey, las cuales revelan diferencias
estadísticamente significativas (=0.05), para las proyecciones de temperatura promedio del RCP
8.5, en comparación con los demás escenarios. Por tanto, se realizaron las evaluaciones de aptitud
para las proyecciones del RCP 2.6 y RCP 8.5, únicamente.
La aptitud climática fue evaluada empleando las herramientas de los SIG y considerando los rangos
óptimos de temperatura (18-22°C) y precipitación (1400-2800 mm) para el cultivo del café, de acuerdo
con la revisión de la literatura. Por otra parte, se consideró una zona marginalmente húmeda con el
mismo rango de temperatura (18-22°C), pero con una precipitación mayor (2800 - 4200 mm). Este
análisis de aptitud climática fue efectuado para la región de los Ecotopos actual, delimitada por
CENICAFÉ, y para el departamento de Caldas, considerando los rangos definidos.
6.2.3.1 Aptitud climática en región actual de ecotopos cafeteros

La superficie de los ecotopos cafeteros, según la delimitación de CENICAFÉ, es de 256372.8 Ha
(2563.72 km2); pero el área sembrada de café, en el departamento de Caldas, fue 72366 Ha, para el
2015, que corresponde al 28% del área de estos ecotopos.
De acuerdo con las proyecciones futuras para el RCP 2.6, estimadas por el método simple de
reducción de escala, la zona óptima abarca sólo una superficie de 88438.22 Ha; si bien representa el
34,5% de la superficie actual de los ecotopos, excede en más del 20% el área de café sembrada en
el departamento en el 2015. Por otra parte, la zona marginal húmeda tiene una superficie de
37004.38 Ha, que representa un 14% del área de Ecotopos. Por tanto, se tendría una extensión de
125442.6 Ha con las condiciones para la siembra del café, 70% con condiciones óptimas en
temperatura y precipitación; el 30% restante, con un mayor rango de pluviosidad anual, pero dentro
del rango de los cultivos actuales. El mapa de la distribución especial de este análisis se ilustra en la
Figura 6.23.
Figura 6.23. Aptitud climática para el cultivo del café en la región de los Ecotopos cafeteros según
las proyecciones de temperatura y precipitación para el periodo 2020-2049. RCP 2.6
Para las proyecciones de precipitación y temperatura con el RCP 8.5, el análisis de aptitud climática
se representa en la Figura 6.24. El área apta comprende una superficie de 77491.87 Ha, lo cual sólo
excede en un 7% el área sembrada en el departamento en el 2015. La zona marginalmente húmeda
abarca una extensión de 37004.39 Ha. Por tanto, la extensión total es de 114496.26 Ha, de la cuales
el 67.7% tienen condiciones apropiadas en temperatura y precipitación. La reducción del área, con el
escenario RCP 8.5., es del 8.7%, para el período 2020-2049.
Figura 6.24. Aptitud climática para el cultivo del café en la región de los Ecotopos cafeteros según
las proyecciones de temperatura y precipitación para el periodo 2020-2049. RCP 8.5
6.2.3.2 Aptitud climática en Caldas

En este caso, se realizó el análisis de aptitud en todo el territorio del departamento,
independientemente de que estuviera localizado en la delimitación actual de los ecotopos cafeteros.
Para las proyecciones futuras con el RCP 2.6, la zona óptima para la siembra de café en el
departamento, es la misma delimitada en el caso anterior, cuya superficie comprende 88438.22 Ha,
se evidencia, por tanto, que no habría migración de la zona óptima hacia otras áreas diferentes de
los ecotopos cafeteros previamente definidos por Cenicafé. Si bien, para la zona marginalmente
húmeda, se incrementa la superficie, alcanzando un área total de 45202.73 Ha. Las áreas adicionales
se localizan en los municipios Aguadas, Pácora, Samaná, Pensilvania, Marquetalia y Manzanares.
Por tanto, el área total asciende a 133640.95 Ha, de las cuales el 66% tiene condiciones óptimas. El
mapa de aptitud climática, para este caso, se muestran en la Figura 6.25.
Figura 6.25. Aptitud climática para el cultivo del café en Caldas según las proyecciones de
temperatura y precipitación para el periodo 2020-2049. RCP 2.6
A partir de las proyecciones futuras de precipitación y temperatura con el RCP 8.5, se delimita la zona
óptima para la siembra de café en el departamento de Caldas, que se ilustra en la Figura 6.26; el
área asciende a 96719.2 Ha; por tanto, se tendrían 19227.3 Ha con la aptitud climática para el cultivo
del café, que no están consideradas en la delimitación actual de los ecotopos cafeteros. La zona
marginalmente húmeda también se incrementa, alcanzando un área total de 48543.31 Ha. En
consecuencia, el área total asciende a 145262.51 Ha; 66.6% de ella, tiene condiciones óptimas.
Figura 6.26. Aptitud climática para el cultivo del café en Caldas según las proyecciones de
temperatura y precipitación para el periodo 2020-2049. RCP 8.5
6.3 Método no paramétrico kNN-Bootstrapping

El Método kNN - bootstrapping (Yates et al. 2003, Gangopadhyayet al. 2005) fue empleado para
generar series de sintéticas de clima informadas por el GCM. Este método se caracteriza porque
construye estas series sintéticas como secuencias de observaciones históricas; utiliza además reglas
probabilísticas que preservan atributos presentes en la serie histórica y considera la señal de la
Oscilación del Sur ENSO en las proyecciones de cambio climático (Angarita, 2014). A continuación,
se presentan las proyecciones obtenidas para las estaciones cafeteras de Caldas.
6.3.1 Escenarios precipitación kNN-Bootstrapping

Estos escenaros de estimaron con 7 MCG, el downscaling fue realizado en 144 estaciones en tierra
y 49 satelitales del TRMM, con registros de precipitación diaria. Se incluyeron tanto estaciones de
Caldas, como de los departamentos aledaños.
Inicialmente, se evaluó del desempeño de los modelos para representar la precipitación media anual
en la zona de estudio, considerando los registros históricos y las realizaciones del modelo. Los
resultados, de algunos modelos, se compilan en la Figura 6.27; se deduce que el modelo NorESM1-
M fue el que mejor representó el comportamiento histórico de la precipitación media anual.
Modelo MPI-ESM-MR
Modelo NorESM1-M
Figura 6.27. Desempeño de los modelos para reproducir el registro histórico de la precipitación
media anual
Desde otra perspectiva, se realizó el análisis del desempeño del modelo, para representar el ciclo
anual de la precipitación; la Figura 6.28 presenta los resultados, tanto para el registro histórico, como
para las realizaciones futuras. Los modelos MPI-ESM-MR y NorESM1-M tuvieron mejores
desempeños, para la representación de este ciclo anual histórico de la precipitación, en la zona de
estudio.
Modelo MPI-ESM-MR
Modelo NorESM1-M
Figura 6.28. Desempeño de los modelos para reproducir el ciclo anual de la precipitación
Además, se evaluaron los periodogramas para la precipitación observada, del modelo y del ONI. El
análisis global, para la zona de estudio se resume en la Figura 6.29; nuevamente los modelos MPI-
ESM-MR y NorESM1-M tuvieron mejores desempeños.
Modelo CCSM4
Modelo CNRM-CM5
Modelo MPI-ESM-MR
Modelo NorESM1-M
Figura 6.29. Desempeño de los modelos para reproducir el periodograma de la precipitación

Los modelos MPI-ESM-MR y NorESM1-M también tuvieron el mejor desempeño para reproducir el
comportamiento de los eventos extremos de precipitación, según se evidencia en la Figura 6.30. Por
tanto, el método de downscaling empleado, reproduce el comportamiento de los valores extremos.
Es necesario evaluar diferentes indicadores de desempeño, como la longitud de períodos húmedos
y secos. Si bien, los modelos MPI-ESM-MR y NorESM1-M siguen mejor el comportamiento de la
precipitación media diaria, la longitud de períodos húmedos y secos, está mejor representada por
modelos como el CNRM-CM5 y HadGEM2-CC. Por tanto, se considera pertinente, ilustrar los
resultados obtenidos con todos los modelos empleados.
Modelo HadGEM2-CC CSIRO-Mk3-6-0
Modelo MPI-ESM-MR Modelo NorESM1-M
Figura 6.30. Desempeño de los modelos para reproducir valores extremos de la precipitación diaria
La Figura 6.31 muestra las proyecciones para la estación Marquetalia, donde se aprecian los registros
de las observaciones y los escenarios de cambio climático para el RCP 8.5. para los diferentes
modelos evaluados; es evidente que el método de downscaling empleado, captura mejor la
variabilidad de las observaciones.
Las condiciones medias anuales para algunas de las estaciones cafeteras evaluadas se resumen en
la Tabla 10.9 (anexo), la cual incluye la variabilidad medida en términos del coeficiente de variación.
Es evidente que los ensambles reducen la variabilidad, como en el caso de los escenarios del IDEAM,
y el ensamble simple realizado a partir del promedio de los modelos evaluados. Las proyecciones
que mejor representan la variabilidad de las observaciones anuales, se dan con el Modelo NorESM1-
M.
Estación 2305008-Marquetalia
5500
4500
3500
2500
1500
500
1981 1991 2001 2011 2021 2031 2041
CNRM-CM5_RCP8.5 CCSM4_RCP8.5
HadGEM2-CC_RCP8.5 MPI-ESM-MR_RCP8.5
CanESM2_RCP8.5 NorESM1-M_RCP8.5
CSIRO-Mk3-6-0_RCP8.5 Observados
Figura 6.31. Registros y proyecciones de precipitación media anual en estaciones cafeteras

Con el fin de evaluar la incertidumbre relativa, en las proyecciones anuales de precipitación, se estimó
el ensamble simple y su variabilidad, medida como dos desviaciones estándar; por otra parte, se
calculó la envolvente, considerando los resultados de todos los modelos evaluados. Los resultados
de este análisis, para algunas de las estaciones cafeteras, se visualizan en la Figura 6.32.
La estimación del error medio del modelo (MAE) con relación al ensamble simple, fue calculada con
las salidas de los modelos, para el período 2020-2049; en la mayoría de las estaciones, el modelo
CCSM4 fue el de menor MAE en comparación con el ensamble simple; no obstante, para la estación
Naranjal fue el modelo CanESM2 y en la estación Manzanares el modelo HadGEM2; en general, con
estos modelos, se obtuvo la menor variabilidad en la serie anual. La Figura 6.32 ilustra además la
salida del modelo con menor MAE en relación con el ensamble.
Por otra parte, se evaluó el comportamiento, del ciclo anual, de las proyecciones de precipitación, en
comparación con la línea base; los resultados, para algunas de las estaciones cafeteras analizadas,
se compilan en la Figura 6.33; en general, las proyecciones, con el método de downscaling KNN-
bootstrapping, representan el comportamiento bimodal de la precipitación, en el departamento de
Caldas. En comparación con la línea base 1981-2010, los modelos NorESM1-M y CCSM4 son los
que mejor representan este ciclo anual.
Precipitación Anual, mm Estación 2614502-Bellavista

4500
3500
2500
1500
500
1981 1991 2001 2011 2021 2031 2041
2616010-Neira
4500
3500
2500
1500
500
1981 1991 2001 2011 2021 2031 2041
Estación 2616009-Pácora
4500
3500
2500
1500
500
1981 1991 2001 2011 2021 2031 2041
Ensamble CCSM4_RCP8.5 X+2S X-2S

Envolvente LS Envolvente LI Observados
Figura 6.32. Incertidumbres en escenarios de precipitación media anual en estaciones cafeteras

Estación 2614502-Bellavista
Precipitación mensual, mm
400
300
200
100
0
Ene Feb Mar Abr May Jun Jul Agos Sep Oct Nov Dic
Estación 2618005-Guaymaral
Precipitacón mensual, mm
400
300
200
100
0
Estación 2616010-Neira
400
Precipitación mensual, mm
300
200
100
0
Línea Base CanESM CCSM4 CNRM-CM5

CSIRO-Mk3-6-0 HadGEM2-CC MPI-ESM-MR NorESM1-M
Figura 6.33. Ciclo anual para los escenarios de precipitación en estaciones cafeteras
Para la estimación de las incertidumbres en el ciclo anual, se tuvo en cuenta el ensamble simple de
los modelos evaluados para el período 2020-2049, y su variabilidad medida como dos desviaciones
estándar; se incluyó además el análisis de la envolvente, según las salidas de los diferente GCM para
el período 2020-2049. Los resultados se ilustran en la Figura 6.34, para algunas estaciones
evaluadas. En términos generales, los modelos que representa mejor comportamiento del ensamble
y el ciclo anual, en conjunto, según la estimación del error medio (MAE), fueron CCSM4 y NorESM1-
M.
300 Estación 2618005-Guaymaral

Precipitación, mm
200
100
0
Estación 2616009-Pácora
400
Precipitación mm
300
200
100
0
Figura 6.34. Incertidumbres en los escenarios de precipitación mensual en estaciones cafeteras

A continuación, se procede a ilustrar los resultados del cálculo de anomalías, para las estaciones
comprendidas entre 1000 a 2300 m.s.n.m., en el departamento de Caldas; los cuales se compilan en
la Tabla 6.1. La prueba no paramétrica de Kruskal Wallis reveló diferencias estadísticamente
significativas, en los valores medios de las anomalías de precipitación entre modelos, asi: Los
modelos MPI-ESM-MR, NorESM1-M, CNRM-CM5 y CCSM4 proyectan reducciones en la
precipitación mensual promedio; mientras que los modelos CanESM2, CSIRO-Mk3-6-0 y HadGEM2-
CC estiman incrementos en la precipitación mensual promedio.
Tabla 6.1. Anomalías en la precipitación mensual en estaciones cafeteras de Caldas

95% del intervalo de confianza
Desviación Error para la media
Modelo N Media estándar estándar Límite inferior Límite superior Mínimo Máximo
CanESM2 996 4.14% 6.75% 0.21% 3.72% 4.56% -13.80% 39.77%
CCSM4 996 -1.48% 5.59% 0.18% -1.83% -1.13% -18.69% 20.07%
CNRM-CM5 996 -2.09% 5.30% 0.17% -2.42% -1.76% -18.44% 16.23%
CSIRO-Mk3-6-0 996 5.32% 8.71% 0.28% 4.78% 5.86% -18.23% 46.54%
HadGEM2-CC 996 7.65% 8.11% 0.26% 7.15% 8.16% -16.54% 55.74%
MPI-ESM-MR 996 -3.10% 6.00% 0.19% -3.47% -2.72% -25.65% 22.42%
NorESM1-M 996 -2.69% 5.27% 0.17% -3.01% -2.36% -20.15% 16.23%
Total 6972 1.11% 7.83% 0.09% 0.93% 1.29% -25.65% 55.74%
Con el fin de establecer diferencias por rango altitudinales, se realizó la clasificación de las series; se
verificó el cumplimiento del supuesto de normalidad en las anomalías, según la prueba de Shapiro
Wilk. El comportamiento para las estaciones cafeteras del departamento de Caldas, se resume en la
Figura 6.35, considerando los rangos altitudinales. Se aplicó el análisis de varianza ANOVA y la
prueba post hoc de Duncan, las cuales revelan diferencias estadísticamente significativas entre los
modelos, tal como se especifica en la Tabla 10.10 (anexo) para el promedio mensual multianual 2020-
2049.
Figura 6.35. Anomalías en la precipitación mensual en las estaciones cafeteras por rango altitudinal
En el comportamiento de las anomalías en la precipitación por trimestre, los resultados del análisis
de varianza y la prueba post hoc de Duncan establecen diferencias entre los modelos NorESM1-M,
MPI-ESM-MR, CNRM-CM5 y CCSM4, con los modelos CSIRO-Mk3-6-0, CANESM2 y HadGEM2-
CC. Los primeros proyectan en su mayoría reducciones en la precipitación, mientras que los
segundos aumentos. Esto se refleja en la distribución espacial de las anomalías en la precipitación,
la cual se representa en los mapas de la Figura 6.36. Los escenarios más húmedos se proyectan
con el modelo HadGEM2, mientras que los más secos con el modelo MPI-ESM-MR.
Figura 6.36. Anomalías en la precipitación promedio anual para el departamento de Caldas

Figura 6.36. Anomalías en la precipitación promedio anual para el departamento de Caldas

6.3.2 Escenarios temperatura media kNN-Bootstrapping

Con el método kNN-Bootstrapping fue realizado el downscaling, para el RCP 8.5. con los 7 modelos
evaluados, a escala de estación; para ellos se utilizaron 44 estaciones en tierra con registros de
temperatura media diaria, en las cuales se incluyeron tanto estaciones en el departamento de Caldas,
como en los departamentos vecinos. Al igual que en el caso anterior, se evaluó el desempeño de los
modelos para representar la temperatura media anual, en la zona de estudio, con base en los
registros históricos de temperatura y las realizaciones del modelo. En general, se lograron buenos
desempeños con los modelos, tal como se muestra en la Figura 6.37.
Modelo MPI-ESM-MR
Modelo NorESM1-M
Figura 6.37. Desempeño para reproducir el registro histórico de la temperatura media anual
Las proyecciones, para algunas de las estaciones cafeteras de la zona de estudio, se muestran en la
Figura 6.38, donde se evidencia que las proyecciones capturan la variabilidad en la temperatura
observada. Las condiciones medias anuales para algunas de las estaciones cafeteras evaluadas se
resumen en la Tabla 10.11 (anexo).
2615511-Apto La Nubia
20,0
19,0
18,0
17,0
16,0
15,0
1981 1991 2001 2011 2021 2031 2041 2051
2614502-Bellavista
20,0
19,0
18,0
17,0
16,0
15,0
1981 1991 2001 2011 2021 2031 2041 2051
2617507-Rafael Escobar
26,0
25,0
24,0
23,0
22,0
21,0
20,0
1981 1991 2001 2011 2021 2031 2041 2051
HadGEM2_RCP8.5 NorESM1-M_RCP8.5 CanESM2_RCP8.5
CCSM4_RCP8.5 CNRM-CM5_RCP8.5 CSIRO-Mk3-6-0_RCP8.5
MPI-ESM-MR_RCP8.5 Observaciones
Figura 6.38. Registros y proyecciones de temperatura media anual en estaciones cafeteras

Con el fin de evaluar la incertidumbre relativa en las proyecciones anuales, se estimó el ensamble
simple y su variabilidad medida como dos desviaciones estándar; se incluyó además el análisis de la
envolvente, estimado con las salidas de los modelos; los resultados para algunas estaciones
cafeteras se visualiza en la Figura 6.39. De manera similar a lo presentado en el análisis de
precipitación, se incluyó en la Figura 6.39, el comportamiento del modelo con menor error medio
(MAE) con relación al ensamble simple, el cual fue evaluado para el período 2020-2049.
21,0
2614502-Bellavista
20,0
19,0
18,0
17,0
16,0
15,0
1981 1991 2001 2011 2021 2031 2041 2051
25,0
2615502-Cenicafe
24,0
23,0
22,0
21,0
20,0
19,0
1981 1991 2001 2011 2021 2031 2041 2051
CCSM4_RCP8.5 Ensamble LCS LCI

Observaciones Ensamble LS Ensamble LI Observaciones
Figura 6.39. Incertidumbres en escenarios de temperatura media anual en estaciones cafeteras

Por otra parte, se evaluó el comportamiento del ciclo anual de las proyecciones de temperatura en
comparación con la línea base; los resultados, para algunas de las estaciones cafeteras analizadas,
se compilan en la Figura 6.40, la cual evidencia el incremento de las proyecciones de temperatura en
comparación con la línea base 1981-2010. El análisis de los escenarios de temperatura para los
diferentes modelos empleados, permite identificar que los modelos CNRM-CM5 y MPI-ESM-MR son
los que mejor representan este ciclo anual.
Estación 2615511-Apto La Nubia

20,0
Temperatura °C
19,0
18,0
17,0
16,0
15,0
Estación 2614502-Bellavista
20,0
Temperatura °C
19,0
18,0
17,0
16,0
15,0
Estación 2617015-Rafael Escobar

25,0
24,0
Temperatura °C
23,0
22,0
21,0
20,0
MPI-ESM-MR NorESM1-M Línea base 1981-2010

CanESM2_RCP8.5 CCSM4 CNRM-CM5
CSIRO-Mk3-6-0 HadGEM2-CC Ensamble
Figura 6.40. Ciclo anual para los escenarios de temperatura media en estaciones cafeteras
Para la estimación de las incertidumbres en el ciclo anual, se tuvo en cuenta el ensamble simple de
los modelos evaluados para el período 2020-2049 y su variabilidad medida como dos desviaciones
estándar; además del análisis de la envolvente, los resultados se ilustran en la Figura 6.41, para
algunas estaciones evaluadas. Es posible identificar que los modelos que representan mejor
comportamiento del ensamble y el ciclo anual, en conjunto, según la estimación del error medio
(MAE), fueron MPI-ESM-MR y CNRM-CM5.
Estación 2615505-Agronomía
20,0
Temperatura °C
19,0
18,0
17,0
16,0
15,0
Estación 2615502-Cenicafe
25,0
24,0
Temperatura °C
23,0
22,0
21,0
20,0
Estación 2615514-Granja Luker

26,0
25,0
Temperatura °C
24,0
23,0
22,0
Línea base 1981-2010 Ensamble x+2s

x-2s Envolvente LS Envolvente LI
Figura 6.41. Incertidumbres en los escenarios de temperatura media en estaciones cafeteras

El análisis descriptivo de las anomalías en la temperatura media anual para el período 2020-2049
con los diferentes modelos evaluados se resumen en la Figura 6.42 y en la Tabla 6.2. Estas anomalías
fluctúan entre 0.84 a 1.66°C, con un valor medio de 1.30°C.
Tabla 6.2. Anomalías en la temperatura media anual en estaciones de Caldas

Anomalía temperatura media °C
95% del intervalo de confianza
Desviación Error para la media
Modelo N Media Mínimo Máximo
estándar estándar
Límite inferior Límite superior
CanESM2 25 1.47 0.015 0.003 1.46 1.47 1.44 1.50
CCSM4 25 1.27 0.012 0.002 1.26 1.27 1.24 1.30
CNRM-CM5 25 0.88 0.012 0.002 0.87 0.89 0.84 0.90
CSIRO-Mk3-6-0 25 1.17 0.015 0.003 1.17 1.18 1.14 1.21
HadGEM2-CC 25 1.63 0.016 0.003 1.62 1.64 1.60 1.66
MPI-ESM-MR 25 1.55 0.027 0.005 1.54 1.56 1.51 1.64
NorESM1-M 25 1.16 0.013 0.003 1.16 1.17 1.13 1.18
Total 175 1.30 0.243 0.018 1.27 1.34 0.84 1.66
Figura 6.42. Anomalías en la temperatura media en estaciones del departamento de Caldas
Las anomalías en la temperatura media anual siguen distribución normal, por tanto, se aplica el
análisis de varianza, con la prueba post hoc de Duncan, para la comparación de medias entre
modelos; los resultados que se compilan en la Tabla 6.3, revelan diferencias estadísticamente
significativas entre los modelos evaluados. Las mayores anomalías se dan con el modelo HadGEM2-
CC y las menores con el CNRM-CM5.
Tabla 6.3. Análisis de varianza y prueba post hoc de Duncan para las anomalías en la temperatura
media anual en estaciones de Caldas
Anomalías en la temperatura media anual.
Modelo N
Subconjunto para alfa = 0.05
1 2 3 4 5 6 7
CNRM-CM5 25 .8800
NorESM1-M 25 1.1611
CSIRO-Mk3-6-0 25 1.1711
CCSM4 25 1.2694
CanESM2 25 1.4684
MPI-ESM-MR 25 1.5470
HadGEM2-CC
25 1.6286
Sig. 1.000 1.000 1.000 1.000 1.000 1.000 1.000
Para las estaciones comprendidas entre 1000 a 2300 m.s.n.m. en el departamento de Caldas, el
comportamiento en las anomalías en la temperatura media mensual se consolida en la Figura 6.43
para los diferentes modelos evaluados. El ANOVA y la prueba post hoc de Ducan confirman
diferencias estadísticamente significativas en las anomalías en la temperatura media por rango de
altitud, como se ilustra en la Tabla 10.12 (anexo).
Figura 6.43. Anomalías en la temperatura media en estaciones cafeteras de Caldas

El análisis de las anomalías en la temperatura media mensual, para cada uno de los modelos
evaluados, se compila en la Figura 10.5 (anexo), para las estaciones de la zona cafetera; mientras
que el resumen de la estadística descriptiva, para estas anomalías, se resume en la Tabla 10.3
(anexo). Las anomalías promedio por trimestre son: DEF: 1.26°C; MAM: 1,37°C; JJA: 1,12°C y SON:
1.47°C. Se presentan diferencias estadísticamente significativas entre los modelos en esta escala
temporal.
La espacialización de las anomalías se ilustra en la Figura 6.44 para los diferentes modelos
evaluados. Algunos de los modelos estiman mayores aumentos de la temperatura, en lugares donde
están localizados ecosistemas de interés en el departamento como son: el Parque Nacional Natural
Los Nevados y La Selva de Florencia.
Figura 6.44. Distribución espacial de las anomalías en la temperatura media mensual 2020-2049
Figura 6.44. Distribución espacial de las anomalías en la temperatura media mensual 2020-2049
6.3.3 Aptitud climática

La aptitud climática para el cultivo del café se evaluó considerando los rangos óptimos de temperatura
(18-22°C) y precipitación (1400-2800 mm); se incluyó además el análisis para la zona marginal
húmeda. Para tal efecto, se tomaron las salidas del RCP 8.5., para los diferentes modelos climáticos,
con los cuales se efectuó la reducción de escala por el método de downscaling kNN-Bootstrapping,
a nivel de estación. Para la distribución espacial se tuvieron en cuenta las correlaciones con la altitud.
6.3.3.1 Aptitud climática en región actual de ecotopos cafeteros

A partir de la información de las estaciones de temperatura en la zona de estudio, el mapa de
distribución de la temperatura media anual para el período 1981-2010 se muestra en la Figura 6.45.
El 66% de la superficie comprendida en el área de los ecotopos presenta temperatura óptima (18-
22°C) para el cultivo del café, lo cual corresponde a 1702 km2; el 11% del territorio tiene una
temperatura inferior a 18°C; mientras que el 23% restante, una temperatura superior a 22°C.
Figura 6.45. Distribución espacial de la temperatura media anual 1981-2010

La distribución espacial de los escenarios de temperatura, para el período 2020-2049, con los
diferentes modelos evaluados, se visualiza en los mapas de la Figura 6.46.
Figura 6.46. Distribución espacial de los escenarios de temperatura media anual 2020-2049
Fuente: Elaboración propia a partir de la aplicación método kNN-Bootstrapping
Figura 6.46. Distribución espacial de los escenarios de temperatura media anual 2020-2049
Con base en estos escenarios proyectados, para el período 2020-2049, en el territorio actual de los
ecotopos cafeteros, el 51% de la superficie tendría una temperatura media entre 18 y 22°C, en
promedio; por otra parte, en el 36% del área, la temperatura media fluctuaría entre 22-24°C; mientras
que en un 12% sería superior a 24°C. A partir de las proyecciones futuras, se estima, por tanto, una
reducción del 22% (cv 29%) en la superficie con la temperatura óptima para el cultivo del café. Las
mayores reducciones se proyectan con el modelo HADGEM2-CC (31%); mientras que las menores
con el modelo CNRM-CM5 (12%).
La distribución espacial de la precipitación media anual para la línea base 1981-2010 se ilustra en la
Figura 6.47. En el 65.5% del territorio actual de los ecotopos se tiene el rango óptimo de precipitación
para el cultivo del café (1400-2800 mm); un 15.3% de la superficie está en la zona marginal húmeda
(2800-4200 mm) y el restante 19.2% tiene precipitaciones superiores (> 4200 mm).
Figura 6.47. Distribución espacial de la precipitación media anual 1981-2010

Los escenarios de precipitación media anual para el período 2020-2049 se ilustran en la Figura 6.48.
En promedio, el 64.6% de la superficie actual de los ecotopos tendría un rango de precipitación óptimo
entre 1400-2800 mm; en el 16.3% del territorio la precipitación fluctuaría entre 2800-4200 mm y en el
19.1% restante, la precipitación sería superior a 4200 mm.
Figura 6.48. Distribución espacial de los escenarios de precipitación media anual 2020-2049
Figura 6.48. Distribución espacial de los escenarios de precipitación media anual 2020-2049
Se tienen diferencias en las salidas de los modelos, con relación a los rangos óptimos de
precipitación, para el territorio actual de los ecotopos cafeteros; se estiman, por tanto, reducciones
en el área óptima, como aumentos. Las reducciones se proyectan con los modelos HadGEM2-CC (-
9.4%), CSIRO (-6.5%) y CanESM2 (-3.3%); mientras que los aumentos se estiman con los modelos
MPI-ESM-MR (3.4%), NorESM1-M (2.5%), CCSM4 (2.3%) y CNRM-CM5 (2.1%).
El resumen de las áreas óptimas y marginales para la producción de café en la región actual de los
ecotopos se presenta en la Tabla 6.4. Con los escenarios se estima, en promedio, una reducción del
24% (cv 35%) en la zona óptima y del 12% (cv 85%) en la zona marginal húmeda.
Tabla 6.4. Estimación de áreas óptimas para la producción de café en los Ecotopos cafeteros
Zona Óptima Zona Marginal Húmeda Total

Área Área Área
Escenarios km2 %Área Ecotopos km2 %Área Ecotopos km2 %Área Ecotopos
Línea Base
1981-2010 1173.6 45.8% 241.1 9% 1414.6 55.2%
NorESM1-M 958.3 37.4% 184.1 7% 1142.4 44.6%
MPI-EM-MR 852.1 33.2% 156.5 6% 1008.6 39.3%
HADGEM2 743.5 29.0% 231.4 9% 975.0 38.0%
CSIRO 888.3 34.6% 245.6 10% 1133.9 44.2%
CNRM-CM5 1043.1 40.7% 202.6 8% 1245.7 48.6%
CCSM4 930.8 36.3% 172.4 7% 1103.2 43.0%
CANESM2 831.8 32.4% 210.8 8% 1042.6 40.7%
6.3.3.2 Aptitud climática para el departamento de Caldas

De manera análoga, se realizó el análisis para el departamento de Caldas, teniendo en cuenta los
rangos establecidos de temperatura y precipitación, para las zonas óptima y marginal húmeda. Para
el período 1981-2010, el 20% del territorio de Caldas tiene aptitud climática para el cultivo del café.
Con los escenarios, se proyectan reducciones, en promedio, del 13% en la zona óptima (cv 34%) y
del 11% en el área total (cv 12%).
La distribución espacial se ilustra en la Figura 6.49 para la línea base y en los escenarios de cambio
climático para el RCP 8.5. A partir de las diferentes realizaciones de los modelos evaluados, se tiene
el mismo comportamiento que la línea base, con zonas óptimas en el Norte, Occidente y Centro Sur
del Departamento; mientras que al Oriente se tienen zonas marginales húmedas.
Figura 6.49. Aptitud climática 1981-2010 y con escenarios de cambio climático 2020-2049 RCP 8.5.
Figura 6.49. Aptitud climática 1981-2010 y con escenarios de cambio climático 2020-2049 RCP 8.5.
6.3.4 Eventos extremos de precipitación en escenarios de cambio climático

Considerando la importancia de los eventos extremos, en el contexto de cambio climático, se
presentan los resultados del análisis de las tormentas diarias estimadas, para los diferentes períodos
de retorno, tomando como base las proyecciones diarias de cambio climático obtenidas con el método
KNN-Bootstrapping.
La Tabla 6.5. presenta las tormentas estimadas para los diferentes períodos de retorno tomando
como base las proyecciones de cambio climático del modelo CCSM4, obtenidas a escala diaria con
el método de downscaling no paramétrico (bootstrapping). Esta tabla incluye tanto los resultados de
la distribución Gumbel, que por análisis gráfico es apropiada (Figura 6.50), como con la función de
máxima verosimilitud, que para este caso fue GEV.
Tabla 6.5. Tormentas para diferentes periodos de retorno proyecciones CCSM4 RCP 8.5.
Modelo CCSM4_rcp85_PR_Sintetic_Series
Estaciones Gumbel Máxima Verosimilitud
Función de
Tr5 Tr10 Tr25 Tr50 Tr100 Tr500 Tr5 Tr10 Tr25 Tr50 Tr100 Tr500
Probabilidad
Agronomia 88 100 115 126 137 162 GEV 88 100 116 128 140 169
Cenicafé 99 110 125 135 146 170 GEV 99 110 124 135 145 168
Java 85 94 104 112 120 138 GEV 86 94 103 110 117 132
La Selva 97 108 122 132 142 166 GEV 99 109 120 128 135 150
Marmato 105 120 139 153 167 199 GEV 105 117 131 140 148 164
Uribe 107 121 138 150 163 192 GEV 107 118 132 140 149 166
Aeropuerto
68 76 87 95 103 121 GEV 67 76 88 96 105 126
La Nubia
Cenicafé Gumbel Cenicafé GEV
Figura 6.50. Distribuciones de valor extremo para las tormentas según proyecciones del modelo
CCSM4 RCP 8.5.
Por otra parte, las curvas Precipitación- Área- Duración- Frecuencia PADF permiten el análisis las
lluvias máximas, considerando la duración del episodio de precipitación y la frecuencia de las lluvias
en una zona, asociada a los diferentes períodos de retorno (Bedient, 2002, GISRS Center and FIU,
2011). Estas curvas fueron elaboradas empleando los recursos de software de la plataforma
probabilística para el análisis de riesgo CAPRA. Como estos eventos se distribuyen de manera
heterogénea en la región de estudio, deben ser evaluados a nivel local.
La Figura 6.51 presenta un ejemplo de la curva PADF para el municipio de Manizales obtenida con
las proyecciones de los escenarios CCSM4 y CNRM5-CM5, las cuales fueron presentadas en los
reportes del proyecto de Gestión del Riesgo de la ciudad de Manizales para dar lineamientos al Plan
de Ordenamiento Territorial.
Modelo CCSM4
Periodos de retorno:
2 3 5 10 15 20 25 50 100
200
180
160
Precipitacion, mm
140
120
100
80
60
40
20
0
0 100 200 300 400 500
Area, km2
Modelo CNRM-CM5
Periodos de retorno:
2 3 5 10 15 20 25 50 100
200
180
160
Precipitacion, mm
140
120
100
80
60
40
20
0
0 100 200 Area, km2 300 400 500
Figura 6.51. Distribuciones de valor extremo para las tormentas según proyecciones de cambio
climático para el municipio de Manizales.
7. Balance hídrico
Los resultados de la modelación hidrológica para la línea base 1981-2010, los efectos de variabilidad
climática y el análisis de los diferentes escenarios de cambio climático se describen en este capítulo.
Inicialmente, se presenta la delimitación de las cuencas y la información sobre la superficie de
ecotopos cafeteros; luego, se describe la calibración y validación del modelo hidrológico y la
simulación en cuencas de Caldas; finalmente; se muestran los efectos de variabilidad climática y de
cambio climático en las cuencas del departamento de Caldas.
7.1 Cuencas del departamento de Caldas

Las cuencas del departamento de Caldas, según la división política y la delimitación realizada por
Corpocaldas (2013), se muestran en la Figura 7.1 (izquierda), en la cual se incluye la ubicación de
los ecotopos cafeteros; la superficie que comprenden estos ecotopos se resume en la Tabla 7.1.
Figura 7.1. Cuencas hidrográficas del departamento de Caldas y ecotopos cafeteros

Fuente: Elaboración propia a partir de Corpocaldas (2013), IDEAM (2013).
Tabla 7.1. Superficie de los ecotopos cafeteros en las cuencas de Caldas
Cuenca Área km2

Cuenca Rio La Miel 702.83
Aferentes Directos al Cauca E 583.54
Aferentes Directos al Cauca W 426.15
Cuenca Río Chinchiná 311.98
Cuenca Río Risaralda 194.90
Cuenca Río Guarinó 141.89
Cuenca Campoalegre - San Francisco 100.83
Cuenca Río Arma 87.21
Aferentes Directos al Magdalena 14.35
Total 2563.67
Fuente: Elaboración propia a partir de Corpocaldas (2013)
A partir del mapa de microcuencas de CORPOCALDAS (2013) y realizando el análisis con SIG, se
ubican franjas hidrográficas y microcuencas en la región de los ecotopos cafeteros, las cuales se
enumeran por cuenca hidrográfica, a saber:
 Cuenca del río Arma: la conforman las siguientes quebradas: Herradura, Barbosa, Pito, Coles,
Guaco, Cajones, Quereña, Chorrohondo, Pore, Cochino, Bareño, Chorrera, Peñoles, Candelaria,
El Salado, El Diablo-Chile. Cambumbia; además de las siguientes Cañadas: Naranjo, El Limón y
Monte. Estas microcuencas y franjas se encuentran en la subcuenca del río Quitasueño.
 Aferentes Directos al Cauca Occidente: Río Arquía, Quebrada San Francisco, Quebrada San
Jorge, Quebrada Congolo, Quebrada Peñas Blancas, Río Aguas Claras, Río Arcón, Q. Grande,
Rodas, Quebrada Aguas claras, Quebrada Catabral o Estancias, Quebrada Varal, Quebrada San
Juan, Río Supía, Q. Picora, Botijas, Río Riosucio, Quebrada Langaredo, Quebrada Trujillo,
Quebrada Chorroseco, Río Opirama, Quebrada Pidria, Quebrada Aguas Claras, Quebrada
Sarciri, Quebrada Colgota, Quebrada Cambia, Quebrada Libertad, Quebrada de La Habana, Q.
Madreseca, Moravia, La Fea; Q. La Turquesa, Montevideo, Pedregosa, Beltrán; Quebrada Juan
Díaz; Quebrada Llano Grande; Q. El Salado.
 Aferentes Directos al Cauca Oriente: Q. Herradura , Yala, Quebrada Cajones, Q. Calzones,
Doña María, Quebrada Bareño, Quebrada Guarbarada, Quebrada La Mica, Quebrada San
Antonio, Quebrada La Campana, Río Pacora, Quebrada El Niño, Q. Aliñadero, La Palma,
Quebrada La Soledad, Quebrada San Pedro, Río San Lorenzo, Río Pozo, Quebrada El Rayo,
Quebrada La Frisolera, Quebrada La Tesalia, Quebrada Doctrinas, Quebrada Despensas, Río
Chambery, Río Pocito, Quebrada El Jardín, Quebrada del Palo, Río Maibá, Quebrada El Cedrito,
Quebrada Santa Rosa, Quebrada Chupaderos, Quebrada Zabaletas, Quebrada La Honda,
Quebrada Palmichal, Quebrada Sardinas, Río Tareas, Río Tapias, Quebrada Buenavista,
Quebrada Llano Grande, Quebrada Fonditos, Quebrada Minarica, Quebrada El Rubí, Quebrada
Villaras, Quebrada Papayal, Q. La Zarzola, Barrancas, Quebrada del Sargento, Quebrada
Tatabrero, Quebrada Calentaderos, Quebrada Tambor, Quebrada San Bartolo.
 Río Risaralda: Quebrada Gupacha, Quebrada Cauya, Quebrada Tusas, Quebrada Lázaro,
Quebrada del Oro, Quebrada Tomaspia, Río Guarne, Quebrada Argelia, Quebrada El Bosque
Viejo, Quebrada Changui, Quebrada Samaria, Quebrada Barcelona, Quebrada Guamito,
Quebrada del Guamo, Quebrada La Betulia, Río Mapa, Quebrada Calamar, Río Guática,
Quebrada El Cairo, Quebrada El Zancudo, Q. Puracé, La Despensa, Quebrada Golconda,
Quebrada Carangala, Quebrada Chapata, Quebrada San Pedro.
 Río Chinchiná: Quebrada Negra, Río Guacaica, Quebrada El Junco, Quebrada del Águila, Río
Blanco, Quebrada Olivares, Quebrada Manzanares, Quebrada Carminales, Quebrada
Cartagena, Quebrada El Rosario, Quebrada Cameguadua, Quebrada Los Cuervos, Río Ríoclaro,
Quebrada Santo Domingo, Quebrada San Juan, Quebrada La Bella, Río Molinos, Quebrada de
Los Lobos, Quebrada del Purgatorio.
 Río Campoalegre-San Francisco: Q. Sardinas, Aguas Blancas, Río San Eugenio, Quebrada La
Estrella, Río Campoalegre.
 Río La Miel-Samaná Sur: Quebrada La Concha, Q. Dosquebradas, Yarumal, Sirpial, Patonales,
Río Manso, Quebrada La Ciega, Quebrada Riachuelo, Río Hondo, Q. El Congreso, Chorro Rico,
Las Mulatas, Río Moro, Quebrada Santa Bárbara, Quebrada Santa María, Quebrada El Chochal,
Río Claro, Q. Negra, La Rica, Q. Naranjales, Guayacán, Quebrada Las Mercedes, Quebrada La
Quiebra, Quebrada La Torre, Río Dulce, Quebrada del Congolo, Quebrada La Palma, Quebrada
Santa Rosa, Río Tenerife, Quebrada San Luis, Quebrada Brujas, Quebrada Fraguas, Río
Pichincha, Quebrada Negra, Quebrada Tasajos, Río Pensilvania, Río Salado, Quebrada San
Lorenzo, Quebrada Los Sainos, Quebrada La Esmeralda, Río San Antonio.
 Río Guarinó: Quebrada Casanguillas, Río San Juan, Quebrada Santa Bárbara, Río La Unión,
Río Santo Domingo, Quebrada La Suecia, Quebrada La Laguna, Río Perrillo, Quebrada El
Contento.
 Aferentes Directos al Magdalena: Río Doña Juana, Río Purnio, Quebrada El Palo.
Para la modelación hidrológica se requiere la delimitación de cuenca, con base en la red de drenaje.
Inicialmente, se parte de la identificación de cuencas y zonas hidrográficas del IDEAM (2013), la cual
se ilustra en la Figura 7.2 (izquierda). Para esta región y considerando el shape de ecotopos
cafeteros, se realizó el análisis del área cafetera que se consolida en la Tabla 7.2; la superficie
asciende a 4923 km2, de los cuales 2564,69 km2 pertenecen al departamento de Caldas.
Dadas algunas diferencias encontradas en esta limitación con relación a la de Corpocaldas, se

procede a la identificación de las cuencas según la red de drenaje. La Figura 7.2 (derecha) ilustra el
mapa con las cuencas analizadas; se incluyen además la identificación de la región de ecotopos
cafeteros. El área total de la cuenca y la superficie de ecotopos cafeteros se resume en la Tabla 7.2.
Figura 7.2. Cuencas y subcuencas hidrográficas analizadas

Fuente: Elaboración propia a partir de Corpocaldas (2013), IDEAM (2013).
Tabla 7.2. Superficie de los ecotopos cafeteros en las cuencas hidrográficas de Caldas
Delimitación cuencas según red
IDEAM 2013 de drenaje
Cuenca hidrográfica Área de la Área ecotopos Área de la Área ecotopos
Cuenca (km2) cafeteros (km2) Cuenca (km2) cafeteros (km2)
Río La Miel 2400.36 1122.30 2348.95 1115.78

Río Frío y Otros Directos al Cauca 1638.49 899.68 1688.00 910.07
Río Risaralda 1054.58 684.56 1261.71 677.54
Rio Tapias y otros directos al Cauca 1404.45 587.12 1407.16 584.93
Río Otún y otros directos al Cauca 1220.99 550.21 1115.37 541.61
Río Arma 1860.96 522.52 1926.61 530.36
Río Chinchiná 1054.58 312.33 1052.25 311.92
Río Guarinó 843.83 234.04 839.28 237.13
Directos Magdalena 965.86 10.28 975.98 10.73
Fuente: Elaboración propia a partir de IDEAM (2013)
7.2 Calibración y validación del modelo hidrológico

Para la modelación hidrológica se empleó conceptual de tanques (Vélez, 2001), en su versión
agregada. Es importante resaltar que este modelo de tanques fue calibrado y validado para el río
Chinchiná (Ocampo et al., 2014) y comparado su efectividad con otros modelos de balance (Ocampo
& Vélez, 2015).
Se realizó la calibración y validación de dichos parámetros con los registros históricos diarios de las
estaciones de aforo de caudal así:
 Cuenca del río Arma: ríos Sonsón, La Herencia y Quitasueño.
 Cuenca del río Tapia-Tareas: Costa Azul, La Paila, Puente Juntas.
 Cuenca del río Risaralda: Buenos Aires, La Bretaña, Puente Negro.

 Directos al río Cauca: Puente Carretera Supía.
 Cuenca del río Otún y otros directos al Cauca: La Bananera, La Reina, Planta Eléctrica,
Playa Rica.
 Cuenca del río Guarinó: Puente Carretera
 Cuenca del río La Miel-Samaná Sur: Puente Carretera Miel.
La Figura 7.3 representa los hidrogramas obtenidos, después de la calibración y validación del
modelo hidrológico de tanques, a escala diaria, en algunas de las subcuencas evaluadas.
Figura 7.3. Hidrogramas obtenidos del modelo hidrológico calibrado y validado

El modelo representa de manera satisfactoria los valores medios, pero requiere mejorar la
simulación de extremos, en especial los máximos, lo cual se revela en las curvas de duración de
caudales, que se resumen en la Figura 7.4, para algunas de las subcuencas.
Cuenca del río Arma: río Quitasueño

1000
Caudal m3/s
100
10
1
0 10 20 30 40 50 60 70 80 90 100
Probabilidad %
Directos al río Cauca: Puente Carretera Supia

100
Caudal m3/s
10
1
0 10 20 30 40 50 60 70 80 90 100
0
Probabilidad %
Cuenca del río Risaralda: Buenos Aires

1000
Caudal m3/s
100
10
1
0 10 20 30 40 50 60 70 80 90 100
Qsimulado Qobservado Probabilidad %
Figura 7.4. Curvas de duración de caudales obtenidas del modelo hidrológico calibrado y validado
Una vez calibrado y validado el modelo hidrológio de Tanques, se verificaron los estadísticos, a escala
mensual; los resultados para algunas subcuencas se resumen en la Tabla 7.3, los cuales fueron
interpretados con base en las recomendaciones de Moriasi et al. (2007).
Tabla 7.3. Funciones objetivo del modelo hidrológico calibrado y validado en subcuencas de
Caldas
Cuenca Arma Directos Otún y Directos al Risaralda Tapias- Guarinó
al Cauca Cauca Tareas
Estación Sonsón Quitasueño Puente Planta Playa Rica Buenos La Bretaña Costa Azul Puente
Carretera Eléctrica Aires Carretera
Supía Guarinó
Períodos 1982-2010 1983-2010 1981-2010 1996-2010 1996-2010 1981-2008 1981-2010 2001-2005 1981-1999
homogéneos
Qmedio 2.89 42.9 36.88 3.18 64.80 17.27 11.0 3.82 35.23
observado
m3/s
Desv. Est. 1.34 18.67 24.52 1.07 31.63 7.47 5.70 2.03 15.22
Qobservado
m3/s
Qmedio 2.81 43.8 35.95 2.89 60.45 17.14 11.74 3.51 41.57
simulado
m3/s
PBIAS -2.8% 2.2% -2.5% -9.3% -6.7% -0.8% 6.8% -8.2% 18%
(Balance, %) Muy bueno Muy bueno Muy bueno Muy bueno Muy bueno Muy bueno Muy bueno Muy bueno Satisfactorio
NASH 0.54 0.54 0.67 0.52 0.52 0.56 0.54 0.54 0.67
Satisfactorio Satisfactorio Bueno Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio Bueno
RSR 0.68 0.68 0.57 0.69 0.69 0.66 0.67 0.68 0.57
Satisfactorio Satisfactorio Bueno Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio Bueno
MAE 0.80 12.36 11.20 0.83 16.89 3.49 3.41 1.04 8.76
Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio
RSME 0.90 3.52 3.31 0.91 4.10 1.87 1.85 1.02 2.96
Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio Satisfactorio
7.3 Simulación hidrológica en las cuencas de Caldas

Con el modelo de tanques calibrado y validado, se realizó la simulación a escala diaria, considerando
el período establecido para la línea base 1981-2010; los resultados se consolidan en la Figura 7.5
que muestra el ciclo anual del balance hídrico lluvia-evapotranspiración en las cuencas evaluadas.
La información de las cuencas hidrográficas y el análisis de estadística descriptiva de las variables
climáticas empleadas en la modelación, se resume en la Tabla 7.4. En general, se conserva el
régimen bimodal en todas las cuencas, con dos períodos más lluviosos en el año. La mayor
variabilidad en la precipitación mensual se presenta en la cuenca del río Guarinó (cv. 32%).
Tabla 7.4. Análisis de estadística descriptiva variables climáticas 1981-2010
Cuenca Precipitación Temperatura Humedad Brillo Solar ETP Anual, ETR, Anual
Anual mm media °C Relativa, % h/día mm mm
Arma 2752 19.02 78.41 5.29 1160 998
Chinchiná 1942 15.50 82.18 4.33 981 813
Directos al Cauca 2306 20.54 76.67 4.99 1192 989
Guarinó 2657 16.58 79.75 4.25 1022 891
La Miel 3929 18.84 87.47 4.46 1046 955
Otún y Directos 2474 18.05 81.79 3.62 1016 877
Cauca
Risaralda 2303 18.82 81.33 4.30 1077 912
Tapias-Tareas 2194 17.40 78.87 4.72 1079 900
Cuenca del río Arma

400
Balance P-ET, mm
300
200
100
0
PPT, mm 117 131 207 287 309 214 195 224 281 337 274 176
ETP, mm 102 94 98 90 94 97 107 107 96 92 88 95
ETR, mm 84 73 79 78 85 86 91 90 84 83 80 84
Cuenca del río Chinchiná

400
Balance P-ET, mm
300
200
100
0
Ene Feb. Mar. Abr. May. Jun. Jul. Ago. Sep. Oct. Nov. Dic.
PPT, mm 123 115 160 217 214 132 102 104 161 243 227 145
ETP, mm 88 80 85 77 79 79 87 88 79 79 77 83
ETR, mm 72 63 68 65 69 68 71 67 62 67 68 73
Directos al río Cauca

400
Balance P-ET, mm
300
200
100
0
PPT, mm 106 121 180 242 267 184 164 172 216 263 233 158
ETP, mm 105 97 102 94 96 98 107 108 97 96 92 99
ETR, mm 83 73 79 78 84 85 89 87 80 83 82 85
Figura 7.5. Resultados modelación hidrológica en cuencas de Caldas 1981-2010

Cuenca del río Guarinó

400
Balance P-ET, mm
300
200
100
0
PPT, mm 150 177 240 292 285 156 123 150 238 327 307 211
ETP, mm 86 79 83 80 85 86 94 96 88 83 78 83
ETR, mm 75 67 72 72 78 77 79 77 74 74 72 75
Cuenca del río Otún y Directos al Cauca

400
Balance P-ET, mm
300
200
100
0
PPT, mm 153 156 220 269 264 174 142 136 189 295 285 192
ETP, mm 90 82 87 80 82 82 91 92 83 82 79 85
ETR, mm 77 68 74 71 74 73 77 74 68 72 73 76
Cuenca del río Risaralda

400
Balance, P-ET, mm
300
200
100
0
PPT, mm 119 135 187 253 253 173 152 154 197 263 247 171
ETP, mm 93 87 92 85 87 88 98 99 89 88 83 88
ETR, mm 77 69 74 73 78 77 82 80 74 76 74 77

Cuenca del río La Miel- Samaná Sur

500
Balance P-ET, mm
400
300
200
100
0
PPT, mm 254 248 346 406 404 235 199 244 353 464 437 338
ETP, mm 88 80 84 81 86 90 99 100 90 84 80 83
ETR, mm 80 72 77 76 81 82 87 86 81 79 75 78
Cuenca del río Tapias- Tareas

400
Balance, P-ET, mm
300
200
100
0
PPT, mm 124 126 177 225 246 148 121 134 195 277 252 169
ETP, mm 96 87 92 84 87 89 98 99 89 86 82 89
ETR, mm 79 68 74 71 77 77 80 77 71 75 74 78

A partir de los resultados de la modelación, se estimaron los valores medios de caudal e indicadores
del régimen hidrológico, tales como el índice de Regulación hídrica (IRH) y el Índice de Vulnerabilidad
Hídrica (IVH), para el período 1981-2010; para tal efecto se tomó como base el índice de uso de Agua
(IUA) reportado por el Estudio Nacional del Agua (IDEAM, 2010, 2014); los resultados se compilan
en la Tabla 7.5, la cual también contiene algunos indicadores el ENA (IDEAM, 2014). Algunos de
estos indicadores se espacializan en la Figura 7.6, para la región de los ecotopos cafeteros.
Es necesario resaltar que se presentan diferencias en el IRH, en algunas de las cuencas, lo cual
incide en el IVH estimado por simulación. En términos generales, la cuenca más vulnerable fue la
del río Chinchiná.
Por otra parte, los índices de calidad del agua (IACAL) para las cuencas de Caldas reportados por el
ENA (IDEAM, 2014) para año medio son: Muy bajos en río Arma, Guarinó y La Miel; Medios en Tapias
Tareas, río Frío y Directos al Cauca; Altos para la cuenca del río Otún y Risaralda, Muy altos en la
cuenca del río Chinchiná.
Tabla 7.5. Indicadores del régimen hidrológico en Cuencas de Caldas

Cuenca Área, km2 Caudal medio m3/s IRH, % IUA IVH
Simulación ENA Qpromedio Q50 ENA Simulación ENA ENA Simulación ENA
1981-2010 (2014) (2014) 1981-2010 (2014) (2014) 1981-2010 (2014)
Arma 1926.61 1861 106.82 99.81 88.28 68.8% 73.6% Bajo Bajo Bajo
Moderado Moderado
Chinchiná 1052.25 1055 37.65 30.58 27.14 56.1% 71.7% Moderado Alto Medio
Bajo Moderado
Directos 1688.0 1639 70.49 63.96 61.90 65.0% 72.9% Bajo Medio Bajo
al Cauca Bajo Moderado
Guarinó 839.0 844 46.92 42.36 53.11 65.0% 70.0% Muy bajo Medio Bajo
Bajo Moderado
La Miel 2348.95 2400 221.29 212.40 251.62 72.0% 71.8% Bajo Bajo Bajo
Moderado Moderado
Otún y 1115.36 1221 56.44 50.75 54.38 64.8% 71.5% Bajo Medio Bajo
Directos Bajo Moderado
al Cauca
Risaralda 1262.0 1260 55.65 49.88 46.01 65.0% 74.0% Bajo Medio Bajo
Baja Moderada
Tapias- 1407.29 1405 57.69 49.04 50.89 60.5% 72.6% Bajo Medio Bajo
Tareas Baja Moderada
Figura 7.6. Indicadores del régimen hidrológico en cuencs de Caldas.

7.4 Efectos de variabilidad climática en las cuencas de Caldas

Para evaluar los efectos de la variabilidad climática, se tuvieron en cuenta las alteraciones en las
variables que afectan la disponibilidad hídrica y de energía; para su análisis se consideró la señal del
ONI actual reportado por la NOAA.
Las alteraciones en el balance hídrico, por efecto de la variabilidad climática asociada al fenómeno
ENSO, para el período 1981-2010, se muestran en la Figura 7.7; siguen el comportamiento bimodal
característico para la zona.

400
Balance hídrico, mm
300
200
100
0

400
300
200
100
0

400
300
200
100
0
PPT La Niña PPT El Niño PPT Año normal

ETP La Niña ETP El Niño ETP Año Normal
Figura 7.7. Alteraciones en el balance hídrico por ENSO en cuencas de Caldas

Cuenca del río Guarinó

400
300
200
100
0
Cuenca del río La Miel- Samaná Sur

600
500
400
300
200
100
0
Cuenca del río Otún y Directos al Cauca

400
300
200
100
0



400
300
200
100
0
Cuenca del río Tapias Tareas

400
300
200
100
0


Las anomalías en la precipitación trimestral se resumen en la Tabla 7.6; tanto en eventos La Niña,
como El Niño, las mayores anomalías coinciden con las épocas de floración del café, en la región.
Tabla 7.6. Anomalías trimestrales en la precipitación por Variabilidad Climática
Cuenca La Niña El Niño

DEF MAM JJA SON DEF MAM JJA SON
Arma 22% 14% 31% 18% -28% -11% -21% -5%
Chinchiná 20% 6% 38% 21% -31% -7% -32% -5%
Directos al Cauca 36% 14% 45% 21% -29% -7% -24% -8%
Guarinó 23% 7% 34% 23% -28% -7% -28% -6%
La Miel 20% 2% 21% 21% -22% -12% -24% -4%
Otún y Directos al 27% 7% 34% 21% -22% -7% -22% -3%
Cauca
Risaralda 39% 14% 41% 24% -19% -8% -21% -11%
Tapias-Tareas 30% 12% 36% 24% -28% -6% -32% -4%
Promedio 27% 9% 35% 22% -26% -8% -25% -6%
Coeficiente de 27% 48% 20% 9% -16% -24% -18% -46%
variación
A escala mensual, las anomalías promedio en la precipitación mensual, para el período 1981-2010,
fueron 23% (cv. 19%), en episodios La Niña, y -16% (cv. 11%), durante El Niño. En años húmedos,
las mayores anomalías se dan en febrero, en la Cuenca del río Risaralda (69%); en este mes se
presenta la mayor anomalía promedio (43%), con aumento de precipitación. Por su parte, en años
secos, las mayores anomalías se registran en enero y agosto, en la cuenca del río Chinchiná (-51%);
el mes de enero exhibe la mayor anomalía promedio (-38%), en reducción de precipitación.
A escala anual, la precipitación oscila entre 1953 mm y 3935 mm, en años normales; se incrementa
durante episodios La Niña, con valores anuales entre 2298 mm y 4514 mm; mientras que, en El Niño
se reduce, con registros anuales entre 1647 mm y 3385 mm. Durante los años La Niña, se presenta
exceso de precipitación, por encima del rango óptimo (1400- 2800 mm), en las cuencas de los ríos
Arma, Directos al Cauca, Guarinó, Otún y Directos, Risaralda y La Miel; para esta última cuenca,
supera el límite del rango marginal húmedo (4200 mm) establecido para la zona cafetera.
Acerca de balance P-ETP, se presenta déficit hídrico en los episodios El Niño, en el mes de enero,
en las cuencas de los ríos Arma, Chinchiná, Directos al Cauca, Risaralda y Tapias Tareas; en febrero
en Arma y Directos al Cauca; en Julio en Chinchiná y Tapias Tareas, y en agosto en Chinchiná,
Directos al Cauca, Guarinó, Otún, Tapias-Tareas. No obstante, los suelos de algunas de estas
cuencas son poco vulnerables al déficit hídrico, por la capacidad de almacenamiento del suelo.
En períodos La Niña, se presenta excesos hídricos, considerando coeficientes de cultivo Kc de 1.2.
Para este estudio no se logró acceder a los registros de humedad del suelo, con el fin de realizar un
balance en mayor detalle y un análisis de índices de humedad del suelo.
Por otra parte, los efectos del fenómeno ENSO en la disponibilidad de energía en las cuencas, se
visualizan en las variaciones en el brillo solar diario (Figura 7.8). En año normal, las cuencas reciben
en promedio diario 4.5 horas de brillo (cv 11%); en años húmedos se reducen a 4.1 h (cv 14%) y en
años secos se aumentan a 4.8 h (cv 10%).

8,0
6,0
Brillo solar h/día
4,0
2,0
0,0
Figura 7.8. Efectos del ENSO en el brillo solar diario en cuencas de Caldas
Directos al Cauca
8,0
Brillo solar h/día 6,0
4,0
2,0
0,0

8,0
6,0
Brillo solar h/día
4,0
2,0
0,0
Figura 7.8. Efectos del ENSO en el brillo solar diario en cuencas de Caldas
Dado que el brillo solar determina el potencial productivo en una región cafetera (Cenicafé, 2013),
pueden estimarse los efectos por variabilidad climática, que se resumen en la Tabla 7.7, para las
cuencas evaluadas. Se presentan incrementos en este potencial, en periodos El Niño, y reducciones
en La Niña, por el efecto en las horas de brillo solar acumulado.
Tabla 7.7. Efectos del ENSO en el brillo solar y en el potencial productivo

Cuenca Brillo Solar h/año Potencial productivo
La Niña El Niño Normal La Niña El Niño Normal
Arma 1808 2043 1927 80-90% >90% >90%
Chinchiná 1425 1682 1602 50-60% 60-80% 60-80%
Directos al Cauca 1709 1909 1827 80-90% >90% 80-90%
Guarinó 1398 1662 1563 50-60% 60-80% 60-80%
La Miel 1484 1741 1637 50-60% 80-90% 60-80%
Otún y Directos 1168 1431 1338 <50% 50-60% 50-60%
Risaralda 1402 1707 1570 50-60% 80-90% 60-80%
Tapias-Tareas 1631 1803 1724 60-80% 80-90% 80-90%
Promedio 1503 1747 1649 50-60% 80-90% 60-80%
Fuente: Elaboración propia a partir Cenicafé (2013)
Por lo que respecta a la temperatura media, los efectos por variabilidad climática se ilustran en la
Figura 7.9. El promedio de la temperatura media en las cuencas, para años normales fue 18°C (cv
9%), con anomalías de 0.52°C, durante eventos El Niño, y -0.40°C, en La Niña. En el trimestre DEF
se registran los valores máximos promedio de estas anomalías, 0.85°C en períodos secos y -0.50°C
en períodos húmedos. Por tanto, el desarrollo del cafeto se ve afectado por la variabilidad climática,
tal como se resume en la Tabla 7.8.

22,0
Temperatura °C
20,0
18,0
16,0

22,0
Temperatura °C
20,0
18,0
16,0
Cuenca del río Tapias-Tareas

22,0
Temperatura °C
20,0
18,0
16,0
Figura 7.9. Efectos del ENSO en la temperatura media en cuencas de Caldas

Tabla 7.8. Efectos del ENSO en la temperatura media y en el desarrollo del cafeto
Cuenca Temperatura media Primera cosecha Máximo Desarrollo Foliar
°C (días) (días)
La Niña El Niño Normal La Niña El Niño Normal La Niña El Niño Normal
Arma 18.4 19.7 19.0 702 601 653 1661 1421 1544
Chinchiná 15.1 15.9 15.4 1092 970 1043 2582 2293 2465
Directos al 20.1 21.1 20.5 575 514 550 1360 1216 1301
Cauca
Guarinó 16.2 17.0 16.5 938 839 892 2217 1985 2110
La Miel 18.4 19.1 18.9 699 641 661 1653 1515 1562
Otún y Directos 17.6 18.5 18.0 772 690 735 1825 1633 1739
Risaralda 18.4 19.2 18.7 698 632 671 1650 1495 1586
Tapias-Tareas 17.0 17.9 17.3 840 744 804 1985 1759 1902
Promedio 17.6 18.6 18.0 770 686 732 1820 1623 1731
Los valores reportados en la Tabla 7.8 fueron calculados con base modelos potenciales para la
estimación de los tiempos de cosecha y el máximo desarrollo foliar, expresados en días, en función
de la temperatura media del aire, según los valores reportados en la Tabla 3.9. Para las cuencas
evaluadas, la primera cosecha se da a los 732 días, en años normales; se retrasa 38 días, en años
húmedos, y se adelanta 46 días, en años secos, en promedio. Por su parte, el máximo desarrollo
foliar se da a los 1731 días en años normales, en promedio; se retrasa 89 días, en condiciones La
Niña y se adelanta 108 días, durante El Niño, en promedio, para el período 1981-2010.
Los cambios en la temperatura media tienen efectos en la acumulación térmica. Las alteraciones por
ENSO se resumen en la Tabla 7.9 y se visualiza en la Figura 7.10, en este último caso para la cuenca
del río Arma.
Tabla 7.9. Efectos del ENSO en la acumulación térmica
Cuenca Acumulación térmica °C
Arma 3056 3532 3272
Chinchiná 1870 2164 1981
Directos al Cauca 3675 4045 3818
Guarinó 2254 2547 2382
La Miel 3070 3332 3238
Otún y Directos 2783 3105 2920
Risaralda 3077 3374 3192
Tapias-Tareas 2548 2886 2665
Promedio 2792 3123 2934
Coeficiente de variación 20% 19% 20%

Acumulación térmica °C
4000
3500
3000
2500
La Niña
2000
1500 El Niño
1000 Normal
500
0
Figura 7.10. Efectos del ENSO en la acumulación térmica en cuencas de Caldas

Concerniente a la amplitud térmica, en promedio fue de 9.1°C (cv 8%), en años normales; 9.2°C (cv
10%), en años secos, y 8.4°C (cv 8%), en años húmedos. Las alteraciones por variabilidad climática
en la amplitud térmica se resumen en la Tabla 7.10, para los trimestres de mayor floración. Durante
La Niña, la amplitud térmica es inferior a 10°C en todas las cuencas analizadas.
Tabla 7.10. Efectos del ENSO en la amplitud Térmica
Cuenca Amplitud térmica. °C- DEF Amplitud térmica. °C- MAM

La Niña El Niño Normal La Niña El Niño Normal
Arma 8.8 10.5 9.8 9.3 10.2 10.1
Chinchiná 8.8 9.9 9.1 8.6 9.6 8.9
Directos al Cauca 9.5 11.0 10.2 9.7 11.0 10.3
Guarinó 8.3 9.3 8.7 9.2 9.9 9.6
La Miel 7.2 7.8 7.6 7.8 8.6 8.4
Otún y Directos 9.0 10.3 9.4 8.9 10.0 9.6
Risaralda 8.4 10.0 9.3 8.9 10.2 9.5
Tapias-Tareas 9.8 11.4 10.4 9.8 11.0 10.5
Promedio 8.7 10.0 9.3 9.0 10.0 9.6
7.5 Escenarios de cambio climático en las cuencas de Caldas

Considerando los escenarios de temperatura y precipitación obtenidos para el RCP 8.5, con el método
no paramétrico KNN-Bootstrapping, y empleando el modelo hidrológico en su versión agregada para
el período 2020-2049, se estimaron las anomalías en la temperatura media, la precipitación, la ETR,
en las cuencas, para los diferentes modelos climáticos evaluados. Los resultados para la cuenca del
río Arma se muestran en la Figura 7.11, que ilustra la variabilidad entre las realizaciones de los
modelos.
Anomalías Temperatura
Anomaliía Temperatura, °C
3,00 CanESM2
2,50
2,00 CCSM4
1,50 CNMR-CM5
1,00 CSIRO
0,50
HadGEM2
0,00
1 2 3 4 5 6 7 8 9 10 11 12 MPI_ESM_MR
Meses NorESM1
Anomalías Precipitación
20%
Anomalia precipitación, %
CanESM2
15%
10% CCSM4
5%
CNMR-CM5
0%
-5% CSIRO
-10% HadGEM2
-15%
1 2 3 4 5 6 7 8 9 10 11 12 MPI_ESM_MR
Meses NorESM1
Anomalías ETR
8% CanESM2
Anomalía ETR, %
6% CCSM4
4% CNMR-CM5
2% CSIRO
HadGEM2
0%
1 2 3 4 5 6 7 8 9 10 11 12 MPI_ESM_MR
Meses NorESM1
Figura 7.11. Anomalías en variables según escenarios de cambio climático cuenca del río Arma
Tomando como base los resultados del ensamble multimodelo, se efectuó el análisis del
comportamiento medio, de las anomalías en la temperatura, la precipitación, la ETR y el balance,
para las cuencas evaluadas, los resultados se resumen en la Figura 7.12.
Ensamble anomalías en la precipitación

Anomalía precipitación, % 15%
10%
5%
0%
-5%
-10%
Ensamble anomalías en la Temperatura

2,00
Anomalías temperatura °C
1,80
1,60
1,40
1,20
1,00
0,80
Ensamble anomalías en la ETR

5,00%
4,00%
Anomalías ETR, %
3,00%
2,00%
1,00%
0,00%
Cuencas Caldas Arma Chinchiná Directos al Cauca Guarinó

La Miel Otún y Directos Risaralda Tapias Tareas
Figura 7.12. Anomalías en variables hidroclimáticas en cuencas de Caldas por efecto de cambio
climático Ensamble multimodelo 2020-2040
Ensamble anomalías en el balance hídrico

100%
50%
Anomalías, %
0%
-50%
-100%
Cuencas Caldas Arma Chinchiná Directos al Cauca Guarinó
La Miel Otún y Directos Risaralda Tapias Tareas
Figura 7.12. Anomalías en variables hidroclimáticas en cuencas de Caldas por efecto de cambio
climático Ensamble multimodelo 2020-2040
Dada la variabilidad encontrada, se procedió a realizar el análisis de incertidumbre de las

estimaciones de cambio climático. En este caso, se aplicó el método de la envolvente que considera
los valores máximos y mínimos arrojados por los modelos evaluados; los resultados se compilan en
la Figura 7.13, donde se incluyen además las estimaciones del ensamble multimodelo.
De acuerdo con los escenarios de precipitación, la anomalía promedio es de -0.5%, pero se presenta
una alta variabilidad en los escenarios para las cuencas de Caldas (cv 559%), las anomalías
mensuales oscilan entre ±15%.
Anomalías en la precipitación mensual

20%
15%
10%
Anomalías, %
5%
0%
-5%
-10%
-15%
-20%
Arma Chinchiná Directos al Guarinó La Miel Otún y Risaralda Tapias
Cauca Directos Tareas
Mínimos Máximos Ensamble
Figura 7.13. Incertidumbres en las anomalías en variables hidroclimáticas en cuencas de Caldas

por efecto del cambio climático 2020-2040.
Anomalías en la ETR
10,0%
8,0%
Anomalías %
6,0%
4,0%
2,0%
0,0%
-2,0%
Cuencas de Caldas
Anomalías en la Temperatura
3,00
2,50
Anomalía, °C
2,00
1,50
1,00
0,50
0,00
Cuencas de Caldas
Figura 7.13. Incertidumbres en las anomalías en variables hidroclimáticas en cuencas de Caldas

por efecto del cambio climático 2020-2040.
Por lo que respecta a la ETR, las anomalías promedio son del 2.9% (cv 19%), oscilan entre 8% y -
0.8%. En términos del balance precipitación- ETP, se presentan alta variabilidad (cv -266%) entre
las cuencas, en especial, en los meses de enero y julio; en promedio la anomalía es -2.45%, con
valores máximos promedio de 95% y mínimos promedio de -104%.
Para la temperatura media, las anomalías siguen un ciclo bimodal, inverso al comportamiento de la
variable; dado que las mayores anomalías se dan en los meses más lluviosos. Las anomalías
mensuales oscilan entre 0.29 y 2.44°C, con un promedio de 1,27°C (cv 13%), para las cuencas de
Caldas.
La Tabla 7.11 resume los posibles efectos del cambio climático en las cuencas de Caldas, por el
incremento de la temperatura, para el período 2020-2049, según el escenario RCP 8.5; se estiman
reducciones en la primera cosecha de 104 días y en el máximo desarrollo foliar de 245 días, en
promedio, con diferencias entre las cuencas (cv 20%).
Tabla 7.11. Resultados de la modelación hidrológica con escenarios de cambio climático
Línea base 1981-2010 Ensamble 2020-2049 RCP 8.5
Cuenca hidrográfica Máximo Máximo
Temperatura Primera Temperatura Primera
Desarrollo Desarrollo
media °C Cosecha, días media °C Cosecha, días
Foliar, días Foliar, días
Arma 19.0 648 1533 20.4 555 1313
Chinchiná 15.5 1032 2440 16.7 870 2056
Directos al Cauca 20.5 545 1289 21.8 476 1125
Guarinó 16.6 886 2095 17.8 750 1774
La Miel 18.8 663 1568 20.1 572 1352
Otún y Directos al Cauca 18.0 730 1728 19.3 625 1479
Risaralda 18.8 665 1574 20.1 574 1357
Tapias Tareas 17.4 794 1878 18.7 677 1602
Promedio Cuencas 18.1 727 1718 19.4 623 1473
La Tabla 10.14 (anexo) resume los resultados de la modelación hidrológica con escenarios de cambio
climático para las cuencas de Caldas; se incluye además el comportamiento promedio para todas las
cuencas.
8. Efectos de variabilidad y cambio climático en

productividad cafetera
En este capítulo, inicialmente, se incluye el análisis de las estadísticas de producción cafetera
nacionales y departamentales; luego, se estiman los efectos de la variabilidad climática por ENSO;
finalmente, se presentan los resultados de los modelos de cultivo para la línea base y para los
escenarios de cambio climático.
8.1 Efectos del ENSO en la productividad cafetera colombiana

Los estudios del CRECE (2005) confirman que la producción cafetera de Caldas sigue la misma
tendencia que la producción nacional, tal como se ilustra en la Figura 8.1. Por tanto, un análisis de
los registros históricos nacionales es pertinente, dadas las limitaciones en los registros
departamentales y municipales.
Figura 8.1. Tendencias en la producción nacional y departamental 1905-1965

Fuente: (CRECE, 2005)
La FNC (2017) sólo presenta en sus estadísticas, información de las áreas cultivada desde el 2002;
la revisión de diferentes reportes, en especial del CRECE (2005) permite reconstruir una parte de la
serie de áreas cultivadas, que se muestra en la Figura 8.2, con el volumen de producción, expresado
en Miles de sacos de 60 kg de café verde equivalente.
Producción Nacional de Café Producción Area, ha

Miles sacos, 60 kg café pergamino seco
18000 1800
16000 1600
Área sembrada, Miles ha

14000 1400
12000 1200
10000 1000
8000 800
6000 600
4000 400
2000 200
0 0
1956
1989
1959
1962
1965
1968
1971
1974
1977
1980
1983
1986
1992
1995
1998
2001
2004
2007
2010
2013
2016
Figura 8.2. Producción nacional de café y áreas cultivadas
Fuente: Elaboración propia a partir (FNC, 2017; CRECE, 2005)
Con base en esta información es posible generar la serie de productividad desde la década del 80,
expresada en Sacos 60 kg/ha, la cual se resumen en Figura 8.3, la cual incluye la señal del ONI
promedio anual. El coeficiente de correlación de Spearman revela correlaciones directas y
significativas, entre las series. Iguales resultados se obtienen, con el coeficiente de correlación de
Pearson. para la serie de productividad normalizada.
17,0 1,5
15,0 1
13,0 0,5 Indice Oceánico El Niño

Sacos 60 kg/ha
11,0 0
9,0 -0,5
7,0 -1
5,0 -1,5
1980
1982
1984
1986
1988
1990
1992
1994
1996
1998
2000
2002
2004
2006
2008
2010
2012
2014
2016
Nacional ONI
Figura 8.3. Relación productividad de café nacional y ONI

El análisis diferenciado, por décadas y por período hidrológico, se resume en la diagrama de cajas
de la Figura 8.4, la cual presenta los comportamientos por décadas de la producción (arriba) y
productividad (abajo). Como se presentan series anuales, es conveniente mostrar, de manera
independiente, los años donde ocurrieron fenómenos combinados El Niño y La Niña. En la
producción, se detectan diferencias estadísticamente significativas entre estos períodos para las
décadas del 60 y 70, donde se tuvo menor cambio, y por tanto, una posible mayor resiliencia a estos
eventos.
Figura 8.4. Incidencia del ENSO en la producción Nacional.

Considerando sólo los registros para el período 1980-2016, se identifican correlaciones mayores y
significativas del ONI con las series de producción y productividad. Con un 90% de confianza, la
prueba no paramétrica de Kruskal Wallis evidencia diferencias significativas, por condición hidrológica
tanto en producción, como en productividad. Se estiman anomalías en la producción del 9%, en El
Niño, y de -10%, en la Niña, con relación a los años normales. Para la productividad, las anomalías
fueron del 9.3% y -8.7%, respectivamente. Para la serie de producción mensual, el comportamiento
promedio, por condición hidrológica, se resume en la Figura 8.8. Es evidente la mejora de la mitaca,
durante El Niño, y su reducción, en La Niña.
1400
1200
Miles sacos 60 kg
1000
800
600
400
200
0
Título del eje
Figura 8.5. Incidencia del ENSO en la producción Nacional.

8.2 Estadísticas cafeteras de Caldas

A pesar de que el café es el principal producto de exportación colombiano, en las estadísticas de
producción publicadas por la FNC (2017), sólo se presentan consolidados de producción nacional
mensual. Pese a los esfuerzos por conseguir información municipal con la FNC y los Comités
Departamentales de Cafeteros, para el desarrollo de la investigación, no se tuvieron resultados
satisfactorios, por lo cual se optó por usar los reportes de las Evaluaciones Agropecuarias de Agronet
(2017). En este portal, la información pública para café, se encuentra sólo desde el 2007, se realizó
reconstrucción hasta el 2002 con los reportes de la Gobernación de Caldas, pero no se tuvo acceso
a registros previos. Ocampo & Álvarez (2017) presentan en su artículo, una reflexión sobre este
hecho, luego de un análisis minucioso de tendencias internacionales.
Los municipios cafeteros del departamento de Caldas, hacen parte de la declaración de Paisaje
Cultural Cafetero, lo que exalta la importancia de un mayor conocimiento de esta zona cafetera. Estos
municipios son los siguientes: Aguadas, Anserma, Aranzazu, Belalcázar, Chinchiná, Filadelfia, La
Merced, Manizales, Neira, Pácora, Palestina, Riosucio, Risaralda, Salamina, San José, Supía,
Villamaría y Viterbo (Ministerio de Cultura & FNC, 2012).
Desde la perspectiva departamental, con base en los informes de la FNC y del Comité departamental
de cafeteros de Caldas, es posible consolidar las estadísticas de la caficultura departamental.
La FNC (2017e) presenta estadísticas del área sembrada departamental para los siguientes niveles
de tecnificación:
(1) Tradicional: Típica sin trazo o típica con densidad menor a 2500 árboles.
(2) Tecnificado Envejecido: Cultivos al sol mayores a 9 años, o cultivos a la sombra total o parcial
mayores a 12 años.
(3) Tecnificado: Cultivos al sol menores o iguales a 9 años, o cultivos a la sombra total o parcial
menores o iguales a 12 años.
Para el período 2010-2017, las estadísticas nacionales y para el departamento de Caldas se resumen
en la Tabla 8.1. En el país, el cultivo tecnificado (3) pasó de un 68% a un 83% entre el 2010 al 2015;
mientras que, en Caldas, la tecnificación fue del 72% y 88%, respectivamente. Para el 2017, se las
áreas tecnificadas representaban un 89%, a nivel departamental, y un 86%, a nivel nacional.
Tabla 8.1. Área cultivada con café según nivel de tecnificación (Miles de hectáreas).
Región Tradicional (1) Tecnificado envejecido (2) Tecnificado (3)

2010 2015 2017 2010 2015 2017 2010 2015 2017
Caldas 3.92 0.25 0.13 18.67 8.64 8.01 59.33 63.47 68.97
Colombia 98.23 29.11 20.91 195.50 133.85 124.15 620.68 777.96 903.95
Fuente: (FNC, 2017d)
Con respecto al sistema de producción, las estadísticas de la FNC (2017e) muestran el

comportamiento a nivel nacional y departamental, para el período 2010-2017 se resumen en la Tabla
8.2. El área sembrada al sol pasó de un 49% a un 60% entre el 2010 y el 2015, a nivel nacional;
mientras que para el departamento de Caldas fue del 79% en el 2010 y del 90% en el 2015. Para el
2017, la superficie con sombrío sigue decreciendo y representa sólo el 8.5% a nivel departamental;
mientras que alcanza el 38.7% a nivel nacional.
Tabla 8.2. Área cultivada con café según exposición solar (Miles de hectáreas)
Región Sol Sombra o sombra parcial

2010 2015 2017 2010 2015 2017
Caldas 64.7 64.9 63.1 17.2 7.44 5.87
Colombia 449.5 562.4 554.2 464.6 378.5 349.7
Fuente: (FNC, 2017e)
El informe del Comité departamental de cafeteros de Caldas (2015) presenta una comparación de
indicadores entre el 2009 y 2014 así: la densidad de siembra pasó de 5284 a 5604 árboles por
hectárea; la edad promedio de 9,9 a 5,6 años; el porcentaje de variedades resistentes del 45% al
74%; el nivel de tecnificación del 92% al 99%; la productividad de 12,6 a 16,2 sacos por hectárea.
Estas cifras y estadísticas que se consolidan en la Tabla 8.3.
Tabla 8.3. Estadísticas de la caficultura del departamento de Caldas

Estadísticas 2010 2011 2012 2013 2014 2015 2016
Municipios cafeteros 25 25 25 25 25 25 25
Caficultores 37671 37216 35701 35817 34221 33667 33742
Caficultores con cafés 19833 18155 20517 13592 13363 ND 25641
especiales
Fincas cafeteras 49083 48324 46116 45891 43643 42648 42585
Fincas con cafés especiales 24968 24962 19310 19095 ND 32510
Área sembrada en café, Ha 81919 80525 78515 77559 74528 72366 70793
Área con cafés especiales, 56000 47870 48000 47000 47000 48357 48357
Ha
Densidad de siembra N.D 5434 N.D 5554 5604 5623 5605
árboles/Ha
Edad de los cultivos años N.D N.D N.D 6.0 5.6 5.4 5.4
Caficultura joven N.D N.D N.D 84% 86% 78% 88%
% Área tecnificada 94% 97% 98.4% 99% 99% 99.6% 99.7%
% Área resistente 46% 57% 64% 69% 74% N.D 81%
Productividad promedio N.D N.D N.D N.D 16.2 17.7 N.D
sacos 60 kg/ha
Producción Miles sacos 60 1200 1000 N.D 1000 1133.87 1285.1 N.D
kg
Fuente: Elaboración propia a partir (FNC, 2011c; 2012c; 2013b; 2014b;
Comité departamental de Cafeteros de Caldas, 2011, 2012, 2013, 2014, 2015, 2016)
8.3 Efectos del ENSO en la productividad cafetera de Caldas

A partir de las EVAS, se establecen las series de producción cafetera de los municipios del
departamento de Caldas, para el período 2002-2014, cuyos promedios se muestran en la Figura 8.6.
Con las series de producción se encuentran correlaciones positivas y significativas con el ONI, en los
municipios de Belalcázar, Chinchiná, Manizales, Risaralda, San José y Victoria, con un 90% de
confianza. El promedio departamental es de 59501 sacos 60 kg, con un alto coeficiente de variación
del 75%, los mayores valores se reportan en Chinchiná y los menores en Marulanda. El acumulado
promedio asciende a 1.48 millones de sacos, alrededor del 10% de la producción nacional.
Figura 8.6. Producción cafetera de los municipios de Caldas

Con la información de las áreas cosechadas de las EVAS, se establecen las series de productividad
para el período 2002-2014, los valores promedio se muestran en la Figura 8.7. El promedio
departamental para el período, fue 19.21 sacos de 60 kg/ha (cv 22%), los máximos se registran en
Chinchiná y los mínimos en Marulanda; en La Dorada y Norcasia no se tiene producción. La prueba
no paramétrica de Sperman detecta correlaciones positivas y significativas entre el ONI y la
productividad cafetera, en los municipios de Chinchiná, Marquetalia y San José, con un nivel de
confianza del 90%; similares resultados se obtienen con Pearson para la variable normalizada.
Figura 8.7. Productividad cafetera de los municipios de Caldas

La relación entre la productividad cafetera departamental, para el período 2002-2014, y el ONI se

ilustra en la Figura 8.8, donde se incluye la señal del ONI; si bien hay correlación directa entre la
productividad y el ONI, según las pruebas no es estadísticamente significativa. No obstante, se
encuentra correlación directa y significativa con la producción.
30,0 1,5
25,0 1
Sacos 60 kg/ha
0,5
20,0
Indice ONI
0
15,0
-0,5
10,0 -1
5,0 -1,5
2002 2003 2004 2005 2006 2007 2008 2009 2010 2011 2012 2013 2014
Caldas ONI
Figura 8.8. Relación productividad cafetera departamental y ONI

La Figura 8.9 resume las anomalías en la producción, por la variabilidad climática, para el período
2002-2014, las cuales fueron calculadas para las series anuales según la condición hidrológica, por
tanto, se consideraron años El Niño y La Niña. En términos generales, se presenta alta variabilidad
en los efectos del ENSO, en la producción municipal. En años secos, se presentan incrementos en
la mayoría de municipios, con excepción de Aranzazu, Salamina, Manzanares, Marulanda y Samaná.
En años húmedos, las mayores reducciones en la producción, se registran Chinchiná; mientras que
en años secos, se presenta mayor afectación en la región Centro Sur y en el Oriente.
Figura 8.9. Anomalías en la producción cafetera por ENSO

La Figura 8.10 consolida las anomalías promedio, en la productividad cafetera, por efecto del ENSO,
para el período 2002-2014, en los municipios de Caldas. Se presenta muy alta variabilidad de los
efectos en los municipios. Durante los años secos, la productividad promedio se incrementa, con
mayores efectos al Sur Occidente y en la región Centro Sur. En años La Niña, las reducciones más
marcadas de la productividad, se tiene en Chinchiná y el Oriente de Caldas; similares resultados se
obtienen cuando se produce el efecto combinado El Niño/La Niña.
Figura 8.10. Anomalías en la productividad cafetera por ENSO

8.4 Calibración y validación de los modelos de cultivo

En el estudio se emplearon los modelos de cultivo Aquacrop, Cropsyst en Bioma y Simproc. A
continuación, se presentan los resultados particulares para cada uno de los modelos, incluyendo los
aspectos relacionados con la calibración y validación.
8.4.1 Modelo Aquacrop

AquaCrop es un modelo descriptivo que simula la biomasa y el rendimiento potencial cosechable del
cultivo, en respuesta a la disponibilidad de agua. Se divide en cuatro módulos (Figura 8.11): Clima,
Características del cultivo, Suelo y Condiciones de manejo (Fernández et al., 2013). El módulo de
clima requiere datos de entrada de precipitación, temperatura máxima (Tmax) y mínima (Tmin),
evapotranspiración (ET0 ). Por tanto, se tomó como base los resultados de la modelación hidrológica
para el período 1989-2010, a escala diaria. Se consideró, además, el promedio global de
concentración de dióxido de carbono, que se encuentra en la base de datos de AquaCrop y es
obtenida del observatorio Mauna Loa en Hawai (Raes et al., 2009).
En el módulo del cultivo se ingresan las variables de desarrollo, evapotranspiración, producción,
agua, temperatura, salinidad, fertilidad y el calendario que indican las fechas de siembra, maduración,
emergencia, floración, entre otros. En este caso se partió de un cultivo bien desarrollado, con
florescencia entre Ene-Mar y producción entre Oct-dic. Se consideraron muy fuertes efectos del
estrés hídrico y no se incluyeron los efectos de salinidad y fertilidad. Para el tiempo térmico se tomó
la temperatura base de 10°C; mientras que la temperatura óptima de crecimiento fue 20.5°C. La
profundidad de las raíces fue 0.3 m, el desarrollo del canopy del 70% y la densidad de siembra de
10.000 plantas por hectárea, porque la calibración se realizó para Chinchiná.
Figura 8.11. Pantalla de inicio del modelo AquaCrop

Para la caracterización del suelo se tomó como base la información de CORPOCALDAS y del IGAC
en términos de textura del suelo y con la calculadora “Soil Water Characteristics” desarrollada por el
Servicio de Investigación Agrícola (USDA) se estimó el perfil completo del suelo y los parámetros
requeridos por el software.
Las condiciones de manejo no fueron modificadas, es decir, se usaron las que AquaCrop maneja por
defecto: terreno únicamente beneficiado con agua de lluvia, sin riego y gestión del campo no
especificada, de tal manera que sólo se incluyeran los efectos del clima en la producción.
Los resultados de la calibración del modelo Aquacrop con la estación Naranjal y las series de
producción para el municipio de Chinchiná se presentan en la Figura 8.12. La serie observada tiene
un promedio de 11343 kg/ha (kg de café cereza por hectárea), con un coeficiente de variación del
33%; por su parte las modelaciones arrojaron un promedio de 10838 kg/ha, con un coeficiente de
variación del 7%, los estadísticos de la calibración se resumen en la Tabla 8.4. Es evidente que se
requiere un mayor ajuste, el cual se muestra más adelante con el algoritmo de corrección.
20000
Producción kg Cereza/ha
15000
10000
5000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Observados Simulados
Figura 8.12. Calibración del modelo Aquacrop en Chinchiná
Para el modelo Aquacrop, después de ajustar el cronograma del cultivo, según las fechas de la
cosecha principal; realizar el análisis de sensibilidad de los parámetros y establecer las características
de sensibilidad al estrés hídrico, dadas por el programa, se optó por fijar los parámetros de
calibración, según se relacionan en la Tabla 8.4., y modificar los índices de cosecha (Harvest Index)
por localidad, de tal manera, que se agruparan las posibles variaciones en el sistema de producción.
Tabla 8.4. Parámetros de calibración del modelo Aquacrop

Parameters AquaCrop Parámetros
Plant density 10000
Max canopy 273
Maximum canopy cover 70%
Maximun effective rooting depth 0,3
Base temperatura, °C 10
Upper temperatura, °C 20.5
Los resultados de la validación a escala municipal se ilustran en la Figura 8.13 y los estadísticos se
resumen en la Tabla 8.5. Los promedios de rendimiento de los municipios cafeteros fueron los
presentados por las EVAs, realizando la corrección de pergamino seco a cereza. Si bien los errores
de balance son iguales o inferiores al 10%, y el MAE se aproxima a la desviación estándar de la serie
observada, se requiere mejorar la reproducción de la variabilidad de la serie observada, de acuerdo
con el coeficiente de variación.
Tabla 8.5. Resultados de la calibración y Validación del modelo Aquacrop a escala municipal –
2002-2010
Harvest Rendimiento Observado Rendimiento Simulado
PBIAS MAE RSME
Municipios Index, kg/ha kg/ha
% Promedio Desvest CV% Promedio Desvest CV% % kg/ha
Chinchiná 45 11343 3779 33% 10838 785 7% -4.4% 3469 58.9
Aguadas 20 4768 1362 29% 4272 394 9% -10% 1323 36.4
Marquetalia 25 5265 297 6% 5156 297 6% -2.1% 413 20.3
Supía 25 5192 867 17% 4918 641 13% -5.3% 737 27.2
Santa Helena
8000
6000
4000
2000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Rafael Escobar
8000
6000
4000
2000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Figura 8.13. Validación del modelo Aquacrop en Estaciones Cafeteras

Los resultados de la validación, en las cuencas de Caldas, se ilustran en la Figura 8.14, y los
estadísticos se resumen en la Tabla 8.6. Para los datos observados, se tomaron los promedios de
rendimiento de los municipios cafeteros de la cuenca. De igual manera que en el caso anterior, los
errores de balance son ±10% y el MAE se aproxima a la desviación estándar de la serie observada,
pero se requiere mejorar la reproducción de la variabilidad de la serie observada, de acuerdo con el
coeficiente de variación.
Directos al Cauca
10000
8000
6000
4000
2000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010

10000
8000
6000
4000
2000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Figura 8.14. Validación del modelo Aquacrop en las cuencas de Caldas

Tabla 8.6. Validación del modelo de cultivo Aquacrop 2002-2014

Harvest Rendimiento Observado Rendimiento Simulado
PBIAS MAE RSME
Cuencas Index, kg/ha kg/ha
% Promedio Desvest CV% Promedio Desvest CV% % kg/ha
Arma 20 5016 1218 24.3% 4632 187 4% -7.7% 1085 33
Chinchiná 40 8908 1731 19% 8344 582 7% -6.3% 1746 41.8
Directos al 30
5851 297 5% 6243 392 6% 6.7% 421 20.5
Cauca
Guarinó 25 5208 203 4% 5411 242 4% 3.9% 360 19.0
La Miel 21 4902 150 3% 4293 49 1% -12.4% 608 25
Risaralda 35 6165 309 5% 6169 448 7% 0.1% 463 21.5
Tapias-Tareas 25 5309 635 12% 5732 353 6% 8.0% 572 23.9
8.4.2 Modelo Cropsyst en BioMa

La calibración del modelo Cropsyst en la plataforma BioMa se realizó con la estación Naranjal.
Inicialmente, se definieron las grillas para la configuración tal como se representa en la Figura 8.15.
Figura 8.15. Selección de las grillas en BIOMA

Para la información climática, se tomó como base la información del modelo hidrológico, a escala
diaria, y los registros de viento reportados por la plataforma BioMa para las grillas seleccionadas. La
plataforma tiene limitaciones con el periodo de modelación, por lo cual se restringió a 1989-2010.
Para el análisis de sensibilidad, se identificaron tres categoría, alta, media y baja. La Tabla 8.7.
resume los parámetros con sensibilidad alta (rojo), media (naranja) y baja (blanco). Dado que la
mayoría de los parámetros son físicos, se tomaron como base los lineamientos dados por Cenicafé
(2009), para la simulación potencial del cultivo del café en Colombia, y las recomendaciones de los
expertos de Euroclima; no obstante, varios de elstos paraámetros fueron ajustados en el proceso de
calibración. Para la simulación, se consideró un cafetal bien desarrollado, por lo cual, no incluyó el
tiempo térmico para la emergencia. Los parámetros finales de calibración se resumen en la Tabla
8.7.
Los resultados de la calibración para la estación Naranjal se resumen en la Figura 8.16, tomando
como base la producción del municipio de Chinchiná. El resumen de los estadísticos para la
calibración se presenta en la Tabla 8.8. Aunque se consideran aceptables, requieren de un mayor
ajuste.
Al igual que en el caso anterior, se tomó el parámetro índice de cosecha para considerar las posibles
variaciones por el sistema de producción y el manejo del cultivo en las localidades. Los resultados de
la validación a escala municipal se ilustran en la Figura 8.17; mientras que los resultados de los
estadísticos se resumen en la Tabla 8.8.
Tabla 8.7. Parámetros de calibración del modelo Cropsyst en la plataforma BIOMA
No Pametro_name Parámetros
Parametro 0 Development Suceptibility to water Stress 0.3
Parametro 1 Thermal Time to Emergency 0
Parametro 2 Thermal Time to Flowering 1049
Parametro 3 Thermal Time to begin yield formation 1043
Parametro 4 Thermal Time to maturity 2045
Parametro 5 Base temperature development 10
Parametro 6 Cut off temperature development 28
Parametro 7 Photoinhibition 14
Parametro 8 Photoinsensitivity 6
Parametro 9 High Temperature 0
Parametro 10 Low temperature 0
Parametro 11 A 0
Parametro 12 Days to start vernalization 0
Parametro 13 Days to complete vernalization 0
Parametro 14 Minimum factor 0
Parametro 15 Initial leaf area Index 0.03
Parametro 16 Minimum initial green leaf area index 0.2
Parametro 17 leaf area index initial value shape 1
Parametro 18 Development Stage critical 3
Parametro 19 Re grow development Stage critical 1.5
Parametro 20 Maximum radiation use efficiency 3
Parametro 21 Base temperature for growth 12
Parametro 22 Optimum temperature for growth 20.5
Parametro 23 Extinction coefficient solar radiation 0.5
Parametro 24 Full Canopy Water Up take Maximum 8
Parametro 25 Thermal Time To End Green Leaf Area Index 997
Parametro 26 Full Canopy Coefficient 0.8
Parametro 27 Night Temperature Critical 16
Parametro 28 Night Temperature Maximum 25
Parametro 29 PAR to Global Radiation Factor 0.5
Parametro 30 Transpiration Biomass Coefficient 5
Parametro 31 Specific Leaf Área 27
Parametro 32 Stem Leaf Partition 3.5
Parametro 33 Height Maximum 3
Parametro 34 LAI Maximum 12
Parametro 35 Maximum Rooting Depth 30
Parametro 37 Leaf Duration 2400
Parametro 38 IsC3 1
En este caso, se tienen errores de balance alrededor del 10%; el MAE se asemeja a la desviación
estándar; pero el coeficiente de variación de la serie simulada sigue siendo menor que la observada.
Dadas las incertidumbres en las series de producción, se considera que los resultados de la
modelación son aceptables.
Producción kg Cereza/ha Chinchiná

20000
15000
10000
5000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Figura 8.16. Calibración del modelo Cropsyst en BioMa para Chinchiná

.
Manzanares
8000
6000
4000
2000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Supía
8000
6000
4000
2000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Figura 8.17. Validación del modelo Cropsyst en BioMa para los municipios
Tabla 8.8. Calibración y Validación del modelo de cultivo Cropsyst en BioMa 2002-2010 a escala
municipal
Rendimiento Observado Rendimiento Simulado

Harvest Index, PBIAS MAE RSME
Municipios kg/ha kg/ha
%
Promedio Desvest CV% Promedio Desvest CV% % kg/ha
Chinchiná 0.40 11197 3276 29% 10681 832 8% -4.6% 2938 54.2
Aguadas 0.15 4768 1362 29% 4954 265 5% 3.9% 902 30.0
Anserma 0.20 5911.2 752.6 13% 6506.9 252.7 4% 10% 701.6 26.5
Manizales 0.40 9335.9 1372.6 15% 8270.7 573.8 7% -11% 1832.6 42.8
Manzanares 0.15 5135.9 424.7 8% 4700.6 122.6 3% -8% 505.5 22.5
Marquetalia 0.15 5264.8 296.8 6% 5352.8 237.3 4% 2% 258.0 16.1
Supía 0.20 5192.2 866.5 17% 5378.2 407.1 8% 4% 786.0 28.0
8.4.3 Calibración del modelo Simproc o Simfrut

Con el Dr. Santibañez se realizaron las modificaciones en el modelo Simproc, para dar paso al modelo
Simfrut, que contiene un módulo para café. Entre las particularidades y novedades del modelo,
figuran la inclusión de la variación diurna de la temperatura cada 15 minutos. Para la zona de estudio
se comporta según la Figura 8.18. Considera además, modelos para la producción en función de la
edad y la densidad de siembra, que se definieron con base en los estudios de Cenicafé (2013), tal
como se ilustra en la Figura 8.19, para una densidad de siembra de 2500 árboles por hectárea.
1
0,9
0,8
0,7
Tmedia/Tmaxima
0,6
0,5
0,4
0,3
0,2
0,1
0
06:15:00
07:00:00
07:45:00
08:30:00
09:15:00
10:00:00
10:45:00
11:30:00
12:15:00
13:00:00
13:45:00
14:30:00
15:15:00
16:00:00
16:45:00
17:30:00
18:15:00
19:00:00
19:45:00
20:30:00
21:15:00
22:00:00
22:45:00
23:30:00
00:15:00
01:00:00
01:45:00
02:30:00
03:15:00
04:00:00
04:45:00
05:30:00
Figura 8.18. Variación diurna de la temperatura en el modelo Simfrut

2500 arboles/ha
100,00
80,00
60,00
Indice
40,00
20,00
0,00
0 1 2 3 4 5 6 7 8 9 10
Edad
Figura 8.19. Modelos de producción de café según la edad y densidad de siembra

Dado que la mayoría de los parámetros son físicamente basados, se establecieron con base las
recomendaciones de Cenicafé (2009) y de Santibañez, durante el proceso de calibración. Los
resultados para Chinchiná se resumen en la Figura 8.20. Los estadísticos de la calibración fueron
los siguientes: Rendimiento Observado 10177 kg/ha, CV 22%, rendimiento simulado 10370, CV 11%;
Balance 1.9%, MAE 2557, RSME 50.6.
La validación del modelo se realizó para Palestina, los resultados se muestra en la Figura 8.21. Los
resultados fueron los siguientes: Rendimiento Observado 6207 kg/ha, cv 9%; rendimiento simulado
5855 kg/ha cv 22%, balance -5.7%, MAE 818 y RSME 28.6.
14000
12000
10000
8000
6000
4000
2000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Figura 8.20. Calibración del modelo Simfrut en Chinchiná

8000
6000
4000
2000
0
2006 2007 2008 2009
Figura 8.21. Validación del modelo Simfrut en Chinchiná

8.5 Simulación para la línea base

Con los modelos de cultivo calibrados y validados para la zona, se procedió a realizar la simulación
para el período 1989-2010, dadas las limitaciones de la plataforma BioMa para modelaciones previas
a 1989. Los resultados de la modelación para la estación Naranjal, se resumen en la Figura 8.22; se
evidencia una mayor correlación entre las series de los modelos Aquacrop y BioMa.
14000
Producción kg cereza/ha
12000
10000
8000
6000
4000
2000
0
1996
2002
1989
1990
1991
1992
1993
1994
1995
1997
1998
1999
2000
2001
2003
2004
2005
2006
2007
2008
2009
Aquacrop Bioma Simfrut 2010
Figura 8.22. Modelación hidrológica línea base 1989-2010- Estación Naranjal

Para esta estación, los modelos no representan de manera adecuada la señal del ENSO, las series
simuladas exhiben correlaciones inversas con el ONI y no modelan de manera adecuada los años
húmedos, tal como se muestra en la Figura 8.23.
Dadas estas diferencias se realizó la comparación de tendencias con ONI, en otras estaciones. Para
las series observadas (2002-2010), se presentan correlaciones directas con ONI en Aguadas,
Chinchiná, Manizales, Marquetalia; por el contrario, son inversas en Anserma, Supía y Manzanares.
Entre las series simuladas (1989-2010), con el modelo BioMa conservan la relación Aguadas y Supía,
únicamente.
Figura 8.23. Resultados de la modelación hidrológica y efectos del ENSO

Desde otra perspectiva, se efectuó la simulación por cuenca hidrológica, para mejorar la integración
de resultados, dadas las limitaciones en las series de producción. Los resultados en comparación con
las series simuladas fueron los siguientes:
Las series de BioMa no siguen la correlación con el ONI. Las series observadas tienen relaciones
directas con el ONI; por contrario, las series simuladas con BioMa presentan correlaciones inversas.
Las salidas del modelo Aquacrop tienen correlaciones directas con el ONI, en las cuencas de los ríos
Guarinó, Risaralda; pero inversas en Arma, Tapias Tareas, La Miel, Directos al Cauca y río Chinchiná;
por tanto, se requiere ajuste, para incluir los efectos de la variabilidad climática.
Estos resultados similares en modelos de procesos reflejan las limitaciones para la modelación del
exceso hídrico en los cultivos.
Es evidente que la comunidad científica ha avanzado en la comprensión de la sequía y son típicos
los modelos sigmoidales, que se incluyen por efecto de déficit hídrico, pero falta considerar que tanto
el déficit, como el exceso hídrico, influyen en la producción y que las curvas de comportamiento, en
función de la humedad, son más de tipo parabólico, tal como lo expresan los estudios de Cenicafé,
para el café en Colombia, que se ilustran en la Figura 8.24.
Por tanto, se consideró pertinente incluir funciones de ajuste en las salidas de los modelos que
representaran los cambios por variabilidad climática.
HUMEDAD SUELO VS FOTOSÍNTESIS (A)
Figura 8.24. Comportamiento de la fotosíntesis acumulada con la humedad volumétrica

Fuente: (Riaño, 2013)
8.6 Corrección en el modelo de cultivo por efectos del ENSO

A continuación, se presentan los resultados de la corrección de las salidas de los modelos Aquacrop
y Cropsyst en BioMa. No se logró un ajuste satisfactorio con Simfrut por lo cual no fue incluido en
este apartado.
8.6.1 Corrección Modelo Aquacrop

Tomando como base los resultados de las cuencas, se procedió a realizar los ajustes en las salidas
de los modelos, considerando el efecto ENSO, se tuvo en cuenta: la intensidad del evento medida
con el ONI, la lluvia antecedente y la lluvia acumulada del año en evaluación.
Inicialmente, se realizó el ajuste en el balance de la serie simulada con el modelo Aquacrop; luego,
se analizaron las relaciones entre la producción relativa en función del índice Oceánico el Niño, ONI,
y se establecieron las curvas de comportamiento para las cuencas del Magdalena, del Cauca y para
la cuenca del río Chinchiná (Figura 8.25), considerando un índice de producción relativa. Esta última
cuenca se tomó de manera particularizada, por los mayores efectos del ENSO registrados.

1,20
1,00
Producción relativa
0,80
0,60
0,40
0,20
0,00
-0,80 -0,60 -0,40 -0,20 0,00 0,20 0,40 0,60
ONI
Figura 8.25. Relación producción relativa con el ONI

Luego, se analizó el comportamiento medio de años La Niña, El Niño y Normal, para establecer la
influencia de la lluvia antecedente y actual en la producción relativa, con funciones lineales de
comportamiento, considerando índices relativos (Figura 8.26). Con estas relaciones, se procedió a
realizar la corrección de los valores de salida del modelo, considerando además el error de balance.
La función de corrección que minimizó los errores fue la aplicación del efecto ONI y un efecto
combinado de la lluvia antecedente y acumulada, con una ponderación 70:30.
Los resultados se ilustran en la Figura 8.27 para las cuencas evaluadas y los estadísticos se resumen
en la Tabla 8.9, donde se evidencia un mejor ajuste en la salida del modelo en comparación con las
observaciones, en la mayoría de las cuencas. No obstante, para la cuenca del río Risaralda, se
obtienen mejores resultados con la salida directa del modelo Aquacrop; para esta cuenca en
particular, las salidas conservan relación directa con el ONI, por lo cual se consideran aceptables.

1,20
1,00
Producción relativa
0,80
0,60
0,40
0,20
0,00
0 0,2 0,4 0,6 0,8 1 1,2
Precipitación relativa
Figura 8.26. Relación producción relativa con lluvia antecedente

15000 Cuenca del río Chinchiná
Producción kg Cereza/ha 10000
5000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Observados Aquacrop Corrección
Cuenca Tapias- Tareas

8000
6000
kg Cereza/ha
4000
2000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Observados Aquacrop Corrección
Figura 8.27. Corrección en las salidas de Aquacrop por efectos del ENSO
Tabla 8.9. Resultados del ajuste en la salida del modelo Aquacrop 2002-2010
Rendimiento kg/ha PBIAS MAE RSME RSR
Cuenca Resultado Promedio Desvest CV% % kg/ha
Observados 5016 1218 24.3%
Arma Aquacrop 4632 187 4% -7.7% 1085 33 1.1
Corrección 5373 959 18% 7.1% 553 24 0.97
Observado 8908 1731 19%

Chinchiná Aquacrop 8344 582 7% -6.3% 1746 41.8 1.2
Corrección 8636 1658 19% -3.1% 778 28 0.56
Observados 5851 297 5.1%
Directos al
Aquacrop 6243 392 6% 6.7% 421 21 2.2
Cauca
Corrección 5877 325 6% 0.4% 318 18 1.3
Guarinó Aquacrop 5411 242 4% 3.9% 360 19 2.1
Corrección 5271 311 6% 1.2% 308 17.56 1.8
La Miel Aquacrop 4293 49 1% -12.4% 608 25 4.4
Corrección 4958 138 3% 1.1% 142 11.9 1.2
Observados 6165 309 5%
Risaralda Aquacrop 6169 448 7% 0.1% 463 22 1.9
Corrección 6127 641 10% -0.6% 580 24 2.4
Tapias-
Aquacrop 5732 353 6% 8.0% 572 23.9 1.2
Tareas
Corrección 5381 246 5% 1.4% 430 21 0.9

De manera similar, se realizaron las correcciones con la salida de BioMa, para incluir los efectos de
la variabilidad climática; los resultados para las cuencas hidrográficas se resumen en la Tabla 8.10 y
en la Figura 8.28. En general, con la corrección se obtiene un mejor ajuste en relación con las
observaciones.
Tabla 8.10. Resultados del ajuste en la salida de BioMa 2002-2010
Rendimiento kg/ha PBIAS MAE RSME RSR

Cuenca Resultado Promedio Desvest CV% % kg/ha
Observados 5016 1218 24.3%
Arma BioMa 5393 203 4% 7.5% 993 32 1.09
Corrección 5692 1025 18% 13.5% 722 27 1.08
Observado 8908 1731 19%
Chinchiná BioMa 10509 579 6% 18.0% 1826 43 1.44
Corrección 9325 2290 25% 4.7% 1054 32 0.87
Directos al
BioMa 5458 448 8% -6.7% 561 24 2.6
Cauca
Corrección 5839 396 7% -0.2% 402 20 1.9
Guarinó BioMa 6296 262 4% 20.9% 1088 33 5.9
Corrección 5239 258 5% 0.6% 202 14 1.20
La Miel BioMa 5377 196 4% 9.7% 475 22 3.6
Corrección 4913 211 4% 0.2% 152 12 1.28
Observados 6165 309 5%
Risaralda BioMa 5775 194 3% -6.3% 419 20 1.8
Corrección 6032 288 5% -2.2% 371 19 1.5
Tapias-
BioMa 5635 260 5% 6.1% 576 24 1.18
Tareas
Corrección 5384 448 8% 1.4% 570 24 1.21
Chinchina
15000
kg Cereza/ha
10000 Observados
BioMa
5000
Corrección
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Figura 8.28. Corrección en las salidas de BioMa por efectos del ENSO
Directos al Cauca
7000
6000
5000
kg Cereza/ha
4000 Observados
3000 BioMa
2000 Corrección
1000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Cuenca La Miel
7000
6000
5000
kg Cereza/ha
4000 Observados
3000 BioMa
2000 Corrección
1000
0
2002 2003 2004 2005 2006 2007 2008 2009 2010
Figura 8.28. Corrección en las salidas de BioMa por efectos del ENSO
8.7 Modelación Agronómica con efectos de la variabilidad climática

Por cuencas, las series de producción anuales son homocedásticas, según la prueba de Levene y se
ajustan a una distribución Normal, según el estadístico de Shapiro Wilk, por tanto se aplicó el análisis
de varianza ANOVA, para identificar diferencias significativas entre los modelos (=0.05); sólo se
encuentran diferencias en la cuenca del río Arma, con el modelo BioMa; por tanto, se concluye que
los resultados de la modelación representan la dinámica de las cuencas, pero se requiere un mayor
ajuste en la cuenca del río Arma.
Por otra parte, entre las cuencas se encuentran diferencias significativas en los niveles de producción
y es posible establecer subconjuntos homogéneos según el test de Duncan, los cuales se resumen
en la Tabla 8.11. para el modelo Aquacrop ajustado, el cual, según los estadísticos, tuvo menor error
en comparación con las observaciones, para el período 2002-2010.
Los resultados de la simulación de cultivos, para el período 1990-2010, con los modelos Aquacrop y
Bioma ajustados se ilustran en la Figura 8.29, considerando los períodos hidrológicos; se incluye el
registro promedio de las EVAs (observado) para el período 2002-2010. En general, se evidencian
correlaciones directas con ONI y un mejor comportamiento de los modelos de cultivo para la
representación de la variabilidad climática. El resumen de las anomalías por condición hidrológica se

resume en la Tabla 8.12.
Tabla 8.11. Análisis de varianza modelación de la línea base 1990-2010
Subconjunto para alfa = 0.05

Cuenca N 1 2 3 4
Risaralda 21 4785.21
Guarinó 21 5106.65 5106.65
Tapias Tareas 21 5174.32 5174.32
Arma 21 5437.63 5437.63
Directos al Cauca 21 5817.51
La Miel 21 5864.57
Chinchiná 21 8904.07
Sig. .213 .290 .171 1.000
Tabla 8.12. Anomalías en la productividad por condición hidrológica
2002-2010 Línea base 1990-2010

Observados Aquacrop Bioma
Cuenca
El Niño/ El El Niño/ El Niño/
El Niño La Niña La Niña El Niño La Niña
La Niña Niño La Niña La Niña
Directos al Cauca -5.8% -4.8% -1.9% -1.5% -6.3% -6.8% 0.5% -2.1% -10.9%
Guarinó -5.8% -6.3% -4.1% 6.6% -9.2% 1.3% -3.5% -5.1% -0.2%
La Miel -0.5% -0.1% -2.9% 3.5% -5.8% 0.2% 2.4% -4.9% -2.7%
Risaralda -6.0% 0.4% -3.6% 0.8% -11.3% -2.1% 4.1% -9.6% -1.1%
Tapias-Tareas -3.2% 1.7% 12.8% 0.1% -6.1% -4.3% 5.3% -14.3% -4.1%
Arma -2.3% -14.4% -0.2% 13.9% -37.3% -10.0% 16.4% -37.8% -10.1%
Chinchiná 5.3% -22.0% -11.4% 15.3% -38.2% -12.4% 16.6% -37.3% -22.9%
Figura 8.29. Comparación de resultados de la modelación de cultivos

Figura 8.29. Comparación de resultados de la modelación de cultivos

8.8 Modelación Agronómica con escenarios de cambio climático

Con los modelos Aquacrop y BioMa corregidos se evaluaron las series con escenarios de cambio
climático, se emplearon tres modelos climáticos que representan condiciones húmedas, medias y
secas.
8.8.1 Modelo Aquacrop

La Tabla 8.13 resume los resultados de la modelación de cultivo con escenarios de cambio climático.
En este caso se tomó el modelo de cultivo Aquacrop, con la corrección por condiciones húmedas y
secas definida previamente; para tal fin, se supone que las relaciones se mantienen en el futuro. Se
emplearon las proyecciones para el período 2021-2041, en las cuencas hidrográficas del
departamento de Caldas, estimadas con los modelos climáticos HadGEM2, CCSM4 y MPI_ESM_MR,
con el método de reducción de escala kNN-bootstrapping para el RCP 8.5.
Tabla 8.13. Escenarios de productividad según resultados modelo Aquacrop ajustado

Línea base Escenarios futuros 2021 - 2041
Cuenca Estadístico 1990-2010
CCSM4 HadGEM2 MPI_ESMMR Promedio
Promedio kg/ha 5438 4346 4456 5075 4626
Arma Desvest kg/ha 1172 442 494 1213 381
CV, % 22% 10% 11% 24% 8%
Promedio kg/ha 8904 7556 8065 8270 7964
Chinchiná Desvest kg/ha 2050 1083 1516 1599 666
CV, % 23% 14% 19% 19% 8%
Directos al Promedio kg/ha 5818 5615 5604 5645 5621
Cauca Desvest kg/ha 315 299 291 304 191
CV, % 5.4% 5.3% 5.2% 5.4% 3.4%
Promedio kg/ha 5107 5034 5016 5030 5027
Guarinó Desvest kg/ha 389 290 318 334 307
CV, % 7.6% 5.8% 6.3% 6.6% 6.1%
Promedio kg/ha 4794 4535 4518 4577 4544
La Miel Desvest kg/ha 214 138 119 256 127
CV, % 4.5% 3.0% 2.6% 5.6% 2.8%
Promedio kg/ha 5862 5800 5472 5620 5631
Risaralda Desvest kg/ha 692 361 445 471 297
CV, % 11.8% 6.2% 8.1% 8.4% 5.3%
Promedio kg/ha 5174 4982 5050 5007 5014
Tapias-Tareas Desvest kg/ha 340 359 290 273 221
CV, % 6.6% 7.2% 5.7% 5.5% 4.4%
El comportamiento gráfico para el período 2021-2041, en comparación con la línea base, se ilustra
en la Figura 8.30. Según la prueba de comparación de medias, se evidencian diferencias significativas
en la productividad, por modelos, sólo entre las cuencas del río Arma y Risaralda. Se identifican
además diferencias significativas entre las proyecciones con el modelo CCSM4 y la línea base en las
cuencas Arma, Chinchiná, Guarinó, La Miel y Risaralda; con el modelo HadGEM2 se tienen
diferencias estadísticamente significativas con la línea base en Arma, La Miel y Risaralda; mientras
que con el modelo MPI, las diferencias no son estadísticamente significativas. Finalmente, con los
valores medios, hay diferencias en todas las cuencas, con excepción de Guarinó.
Figura 8.30. Comparación resultados Aquacrop ajustado con escenarios de cambio climático
Las anomalías se consolidan en la Tabla 8.14, donde se aprecia que los resultados de la modelación
establecen reducciones en la productividad para las proyecciones de los tres modelos evaluados; las
mayores anomalías se estiman con el CCSM4 y las menores con el MPI-ESM-MR. Entre las cuencas,
las reducciones mayores se proyectan para la cuenca del río Arma y las menores para Guarinó. En
promedio, las anomalías por modelo son: CCSM4: -7.2% (desvest 7.4%), HadGEM2: -6.83% (desvest
5.6%), MPI-ESM-MR: -4.30% (desvest 2.0%), media -6.19% (desvest 4.8%).
Tabla 8.14. Anomalías en la productividad según resultados modelo Aquacrop ajustado

Anomalías 2021 - 2041
Cuenca
CCSM4 HadGEM2 MPI_ESMMR Medio
Arma -20.1% -18.0% -6.7% -14.9%
Chinchiná -15.1% -9.4% -7.1% -10.6%
Directos al Cauca -3.5% -3.7% -3.0% -3.4%
Guarinó -1.4% -1.8% -1.5% -1.6%
La Miel -5.4% -5.8% -4.5% -5.2%
Risaralda -1.1% -6.7% -4.1% -3.9%
Tapias-Tareas -3.7% -2.4% -3.2% -3.7%
Por otra parte, se realizó el análisis de incertidumbre de las proyecciones de cambio climático, el cual
se ilustra en la Figura 8.31, se empleó el método de la envolvente en aquellas cuencas donde hay
mayor variabilidad y los rangos con tres desviaciones estándar, donde hay menor variabilidad entre
modelos.

12500
10000
kg Cereza/ha
7500
5000
2500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Max Min Media
Directos al Cauca
10000
kg Cereza/ha
7500
5000
2500
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
x+3s x-3s Promedio
Figura 8.31. Incertidumbres en las proyecciones de modelos de cultivos según resultados Aquacrop

La Tabla 8.15 resume los resultados del modelo de Cropsyst, en la plataforma Bioma, con la
corrección por condiciones húmedas y secas definida previamente; de manera análoga que en el
caso anterior, se supone que las relaciones se mantienen en el futuro, por tanto, se emplean las
proyecciones para el período 2021-2041, en las cuencas hidrográficas del departamento de Caldas,
estimadas con los modelos climáticos HadGEM2, CCSM4, MPI_ESM_MR; se incluyó además el
modelo NorESM1-M, para el RCP 8.5. Es de anotar, que la línea base es la proyectada con BioMa.
Tabla 8.15. Escenarios de productividad según resultados de BioMa ajustado

Línea base Escenarios futuros
Cuenca Estadístico 1990-2010 2021 - 2041
CCSM4 HadGEM2 MPI_ESMMR NorESM1 Promedio
Promedio kg/ha 6013 4862 4746 5286 5605 5125
Arma Desvest kg/ha 1317 449 538 1036 518 290
CV, % 22% 9% 11% 20% 9% 6%
Promedio kg/ha 9919 10142 10894 11332 10682 10762
Chinchiná Desvest kg/ha 2490 1349 1914 2132 1469 883
CV, % 25% 13% 18% 19% 14% 8%
Directos al Promedio kg/ha 5635 5767 5337 5504 6007 5654
Cauca Desvest kg/ha 431 449 322 472 450 326
CV, % 8% 8% 6% 9% 7% 6%
Promedio kg/ha 5440 5860 5837 5865 5794 5839
Guarinó Desvest kg/ha 313 193 185 160 183 149
CV, % 6% 3% 3% 3% 3% 3%
Promedio kg/ha 4898 4324 4175 4265 4380 4286
La Miel Desvest kg/ha 192 188 186 327 217 177
CV, % 4% 4% 4% 8% 5% 4%
Promedio kg/ha 6012 5114 5011 4740 5814 5170
Risaralda Desvest kg/ha 315 207 247 282 241 186
CV, % 5% 4% 5% 6% 4% 4%
Promedio kg/ha 5363 5022 4962 4990 5189 5041
Tapias-Tareas Desvest kg/ha 420 221 178 334 213 173
CV, % 8% 4% 4% 7% 4% 3%
El comportamiento gráfico para el período 2021-2041 en comparación con la línea base se ilustra en
la Figura 8.32. De acuerdo con la prueba de comparación de medias, se presentan diferencias
estadísticamente significativas entre los modelos por cuencas. Con relación a la línea base, las
proyecciones de los modelos son diferentes en Guarinó, La Miel, Risaralda, Tapias-Tareas. En las
demás cuencas, se presentan similitudes entre la línea base y las proyecciones de algunos modelos.
Las anomalías se consolidan en la Tabla 8.16, en promedio, se estiman aumentos en la productividad

en cuencas como Chinchiná, Guarinó y Directos y reducciones en las demás cuencas. Los
incrementos superiores se proyectan para Chinchiná y las mayores reducciones promedio en la
cuenca del río Arma. El efecto promedio de las anomalías para la región es negativo; con el modelo
HadGEM2 se obtienen las mayores anomalías; mientras que las menores con el NorESM1.
Figura 8.32. Comparación resultados BioMa ajustado con escenarios de cambio climático
Tabla 8.16. Anomalías en la productividad según resultados de BioMa ajustado

Anomalías 2021 – 2041
Cuenca
CCSM4 HadGEM2 MPI_ESMMR NorESM1 Medio
Arma -19.1% -21.1% -12.1% -6.8% -14.8%
Chinchiná 2.2% 9.8% 14.2% 7.7% 8.5%
Directos al Cauca 2.3% -5.3% -2.3% 6.6% 0.3%
Guarinó 7.7% 7.3% 7.8% 6.5% 7.3%
La Miel -11.7% -14.8% -12.9% -10.6% -12.5%
Risaralda -14.9% -16.7% -21.2% -3.3% -14.0%
Tapias-Tareas -6.4% -7.5% -7.0% -3.3% -6.0%
Las anomalías promedio por modelo son: CCSM4: -5.7% (desvest 10%), HadGEM2: -6.90% (desvest
12%), MPI-ESM-MR: -4.79% (desvest 12%), NorESM1: -0.46% (desvest 7%), media -4.46% (desvest
4.8%). El análisis de incertidumbre se compila en la Figura 8.33, se emplea el método de la
envolvente, en aquellas cuencas donde hay mayor variabilidad, como Chinchiná y Arma, y los rangos
con tres desviaciones estándar donde hay menor variabilidad entre modelos.

20000
15000
kg cereza/ha
10000
5000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
Max Min Media
Cuenca del río Tapias

8000
6000
kg cereza/ha
4000
2000
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21
x+3s x-3s Media
Figura 8.33. Incertidumbres en las proyecciones de modelos de cultivos según resultados BioMa
8.8.3 Ensamble de modelos de cultivo

Finalmente, la Tabla 8.17 y la Figura 8.34 consolidan el análisis del ensamble simple para los
resultados de los modelos de cultivo, en las cuencas evaluadas. Se presentan diferencias
estadísticamente significativas entre los resultados de los modelos en: Arma, Directos al Cauca,
Guarinó, La Miel, Risaralda y Tapias-Tareas. No se identifican diferencias estadísticamente
significativas en la cuenca del río Chinchiná.
Tabla 8.17. Escenarios de productividad según resultados del ensamble de modelos de cultivo
Línea base Escenarios futuros 2021 - 2041
Cuenca Estadístico 1990-2010
CCSM4 HadGEM2 MPI_ESMMR Media
Promedio kg/ha 5725 4604 4601 5181 4795
Arma Desvest kg/ha 1234 400 487 1095 305
CV, % 22% 9% 11% 21% 6%
Chinchi Promedio kg/ha 9412 8849 9480 9801 9377
ná Desvest kg/ha 2239 1173 1699 1840 706
CV, % 24% 13% 18% 19% 8%
Directos al Promedio kg/ha 5726 5691 5471 5574 5579
Cauca Desvest kg/ha 296 243 182 274 145
CV, % 5% 4% 3% 5% 3%
Promedio kg/ha 5273 5447 5427 5448 5440
Guarinó Desvest kg/ha 248 174 202 196 171
CV, % 5% 3% 4% 4% 3%
Promedio kg/ha 4842 4428 4344 4419 4397
La Miel Desvest kg/ha 174 108 95 256 105
CV, % 4% 2% 2% 6% 2%
Promedio kg/ha 5937 5457 5242 5180 5293
Risaralda Desvest kg/ha 461 191 259 289 158
CV, % 8% 3% 5% 6% 3%
Promedio kg/ha 5269 5002 5006 5029 5012
Tapias-Tareas Desvest kg/ha 306 251 184 303 165
CV, % 6% 5% 4% 6% 3%
La Tabla 8.18 resume el promedio y la desviación estándar de las anomalías anuales estimadas. Se
estiman, con este ensamble, incrementos de productividad en Chinchiná y Guarinó, pero reducciones
en las demás cuencas, con mayores anomalías en Arma. Con relación a los modelos, HadGEM2
proyecta las mayores reducciones, luego el CCSM4 y finalmente, el MPI-ESM-MR. Se presenta un
alto nivel de incertidumbre en este ensamble.
Figura 8.34. Comparación resultados ensamble modelos de cultivo con escenarios de cambio
climático
Figura 8.34. Comparación resultados ensamble modelos de cultivo con escenarios de cambio
climático
Tabla 8.18. Anomalías en la productividad según ensamble simple modelos de cultivo

Cuenca Anomalías 2021 - 2041
Arma Promedio -15.3% -15.9% -2.5% -11.2%
Desvest 22.1% 20.5% 40.2% 25.1%
Chinchiná Promedio -0.4% 6.7% 11.4% 5.9%
Desvest 28.6% 32.8% 39.4% 29.0%
Directos al Cauca Promedio -0.4% -4.2% -2.4% -2.4%
Desvest 5.4% 6.2% 6.3% 5.0%
Guarinó Promedio 3.6% 3.2% 3.6% 3.4%
Desvest 6.8% 6.9% 6.9% 6.7%
La Miel Promedio -8.5% -10.2% -8.6% -9.1%
Desvest 3.1% 3.5% 6.7% 3.8%
Risaralda Promedio -7.6% -11.1% -12.1% -10.3%
Desvest 7.8% 9.1% 10.3% 8.5%
Tapias-Tareas Promedio -4.7% -4.6% -4.2% -4.5%
Desvest 7.9% 7.4% 8.7% 7.1%
9. Discusión de Resultados
9.1 Ciclo Diurno y tendencias
9.1.1 Brillo y radiación solar

En el departamento de Caldas se evidencia el fenómeno de Oscurecimiento Global (Global dimming),
término empleado para describir la reducción gradual de la cantidad de luz solar que alcanza la
superficie terrestre; tal como lo había detectado Ocampo (2012) en estudios para la cuenca del río
Chinchiná. Los hallazgos concuerdan con diversos estudios (Gilgen, Wild & Ohmura, 1988; Xiaowen
et al., 1995; Liperet, 1997; Stanhill & Cohen, 2001; Pinker et.al., 2005; Rodrigues & et.al., 2010) que
confirman reducciones significativas en la radiación solar que alcanza la tierra, durante los últimos 50
años; la cual ha sido estimada en 2,7% por década (Stanhill & Cohen, 2001). Entre las posibles
causas, que han identificadas por Stanhill & Cohen (2001), se encuentran los cambios en la carga de
aerosoles, en la nubosidad y sus interacciones. Investigaciones más recientes (Bartók, 2010; Wild &
et al., 2005) indican un cambio en la tendencia a partir de 1990s, atribuido a cambios en el contenido
de aerosoles. Esta modificación en la tendencia es detectada en el brillo solar, en algunas estaciones
tales como: Agronomía y Bellavista.
La persistencia caracteriza el patrón de las series de brillo solar; la cual es una variable con memoria
a largo plazo, donde la dependencia temporal persiste, aún entre observaciones distantes. En las
estaciones se identifica la presencia de ciclos cada 11 años, que puede estar asociada con los ciclos
solares. Aunque las variaciones en la luminosidad, a lo largo del ciclo solar, no ascienden a más de
un décimo del uno por ciento de la producción total del Sol, esa fracción influye en el clima terrestre
(NASA, 2013). El National Research Council (2012) sugiere que la influencia de la variabilidad solar
es más de carácter regional que global. En este sentido, el NCAR ha presentado evidencias del
efecto de la variabilidad solar; revela que durante los años en que hay más manchas solares, el
Pacífico tropical muestra un pronunciado patrón similar a "La Niña", con anomalías hasta de un 1°C;
confirma además que los incrementos de precipitación en la ZCIT se correlacionan con los picos del
ciclo de manchas solares (NRC, 2012; NASA, 2013). Por tanto, el efecto de la variabilidad solar en
el clima se manifiesta en cambios en la circulación general, lo cual concuerda con lo establecido por
el IPCC, en razón de que la variabilidad solar no es la causa del calentamiento global observado
(NRC, 2013; NASA, 2013).
Por otra parte, este trabajo presenta el análisis del ciclo diurno para la radiación solar y el brillo solar;
su comprensión es clave por la influencia en la temperatura superficial, la evapotranspiración y los
procesos biológicos que controla. Se exhiben además las diferencias en el ciclo diurno del brillo solar,
entre las estaciones, según el nivel altitudinal. En las estaciones más cercanas a los valles, como
Rafael Escobar, por ejemplo, la curva se acerca al comportamiento ideal para el trópico; pero a
medida que se asciende en la altitud, se desplaza el máximo en horas de la mañana y se reduce el
área bajo la curva. La amplitud y la fase del ciclo diurno son el resultado de la interacción entre
procesos dinámicos y radiativos (Zuluaga, 2005). Este ciclo es una característica típica de las
condiciones de un lugar y es un indicador del tiempo atmosférico (Murillo et al, 2005).
Dado que el brillo solar determina el potencial productivo cafetero de una región (Cenicafé, 2013),
para la franja de los ecotopos cafeteras de Caldas, que comprende una superficie de 2563.7 km 2,
sólo el 8.1% del territorio tiene un potencial muy alto, en el 38.5% es alto y en el 50.8% es medio, en
el resto es bajo, teniendo como referente el clima del período 1981-2010.
El brillo solar es modulado por la variabilidad climática; el trabajo presenta además los efectos en el
brillo solar y su influencia en el ciclo diurno. En estaciones cafeteras como Naranjal, donde se
presenta el óptimo pluviométrico para la Cuenca del río Chinchiná (Ocampo, Vélez & Londoño, 2014),
se calculan reducciones, en La Niña, y aumentos en El Niño de ±10%; para la región de ecotopos
cafeteros de Caldas, las anomalías son 4.8% (cv 2%) en El Niño y -7.15% (cv 16%) en La Niña, en
promedio. Los efectos en el potencial productivo se resumen en la Tabla 9.1.
Tabla 9.1. Efectos de la variabilidad climática en el brillo solar y en el potencial productivo en la

región de los ecotopos cafeteros.
del % Area Ecotopos (2563 km )

2
Brillo solar Potencial productivo Porcentaje
(h/año) Cenicafé (2013) potencial productivo El Niño Normal La Niña
1300-1500 Bajo 50-60% 0.0% 1.0% 32.4%

1500-1700 Medio 60-80% 31.0% 50.6% 46.5%
1700-1900 Alto 80-90% 48.2% 39.8% 18.2%
1900-2100 Muy Alto >90% 18.0% 7.9% 2.9%
2100-2700 Limitante 2.8% 0.7% 0.2%
En este sentido, Ramírez et al. (2012a) evaluaron la vulnerabilidad a la disminución en el brillo solar
por efecto del ENSO; concluyen que un año bajo condiciones de La Niña, todas las zonas entre 1100
y 1300 m tienen un potencial productivo medio y la vulnerabilidad se incrementa cuando la altitud es
superior a 1400 m, con un potencial productivo bajo. Es mayor el impacto a bajas densidades de
siembra (Cenicafé, 2013).
El brillo solar influye en la floración del café, según lo establecido por Cenicafé (Ramírez et al., 2010;
Ramírez et al., 2011; Jaramillo, 2011), para los trimestres de mayor floración (Feb.-Abr. y Ago.-Oct.),
se requiere un brillo solar diario promedio de 4.8 horas y no mayor de 7.5 horas. Para el período
1981-2010, los valores promedio de brillo solar diario se resumen en la Figura 9.1. En estaciones
como Bellavista, Cenicafé y Naranjal, se registran valores inferiores al mínimo recomendado.
Particularmente, los promedios de Feb-Abr son especialmente bajos en Bellavista y Santa Helena, lo
que influye en la producción de la cosecha de octubre.
Brillo solar promedio 1981-2010

6,00
Brillo solar h/día
4,00
2,00
0,00
Bellavista Cenicafe Granja Luker Naranjal Rafael Escobar Santa Helena
Feb-Abr Ago-Oct
Figura 9.1. Alteraciones ciclo diurno del brillo solar por ENSO
Con relación a la relación solar, a partir de las estimaciones de radiación solar, los ecotopos cafeteros
de Caldas reciben en promedio 4.33 kWh/m2, con rangos entre 3.97-5.09 kWh/m2, que concuerda
con los mapas de radiación solar para Colombia establecidos por el IDEAM (2005) que indican rangos
entre 3.5 – 5 kW-h/m2.
Finalmente, es evidente la necesidad de mejorar la red de estaciones de monitoreo del brillo solar, la
radiación solar en el departamento y la necesidad de contar con mediciones de radiación
fotosintéticamente activa (RFA), la cual ha sido estimada por Cenicafé por modelos y mediciones
indirecta, con el fin de evaluar la influencia del sombrío en las plantaciones (Farfán-Valencia et al.,
2003) y establecer los coeficientes de extinción en cafetales (Jaramillo et al., 2006).
9.1.2 Humedad relativa

El análisis de tendencias de largo plazo, en las estaciones, confirma tanto tendencias crecientes como
decrecientes, en los registros de humedad relativa. La anomalía promedio por década varía entre
estaciones, con incrementos en Granja Lúker 2.3%, Cenicafé 0.85% y Plan Alto 0.83% o reducciones
en Rafael Escobar -1.25% y La Pelada -0.64%. Para la cuenca del río Chinchiná, Ocampo (2012)
reportó anomalías promedio de +1,5%, mayores que el promedio nacional reportado por (IDEAM,
2010) de 1%. Las proyecciones del IPCC (2007) indican que no se esperan cambios significativos en
esta variable por efecto del cambio climático.
Los registros de humedad relativa evidencian persistencia a largo plazo, que caracteriza el patrón de
las series donde la dependencia temporal persiste, aún entre observaciones distantes. Se confirma
la influencia de la variabilidad climática interdecadal, interanual y estacional, tanto en los registros
diarios como horarios.
La humedad relativa cambia considerablemente en el transcurso de día, por las variaciones de la
temperatura. Es máxima en la noche y mínima en el día; los valores más altos se presentan desde
las 19 horas hasta las 6 horas; los intermedios en las primeras horas de la mañana y de la noche y
los más bajos al mediodía y al comienzo de la tarde, tal como lo afirman Eslava et.al. (1986a,b,c,d,e)
y Ocampo & Vélez (2015).
En Colombia, el análisis de la temperatura de rocío ha sido empleado para evaluar la humedad. Dado
que el comportamiento de la temperatura de rocío, es inverso al de la temperatura del aire, los
máximos valores se presentan en la noche a las 7 y 19 horas y las mínimas al medio día a las 13
horas (Marín et al., 2005). Con respecto a la humedad relativa, la máxima se presenta con la salida
del sol y la mínima con la máxima insolación, donde se registran los valores mayores de temperatura
(Marín et al., 2004).
Por otra parte, es necesario resaltar que el ciclo diurno de convección de humedad es de gran
importancia, por su fuerte retroalimentación radiativa. El vapor de agua absorbe y emite radiación de
onda larga, y absorbe también en la región del infrarrojo cercano, lo que reduce la energía que llega
a la superficie durante el día; cuando el aire está húmedo, la capacidad conductiva aumenta y el
rango de temperatura diurna es menor; por tanto, las temperaturas máximas diarias son más bajas
en ambientes húmedos (The COMET Program, 2011). El estudio de Uma & Das (2016) revela la
complejidad en la comprensión de la variabilidad diurna de la humedad.
La humedad relativa es también afectada por el relieve, el cual se comporta como una barrera que
frena el paso de masas húmedas o aumenta su presencia (Jaramillo, 2005). Para el departamento
de Caldas, se evidencian humedades relativas más altas en estaciones del Oriente como Santa
Helena y más bajas en aquellas cercanas al Valle del río Cauca.
Según el IDEAM (2005), la región andina colombiana registra en promedio humedades relativas
anuales entre 66 y 87%; el ciclo anual es bimodal con dos picos máximos entre abril y mayo y en los
meses de noviembre y diciembre y los mínimos entre febrero y marzo y entre julio y septiembre. Para
el departamento de Caldas fluctúa entre 72 y 94%, con mayores valores en la zona de páramos y en
la Selva húmeda de Florencia y menores valores en los valles de los ríos Cauca y Magdalena.
La humedad relativa influye de forma marcada en la dinámica de plagas y enfermedades (Jaramillo
et al., 2011): Es así como entre los factores que más se relacionan con la antracnosis (Colletotrichum
coffeanum) en café además de la lluvia y la temperatura, se encuentra la humedad relativa
(Velásquez, 2017). Por otra parte, la Gotera del Café (Omphalia Flavida), conocida también como Ojo
de Gallo, es un hongo que además de afectar las hojas, puede atacar ramas, tallos y frutos; los
ambientes húmedos y de baja luminosidad dan las condiciones óptimas para su desarrollo (Cenicafé,
2013). De igual manera, la dinámica de la roya del cafeto (Hemileia vastatrix) se ha modificado, por
los cambios en la dinámica de la humedad relativa, entre otros factores tales como: la altitud, la
temperatura, los regímenes de lluvias, la carga productiva, el espaciamiento de plantas, la humedad
de hoja y el estado nutricional de las plantas (FAO, 2015b). Las condiciones de alta humedad relativa
y temperatura también favorecen la actividad de las hembras de la broca del café (hypothenemus
hampei) del café (Constantino et al., 2011).
En este sentido, se requiere mejorar el monitoreo de la variable en las estaciones de la red de
monitoreo cafetera, no sólo con mediciones puntales en mañana, medio día y tarde. Finalmente, se
requiere avanzar en la comprensión de su dinámica en el departamento, para los diferentes rangos
altitudinales, pues se evidencian limitaciones en la medición, en la mayoría de las cuencas de Caldas.
9.1.3 Temperaturas
La temperatura es proporcional a la radiación total incidente y es afectada por factores como la latitud,
la altitud, los vientos, la nubosidad, el relieve, la convección y la turbulencia del aire (Murthy, 2002;
Ocampo & Vélez, 2015).
La tasa de variación de la temperatura con la altitud, es el gradiente vertical de la atmósfera, el cual

es función del contenido de vapor de agua (Monsalve, 2008). En la troposfera el decrecimiento de
temperatura fluctúa entre 6,0 a 6,5°C por cada km. En Colombia, la variación es 5,53°C/km, en
promedio (Cortés, 1989); aunque no es homogénea en el territorio dado que en la región Andina se
tienen estimaciones de 6,13°C/km (Eslava 1992; IDEAM, 2010c) y de 6.61°C/km. Considerando solo
las estaciones del departamento de Caldas, Ocampo & Vélez (2015) estiman una variación de
6,4°C/km; no obstante, incluyendo las estaciones de los departamentos vecinos, la variación es
5.9°C/km.
El departamento de Caldas exhibe todos los pisos térmicos, desde nieves perpetuas hasta el piso
térmico Cálido. En el piso térmico templado se encuentra la región de los ecotopos cafeteros. Para el
departamento, el ciclo anual de la temperatura se caracteriza por el comportamiento típico bimodal,
con mayores valores en el primer trimestre del año.
Con relación a los registros de temperatura, evidencian persistencia a largo plazo, la cual caracteriza
el patrón de las series temporales. Se registra la influencia de la variabilidad climática interanual,
estacional e intraestacional y señales de cambio climático, tanto en las series diarias como horarias.
Tal como lo indica la OMM (2008b), la temperatura puede ser empleada para evidenciar las señales
de cambio climático, pues es un indicador térmico que da el resultado del balance energético en la
superficie terrestre.
De igual manera, el análisis tendencias facilita la identificación de estas señales de cambio climático.
Es así como los resultados del análisis de las series temporales de temperatura media confirman
tendencias positivas y significativas en estaciones que se encuentran en la franja altitudinal del cultivo
del café como: Agronomía, Cenicafé, Granja Lúker, Llanadas, Naranjal, Santágueda, Aeropuerto La
Nubia, Bellavista y La Pelada; consistente con los resultados reportados por Pérez-Rendón, Ramírez-
Builes, & Peña-Quiñones, (2016).
Las señales de cambio climático en el departamento de Caldas se evidencian además por el aumento
en las temperaturas medias en las estaciones. Las tasas de calentamiento promedio para el registro
histórico de las estaciones localizadas en la franja cafetera son las siguientes, expresadas en
°C/década: Agronomía 0.20°C, Cenicafé 0.20°C, Granja Lúker 0.11°C, Naranjal 0.12°C, Plan Alto
0.24°C, Santagueda 0.25°C, Bellavista 0.10°C, La Pelada 0.21°C, Aeropuerto La Nubia 0.34°C. En
promedio, se presenta una tasa de calentamiento de 0,17°C/década para la zona cafetera de Caldas.
Comparando estos resultados se encuentran que en algunas estaciones son superiores a los
indicadores que manifiestan cambios en el sistema climático para Colombia, los cuales fueron
evaluados por el IDEAM (Benavidez & Rocha, 2012), donde se relacionan promedios nacionales de
las tasas lineales de calentamiento: 0.15°C para 1961-2010 y 0.20°C para 1980-2011.
Es necesario destacar las mayores tasas de calentamiento que se presentan en las estaciones
urbanas como Aeropuerto La Nubia. En este sentido, el incremento de la urbanización y la
industrialización puede causar cambios en el balance de calor en las ciudades, porque la temperatura
de la superficie terrestre es mayor que la de los alrededores, fenómeno conocido como isla de calor
urbana (Kim & Baik, 2005). La urbanización induce a cambios espacio-temporales en el clima urbano
que influyen en el ciclo diurno, en especial durante la mañana y la noche, dado que, durante el día,
los cambios espacio-temporales son dominados por la radiación solar (Morris et al., 2016). Es, por
tanto, objeto de investigación el análisis de las tendencias en la temperatura superficial en las
ciudades (Anniballe, Bonafi & Pichierri, 2014; Ramamurthy & Sangobanwo, 2016). Es así como la
Universidad Nacional de Colombia sede Manizales desde el IDEA ha iniciado con este tipo de
estudios de fundamental importancia en el contexto de cambio climático.
Por otra parte, se destacan también zona con menores tasas de calentamiento (0.01°C/década). Es
necesario resaltar los cambios sustanciales en el uso del suelo y el incremento de cultivos forestales
en la zona. Algunos estudios (Rodríguez et al., 2010; Carvajal & Pabón, 2016) concluyen que los
cambios locales en los usos del suelo llevan a cambios en las variables climatológicas a escala local.
Se hace por tanto necesario, un análisis más detallado de estos cambios, que puede ser objeto de
investigaciones futuras.
Estas tasas de calentameinto también fueron analizadas, según los registros históricos, que permiten
concluir que se evidencian diferencias sustanciales en las tasas de calentamiento, según la hora del
día, es así como para la estación Agronomía se presentan tasas de 0.10°C/década a las 7 horas,
0.09°C/década a las 13 horas y 0.25°C/década a las 19 horas.
Por lo que respecta a la temperatura mínima, según la OMM (2008b), es el valor más bajo de la
temperatura del aire registrada durante el día; es un indicador de cambio climático y determinante de
las condiciones de vida y productividad de la región. La tasa de aumento de las temperaturas
mínimas es 0,26°C/década, en promedio, para las estaciones localizadas en la franja altitudinal del
cultivo del café en Caldas; esta tasa es mayor que el promedio nacional 0,10°C/década (IDEAM,
2010). Las anomalías promedio, para el registro histórico, expresadas en °C/década, son las
siguientes: Agronomía 0.12°C, Cenicafé 0.20°C, Granja Lúker 0.28°C, Naranjal 0.21°C, Plan Alto
0.16°C, Santágueda 0.22°C, Aeropuerto La Nubia 0.38°C, Bellavista 0.38°C, La Pelada 0.39°C. El
calentamiento es más intenso en las estaciones de mayor latitud; lo cual coincide con las diferentes
observaciones en las montañas, las cuales hacen parte de los Hot Spots (Sadoff & Muller, 2007).
Por su parte, la temperatura máxima, según la OMM (2008b), es la mayor temperatura registrada
durante el día y se constituye en un indicador de confort térmico. El incremento promedio de las
temperaturas máximas para la zona cafetera de Caldas es 0.17°C/década, mayor que el promedio
nacional de 0.11°C/década (IDEAM, 2010). Las anomalías promedio para el registro histórico
expresadas en °C/década son las siguientes: Agronomía 0.11°C, Naranjal 0.12°C, Cenicafé 0.20°C,
Granja Lúker 0.12°C, Rafael Escobar 0.32°C.
El mayor incremento en las temperaturas mínimas, ha llevado a una reducción en la amplitud térmica,
que se evidencia en las estaciones cafeteras. De acuerdo con Cenicafé, para una apropiada floración
se requiere menos de 50 días por trimestre con amplitud térmica inferior de 10°C (Jaramillo, 2011;
Ramírez et al., 2011). En estaciones como Bellavista se registran amplitudes térmicas de 8.4°C en
febrero y 9.0°C en agosto, en promedio, en años normales; mientras que en años La Niña, los
promedios son 7.4°C y 7.9°C, respectivamente; por su parte en años El Niño se registran para estos
meses 9.2°C y 9.9°C, respectivamente, lo que trae consigo afectaciones en la floración en períodos
húmedos; mientras que se favorece la floración en períodos secos. La influencia del ENSO es mayor
en las cuencas del Cauca que en las del Magdalena, es así como para el Oriente de Caldas, en la
Estación Santa Helena, los promedios para el período El Niño son 6.9°C para febrero y 8.4°C en
agosto; mientras que en La Niña son 6.7°C y 7.2°C, respectivamente.
Con relación al ciclo diurno de la temperatura, su amplitud es la característica que determina la
variabilidad climática en el trópico (Poveda, 2004), la cual está influenciado por los procesos radiativos
y el ciclo de insolación. La variación diaria en la temperatura del aire es controlada por la energía
entrante y saliente de la superficie de la tierra y afectada por la humedad, la nubosidad, la velocidad
del tiempo, la elevación y las pendientes (The COMET Program, 2011). A medida que aumenta la
altura, la variación térmica diaria es mayor; por ejemplo, en el nivel altitudinal de páramo, los cambios
diarios, contrastantes de los factores climáticos, determinan el crecimiento lento de las plantas, lo
cual se explica por las bajas temperaturas nocturnas cercanas al punto de congelación (Mora-Osejo
et al., 1995).
La temperatura cambia considerablemente en el transcurso de día; al salir el sol, se establece un
régimen de convección por los ascensos de aire caliente superficial (térmicas), que se mantiene
mientras dure el brillo solar. Cuando el sol se pone, las térmicas desaparecen, pero se crea una zona
de inversión térmica por la acumulación de aire más frío sobre la superficie del suelo. Para la zona
de estudio los valores mínimos se registraron entre las 5 y 6 de la mañana y los máximos entre las
11 y 14 horas. Según los estudios de Marín et al. (2005), en la región Andina Colombiana, la
temperatura máxima se observa después del mediodía y la mínima un poco antes de la salida del sol;
no obstante, en las estaciones, el comportamiento se asemeja al ideal del trópico, aunque se
presentan valores un poco mayores en la noche que en la madrugada.
Las señales de cambio climático son evidentes en el ciclo diurno de la temperatura. Es mayor el
calentamiento en las temperaturas nocturnas. Para la estación Agronomía, el incremento de
temperaturas para el período 1981-2010 en comparación con los registros 1961-1990 es: 7 horas:
0.01°C, 13 horas: 0.25°C y 19 horas: 0.58°C.
Finalmente, el análisis de eventos extremos de temperatura encuentra tendencias generalizadas que
evidencian intensificación de eventos extremos; los hallazgos concuerdan con las evaluaciones
realizadas por Mayorga et al. (2011) para Colombia y las estimaciones del IPCC (2014) a escala
global.
9.1.4 Viento
Colombia por encontrarse entre el Trópico de Cáncer y de Capricornio, está sometida a los vientos
alisios que soplan del noreste en el hemisferio norte y del sureste en el hemisferio sur. En el país por
las proximidades del Ecuador, la fuerza de Coriolis es muy pequeña, y por tanto, los vientos están
fuertemente influenciados por las condiciones locales y por el rozamiento proporcionado por la
orografía, en especial por la cordillera de los Andes. Además de eso, el mar Caribe y el Océano
Pacífico tienen su papel en el comportamiento del viento (IDEAM, 2005c; Ocampo & Vélez, 2015).
En general, la velocidad de los vientos dominantes tiende a crecer con la altitud, debido a la reducción
de la fricción en el suelo. La orografía es un factor que incide considerablemente en la velocidad del
viento (IDEAM, 2005c). Es así como las montañas originan grandes contrastes, dado que algunas
áreas pueden quedar protegidas, mientras que en otras soplan ráfagas con mayor velocidad (IDEAM,
2005a; OMM, 2005).
La variación diurna de la temperatura en la superficie, también juega un papel importante en los
vientos locales, los cuales se forman como consecuencia del distinto calentamiento y enfriamiento
que tiene lugar (IDEAM, 2005a; OMM, 2005; Ocampo & Vélez, 2015). El calentamiento desigual en
montañas y valles, a lo largo del día, genera vientos ascendentes durante el día, y descendentes a lo
largo de las laderas de las montañas.
Cuando las condiciones de la escala sinóptica son de relativa calma y no se tienen grandes
concentraciones de nubosidad, las condiciones del viento están controladas por el calentamiento local
y se generan circulaciones de viento o brisas valle-montaña. Es así como en el día, las vertientes de
las cordilleras se calientan más que los valles, generando convección sobre las montañas; mientras
que, en la noche, el aire se enfría más rápidamente en las montañas y cae a los valles (Reyes, 2001;
Fundación Española para la Ciencia y la Tecnología, 2004; IDEAM 2005). Sobre la tierra, la
convección usualmente ocurre al terminar la tarde o al comenzar la noche bajo una influencia
dominante del calentamiento de la capa límite en el día (Chaboureau et al., 2004).
Es así como se evidencia el cambio de dirección del viento para las estaciones cafeteras como
Cenicafé, en la noche, predomina la dirección sureste y en el día, la dirección Norte. En otras
estaciones como Naranjal y Agronomía, la dirección predominante en la noche también Sureste (SE)
y en el día Noroeste (NW). El comportamiento del ciclo diurno por su parte, evidencia que, en la
mayor proporción del día, el aire es ligero y en la noche ocurre una brisa muy ligera.
El viento y las tormentas pueden tumbar las flores y frutos de café (Tucker et al., 2010). No obstante,
para la zona cafetera de Caldas se registran velocidades máximas promedio que oscilan entre 5.19
m/s – 14.93 m/s, con mayores valores en el mes de abril; estas velocidades coinciden con brisas
moderadas, aunque algunas son cercanas a vendavales, según la escala de Beaufort (OMM, 2008b).
Por otra parte, se presentan valores extremos que coinciden con velocidades de vendavales fuertes
y tormentas violentas, con mayor incidencia en horas nocturnas.
Es imperativo mejorar la red de estaciones de monitoreo de viento, en el departamento de Caldas,
de tal manera, que se logre una mejor cuantificación de esta variable para la zona y de sus efectos
en sectores como el agrícola.
9.1.5 Precipitación
El ciclo diurno juega un papel importante en la dinámica del ciclo del agua (Poveda 2004; Rientjes,
2013). En este sentido, la variabilidad espacio temporal es uno de los aspectos que requiere mayor
entendimiento dado su complejidad inherente (Mejía & Poveda, 2005; Zuluaga, 2005).
En los trópicos, la convección es el mecanismo más importante de transporte de calor y el principal
proceso de lluvia (Poveda, 2004). El ciclo de insolación solar sobre el terreno, los factores locales y
los cambios diurnos en esfuerzos friccionales sobre la capa límite atmosférica, son los factores que
pueden inducir en las variaciones diurnas de convergencias de bajo nivel, que controlan el tiempo de
ocurrencia de eventos convectivos (Dai, 2001). Entre los factores locales se encuentran la orografía,
los usos del suelo y el desarrollo urbano acelerado (IDEAM, 2005).
Colombia, por su ubicación geográfica, presenta un clima complejo. En el país se evidencia una alta
proporción de precipitación de eventos muy intensos de convección profunda, los cuales interactúan
con la dinámica de la atmósfera global (Poveda et al., 2001; Mapes et al., 2003; Poveda 2004; Hoyos
et al., 2005; Mejía & Poveda, 2005). El clima es afectado por los factores locales entre los cuales se
destacan los tres ramales de la cordillera de los Andes, que influencian la generación de circulaciones
de mesoescala por la fricción en la superficie y los gradientes de presión de gran escala que pueden
forzar a convección húmeda profunda (Borque et al., 2010; Nicolini & García, 2011). Estas
circulaciones de mesoescala responden a gradientes térmicos inducidos por la pendiente y asociados
con patrones de convergencia/divergencia en la capa límite sobre el terreno plano y montañoso
(Barthlott et al., 2006; Kalthoff et al., 2009; Barthlott et al., 2010).
La orografía tiene una decisiva influencia en la distribución vertical de las lluvias (Oster, 1979; Mejía
et al., 1999; Pabón et al., 1988; 2001; Poveda et al., 2002; Poveda, 2004; Jaramillo, 2005). Se tienen
diferentes niveles de condensación según la altitud, que van desde el primer nivel alrededor de los
1800 msnm, el según nivel a los 2700 msnm y el tercer nivel entre los 3200-3500 msnm (Mora &
Sturm, 1994; Ocampo & Vélez, 2015).
Es así como se evidencian diferencias significativas en el ciclo diurno de la precipitación entre las
estaciones cafeteras localizadas por debajo de 1800 m.s.n.m., con aquellas situadas a mayor altura,
como es el caso de Agronomía.
En Colombia, se han identificado fuertes ciclos diurnos de precipitación dependiendo de la ubicación
y de la época del año. La fase del ciclo diurno varía presentando comportamientos unimodales,
bimodales y multimodales en los valores máximos porcentuales de lluvia, con gran variación espacio-
temporal (Poveda et al., 2005). Para las estaciones evaluadas, se identifican curvas bimodales en
Agronomía y monomodales en las estaciones cafeteras; es último comportamiento es más marcado
en las estaciones del Oriente de Caldas como Santa Helena.
El ciclo diurno de precipitación es ampliamente variable en tiempo y espacio; esta variabilidad es
inherente al ciclo diurno de insolación, los procesos de interacción suelo-atmósfera, la dinámica
diurna de sistemas convectivos de meso-escala, tanto oceánicos como terrestres, y los factores de
circulación atmosférica regional y local (Mejía, 2002; Poveda, 2004; Mejía & Poveda, 2005; Poveda
et al., 2005). Los máximos de precipitación son producidos por inestabilidades atmosféricas locales
que son influenciadas por la formación de nubes y niebla en los bosques nublados; advección de la
humedad producida durante los procesos diurnos, procesos de enfriamiento ocasionados por las
dinámicas nocturnas (Ruiz et al., 2009; Martínez et al, 2013).
En Colombia, la fase del ciclo diurno de la precipitación se ve afectada por la orografía (Poveda et al,
2005). En las vertientes del río Cauca las lluvias de madrugada son más comunes en las zonas
bajas; a medida que se asciende sobre el nivel del mar, la lluvia es más frecuente en la tarde; por su
parte, en la ladera oriental de la cordillera central, predominan las lluvias de madrugada. Es así como
en los Andes Colombianos se evidencia la existencia de un ciclo diurno (24 h) y semidiurno (12 horas).
se presenta un pico de precipitación alrededor del mediodía en las regiones localizadas al oeste y
noreste; mientras que se tienen dos máximos de actividad convectiva, uno a media noche y otro hacia
las nueve de la mañana en las regiones del sureste (Poveda et al., 2005; Martínez et al., 2013).
Por su parte, para el Departamento de Caldas se presentan máximos en la noche y madrugada en
estaciones por debajo de 1500 m.s.n.m; mientras que en las estaciones alrededor de 2200 m.s.n.m.
se presentan máximos en horas de la tarde y en la madrugada.
Es importante resaltar que los registros de precipitación exhiben persistencia a largo plazo, la cual
caracteriza el patrón de las series temporales. Se registra la influencia de la variabilidad climática
interanual, estacional e intraestacional, tanto en las series diarias como horarias.
Particularmente, se evidencian tendencias tanto crecientes como decrecientes en la precipitación
media. Para los extremos, se encuentra también intensificación. Estos hallazgos coinciden con los
estudios de Mayorga et al. (2011), en las estaciones climáticas de Colombia, que encontraron un
aumento generalizado de la precipitación en el país, en las tormentas y lluvias intensas.
Es necesario resaltar que los patrones de cambio de la variabilidad climática interanual son diferentes
de los medios climáticos y por tanto, los cambios en los extremos y en la variabilidad climática están
controlados por otros mecanismos; entre los cuales las interacciones tierra-atmósfera son
fundamentales (Poveda 2004; Frei et al., 2006; Seneviratne et al. 2006; Boé & Terray, 2008). Se
presenta, por tanto, un cuestionamiento importante en esta relación frente a la amplificación o
amortiguamiento de la variabilidad climática, en particular en el contexto del cambio climático y si esta
variabilidad puede conducir a umbrales críticos de condiciones de sequía o de saturación

(Seneviratne et al., 2010) que afecten la productividad agrícola.
En este sentido, para las estaciones cafeteras de Caldas, las anomalías en la precipitación son en
promedio: 18% en Cenicafé y 17% en Naranjal, durante La Niña; mientras que en años El Niño, -13%
en Naranjal y -10% en Cenicafé; particularmente, se presenta variabilidad entre los meses, es así
como las mayores anomalías se presentan en los trimestres 1 y 3 que son críticos para el cultivo del
café, pues coinciden con las épocas de floración y/o llenado de frutos.
En los períodos fríos, La Niña, la lluvia diurna (6- 18 h) se incrementa 18% en Cenicafé y 21% en
Naranjal; mientras que la lluvia nocturna aumenta 15% en Cenicafé y Naranjal. La Niña influye de
manera marcada en los meses de floración, así las anomalías promedio de la precipitación diurna en
febrero son 43% en Cenicafé y 73% en Naranjal; mientras que en agosto 47% y 43%,
respectivamente.
Los factores climáticos pueden modular el crecimiento vegetativo y la producción de frutos (Barros et
al., 1999); las fuertes lluvias tanto durante la expansión de las flores como en la antesis afectan la
producción (Meza, 1981; DaMatta et al., 2007). Las flores en el café arábico se abren en las primeras
horas de la mañana y la polinización ocurren en la mañana (Alvim, 1985), lo que puede explicar el
efecto adverso de la lluvia en la mañana (Awatramani & Satyanarayana, 1973). Por tanto, el estrés
hídrico, el brillo solar y la temperatura mínima contribuyen a la maduración fisiológica de los botones
florales (Arcila et al., 2007).
Las plantas de café son sensibles a la sequía, el exceso de humedad, las temperaturas extremas y
el viento (Conde et al., 2008) y su crecimiento está intrínsecamente ligado al ciclo del agua (Carr,
2001). Es así como la precipitación es crítica para la producción, dado que el cultivo requiere
condiciones de estrés térmico para la florescencia (Jaramillo, 2011); pero el fruto sólo comienza a
crecer con el inicio de la temporada de lluvias (Magalhaes & Angelocci, 1976; Lin et al, 2008) y, por
tanto, la disponibilidad de agua afecta su tamaño (Cannell, 1983).
En este contexto, los efectos de la variabilidad climática en la zona cafetera Caldense, favorecen la
producción durante los períodos El Niño, pero se vuelven limitantes durante los períodos La Niña.
El análisis de los registros permite comprender los patrones de variabilidad espacio-temporal, de
manera que se pueda estimar la frecuencia e intensidad de los eventos extremos, el balance hídrico
y analizar las interacciones suelo-atmósfera. Sin embargo, se tiene carencia de información detallada
con alta resolución espacio-temporal (Rientjes et al., 2013). La escasez de registros en tierra ha
impedido avanzar en la comprensión de la dinámica de las variables climáticas, en especial en el
ciclo diurno (Mejía & Poveda, 2005), escala de variabilidad clave en el trópico y de vital importancia
para los sectores productivos, en especial para la agricultura. Es por esto que se hace necesario
continuar mejorando las redes de monitoreo en tiempo real.
9.2 Escenarios de cambio climático

Los modelos de circulación global son la fuente de información disponible, actualmente, para predecir
los posibles efectos del cambio climático, en horizontes de largo plazo. Para el Quinto Informe del
IPCC, se tienen 61 modelos del CMIP5 desarrollados por 36 instituciones. Los estudios realizados
por el IDEAM (Rodríguez, 2010, 2012) destacan los modelos CCSM4, MPI-ESM-LR y CNR-CM5,
como aquellos que han mostrado una importante habilidad de representación de la temperatura y la
precipitación en Colombia.
El enfoque multimodelo presentado en este informe, según los expertos, debe preferirse porque
caracteriza mejor la incertidumbre (Refsgaard et al., 2014 ; Sellami, Benabdallah, La Jeunesse, &
Vanclooster, 2016); no obstante, reduce la variabilidad en las proyecciones y por tanto, no es
conveniente para el análisis de eventos extremos.
Esta reducción en la variabilidad fue evidente en el análisis de los escenarios del IDEAM de la Tercera
Comunicación Nacional para el departamento de Caldas; si bien, el enfoque multimodelo fue la
técnica seleccionada por la representación del clima medio presente, las proyecciones de cambio
climático no conservan la variabilidad de las series históricas y por tanto, no representan
adecuadamente la serie.
Las series temporales se caracterizan por la señal-parte determinística del fenómeno dinámico- y por
el ruido-perturbaciones aleatorias que sufre por causas exógenas- (Box & Jenkins, 1976); por tanto,
en los análisis de las proyecciones, no sólo se deben incluir valores medios, sino también estadísticos
que permitan determinar la magnitud relativa de la varianza residual ("ruido"). Los métodos gráficos
y estadísticos, empleados en este estudio, dan cuenta no sólo valores medios, sino también de su
variabilidad; es así como las técnicas de análisis de la envolvente, los intervalos de confianza y los
coeficientes de variación, permiten medir la incertidumbre relativa de las proyecciones de cambio
climático.
Para tomar la información de los diferentes MCG a escala local debe lograrse el downscaling o
reducción de escala, para lo cual existen diferentes técnicas que suponen una serie de
consideraciones y limitaciones que deben tenerse en cuenta (Tabla 9.2).
Tabla 9.2. Técnicas de regionalización para refinar la escala de los MCG

Criterio Método simple de Paramétrico No- Dinámico
reducción de Paramétrico
escala
Facilidad de Uso Fácil/Moderado Fácil a difícil Moderado Moderado /Difícil
/Difícil
Escala de tiempo Mensual Mensual /Diaria Diaria Diaria
Rigor Meteorológico Bajo/Medio Medio Medio Alto

Longitud de la serie de Histórica Larga Variable Limitada
tiempo
Número de Escenarios Moderados Moderados Limitados Limitados
Datos disponibles Temperatura, Temperatura, Temperatura, (P,T,RH, Rnet,
Precipitación Precipitación Precipitación, Wind)
requiere
registros
históricos
Fuente: Adaptado (Yates, 2014)
Este informe presenta un análisis comparativo de los escenarios de la Tercera Comunicación

Nacional y los obtenidos con dos técnicas de downscaling, con diferente resolución espacial. El
método simple de reducción de escala se basa en la suposición, que las predictores de las
simulaciones a gran escala, representan físicamente el clima futuro y que las secuencias de
predictores de clima pueden relacionarse directamente entre sí, evento por evento. El método no
paramétrico kNN-bootstrapping permite construir series sintéticas como secuencias de
observaciones históricas, se basa en reglas probabilísticas las cuales asumen que se preservan los
atributos presentes en las series históricas. Este último método tiene como bondad la posibilidad de
realizar proyecciones diarias (Yates et al., 2003, Yates, 2014, Angarita, 2014).
Tomando como base estos escenarios para los diferentes métodos evaluados se encuentran
estimaciones de las anomalías en la temperatura y la precipitación. Es así como según la Tercera
Comunicación Nacional, las anomalías en la temperatura media para el departamento de Caldas se
estiman en 0.9°C para el período 2011-2040; 1.6°C para el 2041-2070 y 2.4°C para el 2071-20100.
Con respecto a la precipitación, se estiman incrementos de 20.16%, 22.61% y 28,12%,
respectivamente; no obstante, en las regiones Centro Sur, Bajo y Alto Ocidente se estiman
incrementos hasta del 30% en la precipitación.
Para la franja altitudinal del cultivo del café, 1000 -2300 m.s.n.m., las proyecciones de la Tercera
Comunicación Nacional, a nivel de estación, estiman incrementos de precipitación en la cuenca del
río Cauca; mientras que leves reducciones en algunas estaciones de la cuenca del río Magdalena.
Las anomalías promedio en la precipitación estimadas para el período 2011-2040, según los
escenarios de la Tercera Comunicación Nacional son: RCP 2.6: 14.8%; RCP 4.5: 16.9%; RCP 6.0:
16.6% y RCP 8.5: 20.8%, sin embargo, no hay diferencias estadísticamente significativas entre los
RCP. Los coeficientes de variación son relativamente altos: 104%, 102%, 97% y 88%,
respectivamente, por la alta variabilidad espacial de la precipitación media. Para las proyecciones
del RCP 8.5, los rangos de la anomalía promedio trimestral son: DEF -60.5% a 34.8%; MAM -48.8%
a 48.8%; JJA -16.5% a 68%; SON -50.7% a 65%.
Desde el punto de vista de la temperatura media, las proyecciones de la Tercera Comunicación
Nacional estiman incrementos promedio por RCP así: RCP 2.6: 0.95°C (c.v. 21%), RCP 4.5: 1.05°C
(c.v.18%), RCP 6.0: 0.91°C (c.v. 23%), RCP 8.5: 1.10°C (c.v. 16%), para las estaciones localizadas
en la franja cafetera de Caldas. Para las proyecciones del RCP 8.5, las anomalías promedio
trimestrales son: DEF: 0.96° (c.v. 23%); MAM: 1.05°C (c.v. 20%); JJA: 0.91°C (c.v. 25%); SON:
1.10°C (c.v. 17%). No obstante, en las proyecciones del IDEAM se detecta una relación inversa con
la altitud, en la franja analizada de 1000- 2300 m.s.n.m., lo cual no coincide con los modelos climáticos
ni con las observaciones.
En este sentido, los estudios sugieren una amplificación del calentamiento global en la alta montaña
(Díaz & Bradley, 1997; Pepin & Seidel, 2005; Pepin & Lundquist, 2008), por encima de la capa de
inversión térmica. Esta amplificación ya había sido detectada por Ocampo, Vélez & Londoño (2014)
en la cuenca del río Chinchiná y se confirma con las tendencias de calentamiento presentandas en
este estudio.
Las proyecciones del IDEAM para las máximas y mínimas también reflejan diferencias con las
estimaciones de los modelos y las observaciones. Las anomalías en las proyecciones de la Tercera
Comunicación Nacional para las estaciones en la franja altitudinal del café en Caldas, tienen los
siguientes promedios según las trayectorias de concentración, para las temperaturas máximas: RCP
2.6: 1.14°C (c.v. 31%), RCP 4.5: 1.20°C (c.v.29%), RCP 6.0: 1.16°C (c.v. 32%), RCP 8.5: 1.37°C
(c.v. 27%); mientras que para las temperaturas mínimas son: RCP 2.6: 0.65°C (c.v. 48%), RCP 4.5:
0.72°C (c.v.43%), RCP 6.0: 0.58°C (c.v. 54%), RCP 8.5: 0.76°C (c.v. 40%). Estos resultados
sugieren, por tanto, incremento en la amplitud térmica, lo cual no coincide con las observaciones ni
con las estimaciones del IPCC (2007, 2014).
La amplitud térmica es un indicador del calentamiento global; el aumento de las temperaturas medias
mínimas mayor que el de las máximas tiene como consecuencia, una apreciable disminución de la
amplitud térmica (Braganza et al., 2004). Estos resultados fueron identificados con el análisis de las
estaciones en el departamento y coinciden con lo observado en muchas otras regiones del planeta
(Easterling et al., 1997) y con las estimaciones de los modelos (Stone & Weaver, 2002).
Por otra parte, con el método de reducción de escala simple, se evidencia que son mayores las
diferencias entre los modelos que entre los RCP por el mismo modelo, por lo cual, se presentan
ensambles simples de multimodelos que permiten comprender mejor las tendencias del
comportamiento medio.
Las proyecciones obtenidas con el método simple de reducción de escala y el ensamble multimodelo
siguen el comportamiento bimodal, esperado para la zona. Se realizaron las estimaciones de los
escenarios, para el departamento de Caldas, con las diferentes trayectorias de concentración,
mediante este método simple de reducción de escala, para lo cual se tomó como línea base, la
establecida por la plataforma WorldClim (Tabla 9.2.) Las anomalías promedio para la precipitación,
para las diferentes trayectorias de concentración, son las siguientes: RCP 2.6: 3.7% (c.v. 20.27%);
RCP 4.5: 2.57% (cv 24.90%); RCP 6.0: 3.51% (20.80%) y RCP 8.5: 4.62% (19.48%). Por otro lado,
las anomalías promedio en la temperatura son: RCP 2.6: 1.35°C (cv 1.8%), RCP 4.6: 1.35°C (cv
1.3%), RCP 6.0: 1.31°C (cv 1.8%), RCP 8.5: 1.68°C (cv 1.9%). Se proyectan menores incrementos
en la precipitación, pero mayores aumentos en la temperatura con este método de reducción simple
de escala, con relación a los escenarios del IDEAM.
Tabla 9.3. Estadísticos de los escenarios de cambio climático 2020-2049 con el método simple de
reducción de escala
Temperatura °C Precipitación Anual mm
Línea
Estadísticos Línea base RCP RCP RCP RCP base RCP RCP RCP RCP
WorldClim 2.6 4.5 6.0 8.5 WorldClim 2.6 4.5 6.0 8.5
Mínimos -2.46 -0.75 -0.74 -0.79 -0.42 1749 1832 1809 1831 1858
Máximos 27.72 29.10 29.08 29.06 29.45 6002 6083 6038 6069 6101
Promedio 19.3 20.68 20.68 20.64 21.01 2450 2538 2511 2534 2560
Desvest 5.93 5.92 5.91 5.92 5.92 588 587 584 585 587
CV 31% 29% 29% 29% 28% 24% 23% 23% 23% 23%
Para la región de los ecotopos cafeteros en Caldas se estimaron escenarios de cambio climático
según las diferentes trayectorias de concentración, con el método simple de reducción de escala
(Tabla 9.4). Las anomalías promedio para la precipitación son las siguientes: RCP 2.6: 3.49% (c.v.
26.03%); RCP 4.5: 2.30% (cv 29.57%); RCP 6.0: 3.20% (27.19%) y RCP 8.5: 6.20% (24.06%). Por
otro lado, las anomalías promedio en la temperatura son: RCP 2.6: 1.34°C (cv 1.6%), RCP 4.6:
1.35°C (cv 1.2%), RCP 6.0: 1.31°C (cv 1.8%), RCP 8.5: 1.67°C (cv 1.7%).
Tabla 9.4. Estadísticos de los escenarios de cambio climático 2020-2049 para la región de los
ecotopos cafeteros de Caldas con el método simple de reducción de escala
Temperatura °C Precipitación Anual mm
Línea
Estadísticos Línea base RCP RCP RCP RCP base RCP RCP RCP RCP
WorldClim 2.6 4.5 6.0 8.5 WorldClim 2.6 4.5 6.0 8.5
Mínimos 14.3 15.65 15.64 15.62 15.99 1837 1942 1911 1931 1952
Máximos 25.54 26.95 26.94 26.91 27.29 6002 6083 6038 6069 6101
Promedio 20.26 21.65 21.65 21.61 21.98 2723 2816 2785 2808 2836
Desvest 1.91 1.89 1.89 1.88 1.89 772 772 771 771 774
CV 9% 9% 9% 9% 9% 28% 27% 28% 27% 27%
No se encontraron diferencias estadísticamente significativas en las proyecciones de cambio

climático de precipitación entre las diferentes trayectorias de concentración, RCP, para el período
2020-2049. Con relación a la temperatura, sólo se encontraron diferencias significativas con las
proyecciones del RCP 8.5, con el cual se realizaron las proyecciones a escala diaria.
Estos hallazgos coinciden con lo sugerido por distintos expertos (Figura 9.2) tales como Camilloni
(2011), quien resalta la influencia del modelo y de la variabilidad climática en las proyecciones de
precipitación y temperatura para mitad de siglo; mientras que en las proyecciones a más largo plazo
los escenarios se vuelven determinantes, en especial en la temperatura.
Figura 9.2. Incertidumbres en las proyecciones climáticas

Fuente: (Camilloni, 2011)
Dada la marcada influencia de la variabilidad climática en las proyecciones fue seleccionado el

método no paramétrico kNN-Bootstrapping que considera no sólo la información del modelo climático,
sino también registros históricos hasta de 30 años y la señal del ENSO. De acuerdo con Yates et al.,
(2003), la técnica preserva en gran medida importantes dependencias espaciales y temporales del
clima observado, lo cual fue evidente en los escenarios generados para el departamento de Caldas.
Con el método no paramétrico fueron obtenidas las proyecciones de cambio climático para 7 modelos
climáticos; el método capturó la representación bimodal del ciclo anual de la precipitación y la
variaiblidad de las observaciones. El modelo NorESM1-M fue el que mejor representó el
comportamiento histórico de la precipitación media anual. Los modelos MPI-ESM-MR, NorESM1-M y

CCSM4 tuvieron mejores resultados para la representación del ciclo anual de la precipitación en la
zona de estudio. Los modelos MPI-ESM-MR y NorESM1-M también tuvieron el buen comportamiento
con los eventos extremos de precipitación. No obstante, la longitud de períodos húmedos y secos,
fue mejor configurada por modelos como el CNRM-CM5 y HadGEM2-CC.
Las Anomalías en la precipitación para el período 2020-2049 según las proyecciones con el método
KNN Boostrapping para el RCP 8.5 para el Departamento de Caldas (Tabla 9.5) y para la región de
los ecotopos cafeteros (Tabla 9.6) pueden ser positivas o negativas dependiendo del modelo
climático, con relación a la línea base, establecida para el período 1981-2010. Estos resultados
coinciden con modelaciones previas realizadas para la cuenca del río Chinchiná (Ocampo, 2012;
Ocampo, Vélez y Londoño, 2014), donde se proyectan tanto incrementos como reducciones
dependiendo del modelo empleado y coinciden con las estimaciones del IPCC (2014, 2007) en las
cuales no se refleja un patrón claro del comportamiento de la precipitación, en especial en los Andes.
Tabla 9.5. Anomalías en la precipitación según las proyecciones con el método KNN Boostrapping
RCP 8.5. en el departamento de Caldas para el 2020-2049
Anomalías en la Precipitación Anual, %
Estadísticos
HadGEM2-CC CSIRO-Mk3-6-0 CanESM2 CCSM4 CNRM-CM5 NorESM1-M MPI-ESM-MR Ensamble
Mínimos 2.6% 1.3% 0.5% -3.6% -3.5% -5.1% -4.5% -0.5%
Máximos 12.6% 6.1% 5.0% -0.5% -1.0% -0.7% -1.9% 1.7%
Promedio 6.3% 3.9% 2.5% -1.8% -2.2% -2.4% -3.2% 0.5%
Desvest 2.2% 1.0% 1.0% 0.6% 0.4% 0.8% 0.6% 0.4%
CV 34.1% 25.9% 41.9% -31.1% -16.5% -34.1% -18.0% 90.2%
Tabla 9.6. Anomalías en la precipitación según las proyecciones con el método KNN Boostrapping
RCP 8.5. en la región de los ecotopos cafeteros de Caldas para el 2020-2049
Anomalías en la Precipitación Anual, %
Estadísticos
HadGEM2-CC CSIRO-Mk3-6-0 CanESM2 CCSM4 CNRM-CM5 NorESM1-M MPI-ESM-MR Ensamble
Mínimos 3.00% 1.53% 0.51% -3.60% -3.54% -5.13% -4.54% -0.29%
Máximos 12.16% 6.07% 5.02% -0.50% -1.19% -0.67% -2.06% 1.40%
Promedio 6.51% 4.05% 2.81% -1.79% -1.19% -2.48% -3.23% 0.51%
Desvest 1.94% 0.98% 1.07% 0.57% 0.34% 0.85% 0.57% 0.31%
CV 29.77% 24.16% 37.93% -31.78% -28.64% -34.36% -17.70% 60.91%
Para las estaciones comprendidas entre 1000 a 2300 m.s.n.m. en el departamento de Caldas, se
encuentran diferencias estadísticamente significativas en las anomalías promedio de la precipitación,
según el modelo, así: MPI-ESM-MR, NorESM1-M, CNRM-CM5 y CCSM4 proyectan reducciones;
mientras que los modelos CanESM2, CSIRO-Mk3-6-0 y HadGEM2-CC estiman incrementos en la
precipitación promedio.
Para la modelación de datos agrícolas Ruane et al. (2015) sugieren que es más recomendable
considerar escenarios húmedos, medios y secos empleando las salidas de los modelos climáticos
que usar ensambles multimodelo. SEI & USAID (2014) también realizaron la misma sugerencia para
la modelación hidrológica. En este sentido, para el departamento de Caldas, los escenarios más
húmedos se proyectan con el modelo HadGEM2, los medios con el modelo CCSM4; mientras que
los más secos con el modelo MPI-ESM-MR. Estos resultados coinciden con los obtenidos por SEI &
USAID para la cuenca del río Chinchiná, donde se elegió el modelo MPI-ESM-MR para la modelación
hidrológica por arrojar los escenarios más secos.
Por otra parte, se presentan diferencias entre los modelos para la representación del ciclo anual de
la precipitación y por tanto, en las anomalías mensuales de la precipitación, según el análisis
efectuado para las estaciones localizadas en el rango altitudinal del cultivo del café, 1000 – 2300
m.s.n.m (Tabla 9.7). El coeficiente de variación es muy alto para el ensamble simple de los modelos
evaluados, lo cual confirma el alto grado de incertidumbre en las proyecciones, tal como lo sugiere
Camilloni (2011), a medida que se reduce la escala temporal es aún mayor el grado de incertidumbre.
Tabla 9.7. Anomalías promedio en la precipitación según las proyecciones con el método KNN
Boostrapping RCP 8.5. en estaciones cafeteras de Caldas para el 2020-2049
Modelo Ene Feb Mar Abr May Jun Jul Agos Sep Oct Nov Dic
CanESM2 7.2% 5.3% 4.2% -0.7% -1.1% 3.9% 7.9% 6.6% 8.8% 0.3% 0.6% 6.5%
CCSM4 -1.2% 2.2% 0.7% -3.0% -4.9% -5.2% -1.9% -0.1% 0.2% -3.0% -4.4% 2.8%
CNRM-CM5 -2.4% -0.3% 1.1% -3.7% -4.7% -1.4% -4.3% -3.8% -1.2% -2.2% -5.5% 3.4%
CSIRO-Mk3-6-0 5.0% 6.0% 7.3% -1.8% 2.3% 14.9% 0.1% 12.8% 10.3% -2.4% 0.1% 9.2%
HadGEM2-CC 11.5% 9.0% 9.9% 5.4% 5.6% 8.2% 0.4% 8.6% 9.2% 6.4% 7.5% 10.1%
MPI-ESM-MR -0.9% -0.1% -2.6% -3.8% -4.8% -1.1% -8.3% -1.2% -3.6% -4.3% -4.6% -1.8%
NorESM1-M -3.9% -2.2% 0.4% -1.9% -6.5% -4.1% -2.1% -1.0% -1.9% -0.5% -4.9% -3.6%
Promedio 2.2% 2.8% 3.0% -1.4% -2.0% 2.2% -1.2% 3.1% 3.1% -0.8% -1.6% 3.8%
Desvest 5.8% 4.1% 4.4% 3.2% 4.5% 7.3% 5.0% 6.2% 6.1% 3.5% 4.7% 5.2%
Con relación a los eventos extremos de precipitación en el contexto de cambio climático, la función
de distribución de probabilidad de lluvias máximas diarias que presentó el mejor ajuste en las
estaciones, según el criterio de la máxima verosimilitud, fue Generalized Extreme Value (GEV); sin
embargo, considerando por el análisis gráfico se prefiere la distribución Gumbel. Las proyecciones
de cambio climático estiman cambios en los eventos extremos de precipitación, con intensificación
en algunas estaciones tales como Agronomía, Alta Suiza y Aeropuerto La Nubia.
Por lo que respecta a la temperatura media anual, el método de downscaling KNN Boostrapping
conserva las características históricas de la serie tales como la variabilidad, como lo sugieren Yates
et al. (2003). En general, se obtuvieron buenos desempeños con los modelos evaluados, en la
reproducción del promedio histórico de la temperatura anual; no obstante, los modelos CNRM-CM5
y MPI-ESM-MR representaron mejor el ciclo anual bimodal de la temperatura, lo cual coincide con
estudios previos del IDEAM (Rodríguez, 2010, 2012).
En este estudio se estimaron además las proyecciones de cambio climático, con el método kNN
Boostrapping, para el RCP 8.5 y las anomalías, con relación a la línea base 1981-2010, para el
departamento de Caldas (Tabla 9.8) y la región de los ecotopos cafeteros (Tabla 9.9). Los escenarios
más cálidos se estiman con el modelo HadGEM2-CC y los menos cálidos con el CNRM-CM5. Las
anomalías promedio por trimestre son: DEF: 1.26°C; MAM: 1,37°C; JJA: 1,12°C y SON: 1.47°C, las
cuales sugiere un mayor incremento en la temperatura en los períodos tradicionalmente húmedos.
Se evidencian relaciones líneales con la altitud, y los escenarios estiman mayores aumentos de
temperatura en sitios hot spots, tales como el Parque Nacional Natural Los Nevados y en lugares de
interés por su alta biodiversidad como la Selva de Florencia.
Tabla 9.8. Anomalías en la temperatura según las proyecciones con el método KNN Boostrapping
RCP 8.5. en el departamento de Caldas para el 2020-2049
Anomalías en la Temperatura, °C
Estadísticos
HadGEM2-CC MPI-ESM-MR CanESM2 CCSM4 CSIRO-Mk3-6-0 NorESM1-M CNRM-CM5 Ensamble
Mínimos 1.60 1.51 1.44 1.24 1.14 1.13 0.85 1.28
Máximos 1.66 1.63 1.50 1.30 1.21 1.18 0.90 1.32
Promedio 1.63 1.54 1.47 1.27 1.17 1.16 0.90 1.30
Desvest 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
CV 0.5% 0.8% 0.6% 0.5% 0.7% 0.7% 0.7% 0.5%
Tabla 9.9. Anomalías en la temperatura según las proyecciones con el método KNN Boostrapping
RCP 8.5. en la región de los ecotopos cafeteros de Caldas para el 2020-2049
Anomalías en la Temperatura, °C
Estadísticos
HadGEM2-CC MPI-ESM-MR CanESM2 CCSM4 CSIRO-Mk3-6-0 NorESM1-M CNRM-CM5 Ensamble
Mínimos 1.60 1.51 1.44 1.24 1.14 1.14 0.86 1.28
Máximos 1.66 1.57 1.50 1.30 1.21 1.18 0.90 1.32
Promedio 1.63 1.55 1.47 1.27 1.17 1.16 0.88 1.30
Desvest 0.01 0.01 0.01 0.01 0.01 0.01 0.01 0.01
CV 0.7% 0.9% 0.7% 0.7% 0.9% 0.6% 0.7% 0.5%
La incertidumbre relativa en las proyecciones de temperatura y precipitación fue evaluada por medio
del ensamble simple; su medición se realizó con el método de la envolvente y con el intervalo de
confianza con dos desviaciones estándar. El modelo CCSM4 fue el de menor error medio (MAE) con
relación al ensamble simple, lo cual coincide con estudios previos del IDEAM (Rodríguez, 2010,
2012); sin embargo, es el que presenta menor variabilidad entre los modelos evaluados. El análisis
particularizado de los diferentes escenarios, incluyendo las técnicas presentadas en este informe,
llevan a una mejor comprensión del alto grado de incertidumbre en las proyecciones de cambio
climático.
La incertidumbre es generada por efectos de las fluctuaciones intrínsecas del sistema climático, por
los forzantes naturales y antrópicos y la incertidumbre de los modelos porque responden de manera
desigual a un mismo forzante radiativo (Camilloni, 2011), en consecuencia, debe ser tomada como
un indicador de la necesidad de profundizar en la investigación y conocimiento de la dinámica del
clima actual y futuro.
Las proyecciones futuras de cambio climático constituyen un reto al desarrollo científico actual, pues
requieren predecir el comportamiento de sistemas altamente complejos como el sistema climático e
hidrológico, cada uno compuesto de muchos elementos, mutuamente interdependientes, y con ciclos
de retroalimentación no muy bien comprendidos. Si bien la comunidad científica, liderada por el IPCC,
ha logrado avances significativos, el alto grado de incertidumbre lleva a considerar estas
proyecciones a un nivel exploratorio como los “futuros posibles”, de forma que contribuyan como guía
en el proceso de planificación.
Finalmente, las curvas Profundidad-Área-Duración frecuencia para los diferentes períodos de retorno
permiten una valoración inicial de la amenaza, que puede ser analizada con métodos probabilísticos,
para la cuantificación del riesgo, como lo sugiere la metodología CAPRA.
9.3 Aptitud climática

Para el sector agrícola, uno de los mayores riesgos es el cambio en la aptitud climática, la cual fue
analizada en este estudio, considerando los rangos óptimos de temperatura (18-22°C) y precipitación
(1400-2800 mm) para el cultivo del café, de acuerdo con la revisión de la literatura. Se tuvo en cuenta
en el análisis una zona denominada “marginal húmeda”, que conserva el mismo rango de temperatura
promedio, pero con una precipitación entre 2800 mm y 4200 mm.
A partir de la información de las estaciones para el período 1981-2010, se estima que el 66% de la
superficie comprendida en la delimitación de ecotopos (Cenicafé, 2014), presenta temperatura óptima
(18-22°C); el 11% del territorio tiene una temperatura inferior a 18°C, mientras que el 23% restante
una temperatura superior a 22°C. En el 65.5% del territorio actual de los ecotopos, se tiene el rango
óptimo de precipitación para el cultivo del café (1400-2800 mm); un 15.3% de la superficie está en la
zona marginal húmeda (2800-4200 mm) y el restante 19.2% tiene precipitaciones superiores (> 4200
mm).
Teniendo en cuenta las proyecciones en la temperatura media, según la Tercera Comunicación
Nacional, sin considerar otras variables ni medidas de mitigación y adaptación, se tendría pérdida de
aptitud climática para el cultivo del café en la zona marginal baja (1000-1300 m.s.n.m) hacia el 2030
donde las proyecciones de temperatura media superan los 24°C. Para la zona entre 1300 -1400
m.s.n.m., las temperaturas medias estarían por encima de los óptimos recomendados hacia mitad de
siglo. En las estaciones con una altitud cercana a los 1500 m.s.n.m, los umbrales sólo se sobrepasan
a final de siglo para el RCP 8.5; no obstante, hay una marca deficiencia de estaciones en esta franja
altitudinal. En la zona marginal alta puede mejorar la aptitud climática, pues se supera la temperatura
media de 18°C, hacia mitad de siglo, en las estaciones localizadas alrededor de los 2000 m.s.n.m.
Con las proyecciones del método simple de reducción de escala, según el RCP 8.5, para el período
2020-2049, se estima una reducción del 8.7% del área de los ecotopos cafeteros, con las condiciones
apropiadas de temperatura y precipitación, para el cultivo del café. No obstante, con los escenarios
proyectados para Caldas, el café podría migrar hacia zonas más altas en la cordillera Central. El
área total con las condiciones para el cultivo del café se estima en 1452.6 km2, 66.6% de ella con las
condiciones óptimas para el cultivo.
Con base en estos escenarios proyectados con el método kNN-Bootstrapping para el período 2020-
2049, para la región de los ecotopos cafeteros, se estima una reducción promedio del 24% (cv 35%)
en la zona óptima y del 12% (cv 85%) en la zona marginal húmeda. Para todo el territorio de Caldas,
se proyectan reducciones, en promedio, del 13% en la zona óptima (cv 34%) y del 11% en el área
total (cv 12%), con diferencias entre los modelos como se resume en la Tabla 9.10.
Tabla 9.10. Superficie con la aptitud climática para la producción de café en el Caldas
Área km2
Línea base y escenarios de Zona Marginal
cambio climático Zona Óptima Húmeda Total
Línea Base 1981-2010 1224.6 247.1 1471.6
NorESM1-M 1100.9 223.7 1324.6
MPI-EM-MR 1098.0 215.1 1313.1
HADGEM2 975.6 317.1 1292.7
CSIRO 1024.5 288.5 1313.0
CNRM-CM5 1125.0 227.5 1352.5
CCSM4 1099.9 215.6 1315.5
CANESM2 1035.3 270.0 1305.3
Estos hallazgos brindan información específica para el departamento, para la integración de la

información climática en la toma de decisiones sectoriales y en el ordenamiento territorial.
Concuerdan con diferentes investigaciones que identifican pérdida de aptitud climática para el cultivo
del café con los escenarios de cambio climático:
Los estudios del CIAT (Eitzinger, 2010) indican que en el Caribe y Latinoamérica los diferentes
escenarios de emisión no relevan diferencias significativas hasta el 2030; sin embargo, se tienen
incertidumbres para el 2050 según el modelo empleado; pero identifican cambios en la adaptabilidad
para la producción de café.
Zapata et al., (2011) evaluaron los posibles impactos futuros del cambio climático en la caficultura de
los Andes Suramericanos, para el cultivo del café arábica en un rango altitudinal de 1300-1800
m.s.n.m, para el escenario SRES-A1B para el año 2020 y 2050 identificaron afectación fuerte en la
región Andina Suramericana, con pérdida de la aptitud.
Algunos estudios de la CEPAL, (2009) en el estado de São Paulo (Brasil), señalan que las tierras
aptas para su cultivo se reducirían en un 10%, con un aumento de 1°C en la temperatura y un 15%
las precipitaciones; en cambio, en la zona central de Costa Rica, el rendimiento podría oscilar entre
reducciones del 13% (por la disminución en un 20% las precipitaciones), y un incremento del 30%
(si las temperaturas mínima y máxima aumentan hasta 2°C y las precipitaciones un 20%).
Los impactos futuros del cambio climático podrían ser más severos; en algunos sitios, por efectos del
incremento de la temperatura (Schroth et al., 2009; Laderach, et al., 2011; Poveda et al., 2014) y por
los cambios en la dinámica de las plagas y enfermedades (CORPOICA, 2011), la caficultura podría
ser no viable (Ramírez et al, 2012; Ocampo & Álvarez, 2017).
9.4 Modelación hidrológica

Las cuencas son más que sólo áreas de drenaje, soportan los hábitats de comunidades y son
esenciales para el balance hídrico. Es por esto que Colombia, se están elaborando los planes de
Ordenación y Manejo de las cuencas hidrográficas, como un instrumento que facilita la planificación
del adecuado uso del suelo, las aguas, la flora y la fauna y la ejecución de obras y tratamientos para
mantener el equilibrio ecológico, social y económico, buscando el desarrollo sostenible.
Para el análisis territorial es fundamental contar con una adecuada delimitación de las cuencas; este
ejercicio es posible empleando las herramientas hidrológicas de los sistemas de información
geográfica, a partir del modelo digital de elevación del terreno. Este proceso fue realizado para la
delimitación de cuencas del departamento de Caldas.
La predicción de flujos de agua requiere el uso de modelos de cuenca hidrológica, los cuales pueden
ser evaluados para diferentes condiciones ambientales como las climáticas, para poder estimar los
posibles efectos del cambio climático.
Estos modelos buscan capturar los mecanismos físicos de generación de la escorrentía superficial,
por tanto, caracterizan la precipitación sobre la superficie de la tierra y la fracción de agua que es
evapotranspirada, el escurrimiento hacia cuencas hídricas y la recarga a sistemas de acuíferos
subterráneos; para ello utilizan datos históricos y los parámetros climáticos (Revelle & Waggoner,
1983; Vogell et al., 1999). De esta manera, se realizó la modelación hidrológica en las cuencas del
departamento de Caldas, empleando el modelo hidrológico de tanques y la información climática
disponible no sólo en el departamento, sino en los vecinos, porque las cuencas van más allá de los
límites políticos.
El modelo hidrológico empleado es un modelo conceptual porque describe todos los componentes
del proceso hidrológico y físicamente basado porque contempla representaciones matemáticas del
fenómeno real (Vélez, 2001; Frances et al., 2007; Devi et al., 2015).
El modelo hidrológico fue aplicado en su versión agregada, a paso de tiempo diario; por tanto, la
variabilidad espacial es ignorada en cada cuenca (Bormann, 2007). No obstante, para una mejor
caracterización del departamento, se modelaron todas las cuencas hidrográficas donde se presenta
producción de café: Arma, Directos al Cauca, Chinchiná, Guarinó, La Miel, Risaralda, Otún y Tapias-
Tareas. Se realizó, además, la calibración y validación del modelo en diferentes subcuencas.
La modelación de las cuencas hidrográficas conlleva un trabajo arduo de tratamiento de información,
calibración de parámetros y validación del modelo, que fue logrado con este estudio y por tanto, se
convierte en información estratégica para la toma de decisiones y el ordenamiento de cuencas
hidrográficas en el territorio.
Los indicadores estadísticos reflejan resultados satisfactorios, por lo que el modelo puede ser
utilizado en microcuencas no aforadas y para la gestión integral de los recursos hídricos; sin embargo,
no refleja adecuadamente los caudales máximos.
Tal como lo sugieren Ocampo & Vélez (2014), el análisis de lo indicadores estadísticos, los
hidrogramas y las curvas de duración de caudales pueden facilitar una mejor comprensión de la
escorrentía en ríos de alta montaña.
En este proceso de modelación se consideró no sólo el enfoque “top-down”, en el cual se desarrollan
escenarios climáticos futuros a nivel regional, y luego imponen esos cambios potenciales en los
recursos hídricos para evaluar la respuesta del sistema IPCC (2007b); sino que también se integró el
enfoque “bottom-up” pues se identificaron vulnerabilidades críticas en las cuencas (Brekke et al.,
2009); este enfoque integrado facilita el paso del análisis de los impactos a las estrategias de
adaptación (Bhave, Mishra, & Raghuwanshi, 2013).
Las cuencas hidrográficas de Caldas son vulnerables a la variabilidad climática. Este estudio incluye
la evaluación de los efectos asociados al fenómeno ENSO- Oscilación del Sur, que trae consigo
cambios en la precipitación, temperatura, brillo solar, evapotranspiración y en el balance.
Las anomalías promedio en la precipitación mensual para el período 1981-2010 fueron 23% (cv. 19%)
en episodios La Niña, y -16% (cv. 11%) durante El Niño. En años húmedos, las mayores anomalías
se dan en febrero (43%); mientras que en años secos en enero (-38%). Los efectos del ENSO son
más marcados en la época de floración del café en las cuencas de Caldas y, por tanto, traen consigo
beneficios o afectaciones para esta fase crítica para la producción cafetera. Para las cuencas de
Caldas, las lluvias se reducen a rangos más cercanos al óptimo pluviométrico en época de El Niño,
pero aumentan por encima de este óptimo en La Niña.
Con relación a la temperatura media, los valores promedio en años normales son 18°C (cv 9%), con
anomalías de 0.52°C durante eventos El Niño y -0.40°C en La Niña. Nuevamente, el incremento en
El Niño se ajusta al rango óptimo para café, pero la disminución en La Niña sale del óptimo para el
cultivo. Se recomiendan menos de 50 días por trimestre con amplitud térmica inferior de 10°C para
una apropiada floración (Jaramillo, 2011; Ramírez et al., 2011), pero durante La Niña, la amplitud
térmica es inferior a 10°C en los trimestres de la floración en todas las cuencas analizadas.
Con respecto al brillo solar, el valor recomendado para la floración es 4.8 horas (Ramírez et al., 2010;
Ramírez et al., 2011; Jaramillo, 2011). Para los años húmedos, el brillo solar promedio del trimestre
DEF, fue inferior a este umbral en todas las cuencas, con excepción del río Arma; particularmente,
en el trimestre JJA, se presentaron valores bajos en Chinchiná, Otún y Risaralda. Dado que el brillo
solar determina el potencial productivo en una región cafetera (Cenicafé, 2013), se estimaron los
efectos del ENSO en las cuencas de Caldas. Para los períodos, El Niño se identifican incrementos
del potencial en Directos al Cauca, La Miel y Risaralda; en promedio se pasa de un potencial
productivo de 60-80% a 80-90%. En los períodos La Niña, se estima reducción del potencial
productivo en todas las cuencas y se pasa a un 50-60%, en promedio.
Por otra parte, los indicadores del régimen hidrológico (IDEAM, 2010) son un mecanismo que facilita
la identificación de vulnerabilidad críticas. El ENA (2014) muestra estos indicadores para condiciones
de año medio y seco.
En este contexto, una mejor definición de los indicadores hidrológicos puede establecerse con la
curva de duración de caudales diarios, la cual permite darle un sentido físico e hidrológico al proceso
de calibración y validación (Ocampo & Vélez, 2014). Como resultado de este estudio, se encontraron
diferencias para algunas cuencas hidrográficas, en el índice de regulación hídrica y, por tanto, en el
índice de vulnerabilidad hídrica (IVH), según lo reportado por el ENA (2014).
Es así como las cuencas del río Arma y La Miel tiene un IRH moderado; mientras que las demás
tienen un IRH bajo. Por efecto, del índice de uso de agua reportado por el IDEAM (2014), el IVH es
alto en la cuenca del río Chinchiná; medio en las cuencas de Directos al Cauca, Guarinó, Otún,
Risaralda y Tapias Tareas, y bajo en las cuencas del río Arma y La Miel.
Estos resultados concuerdan con los hallazgos del Ministerio de Ambiente (2017) en relación con la
disminución de la capacidad de regulación de la cuencas hídricas; según el plan hídrico Nacional,
son producto de la deforestación, ampliación de la frontera agrícola y el crecimiento concentrado e

incontrolado de poblaciones en lugares con baja oferta hídrica; el ministerio advierte sobre las
consecuencias, pues la disminución hace que las precipitaciones fluyan casi inmediatamente por el
terreno, generando erosión y avalanchas en época de lluvias, y por tanto, se pronuncian las sequía
en épocas de verano, en razón a que no hay almacenamiento natural del fluido.
Para el departamento de Caldas, los ecosistemas de alta montaña son determinantes y estratégicos
para la regulación hídrica; en particular en la franja entre 2500 – 4000 m.s.n.m. donde se encuentran
el bosque alto andino o de niebla y los páramos, tal como lo sugiere la Política Nacional para la
Gestión Integral del Recurso Hídrico.
Se advierte sobre la necesidad de planificación por la ampliación de la frontera de especies forestales
foráneas en el departamento de Caldas. Los problemas ambientales ocasionados por las
plantaciones tienen su origen mismo en la planificación y zonificación para las áreas destinadas a tal
actividad, por tanto, es necesario un análisis detallado de suelos y clima y los impactos que puede
ocasionar en el balance hídrico.
En una cuenca, la combinación de los múltiples factores de cambio global muestra diferentes efectos
ecológicos, por ejemplo, la sequía aumenta o disminuye los efectos de los componentes atmosféricos
en la ecofisiología de las plantas; mientras que la sequía y los cambios en el uso de suelo alteran los
recursos hídricos, conducen a la degradación del suelo, reducen la regeneración natural y pueden
aumentar el riesgo de incendios e invasiones biológicas (Doblas-Miranda et al., 2017).
Particularmente, es necesario recalcar la necesidad de mejorar los índices de calidad del agua
(IACAL) para las cuencas de Caldas; los reportados para año medio por el IDEAM (ENA, 2014) son:
Muy bajos en río Arma, Guarinó y La Miel; Medios en Tapias Tareas, río Frío y Directos al Cauca;
Altos para la cuenca del río Otún y Risaralda, Muy altos en la cuenca del río Chinchiná. Por tanto, es
imprescindible avanzar en los planes de saneamiento municipales; mientras que en el sector
agropecuario en la implementación de las buenas prácticas agrícolas.
Con relación a los escenarios de escenarios de cambio climático, se presentan diferencias entre los
modelos para las cuencas evaluadas. En materia de precipitación, las anomalías oscilan en ±15%;
mientras que para la temperatura se tiene un promedio de 1,27°C (cv 13%).
El cambio climático se manifiesta en las cuencas hidrográficas como una amenaza, que con las
condiciones de exposición y vulnerabilidad conlleva a la cristalización de riesgos. Por tanto, se hace
necesario avanzar, de una manera más decidida, en los planes de Gestión Integral de Cuencas
hidrográficas, considerando en el componente de riesgos, las posibles amenazas por cambio
climático. Un buen ejemplo de este análisis lo presenta el POMCA del río Chinchiná (UNAL, 2016).
Es fundamental avanzar en las estrategias de adaptación, para la reducción de la vulnerabilidad, en
aquellos nodos críticos para las cuencas de Caldas, los cuales son similares a los identificados en el
proyecto VACEA para la cuenca del río Chinchiná (Poveda et al., 2016):
 Nodo 1. La variabilidad climática impacta negativamente la productividad cafetera y el cambio
climático muy probablemente acentuará esta problemática durante el siglo XXI.
 Nodo 2. Gestión ambiental incipiente y prácticas que afectan la sostenibilidad
 Nodo 3. Riesgos por la exacerbación de eventos hidrometeorológicos extremos
 Nodo 4. Reconfiguración de las dinámicas agropecuarias de la región
Se recomienda por tanto acoger las estrategias adaptativas que, a futuro, pueden potencialmente
transformar las situaciones de vulnerabilidad, establecidas por el proyecto VACEA (Poveda et al.,
2016).
9.5 Efectos de variabilidad y cambio climático en la productividad

cafetera
9.5.1 Influencia de la variabilidad climática

Históricamente, la producción en el departamento de Caldas sigue las tendencias de la producción
nacional (2005); por tanto, este estudio consideró un análisis de las estadísticas nacionales, dada las
limitaciones en las estadísticas cafeteras departamentales.
A escala nacional, se evidencian relaciones directas y significativas entre la productividad cafetera y
el ONI; no obstante, se refleja alta variabilidad en los años con efecto del ENSO y en especial en
aquellos donde se da el fenómeno combinado, es decir se presentan eventos secos y húmedos en el
mismo año. Las anomalías en producción nacional para el período 1980-2016 se estimaron en 9%
en El Niño, -10% en La Niña; mientras que en la productividad fueron del 9.3% en años secos y -
8.7% en años húmedos. Durante años secos, se presenta una mayor producción en la mitaca, según
los registros nacionales mensuales.
Por su parte, la caficultura caldense se caracterizar por ser tecnificada, con alta densidad de siembra
y una mayor superficie sembrada al sol; tiene un alto porcentaje en variedades resistentes a la roya
y elevados niveles de renovación; en consecuencia, los niveles de productividad son altos estimados
en 19.21 sacos de 60 kg/ha, con un coeficiente de variación del 22%. Se presentan diferencias
notarias entre las regiones en especial en la Centro Sur, donde se registran los mayores niveles de
productividad a nivel nacional.
A escala departamental, se evidencian relaciones directas y significativas entre las estadísticas de
producción y productividad con el ONI, con alta variabilidad a escala municipal, es así como son
mayores los efectos de períodos secos en la región Centro Sur y Sur Occidente y de períodos
húmedos al Oriente y en la región Centro Sur. La anomalía promedio en la producción para años El
Niño es del 24%; mientras que en años La Niña es - 2%, para el período 2002-2014.
Considerando el período 2002-2010, la producción se incrementó en un 5.3% en promedio en
períodos El Niño y se redujo en un 22% en períodos La Niña; en los años donde se presentó el
fenómeno combinado las reducciones fueron del 11.4%, en promedio. En general, el fenómeno ENSO
tiene una mayor influencia en la cuenca del río Chinchiná, río Arma y Tapias- Tareas.
Los altos coeficientes de variación que se reportaron en la productividad, evidencian un alto grado de
incertidumbre. Por tanto, es necesario continuar mejorando la calidad en las series de producción y
áreas cultivadas, con el fin de lograr una mayor confiabilidad en los resultados. Sin embargo, se
concluye sobre la gran influencia de la variabilidad climática en la producción cafetera de Caldas.
Estos hallazgos concuerdan con lo establecido por la OIC (2016) y los diferentes estudios en países
tropicales. La exacerbación de los fenómenos de El Niño y La Niño, que modulan la variabilidad
climática interanual en los países tropicales (Ocampo, Vélez & Londoño, 2014; Sauchyn et al., 2016;
Turbay et al., 2014) influyen en el sistema de producción cafetera. En países tropicales se tienen
reportes en reducciones del 40-80% durante ENSO (Rueda & Méndez, 2002; Salinas et al., 2002;
DaMatta et al., 2003). Tal como lo indica la Organización Internacional del café (OIC, 2016, p. 3) “el
tiempo seco causado por El Niño podría afectar la producción de VietNam, Indonesia y Colombia”
(Ocampo & Álvarez, 2017).
Camargo (2010) por ejemplo afirma que la variabilidad climática es el principal factor responsable de
las oscilaciones del rendimiento de café en Brasil. Afirma que las relaciones entre los parámetros
climáticos y la producción agrícola son bastante complejas, porque los factores ambientales afectan
el crecimiento y el desarrollo de las plantas bajo diferentes formas, durante las etapas de crecimiento
de la cosecha de café. Indica que la radiación solar y la humedad relativa influyen en muchos
procesos fisiológicos del café, pero en general no se cree que desempeñen un papel importante como
las condiciones térmicas y de lluvia, en la definición del rendimiento potencial o las limitaciones
ecológicas para este cultivo. Finalmente, señala que los modelos agrometeorológicos pueden
proporcionar información para el monitoreo del agua en el suelo y pronóstico de rendimiento, basado
en el estrés hídrico.
En los períodos de La Niña, debido al exceso de humedad en el suelo, el menor brillo solar y la menor
temperatura, los botones florales permanecen en estado de reposo hasta que se presenten
condiciones favorables para la floración (Jaramillo, 2011; Ramírez et al., 2012a). El exceso de
humedad ocasiona en el café, la disminución del crecimiento, el amarillamiento de las hojas, la
pudrición de la raíz y finalmente, la muerte del árbol (Jaramillo, 2011; Cenicafé, 2013). Favorece
también enfermedades como la roya, el mal rosado y pudriciones de la raíz (Poveda et al., 2014,
Turbay et al., 2014). Para disminuir el efecto del exceso de lluvia sobre el suelo se deben realizar
prácticas de conservación de suelo; manejo de arvenses y drenaje de los excesos de agua (Jaramillo,
2011; Cenicafé, 2013).
En Colombia, la variabilidad climática asociada al Fenómeno de El Niño se caracteriza por el
incremento en el número de días de déficit hídrico, aumentos en el brillo solar y en la temperatura, al
igual que diferencias diarias de temperaturas más pronunciadas y disminución de la nubosidad; todos
estos aspectos se traducen en condiciones favorables para la floración (Ramírez et al., 2011; Ramírez
et al., 2012a). No obstante, un período de deficiencia de agua muy prolongado produce
marchitamiento de las hojas; afecta el crecimiento del árbol y dependiendo de la fase de desarrollo
puede producir secamiento de las flores o afectación en el llenado de los frutos, con generación de
grano negro (Jaramillo, 2011; Cenicafé, 2013). En los eventos del Niño es necesario revisar la
sanidad de los cafetales para evaluar la incidencia de la broca (Hypothenemus hampei), minador de
la hoja (Leucoptera coffellum), arañita roja y la roya del café (Hemileia vastarix) (Jaramillo, 2011;
Cenicafé, 2013; Poveda et al., 2014; Turbay et al., 2014).
Durante El Niño, el sombrío en los cafetales favorece la conservación del agua en el suelo (Jaramillo,
2011). En los trópicos, las plantas de café son cultivadas en sombrío, para explotar los beneficios de
la interacción árbol-cultivo (Albrecht & Kandji, 2003). Las plantas juegan un papel importante en la
evapotranspiración, el control de la erosión y el ciclo de nutrientes (Beer, 1987; Szott et al., 1991;
Herzog, 1994), por tanto, la presencia de sombra ayuda al café a estar más fresco en el día y más
caliente en la noche. Las plantas en sombrío tienen tasas de fotosíntesis tres veces mayores que
bajo sol y por tanto, son mayores los beneficios del sombrío que las limitaciones ecofisiológicos que
ofrece (Murray & Nichols, 1966; DaMatta, 2004). Estos sistemas de producción tradicional, con
sombrío, son más sustentables y preservan la biodiversidad, con producciones confiables (Perfecto
et al., 2005; 2009).
9.5.2 Efectos del cambio climático por modelación de cultivos

Los modelos de cultivo basados en procesos ecofisiológicos proporcionan un esquema para integrar
los procesos de las plantas y sus respuestas al clima y al ambiente y desempeñan un papel cada vez
más importante para la investigación, la predicción y la selección de medidas de adaptación
(Semenov, Stratonovitch, Alghabari, & Gooding, 2014). En este estudio se evaluaron tres modelos de
procesos ampliamente empleados en simulación de cultivos como son: Aquacrop, BioMa y Simproc.
Estos modelos de simulación son generalmente empleados para evaluar las brechas de productividad
o rendimiento, cuantificadas como la diferencia entre los rendimientos reales y potenciales y el
impacto del cambio climático en la productividad de los cultivos. Para lograr la simulación se requiere
una amplia gama de información espacio-temporal donde se relacionan las variables climáticas y de
suelo, así como del sistema de cultivo; para la calibración y validación de los modelos son
fundamentales las series de productividad.
A pesar de que el café es el principal cultivo de exportación de Colombia y clave en la economía de
la región, la información de las series de productividad fue limitada; en consecuencia, se tiene un
mayor grado de incertidumbre en las modelaciones. Como no se contó con información de sitios, fue
necesario llevar el análisis a escala municipal y luego a cuencas, de esta manera se pasó de la escala
local a regional minimizando los requisitos de datos, tal como lo plantea Van Bussel et al., (2015).
Para la calibración y validación se partió de un cafetal bien desarrollado, por lo cual no se
consideraron los tiempos térmicos para la emergencia. Los resultados de la calibración arrojaron
errores de balance alrededor del 10% y un MAE alrededor de una desviación estándar de las
observaciones; no obstante, los modelos exhiben dificultades en reproducir la variabilidad de la serie
observada, en especial, en años húmedos La Niña. Por tanto, fue necesario introducir funciones de
ajustes para considerar estos efectos. Como lo plantea Riaño (2013), tanto el déficit como el exceso
hídrico afectan la fotosíntesis y, por tanto, inciden en la producción de café.
Este estudio confirma las debilidades de los modelos de cultivo en simular los efectos del balance
hídrico en la producción. Lobell (2014) advierte las grandes diferencias en la habilidad de simular el
estrés hídrico en los modelos de cultivo, sus limitaciones para los estudios de adaptación y las
suposiciones que ignoran la tendencia de gestión al cambio en los cultivos.
Las correcciones a los resultados de los modelos de cultivos fueron necesarias para considerar los
efectos de la variabilidad climática; estas correcciones se establecieron con modelos estadísticos
basados en regresiones del ENSO, la lluvia antecedente y acumulada, con la producción. Makowski
et al.,(2015) demuestra que los modelos estadísticos basados en regresiones de coeficientes
aleatorios son capaces de emular ensambles de modelos de cultivo basados en procesos, que
conducen a pérdidas o ganancias de rendimiento, sin volver a ejecutar los modelos de cultivo
complejos originales.
Los resultados del ajuste fueron satisfactorios en modelos de paso diario como Aquacrop y BioMa,
pero no en los modelos de paso mensual como Simfrut. Si bien es último modelo tiene grandes
potencialidades porque se pueden introducir las curvas de producción en función de la densidad de
siembra y del ciclo diurno, es necesario llegar a escala diaria, para lograr un mejor desempeño.
En este estudio se aplicó además el enfoque espacial (Molua & Lambi, 2007; CEPAL, 2010), dado
que se estimaron los efectos del cambio climático en la producción cafetera, en las diferentes cuencas
de Caldas, se consideró para este análisis, el balance hídrico obtenido con el modelo hidrológico y
las principales características de los suelos de acuerdo con los estudios nacionales del IGAC.
Se tuvo en cuenta, además, el enfoque estructural en la modelación de cultivos (Terjung et al., 2004;
CEPAL, 2010), en el cual se utilizan los modelos para simular cambios en el cultivo, estimando la
respuesta ante escenarios climáticos; es así como se evaluaron los efectos en la productividad, por
los cambios en la precipitación y temperatura. Se eligieron las proyecciones a escala diaria obtenidas
con el método kNN-bootstrapping para el RCP 8.5, con los modelos climáticos que representaran
condiciones húmedas (HadGEM2), medias (CCSM4) y secas (MPI-ESM-MR y NorESM1), pues para
la modelación de cultivos es necesario una adecuada selección del modelo climático (Holzkämper,
Klein, Seppelt, & Fuhrer, 2015).
En este estudio se estiman las productividades (kg de café cereza por ha) y las anomalías en la
productividad con dos modelos de cultivo, la cuales en promedio fluctúan entre -1.6% y -14.9% con
Aquacrop, -14.8% y 8.5 con Cropsyst en Bioma. Se evidencian diferencias significativas entre los
modelos y la línea base, en la mayoría de las cuencas evaluadas.
Los avances en la estimación de los efectos del cambio climático, en la productividad de los cultivos,
se reflejan con la predicción multimodelo, la cual consiste en ejecutar varios modelos de cultivos,
basados en procesos individuales, con diferentes escenarios climáticos, para generar conjuntos de
valores de producción (Makowski, 2015). Esta técnica fue aplicada en este estudio, donde se
realizaron las modelaciones con dos modelos de cultivo y tres modelos climáticos, con lo cual se
estimaron las anomalías en la productividad (Tabla 9.11). Como no se consideran medidas de
adaptación, es posible que se hayan sobreestimado los aspectos negativos y/o subestimado los
impactos benéficos del cambio climático (Smith et al., 2006; CEPAL, 2010).
Tabla 9.11. Anomalías en la productividad según el ensamble simple de los modelos de cultivo
Cuenca Anomalías 2021 - 2041
Arma -15.3% -15.9% -2.5% -11.2%
Chinchiná -0.4% 6.7% 11.4% 5.9%
Directos al Cauca -0.4% -4.2% -2.4% -2.4%
Guarinó 3.6% 3.2% 3.6% 3.4%
La Miel -8.5% -10.2% -8.6% -9.1%
Risaralda -7.6% -11.1% -12.1% -10.3%
Tapias-Tareas -4.7% -4.6% -4.2% -4.5%
Con respecto a la incertidumbre, existen múltiples fuentes tales como las series de producción, los
modelos climáticos, la técnica de reducción de escala, la modelación hidrológica, la modelación de
cultivos y las técnicas de corrección. Sin embargo, es evidente que el modelo climático influye de
manera marcada en los resultados, tal como lo afirma Holzkämper et al. (2015).
Si bien, los modelos de simulación de cultivos usados, para la evaluación de los posibles impactos
del cambio climático en la productividad agrícola, se constituyen en herramientas de educación,
capacitación e investigación para evaluar las posibles adaptaciones (Easterling et al., 2007); es
fundamental, mejorar la información de entrada para llegar a información inteligente, para la toma de
decisiones, y evaluar el riesgo a la producción de cultivos, ante la variabilidad climática y el cambio
climático, tal como lo proponen Matthews, Rivington, Muhammed, Newton, & Hallett (2013).
Cabe resaltar que el cultivo del café tiene una mayor vulnerabilidad en las cuencas del río Cauca, tal
como lo estima el modelo AVA (2013) que consideró la exposición, la sensibilidad y la capacidad
adaptativa en la Cuenca Alta del río Cauca, donde se identificó al cultivo del café como el más
vulnerable entre 17 cultivos analizados.
9.5.3 Productividad y calidad

La productividad como lo describe la Real Academia Española es “la capacidad o el nivel de
producción por unidad de superficies de tierras cultivadas”. Desde el contexto empresarial, la
productividad considera la calidad.
Si bien hay limitaciones en las series de producción, la información de calidad es aún más limitada,
por lo cual no fue posible introducirla en los resultados del estudio. Algunas notas periodísticas que
se presentan a continuación, reflejan la influencia de la variabilidad climática en la calidad del café,
en especial, la afectación en la calidad por el fenómeno El Niño:
 “Pese a que la producción de enero, superó en un 4 por ciento la cifra del 2014 con 1 millón 136
mil sacos de 60 kilos, directivos del Comité de Cafeteros de Caldas, aseguran que la calidad no
fue la mejor y además que esta condición puede empeorar por los efectos que ya ha generado
el Fenómeno de El Niño y la broca” (Caracol, 2016).
 De acuerdo con el informe entregado por el gerente de la FNC, unas 54 mil hectáreas de café
están afectadas por las altas temperaturas en Caldas, valor que representa el 70% del área
sembrada en el departamento. El estudio se realizó en 525 lotes del departamento, con una
confiabilidad del 95%. En dicho reporte se encontraron problemas en flores, frutos verdes y
árboles con síntomas de marchitación (La Patria, 2016).
 "Este año ha sido preocupante el nivel de broca y de roya, el gran problema de fondo ha sido el
grano 'averanado', es decir, el que recibió tan poca agua que la almendra –la parte del fruto que
se tuesta– no creció lo suficiente” (El tiempo, 2016).
 “De acuerdo a un informe presentado por el gerente técnico de la Federacafé, de las 70.000
hectáreas sembradas de café en Caldas, 54.000 están afectadas por las altas temperaturas. Esto
equivale al 77,4 por ciento de los cultivos. Los únicos municipios del departamento que no tienen
afectación económica por el fenómeno del Niño son Pensilvania y Victoria…En total, 35.400
fincas y 28.600 caficultores están afectados por el verano”. (El tiempo, 2016).
La producción cafetera se ha impactado por la variabilidad climática, pero las plantaciones se han
podido recuperar (Tucker, Eakin & Castellanos, 2010; Poveda et al., 2014). La OIC (2014) manifiesta
que “el aumento de temperaturas por efecto del cambio climático, se ha convertido en “la amenaza
más importante a la producción sostenible de café” (p. 28). A escala global, el cambio climático es
una amenaza, social y económica, por la posibilidad de impacto en la agricultura, uno de los sectores
más vulnerables (Ocampo, 2011; Ocampo & Álvarez, 2017).
Existe todavía un alto grado de incertidumbre con respecto a cómo cada zona se verá afectada; se
esperan cambios en la calidad, el rendimiento, la dinámica de plagas y enfermedades y la posible
necesidad de riego en los sistemas en secano (ICC, 2009). Haggar & Schepp (2012) evaluaron los
posibles impactos y opciones de adaptación para Brasil, Guatemala, Tanzania y Vietnam, concluyen
que los efectos son diferentes para el café arábiga y robusta, pero que se requieren estudios
específicos para determinar los impactos; considerando tanto la productividad como la calidad.
La ICC (2009) describe una serie de escenarios en la producción cafetera mundial, con diferentes
puntos de vista del sector cafetero; para Colombia indica que es probable que se aumenten los costos
de producción, porque las nuevas condiciones climáticas favorecen la proliferación de insectos,
plagas y patógenos; además existe la posibilidad de que las plantaciones deben ser trasladadas a
altitudes mayores, en búsqueda de condiciones idóneas para la producción (ICC, 2009). Evidencia
además el gran interés en adquirir conocimiento, para poder evaluar las consecuencias del cambio
climático en el crecimiento y desarrollo del café (ICC, 2009).
Desde otra perspectiva, puede afectarse la inocuidad porque el cambio climático podría afectar las
micotoxinas en los alimentos (Paterson & Lima, 2011); para el café son de especial interés la
Ocxratoxina A (OTA) y las Aflatoxinas (Paterson, Lima, & Taniwaki, 2014); para estas especies las
condiciones óptimas se establecen a condiciones cálidas y niveles altos de actividad de agua; por
tanto, en escenarios de cambio climático, hay un mayor potencial de riesgo (Gil-Serna et al., 2014).
Con relación a la taza, la composición bioquímica se afecta con las condiciones locales, los
contenidos de ácido clorogénico y grasas se incrementan con la altitud (Silva et al., 2005; Bertrand et
al., 2006). Joët et al. (2010) en su estudio confirma que los ácidos clorogénicos y los ácidos grasos
son controlados por la temperatura media del aire; además el contenido de glucosa es influenciado
por la altitud. Por tanto, pueden emplearse estas sustancias como indicadores de posibles cambios
en la calidad del café por efecto del cambio climático.
Además de la genética y los procesos de cosecha y poscosecha, la producción de frutos de café con
calidad superior en la bebida, es altamente dependiente de las condiciones del clima (Guyot et al.,
1996; Decasy et al., 2003). Bertrand et al.,(2012) en su estudio revelan que entre los factores
climáticos, la temperatura media del aire durante el desarrollo de la semilla influyó, en gran medida,
en el perfil sensorial; los atributos de calidad positivos como la acidez, el carácter afrutado y la calidad
del sabor son típicos de los cafés producidos en climas fríos. Es así como los cambios en el perfil
sensorial, en especial en la intensidad de la acidez, pueden ser posibles indicadores de efectos del
cambio climático.
Las bebidas de buena calidad generalmente se dan a mayores altitudes; el proceso de maduración
más lento de las bayas de café en elevaciones más altas (bajo las temperaturas del aire), o bajo
sombrío, permite más tiempo para el llenado completo del fruto, produciendo frutos más densos y
más intensos en sabor (Vaast et al., 2006; DaMatta et al., 2007).
La sombra incide en las fluctuaciones en el clima más que los valores medios de las variables
climáticas y la humedad del suelo (Beer et al., 1998; Lin, 2007). La presencia de árboles puede
beneficiar las funciones ecológicas en los agroecosistemas por efectos de la mitigación de la
variabilidad microclimática (Gregory & Ingram, 2000). Los sistemas en sombrío son percibidos por
sus beneficios ecológicos importantes en términos de protección de cuencas, secuestro de carbono
y protección de hábitat para flora y fauna (Verbist et al., 2005; Dossa et al., 2008; Correia et al., 2010;
Buechley et al., 2015; De Beenhouwer et al., 2016); además de reducir las pérdidas de agua a través
de la evaporación del suelo (Lin, 2010). Las actividades agroforestales son por tanto un atractivo y
una opción para el secuestro de carbono en los cultivos agrícolas y juega un papel importante en la
mitigación de los GEI (Dhillon & von Wuehlisch, 2013). Los sistemas agroforestales son
económicamente factibles, son una manera de proteger las cosechas de extremos climáticos y por
tanto, se constituyen en una estrategia de adaptación al cambio climático (Lin, 2007; Lin et al., 2008).
9.5.4 Vulnerabilidad y adaptación

Poveda et al. (2014) presentan los factores de vulnerabilidad de la población rural, frente a eventos
climáticos extremos, donde debe considerarse la vulnerabilidad económica, social y ambiental. En
este contexto, es necesario destacar las diferencias en los sistemas de producción, la oferta ambiental
y la adopción de tecnologías, que se presentan en los caficultores de Caldas.
Según el Comité departamental de Cafeteros de Caldas (2016), se presenta alto grado de
heterogeneidad entre los caficultores de Caldas ,por el tamaño y la propiedad de la tierra (Tabla 9.12):
Tabla 9.12. Distribución de caficultores por clase de economía cafetera

Economía cafetera Área café Número de % Área café % Área café Producción
caficultor caficultores total (ha) promedio promedio
(ha) (ha) (%)
Minifundista No <0.5 ha. 5.340 15,9 1.601 2,2 0,3 2,0
agremiable
Agremiable 0.5 - 1.5 15.378 45,7 14.068 19,4 0,9 17,0
ha.
Campesina 1.5 - 10.0 12.179 36,2 36.822 50,9 3,0 47,8
ha.
Empresarial >10.0 ha. 770 2,3 19.875 27,5 25,8 33,2
Total Caldas 33.667 100 72.366 100 2,1
Fuente: (Comité departamental de Cafeteros de Caldas, 2016)
 La mayor parte de los caficultores son minifundistas; se caracterizan porque viven en la finca, su
principal fuente de ingresos proviene de otras actividades como la venta de mano de obra en
otras fincas cafeteras. Sus ingresos por concepto de café son en promedio inferiores a 1 salario
mínimo mensual. Su productividad no supera las 70 arrobas de café pergamino seco (c.p.s) por
ha, por la baja densidad de siembra. Los Minifundistas agremiables tienen un área en café igual
o superior a 0.5 ha (Comité departamental de Cafeteros de Caldas, 2004).
 Los caficultores campesinos en su mayoría viven en la finca; sus ingresos por concepto de café
son superiores en promedio a 1 salario mínimo mensual; la mano de obra la aporta el caficultor
y su familia, aunque requiere contratar en épocas de cosecha. Su productividad no supera las 90
arrobas cps por ha, pero puede aumentar con siembra de variedades mejoradas, densidades de
siembra altas, renovación y fertilización periódica de cafetales (Comité departamental de
Cafeteros de Caldas, 2004).
 Los caficultores empresariales no viven en la finca, la tienen como una inversión; contratan la
administración con un mayordomo o administrador y mano de obra externa. La adopción de
prácticas recomendadas por FNC es alta: por tanto, siembran variedades mejoradas, las
densidades de siembra son superiores a 5.000 árboles por ha, renuevan anualmente una parte
de su predio, conservan baja la edad promedio de los cafetales (Comité departamental de
Cafeteros de Caldas, 2004).
Poveda et al. (2014) indican las estrategias de adaptación de la población rural frente a eventos
climáticos extremos. Puntualizn sobre la necesidad de avanzar en sistemas de producción
sostenibles que consideren las diferentes dimensiones del desarrollo. Finalmente, se hace necesario
resaltar algunas estrategias adaptativas que a futuro pueden potencialmente transformar las
situaciones de vulnerabilidad definidas en el proyecto VACEA (Poveda et al., 2016):
 Investigación, desarrollo (I+D) y perfeccionamiento de variedades de café resistentes a
condiciones climáticas extremas.
 Promoción de sistemas productivos diversificados que permitan el control biológico de las
plagas, aumenten la seguridad alimentaria y creen microclimas.
 Siembra de árboles frutales y maderables nativos en la finca.
 Promoción de prácticas y saberes tradicionales que disminuyan los costos de producción,
protejan la biodiversidad y aumenten la resiliencia de los cultivos y caficultores.
 Compensación por servicios ambientales a los caficultores.
 Información agrometeorológica oportuna para los productores que permita la toma de
decisiones en la finca.
 Avance de procesos de Ordenamiento Territorial considerando la aptitud del suelo.
 Involucrar a los medios de comunicación en la divulgación científica y la apropiación social del
conocimiento de las problemáticas y las estrategias adaptativas.
Conclusiones
La variabilidad climática es un factor determinante en las oscilaciones de la productividad
cafetera a nivel nacional y departamental. Se evidencian relaciones directas y significativas entre
la productividad cafetera y el ONI, aunque con alta variabilidad a escala municipal. En Caldas, son
mayores los efectos de períodos secos en la región Centro Sur y Sur Occidente y de períodos
húmedos al Oriente y en la región Centro Sur.
Los efectos de la variabilidad climática en la región de los ecotopos cafeteros se reflejan en anomalías
en el brillo solar, tiempo térmico acumulado, cambios en la amplitud térmica, lluvia diurna y nocturna
que traen consigo efectos en las fases vegetativa y reproductiva del cafeto, con base en los
paramétros óptimos establecidos por Cenicafé. Las condiciones de variabilidad climática en la zona
cafetera Caldense en período El Niño, favorecen la producción cafetera, pero en períodos La Niña se
vuelven limitantes de la producción. No obstante, períodos secos extremos pueden afectar de manera
marcada la calidad del grano.
Los modelos de simulación de cultivos exhiben dificultades en reproducir la variabilidad de la
serie observada, en especial, en años húmedos La Niña, por tanto, se consideraron funciones de
ajuste a partir de modelos de regresión. Los modelos de simulación de cultivos ajustados fueron
empleados para evaluar las posibles anomalías en la productividad por efecto del cambio climático,
considerando un enfoque estructural y espacial.
En este estudio se estiman las productividades (kg de café cereza por ha) y las anomalías en la
productividad con dos modelos de cultivo, en promedio fluctúan entre -1.6% y -14.9% con Aquacrop,
-14.8% y 8.5 con Cropsyst en Bioma. Se evidencias diferencias significativas entre los modelos y la
línea base en la mayoría de las cuencas evaluadas
La predicción multimodelo permitió identificar las anomalías en la productividad en las cuencas
evaluadas, sin considerar medidas de adaptación. Se estiman incrementos de productividad en
Chinchiná y Guarinó, pero reducciones en las demás cuencas, con mayores anomalías en Arma. No
obstante, hay diferencias estadísticamente significativas entre los modelos y la línea base en Arma,
Directos al Cauca, Guarinó, La Miel, Risaralda y Tapias-Tareas. No se identifican diferencias
estadísticamente significativas en la cuenca del río Chinchiná.
Con respecto a la incertidumbre de los escenarios de cambio climático en las series de
productividad cafetera, existen múltiples fuentes tales como las series de producción, los modelos
climáticos, la técnica de reducción de escala, la modelación hidrológica, la modelación de cultivos y
las técnicas de corrección. No obstante, es evidente que el modelo climático influye en los
resultados, las mayores anomalías se proyectan con el modelo HadGEM2 y las menores con
el MPI-ESM-MR. Las técnicas abordadas en este estudio permiten la estimación de la incertidumbre

considerando ensambles de modelos climáticos y de modelos de cultivo.
Para el sector agrícola, uno de los mayores riesgos es el cambio en la aptitud climática, la cual fue
analizada en este estudio considerando los rangos óptimos de temperatura (18-22°C) y precipitación
(1400-2800 mm) para el cultivo del café. Se tuvo en cuenta en el análisis una zona denominada
“marginal húmeda”, que conserva el mismo rango de temperatura promedio, pero con una
precipitación entre 2800 mm y 4200 mm.
Los escenarios de cambio climático evidencian pérdida de aptitud climática para el cultivo del
café en la zona marginal baja baja (1000-1300 m.s.n.m) y mejora de la aptitud climática en la
zona marginal alta (1700- 2000 m.s.n.m.). se proyectan reducciones en promedio del 11% en la
zona óptima (cv 34%) y del 13% en el área total (cv 29%), con diferencias entre los modelos
climáticos.
Los escenarios de cambio climático abordados en este estudio reflejan las incertidumbres de
los modelos climáticos y las técnicas de reducción de escala. Las anomalías por cambio en la
temperatura y la precipitación fueron evaluadas en este estudio por comparación de los valores
reportados por el IDEAM y dos técnicas de downscaling: el método simple de reducción de escala y
el método no paramétrico. Las técnicas novedosas empleadas como el KNN Bootstrapping buscan
una reducción y cuantificación de la incertidumbre que fue abordada en este estudio.
Los escenarios más húmedos se proyectan con el modelo HadGEM2, los medios con el modelo
CCSM4; mientras que los más secos con el modelo MPI-ESM-MR. Por su parte, los escenarios más
cálidos se estiman con el modelo HadGEM2-CC y los menos cálidos con el CNRM-CM5.
Los cambios proyectados en materia de precipitación son menores a los presentados por efecto de
la variabilidad climática natural; en este sentido, establecer estrategias de adaptación y de gestión de
riesgo que impliquen los cambios ya previstos por variabilidad climática, pueden facilitar la adaptación
y la gestión del riesgo por efectos de cambio climático.
La persistencia a largo plazo caracteriza el patrón de las series de brillo solar, humedad relativa,
temperatura, precipitación. Se confirma la influencia de la variabilidad climática interdecadal,
interanual, estacional, intraestacional y las señales de cambio climático, tanto en los registros diarios
como horarios.
El análisis de tendencias de largo plazo, para las estaciones localizadas en la franja altitudinal del
cultivo del café, confirma tendencias crecientes en las temperaturas medias, mínimas y máximas
y reducción en la amplitud térmica. Para la precipitación y la humedad relativa se evidencian
tendencias tanto crecientes como decrecientes en los registros históricos, influenciadas por factores
locales.
Las señales de cambio climático en el departamento de Caldas se evidencian por el aumento
en las temperaturas medias, mínimas y máximas según los registros de estaciones. Las tasas
de calentamiento para la zona cafetera son 0,17°C/década para la temperatura media,
0,26°C/década para las mínimas y 0.17°C/década para las máximas.
El análisis del ciclo diurno realizado en este estudio permite una mejor comprensión de los
patrones, de la influencia de la altitud y de los efectos de la variabilidad climática.
Se evidencian señales de cambio climático en el ciclo diurno de la temperatura; es mayor el
calentamiento en las temperaturas nocturnas, según la comparación de registros de las estaciones
entre las 7 horas, 13 horas y 19 horas en las estaciones. Esta señal, por tanto, puede ser empleada
como un indicador de seguimiento del cambio climático.
Diferentes estudios sugieren como una medida de adaptación al cambio climático, la migración de la
zona cafetera a regiones más altas. No obstante, la diferencia en la dinámica del ciclo diurno de
la precipitación y el brillo solar en estaciones de mayor altitud, en comparación con las de la
región cafetera, puede limitar el desarrollo.
Existen evidencias derivadas de los registros históricos de cambios en algunos fenómenos
climáticos extremos en la zona cafetera de Caldas. Se encuentran tendencias de la intensificación
de eventos extremos de temperatura y precipitación en las estaciones de la zona cafetera según los
indicadores climáticos evaluados.
El cambio climático se manifiesta en lo local como una amenaza, que aunada a las condiciones de
exposición y vulnerabilidad se materializa en riesgo. Desde esta perspectiva, las curvas Profundidad-
Área-Duración frecuencia, para los diferentes períodos de retorno, permiten una valoración inicial de
la amenaza, que puede ser analizada con métodos probabilístico, para la cuantificación del riesgo,
como lo sugiere la metodología CAPRA. Dado los niveles de incertidumbre, las curvas PADF deben
considerarse a nivel exploratorio como los “futuros posibles”, de forma que contribuyan como guía en
el proceso de planificación para la gestión integral del riesgo.
Se encuentran evidencias del fenómeno de Oscurecimiento Global en las estaciones cafeteras.
Existen evidencias derivadas de las observaciones de brillo solar, efectuadas desde mediados de
siglo pasado, del fenómeno de Oscurecimiento Global en el departamento de Caldas. Se detecta
además un cambio en la tendencia en las últimas dos décadas.
A partir de los resultados de la modelación hidrológica, este estudio evidencia los efectos de la
variabilidad climática para las cuencas hidrográficas de Caldas y los indicadores del régimen
hidrológico. Las cuencas del río Arma y La Miel tiene un índice de regulación hídrica (IRH) moderado;
mientras que las demás tiene un IRH bajo. Por efecto, del índice de uso de agua reportado por el
IDEAM (2014), el IVH es alto en la cuenca del río Chinchiná, medio en las cuencas de Directos al
Cauca, Guarinó, Otún, Risaralda y Tapias Tareas y bajo en las cuencas del río Arma y La Miel.
En materia de escenarios de cambio climático, se presentan diferencias entre los modelos para las
cuencas evaluadas. Para la precipitación, las anomalías oscilan en ±15%. Para la temperatura tiene
un promedio de 1,27°C (cv 13%).
Las incertidumbres que fueron estimadas en este estudio, recalcan la importancia de mejorar la
calidad de la información, pues en la medida que se mejore la calidad y extensión de las series de
productividad, es posible afinar la modelación en sitio, a escala municipal y de cuenca, de tal manera,
que se logre información inteligente para la toma de decisiones en campo.
Recomendaciones y trabajos futuros

Comprender el clima pasado y actual, es fundamental para lograr mejores proyecciones a futuro. En
consecuencia, se debe tener claridad no sólo de magnitudes medias, mínimas y máximas de las
variables del estado del tiempo y del clima; sino también de los patrones estacionales, las tele-
conexiones macroclimáticas y los diferentes modos de variabilidad, que van desde minutos hasta tres
décadas. En este sentido, es necesario seguir fortaleciendo las redes de monitorero y la
investigación, pues en la medida que se pueda conocer mejor la información, presente e histórica, y
comprender las dinámicas locales de las variables climáticas, se pueden establecer mejores
proyecciones futuras, en el contexto de cambio climático.
El cambio climático se manifiesta en las cuencas hidrográficas como una amenaza, que con las
condiciones de exposición y vulnerabilidad conlleva a la cristalización de riesgos. Por tanto, se hace
necesario avanzar de una manera más decidida en los planes de Gestión Integral de Cuencas
hidrográficas, considerando en el componente de riesgos, las posibles amenazas por cambio
climático.
Dado el nivel de incertidumbre de las proyecciones de cambio climático en los sistemas de producción
cafetera, es necesario continuar con las investigaciones en productividad y considerar otros temas
críticos para el cultivo como son calidad, inocuidad y la dinámica de plagas y enfermedades.
Se sugiere adoptar las estrategias y recomendaciones del proyecto VACEA de tal manera que se
aborde la adaptación desde el enfoque de reducción de la vulnerabilidad, con un enfoque holístico
considerando las esferas del desarrollo humano.
La FNC, el Comité de Cafeteros de Caldas y CENICAFÉ deben avanzar en encontrar soluciones
tecnológicas para uno de los mayores retos de la caficultura, el exceso hídrico. Se deben establecer
los cambios tecnológicos para el riego en las zonas secas y el sombrío en las cálidas, con el fin de
reducir los impactos de la variabilidad climática.
Las estrategias de adaptación deben considerar la adaptación económica, social y ambiental y desde
este punto de vista, se hace necesario involucrar sistemas de producción sostenibles, que
consideren las diferentes dimensiones del desarrollo, y las particulares y limitaciones que se
presentan en lo rural.
10. Anexos
10.1 Tablas
Tabla 10.1. Listado de estaciones con registro diario empleadas en el estudio
Estación Entidad Municipio Depto Tipo Altitud latitud longitud Inicio Fin
Abejorral IDEAM Abejorral Antioquia Pluviométrica 2190 5.783 -75.417 03/06/1970 06/07/2012
Aeropuerto La
Nubia IDEAM Manizales Caldas Principal 2058 5.030 -75.467 01/01/1968 31/10/2014
Aeropuerto
Matecana IDEAM Pereira Risaralda Principal 1342 4.800 -75.733 03/09/1947 13/06/2012
Aeropuerto
Santagueda IDEAM Palestina Caldas Principal 933 5.083 -75.683 01/09/1949 30/09/1989
Agronomia Cenicafe Manizales Caldas Principal 2088 5.057 -75.495 01/01/1956 31/12/2014
Aguadas IDEAM Aguadas Caldas Pluviométrica 2071 5.600 -75.450 01/08/1970 31/08/2015
Albania IDEAM Mariquita Tolima Principal 500 5.283 -74.900 01/05/1987 25/05/2012
Arauca IDEAM Palestina Caldas Pluviométrica 890 5.109 -75.702 24/02/1962 30/05/2012
Bariloche Cenicafe Fredonia Antioquia Pluviométrica 1748 5.916 -75.695 01/01/1980 31/12/2014
Bellavista IDEAM Anserma Caldas Principal 1932 5.267 -75.800 21/09/1963 31/10/2015
Bocatoma
Campoalegre CHEC Chinchina Caldas Pluviométrica 1470 4.928 -75.625 12/08/1960 30/09/2012
Bolivia GENSA Samana Caldas Pluviométrica 1750 5.327 -75.117 01/01/1964 31/10/2002
Buenos Aires Cenicafe Guática Risaralda Pluviometrica 1814 5.309 -75.803 01/01/1981 30/11/2013
Cañaveral
GENSA GENSA Victoria Caldas Pluviometrica 1100 5.321 -74.942 01/06/1968 03/05/2014
Cañaveral
IDEAM IDEAM Victoria Caldas Pluviometrica 920 5.317 -74.933 11/08/1974 30/09/2014
Cenicafe Cenicafe Chinchina Caldas Principal 1310 5.000 -75.600 01/01/1951 31/12/2014
Claro de Luna IDEAM Sonsón Antioquia Pluviometrica 180 5.850 -74.767 01/05/1988 31/05/2011
Combía Cenicafe Pereira Risaralda Pluviometrica 1173 4.842 -75.778 01/01/1981 31/10/2014
Cuatro Esquinas Cenicafe Aguadas Caldas Pluviometrica 1900 5.667 -75.417 06/09/1983 31/12/2014
Cuba Cenicafe Victoria Caldas Pluviometrica 1054 5.328 -74.928 01/03/1989 30/09/2014
El Barranco Cenicafe Mistrató Risaralda Pluviometrica 1580 5.333 -75.883 08/10/1987 31/12/2014
El Bosque Cenicafe Dosquebradas Risaralda Pluviometrica 1458 4.843 -75.679 01/05/1978 31/12/2010
El Cedral Cenicafe Pereira Risaralda Pluviometrica 2120 4.700 -75.533 01/01/1961 31/12/2014
El Chispero
Lago
Cameguadua CHEC Chinchina Caldas Pluviometrica 1400 4.997 -75.619 24/02/1990 31/10/2012
El Descanso Cenicafe Marmato Caldas Pluviometrica 1803 5.500 -75.608 13/10/1980 31/01/2013
El Diamante Cenicafe Quinchía Risaralda Pluviometrica 1550 5.317 -75.700 01/01/1981 31/12/2014
El Edén IDEAM IDEAM Fresno Tolima Pluviometrica 1350 5.150 -75.033 05/06/1958 30/04/2012
Santa Rosa de
El Jazmín Cenicafe Cabal Risaralda Pluviometrica 1635 4.912 -75.624 26/07/1960 31/12/2014
El Mirador Cenicafe Filadelfia Caldas Pluviometrica 1650 5.233 -75.567 01/08/1993 31/12/2014
El Recreo Cenicafe Palestina Caldas Pluviometrica 1430 5.037 -75.647 01/01/1970 31/12/2014
El Recuerdo IDEAM Marsella Risaralda Pluviometrica 1560 4.963 -75.742 09/09/1970 01/06/2011
El Vergel GENSA Norcasia Caldas Pluviometrica 507 5.566 -74.881 01/01/1980 03/05/2014
Florencia
GENSA GENSA Samana Caldas Pluviometrica 1535 5.517 -75.033 15/05/1978 03/05/2014
Granja Kennedy Cenicafe Pensilvania Caldas Pluviometrica 1900 5.333 -75.100 01/07/1993 31/12/2014
Granja Lúker Cenicafe Palestina Caldas Principal 1031 5.067 -75.683 01/01/1964 31/12/2014
Guaymaral Cenicafe Aguadas Caldas Pluviometrica 1600 5.650 -75.450 01/10/1961 31/12/2014
Guerrerito IDEAM Quinchía Risaralda Pluviometrica 810 5.281 -75.664 18/10/1978 31/12/2011
Hogar Juvenil Cenicafe Pensilvania Caldas Pluviometrica 1560 5.500 -75.183 01/07/1989 31/12/2014
IDEMA Dorada IDEAM La Dorada Caldas Pluviometrica 270 5.467 -74.667 01/07/1964 30/09/2015
Ínsula CHEC Chinchina Caldas Pluviometrica 1225 5.002 -75.648 18/09/1960 31/10/2012
Java Cenicafe Manizales Caldas Pluviometrica 1778 5.014 -75.541 01/10/1980 31/12/2014
La Argentina
Riosucio Cenicafe Riosucio Caldas Pluviometrica 1420 5.467 -75.700 01/01/1986 31/12/2014
La Argentina
Caldas
Palestina Cenicafe Palestina Pluviometrica 1354 5.033 -75.683 01/04/1978 30/01/2015
La Blanquita Cenicafe Fredonia Antioquia Pluviometrica 570 5.817 -75.683 17/01/1984 31/12/2014
La Cascada Cenicafe Pacora Caldas Pluviometrica 1600 5.467 -75.550 01/07/1983 31/12/2014
La Cristalina
IDEAM IDEAM Neira Caldas Pluviometrica 2290 5.193 -75.433 22/09/1970 30/09/2015
La Divisa Cenicafe Chinchina Caldas Pluviometrica 1590 4.983 -75.600 01/05/1992 31/12/2014
La Esperanza IDEAM Manizales Caldas Pluviometrica 3280 5.018 -75.356 04/10/1970 30/11/2014
La Esperanza
Honda IDEAM Honda Tolima Principal 222 5.263 -74.729 01/01/1971 31/01/2012
La Juliana Cenicafe Manizales Caldas Pluviometrica 1785 5.139 -75.487 22/10/1994 31/12/2014
La Linda Cenicafe Pacora Caldas Pluviometrica 1750 5.550 -75.533 01/07/1983 31/12/2014
La Manuelita Cenicafe Riosucio Caldas Pluviometrica 1460 5.367 -75.683 01/05/1970 31/12/2014
La María IDEAM Aguadas Caldas Pluviométrica 704 5.583 -75.567 01/01/1962 30/09/2015
La Oriental Cenicafe Quinchía Risaralda Pluviometrica 1730 5.367 -75.717 27/05/1981 31/12/2013
La Palma 1313.4
ISAGEN ISAGEN Samana Caldas Pluviometrica 3 5.441 -74.995 01/01/1964 28/02/2014
La Palma
Caldas
palestina Cenicafe Palestina Pluviometrica 1165 5.017 -75.683 01/05/1987 31/12/2014
La Palmera Cenicafe Marsella Risaralda Pluviometrica 1450 5.000 -75.750 01/01/1981 31/12/2014
La Pastorita Cenicafe Victoria Caldas Pluviometrica 1122 5.317 -74.967 01/01/1979 30/11/2014
La Pelada IDEAM Aguadas Caldas Climatológica 2180 5.567 -75.333 24/04/1994 30/08/2015
La Pintada IDEAM Aguadas Caldas Pluviométrica 585 5.734 -75.598 02/06/1980 30/09/2015
La Playa Cenicafe Pereira Risaralda Pluviometrica 1290 4.824 -75.757 01/01/1972 31/12/2014
La Romelia Cenicafe Chinchina Caldas Pluviometrica 1335 4.969 -75.650 01/01/1994 31/12/2014
La Selva Cenicafe Manizales Caldas Pluviometrica 1312 5.089 -75.603 01/01/1985 31/12/2014
La Sierra Cenicafe Chinchina Caldas Pluviometrica 1440 4.983 -75.633 01/01/1988 31/12/2014
La Tribuna Cenicafe Balboa Risaralda Pluviometrica 1580 4.950 -75.967 19/04/1972 31/12/2014
La Victoria IDEAM Victoria Caldas Pluviométrica 675 5.317 -74.900 12/08/1974 30/06/2015
Las Brisas IDEAM Villamaría Caldas Principal 4150 4.901 -75.350 12/10/1981 30/11/2014
Las Colinas Cenicafe Manizales Caldas Pluviometrica 1450 5.100 -75.567 01/05/1991 31/12/2014
Las Pavas IDEAM Aguadas Caldas Pluviográfica 2591 5.517 -75.383 01/06/1994 31/08/2015
Llanadas Cenicafe Manzanares Caldas Pluviometrica 1463 5.200 -75.133 01/01/1956 30/12/1998
Los Cámbulos Belén de
Belén Cenicafe Umbría Risaralda Pluviometrica 1400 5.150 -75.883 01/04/1988 30/11/2014
Los Cambulos
Pereira Cenicafe Pereira Risaralda Pluviometrica 1189 4.822 -75.838 01/01/1964 31/12/2014
Los Naranjos Cenicafe Santuario Risaralda Pluviometrica 1580 5.050 -76.000 01/01/1981 31/12/2014
Manzanares
IDEAM IDEAM Manzanares Caldas Pluviográfica 2000 5.250 -75.133 01/01/1972 30/09/2014
Manzanares La
Clara GENSA Manzanares Caldas Pluviometrica 1956 5.265 -75.144 01/04/1974 31/10/2002
Marquetalia
GENSA GENSA Marquetalia Caldas Pluviometrica 1570 5.296 -75.057 01/01/1975 31/10/2002
Marquetalia
IDEAM IDEAM Marquetalia Caldas Pluviométrica 1600 5.283 -75.050 18/02/1963 30/09/2015
Miguel Valencia Cenicafe Jardín Antioquia Pluviometrica 1621 5.600 -75.850 01/01/1953 31/05/2012
Montenegro Q.
Molinos CHEC Villamaría Caldas Pluviometrica 2292 4.942 -75.469 29/11/1963 30/09/2012
Montevideo CHEC Chinchina Caldas Pluviometrica 1370 4.996 -75.576 13/09/1960 31/12/2012
Naranjal Cenicafe Chinchina Caldas Pluviometrica 1381 4.972 -75.652 01/01/1956 31/12/2014
Neira IDEAM Neira Caldas Pluviometrica 1860 5.164 -75.517 19/09/1970 30/09/2015
Neira Rio Tapias CHEC Neira Caldas Pluviometrica 1902 5.162 -75.607 13/08/1975 31/10/2012
Norcasia IDEAM Norcasia Caldas Pluviométrica 730 5.567 -74.883 07/03/1979 30/09/2015
Ospirma Cenicafe Guática Risaralda Pluviometrica 1661 5.326 -75.813 01/01/1981 31/12/2014
Pacora plaza
feria IDEAM Pácora Caldas Pluviométrica 1730 5.517 -75.450 02/08/1970 30/09/2015
Papayal IDEAM Villamaría Caldas Pluviometrica 2220 4.951 -75.489 01/10/1970 30/11/2014
2026.4
Pensilvania GENSA Pensilvania Caldas Pluviometrica 9 5.386 -75.156 01/01/1976 28/02/2014
Planalto Cenicafe Manizales Caldas Principal 1413 4.990 -75.590 01/01/1994 31/12/2014
Planta de
Tratamiento Cenicafe Pereira Risaralda Pluviometrica 1487 4.805 -75.674 01/01/1970 31/12/2013
Planta
Sancancio CHEC Manizales Caldas Pluviometrica 1850 5.040 -75.502 01/07/1960 31/10/2012
Rafael Escobar Cenicafe Supía Caldas Pluviometrica 1307 5.458 -75.641 01/01/1971 31/12/2014
Riosucio IDEAM Riosucio Caldas Pluviométrica 1950 5.417 -75.717 01/04/1970 31/08/2015
Salamina Conc
Barc IDEAM Salamina Caldas Pluviométrica 1744 5.383 -75.483 02/08/1970 31/08/2015
San Daniel GENSA Pensilvania Caldas Pluviometrica 1700 5.378 -75.077 01/01/1968 31/10/2002
San Félix IDEAM Salamina Caldas Climatológica 2696 5.367 -75.367 01/08/1970 31/07/2015
San José
Pensilvania IDEAM Pensilvania Caldas Pluviométrica 2100 5.367 -75.133 15/08/1974 30/04/2015
Santa Cruz Cenicafe Fredonia Antioquia Pluviometrica 1400 5.900 -75.633 01/01/1993 31/12/2014
Santa Helena Cenicafe Marquetalia Caldas Pluviometrica 1395 5.318 -74.996 01/12/1980 31/12/2014
Santa Teresa Cenicafe Manizales Caldas Pluviometrica 1698 5.112 -75.536 01/07/1991 31/12/2013
Santa Teresita Cenicafe Manizales Caldas Pluviometrica 1172 5.065 -75.611 01/05/1989 31/12/2014
Santagueda Cenicafe Palestina Caldas Principal 1026 5.073 -75.673 01/01/1964 31/12/2014
Subestación Alta
Suiza CHEC Manizales Caldas Pluviometrica 2055 5.059 -75.485 21/07/1975 31/07/2012
Subestación
Marmato CHEC Chinchiná Caldas Pluviometrica 2000 5.066 -75.518 29/01/1965 31/12/2010
Subestación
Uribe CHEC Manizales Caldas Pluviometrica 1905 5.060 -75.542 20/07/1975 31/08/2012
Valle Alto IDEAM Salamina Caldas Pluviográfica 3158 5.350 -75.317 21/04/1994 30/09/2015
Villaraz Cenicafe Pensilvania Caldas Pluviometrica 1641 5.383 -75.067 01/07/1993 30/11/2013
Tabla 10.2. Análisis de estadística descriptiva registros de brillo solar, horas por día
Desviación Percentiles
Estación N Media estándar Máximo Percentil 25 Percentil 50 Percentil 75
Agronomía 19496 4,30 2,7867 11,8 2,00 4,00 6,30
Cenicafe 19358 4,72 2,5958 11,0 2,70 4,70 6,70
Granja Lúker 13909 5,37 2,6649 12,0 3,40 5,60 7,50
Llanadas 8364 4,49 2,4333 10,1 2,60 4,60 6,50
Naranjal 18814 4,70 2,6110 11,6 2,62 4,70 6,70
Rafael Escobar 7671 5,47 2,7552 10,8 3,40 5,60 7,70
Santa Helena 11902 4,32 2,9064 11,8 1,90 4,00 6,40
Santagueda 15795 5,45 2,6244 11,6 3,60 5,70 7,50
Tabla 10.3. Análisis de estadística descriptiva estimaciones de radiación solar, kWh/m2

Estación Media Desviación Mínimo Máximo Percentiles kWh/m2
kWh/m2 estándar kWh/m2 kWh/m2 25 50 75
Agronomia 4.13 0.85 2.57 6.71 3.45 4.06 4.73
Apto La Nubia 4.06 0.78 2.56 6.38 3.43 4.03 4.62
Apto Santagueda 4.61 0.73 2.56 6.65 4.02 4.72 5.14
Bellavista 3.88 0.74 2.60 6.31 3.25 3.81 4.38
Cenicafe 4.30 0.84 2.54 6.47 3.66 4.29 4.94
Granja Lúker 4.55 0.80 2.56 6.96 3.99 4.62 5.17
Naranjal 4.35 0.84 2.57 6.64 3.71 4.34 4.98
Rafael Escobar 4.65 0.87 2.60 7.05 4.01 4.67 5.31
Santa Helena 4.15 0.97 2.57 7.29 3.37 4.00 4.79
Santagueda 4.64 0.80 2.60 6.99 4.07 4.71 5.26
Tabla 10.4. Análisis de estadística descriptiva registros de humedad relativa, %

Estación N Media Desviación Mínimo Máximo Percentiles
estándar 25 50 75
Agronomía 8010 79.0 8.5 45.7 99.0 73.7 79.7 85.0
Cenicafé 23011 77.4 8.0 48.0 98.7 72.0 77.7 83.0
Granja Lúker 8766 78.2 5.6 55.3 97.3 74.7 78.3 82.0
Llanadas 2104 75.5 7.4 46.3 95.3 71.3 76.0 80.3
Naranjal 8766 76.9 8.4 45.3 98.3 71.3 77.3 82.7
Plan Alto 7300 81.2 6.9 54.7 99.0 76.7 81.3 86.0
Rafael Escobar 5569 71.8 9.4 29.7 97.3 66.3 73.0 78.3
Santagueda 8701 82.4 10.1 32.7 98.7 78.3 85.3 89.7
Aeropuerto La Nubia 8730 83.3 6.6 48.0 100.0 79.0 84.0 88.0
Aeropuerto 2926 79.2 6.3 55.0 99.0 75.0 79.0 83.0
Santágueda
Bellavista 10011 86.8 4.8 43.0 99.0 85.0 87.0 90.0
Florencia 1298 91.2 6.8 18.0 99.0 90.0 93.0 95.0
La Pelada 5202 80.6 9.5 35.0 99.0 74.0 82.0 88.0
El Vergel 1166 78.0 12.0 51.8 100.0 72.1 75.9 80.0
Tabla 10.5. Análisis de estadística descriptiva registros de temperatura media. °C

Estación N Media Desviación Mínimo Máximo Percentiles
estándar 25 50 75
Agronomía 20309 16.74 1.21 12.20 21.80 15.90 16.70 17.60
Cenicafé 23011 21.04 1.27 16.48 26.93 20.20 21.00 21.90
Granja Lúker 15341 22.92 1.15 18.05 27.30 22.20 22.95 23.70
Llanadas 10643 19.84 1.18 14.40 25.00 19.00 19.80 20.60
Naranjal 21185 20.91 1.23 15.90 25.38 20.10 20.90 21.75
Plan Alto 7300 20.79 1.29 16.00 26.50 19.90 20.80 21.60
Rafael Escobar 8491 22.01 1.37 17.00 27.70 21.10 22.00 22.90
Santa Helena 11988 20.22 1.29 15.90 25.10 19.30 20.20 21.00
Santagueda 17777 22.95 1.27 17.00 27.80 22.15 23.00 23.80
Apto La Nubia 8828 17.05 1.22 11.00 21.70 16.20 17.00 17.90
Apto Santágueda 3039 22.89 1.23 18.60 28.20 22.10 22.90 23.70
Bellavista 10176 17.02 1.04 11.50 22.40 16.40 17.00 17.60
Florencia 1307 19.27 1.14 16.20 24.40 18.50 19.20 19.90
La Pelada 5315 16.77 1.39 12.90 23.50 15.70 16.70 17.70
Tabla 10.6. Temperatura media y efectos en desarrollo del café

Década Estación N Media Desviación Percentiles Primera Máximo
estándar Cosecha, Desarrollo
25 50 75
días Foliar, días
1951-1960 Agronomía 1827 16.36 1.17 15.60 16.30 17.10 913 2160
Cenicafé 3653 20.45 1.09 19.73 20.50 21.20 550 1301
Llanadas 1736 19.64 0.96 19.00 19.70 20.40 603 1426
Naranjal 1827 20.67 1.22 19.83 20.75 21.55 537 1271
1961-1970 Agronomía 3614 16.45 1.04 15.80 16.40 17.20 901 2130
Cenicafé 3652 20.83 1.15 20.05 20.90 21.60 528 1248
Llanadas 3597 19.68 1.04 19.00 19.70 20.40 600 1420
Naranjal 3652 20.55 1.15 19.78 20.60 21.35 544 1287
1971-1980 Agronomía 3571 16.50 1.19 15.60 16.40 17.30 896 2118
Cenicafé 3653 20.95 1.30 20.05 20.95 21.85 521 1232
Granja Lúker 3288 22.70 1.17 21.93 22.70 23.48 434 1027
Llanadas 3206 19.67 1.26 18.80 19.80 20.60 601 1422
Naranjal 3653 20.73 1.23 19.90 20.75 21.53 534 1262
Bellavista 114 16.89 0.72 16.40 16.85 17.30 849 2007
1981-1990 Agronomía 3652 16.88 1.21 16.00 16.80 17.70 851 2011
Cenicafé 3652 21.30 1.31 20.40 21.25 22.17 502 1188
Granja Lúker 3652 22.83 1.14 22.10 22.85 23.60 429 1015
Naranjal 3652 20.96 1.24 20.13 20.95 21.80 521 1232
Rafael Escobar 3287 22.06 1.38 21.20 22.00 23.00 464 1097
Santa Helena 3652 20.20 1.39 19.20 20.20 21.10 566 1338
Bellavista 2931 16.86 1.02 16.30 16.80 17.40 853 2017
1991-2000 Agronomía 3653 16.85 1.19 16.00 16.80 17.60 854 2019
Cenicafé 3653 21.24 1.31 20.40 21.20 22.10 505 1194
Granja Lúker 3653 23.04 1.15 22.30 23.00 23.80 420 994
Llanadas 2104 20.54 1.18 19.70 20.60 21.40 545 1289
Naranjal 3653 21.20 1.23 20.40 21.20 22.00 507 1199
Rafael Escobar 3653 21.89 1.36 21.00 21.90 22.80 472 1116
Santa Helena 3649 20.28 1.28 19.40 20.20 21.20 561 1327
Bellavista 2807 17.00 1.08 16.30 17.00 17.60 836 1978
2001-2010 Agronomía 2896 17.23 1.23 16.40 17.20 18.00 811 1919
Cenicafé 3652 21.43 1.24 20.60 21.40 22.30 495 1171
Granja Lúker 3652 23.03 1.13 22.30 23.05 23.80 420 994
Naranjal 3652 21.26 1.19 20.40 21.20 22.10 504 1193
Década Estación N Media Desviación Percentiles Primera Máximo

estándar Cosecha, Desarrollo
25 50 75
días Foliar, días
Rafael Escobar 1551 22.21 1.35 21.30 22.30 23.20 456 1079
Santa Helena 3591 20.21 1.21 19.40 20.20 21.00 565 1336
Bellavista 2593 17.20 1.01 16.50 17.20 17.80 814 1926
Tabla 10.7. Amplitud térmica efectos del ENSO

ONI N Media Desviación Percentiles
estándar 25 50 75
El Niño Agronomia 5179 8.73 2.12 7.30 8.80 10.20
Cenicafe 6177 11.31 2.35 9.80 11.50 13.00
Granja Lúker 3924 11.84 2.57 10.20 12.00 13.50
Llanadas 2895 10.29 2.09 9.00 10.40 11.70
Naranjal 5566 10.65 2.29 9.20 10.80 12.20
Planalto 1673 10.56 2.36 9.10 10.60 12.30
Rafael Escobar 2555 10.89 2.26 9.50 10.90 12.40
Santagueda 4684 12.40 2.80 10.60 12.30 14.20
Santa Helena 3099 7.07 1.63 6.00 7.10 8.20
Bellavista 2263 8.53 2.02 7.00 8.40 10.00
La Pelada 1208 9.89 2.35 8.40 10.00 11.40
Normal Agronomia 10621 8.31 2.06 6.90 8.30 9.80
Cenicafe 11595 10.87 2.29 9.40 11.00 12.50
Granja Lúker 7976 11.23 2.42 9.70 11.20 12.90
Llanadas 5272 9.94 2.16 8.50 10.00 11.40
Naranjal 11049 10.18 2.24 8.80 10.30 11.70
Planalto 3891 9.74 2.25 8.30 9.80 11.20
Rafael Escobar 3987 10.39 2.07 9.20 10.40 11.80
Santagueda 8951 11.63 2.63 10.00 11.50 13.30
Santa Helena 6514 6.93 1.59 5.80 6.90 8.00
Bellavista 4781 8.18 1.88 7.00 8.00 9.40
La Pelada 2851 9.44 2.55 7.74 9.40 11.20
La Niña Agronomia 4873 7.89 1.96 6.60 7.90 9.20
Cenicafe 5604 10.36 2.18 9.00 10.45 11.80
Granja Lúker 3806 10.81 2.16 9.50 10.90 12.20
Llanadas 2476 9.70 2.10 8.40 9.90 11.00
Naranjal 4935 9.74 2.06 8.50 9.90 11.10
Planalto 2101 9.48 2.05 8.20 9.50 10.90
Rafael Escobar 1949 10.01 1.89 8.90 10.10 11.20
Santagueda 4507 11.23 2.39 9.70 11.20 12.80
Santa Helena 2740 6.67 1.48 5.70 6.70 7.60
Bellavista 2332 7.48 1.57 6.40 7.40 8.51
La Pelada 1758 7.90 2.06 6.40 8.00 9.40

Tabla 10.8. Estadística descriptiva de la velocidad del viento en la estación Cenicafé m/s.
Desviación Percentiles
Hora N Media estándar Máximo 25 50 75
1 10247 1.74 1.19 6.90 0.80 1.60 2.50
2 10241 1.58 1.12 20.40 0.80 1.40 2.30
3 10242 1.46 1.13 42.20 0.70 1.30 2.10
4 10234 1.36 1.09 41.40 0.70 1.20 1.90
5 10229 1.30 1.03 29.40 0.60 1.10 1.80
6 10227 1.26 0.99 21.40 0.60 1.10 1.80
7 10228 1.11 0.93 15.40 0.50 1.00 1.60
8 10248 0.86 0.68 9.90 0.30 0.90 1.20
9 10259 0.95 0.65 28.50 0.60 1.00 1.30
10 10269 1.19 0.71 23.10 0.80 1.30 1.60
11 10276 1.31 0.71 16.10 0.90 1.40 1.80
12 10282 1.34 0.73 13.80 0.90 1.40 1.80
13 10280 1.37 0.82 33.80 0.90 1.40 1.90
14 10285 1.37 0.78 12.10 0.90 1.40 1.90
15 10288 1.35 0.84 20.00 0.80 1.40 1.90
16 10284 1.28 0.83 6.70 0.70 1.30 1.80
17 10274 1.21 0.86 18.10 0.70 1.20 1.70
18 10285 1.36 0.91 12.40 0.80 1.30 1.80
19 10278 1.78 1.22 43.10 1.00 1.60 2.40
20 10276 2.06 1.24 13.00 1.20 1.90 2.80
21 10267 2.17 1.46 54.10 1.20 2.10 2.90
22 10265 2.17 1.57 53.90 1.20 2.10 2.90
23 10269 2.06 1.43 44.80 1.10 1.90 2.90
24 10256 1.91 1.32 44.00 1.00 1.80 2.70
Tabla 10.9. Registros y proyecciones de precipitación media anual en estaciones cafeteras

Rafael
Análisis Modelo Bellavista Guaymaral Marquetalia Manzanares Naranjal Neira Pácora
Escobar
Precipitación Línea base 1941 1891 3290 3315 2879 2246 2769 2043
media
anual, mm Escenarios IDEAM 1839 1950 3194 3067 2790 1816 2755 2980
CanESM2 2069 1959 3382 3296 3005 2310 2909 2134
CCSM4 1922 1792 3294 3211 2816 2189 2652 2008
CNRM-CM5 1900 1771 3241 3351 2796 2142 2667 1945
CSIRO-Mk3 2037 1976 3543 3368 3100 2312 2880 2195
HadGEM2 2088 2047 3530 3290 3134 2449 2987 2174
MPI-ESM 1908 1804 3237 3267 3005 2131 2716 1967
NorESM1-M 1957 1758 3228 3258 2874 2200 2741 2000
Ensamble simple 1983 1872 3351 3292 2961 2247 2793 2060
Coeficiente Línea base 20% 24% 21% 17% 15% 23% 17% 18%
de variación
Precipitación Escenarios IDEAM 2% 3% 2% 2% 2% 2% 2% 2%
CanESM2 10% 11% 12% 8% 12% 11% 9% 10%
Rafael
Análisis Modelo Bellavista Guaymaral Marquetalia Manzanares Naranjal Neira Pácora
Escobar
media CCSM4 10% 13% 12% 8% 12% 10% 9% 10%
anual, %
CNRM-CM5 12% 14% 14% 10% 11% 13% 10% 13%
CSIRO-Mk3 13% 15% 16% 9% 14% 12% 11% 13%
HadGEM2 8% 12% 10% 5% 7% 12% 7% 10%
MPI-ESM 13% 15% 14% 8% 11% 16% 10% 14%
NorESM1-M 14% 18% 13% 7% 14% 13% 13% 11%
Ensamble simple 4% 5% 5% 3% 5% 5% 4% 4%
Tabla 10.10. Valores medios de anomalías en la precipitación mensual por grupos homogéneos
según ANOVA y prueba post hoc de Duncan
Altitud m.s.n.m. Modelo Valores medios anomalías en la precipitación mensual
para subconjuntos homogéneos (= 0.05)
1 2 3 4 5
1000 - 1300 MPI-ESM-MR 11 -3.38%
NorESM1-M 11 -1.96%
CNRM-CM5 11 -1.79%
CCSM4 11 -1.74%
CanESM2 11 2.53%
CSIRO-Mk3-6-0 11 3.22%
HadGEM2-CC 11 6.00%
Sig. .062 .389 1.000
1300- 1700 MPI-ESM-MR 35 -2.89%
CNRM-CM5 35 -2.38% -2.38%
NorESM1-M 35 -2.31% -2.31%
CCSM4 35 -1.47%
CanESM2 35 2.75%
CSIRO-Mk3-6-0 35 4.15%
HadGEM2-CC 35 6.34%
Sig. .258 .075 1.000 1.000 1.000
1700-2000 MPI-ESM-MR 19 -4.10%
NorESM1-M 19 -3.54% -3.54%
CNRM-CM5 19 -2.64%
CCSM4 19 -2.40%
CanESM2 19 3.73%
CSIRO-Mk3-6-0 19 4.38%
HadGEM2-CC 19 7.30%
Sig. .417 .119 0.345 1.000
2000-2300 NorESM1-M 18 -3.93%
MPI-ESM-MR 18 -3.92%
CNRM-CM5 18 -2.62% -2.62%
CCSM4 18 -2.44%
CanESM2 18 3.95%
CSIRO-Mk3-6-0 18 4.81%
HadGEM2-CC 18 10.28%
Sig. .067 .786 0.207 1.000
Tabla 10.11. Registros y proyecciones de temperatura media anual en estaciones cafeteras
Aeropuerto Rafael
Análisis Modelo Agronomía Bellavista Cenicafé Granja Lúker Llanadas Naranjal
La Nubia Escobar
Línea base 17.01 16.95 16.99 21.33 22.98 19.89 21.15 21.96
Escenarios IDEAM 17.99 17.87 18.12 22.79 24.45 22.05 22.47 23.22
CanESM2 18.78 18.70 18.76 23.08 24.75 21.66 22.91 23.72
CCSM4 18.28 18.22 18.26 22.62 24.26 21.18 22.44 23.26
Temperatura CNRM-CM5 17.90 17.83 17.88 22.21 23.87 20.80 22.05 22.85
media
anual, °C CSIRO-Mk3 18.19 18.11 18.18 22.50 24.16 21.08 22.32 23.15
HadGEM2 18.63 18.57 18.62 22.96 24.63 21.53 22.78 23.60
MPI-ESM 18.54 18.53 18.54 22.90 24.53 21.41 22.72 23.54
NorESM1-M 18.16 18.11 18.17 22.50 24.15 21.05 22.31 23.13
Ensamble simple 18.35 18.30 18.35 22.68 24.33 21.25 22.50 23.32
Línea base 2.2% 2.3% 2.3% 1.9% 1.4% 2.2% 1.8% 1.9%
Escenarios IDEAM 1.7% 1.7% 1.6% 1.5% 1.5% 1.6% 1.5% 1.5%
CanESM2 4.1% 4.0% 4.1% 3.3% 3.1% 3.5% 3.4% 3.2%
Coeficiente CCSM4 2.3% 2.3% 2.2% 2.0% 1.8% 1.9% 1.9% 1.8%
de variación CNRM-CM5 1.9% 1.8% 1.8% 1.5% 1.3% 1.6% 1.5% 1.5%
temperatura
media CSIRO-Mk3 2.7% 2.9% 2.8% 2.3% 2.1% 2.5% 2.3% 2.3%
anual, % HadGEM2 2.4% 2.5% 2.6% 2.0% 1.9% 2.2% 2.1% 2.0%
MPI-ESM 2.9% 3.0% 2.9% 2.5% 2.2% 2.7% 2.5% 2.4%
NorESM1-M 2.2% 2.2% 2.2% 1.8% 1.7% 1.9% 1.8% 1.8%
Ensamble simple 2.0% 2.1% 2.1% 1.7% 1.6% 1.8% 1.7% 1.7%
Tabla 10.12. Análisis de varianza y prueba post hoc de Duncan para las anomalías en la
temperatura media anual en estaciones cafeteras de Caldas
Altitud Modelo N Anomalías en la temperatura media anual, °C.

m.s.n.m. Subconjunto para alfa = 0.05
1 2 3 4 5 6
1000-1300 CNRM-CM5 2 .8921
NorESM1-M 2 1.1756
CSIRO-Mk3-6-0 2 1.1798
CCSM4 2 1.2765
CanESM2 2 1.4755
MPI-ESM-MR 2 1.5594
HadGEM2-CC 2 1.6421
Sig. 1.000 .321 1.000 1.000 1.000 1.000

1300-1700 CNRM-CM5 7 .8849
NorESM1-M 7 1.1669
CSIRO-Mk3-6-0 7 1.1733
CCSM4 7 1.2755
CanESM2 7 1.4695
MPI-ESM-MR 7 1.5442
HadGEM2-CC 7 1.6311
Sig. 1.000 .528 1.000 1.000 1.000 1.000

1700-2000 CNRM-CM5 2 .8791
NorESM1-M 2 1.1646
CSIRO-Mk3-6-0 2 1.1746
CCSM4 2 1.2691
CanESM2 2 1.4728
MPI-ESM-MR 2 1.5410
HadGEM2-CC 2 1.6318
Sig. 1.000 .200 1.000 1.000 1.000 1.000

2000-2300 CNRM-CM5 10 .8754
NorESM1-M 10 1.1568
CSIRO-Mk3-6-0 10 1.1622
CCSM4 10 1.2645
CanESM2 10 1.4598
MPI-ESM-MR 10 1.5571
HadGEM2-CC 10 1.6191
Sig. 1.000 .403 1.000 1.000 1.000 1.000

Tabla 10.13. Análisis de estadísticas para las anomalías en la temperatura media trimestral en
estaciones de Caldas
Intervalo de confianza
para la media
Desviación Error Límite Límite
Trimestre N Media estándar estándar inferior superior Mínimo Máximo
DEF CanESM2 44 1.49 0.020 0.003 1.48 1.50 1.45 1.53
CCSM4 44 0.94 0.016 0.002 0.94 0.95 0.90 0.98
CNRM-CM5 44 0.91 0.018 0.003 0.90 0.92 0.86 0.95
CSIRO-Mk3-6-0 44 1.19 0.019 0.003 1.18 1.20 1.15 1.24
HadGEM2-CC 44 2.01 0.023 0.003 2.00 2.01 1.97 2.07
MPI-ESM-MR 44 1.55 0.032 0.005 1.54 1.56 1.50 1.67
NorESM1-M 44 0.73 0.022 0.003 0.72 0.73 0.67 0.78
Total 308 1.26 0.417 0.024 1.21 1.31 0.67 2.07
MAM CanESM2 44 1.59 0.020 0.003 1.59 1.60 1.56 1.67
CCSM4 44 1.37 0.018 0.003 1.36 1.37 1.34 1.40
CNRM-CM5 44 0.78 0.014 0.002 0.77 0.78 0.76 0.82
CSIRO-Mk3-6-0 44 1.34 0.026 0.004 1.33 1.34 1.29 1.43
HadGEM2-CC 44 1.58 0.021 0.003 1.57 1.58 1.55 1.64
MPI-ESM-MR 44 1.61 0.022 0.003 1.60 1.62 1.56 1.65
NorESM1-M 44 1.32 0.020 0.003 1.31 1.32 1.27 1.36
Total 308 1.37 0.270 0.015 1.34 1.40 0.76 1.67
JJA CanESM2 44 1.29 0.026 0.004 1.28 1.30 1.21 1.36
CCSM4 44 1.07 0.023 0.003 1.07 1.08 1.02 1.11
CNRM-CM5 44 0.95 0.023 0.003 0.94 0.95 0.90 0.98
CSIRO-Mk3-6-0 44 0.94 0.028 0.004 0.93 0.95 0.85 1.01
HadGEM2-CC 44 1.30 0.023 0.003 1.29 1.30 1.23 1.34
MPI-ESM-MR 44 1.50 0.034 0.005 1.49 1.51 1.43 1.58
NorESM1-M 44 0.81 0.027 0.004 0.80 0.82 0.72 0.86
Total 308 1.12 0.230 0.013 1.10 1.15 0.72 1.58
SOP CanESM2 44 1.49 0.021 0.003 1.49 1.50 1.44 1.53
CCSM4 44 1.70 0.020 0.003 1.69 1.70 1.63 1.75
CNRM-CM5 44 0.90 0.025 0.004 0.89 0.90 0.79 0.94
CSIRO-Mk3-6-0 44 1.22 0.025 0.004 1.21 1.22 1.15 1.27
HadGEM2-CC 44 1.64 0.025 0.004 1.63 1.65 1.56 1.70
MPI-ESM-MR 44 1.54 0.043 0.006 1.52 1.55 1.49 1.76
NorESM1-M 44 1.80 0.022 0.003 1.80 1.81 1.73 1.85
Total 308 1.47 0.292 0.017 1.44 1.50 0.79 1.85
Tabla 10.14. Resultados de la modelación hidrológica con escenarios de cambio climático

Cuenca Precipitación Caudal Temperatura Balance P-
Modelo ETP, mm ETR, mm
hidrográfica anual, mm medio m3/s media °C ETP, mm
Línea base 2752 1160 998 107 19.0 1593
CanESM2 2843 1202 1041 110 20.8 1641
CCSM4 2837 1190 1034 110 20.3 1646
CNRM-CM5 2707 1180 1017 103 19.9 1527
Cuenca del río
CSIRO-Mk3 2815 1187 1029 109 20.2 1628
Arma
HADGEM2 2879 1199 1041 112 20.7 1680
MPI-ESM 2640 1197 1009 99 20.6 1443
NorESM1 2752 1187 1025 105 20.2 1565
Ensamble 2782 1192 1028 107 20.4 1590
Línea base 1942 981 813 38 15.5 961
CanESM2 2018 1013 852 39 16.7 1005
CCSM4 1899 1015 844 35 16.8 884
CNRM-CM5 1880 1004 834 35 16.4 876
Cuenca del río
CSIRO-Mk3 1880 1004 834 35 16.4 876
Chinchiná
HADGEM2 2101 1026 864 41 17.1 1076
MPI-ESM 1818 1023 828 33 17.0 795
NorESM1 1874 1012 839 35 16.6 862
Ensamble 1924 1014 842 36 16.7 910
Línea base 2306 1192 989 70 20.5 1114
CanESM2 2288 1218 1015 68 21.7 1070
CCSM4 2206 1220 1009 64 21.8 986
CNRM-CM5 2164 1212 999 62 21.4 952
Directos al Cauca CSIRO-Mk3 2338 1218 1020 70 21.7 1120
HADGEM2 2389 1229 1029 73 22.2 1161
MPI-ESM 2128 1227 991 61 22.1 901
NorESM1 2201 1218 1005 64 21.7 984
Ensamble 2245 1220 1010 66 21.8 1025
Línea base 2657 1022 891 47 16.6 1634
CanESM2 2703 1054 923 47 17.8 1649
CCSM4 2585 1057 920 44 17.9 1528
CNRM-CM5 2619 1046 912 45 17.5 1573
Guarinó CSIRO-Mk3 2765 1054 925 49 17.8 1711
HADGEM2 2769 1067 935 49 18.2 1703
MPI-ESM 2528 1064 915 43 18.1 1464
NorESM1 2643 1053 919 46 17.7 1589
Ensamble 2659 1056 921 46 17.8 1602
Línea base 3929 1046 955 221 18.8 2883
CanESM2 3998 1073 983 224 20.0 2925
CCSM4 3906 1075 983 217 20.1 2830
CNRM-CM5 3851 1067 973 214 19.7 2784
La Miel CSIRO-Mk3 4061 1073 984 229 20.0 2988
HADGEM2 4078 1084 993 229 20.5 2994
MPI-ESM 3767 1081 975 208 20.4 2686
NorESM1 3935 1073 981 220 20.0 2862
Ensamble 3942 1075 982 220 20.1 2867
Línea base 2474 1016 877 56 18.0 1458
CanESM2 2464 1043 904 55 19.2 1421
Otún y Directos al CCSM4 2356 1045 900 51 19.3 1311
Cauca CNRM-CM5 2323 1036 889 51 19.0 1288
CSIRO-Mk3 2487 1043 905 56 19.2 1444
HADGEM2 2544 1054 915 58 19.7 1490
Cuenca Precipitación Caudal Temperatura Balance P-

Modelo ETP, mm ETR, mm
hidrográfica anual, mm medio m3/s media °C ETP, mm
MPI-ESM 2261 1051 884 49 19.6 1210
NorESM1 2353 1042 897 51 19.2 1311
Ensamble 2398 1045 899 53 19.3 1353
Línea base 2303 1077 912 56 18.8 1227
CanESM2 2259 1104 937 53 20.0 1155
CCSM4 2174 1106 931 50 20.1 1068
CNRM-CM5 2129 1097 921 48 19.7 1032
Risaralda CSIRO-Mk3 2316 1104 940 55 20.0 1211
HADGEM2 2375 1115 950 57 20.4 1260
MPI-ESM 2111 1113 921 48 20.4 998
NorESM1 2184 1104 929 50 20.0 1080
Ensamble 2221 1106 933 52 20.1 1115
Línea base 2194 1079 900 58 17.4 1115
CanESM2 2264 1109 937 59 18.6 1155
CCSM4 2149 1111 930 54 18.7 1037
CNRM-CM5 2122 1101 919 54 18.3 1021
Tapias Tareas CSIRO-Mk3 2292 1109 939 60 18.6 1183
HADGEM2 2364 1121 950 63 19.0 1243
MPI-ESM 2064 1119 911 51 19.0 945
NorESM1 2148 1108 925 54 18.6 1040
Ensamble 2200 1111 930 57 18.7 1089
Línea base 2570 1072 917 82 18.1 1498
CanESM2 2604 1102 949 82 19.3 1502
CCSM4 2514 1103 944 78 19.4 1411
CNRM-CM5 2474 1093 933 77 19.0 1381
Promedio
CSIRO-Mk3 2619 1099 947 83 19.2 1520
Cuencas
HADGEM2 2687 1112 960 85 19.7 1576
MPI-ESM 2415 1109 929 74 19.6 1305
NorESM1 2511 1100 940 78 19.3 1412
Ensamble 2546 1102 943 80 19.4 1444
10.2 Figuras
TNX Naranjal TXX Cenicafé
TN90p Granja Lúker WSDI Agronomía
TX90P Cenicafé TNN Santa Helena
Figura 10.1. Indicadores climáticos asociados con temperaturas extremas

RX1DAY- Guaymaral RX5DAY- Santa Helena
SDII- Cenicafé R10mm-Naranjal
R20mm-Rafael Escobar R25mm-Santagueda
Figura 10.2. Tendencias en Índices de precipitación extrema RClimdex

CDD - Montevideo CDW - Manzanares
R95p - Naranjal R99p - Naranjal
Figura 10.2. Tendencias en Índices de precipitación extrema RClimdex

Figura 10.4. Distribución espacial de la precipitación mensual para el periodo 2020-2049. RCP 8.5
J unio
Figura 10.5. Anomalías en la temperatura media mensual en estaciones cafeteras de Caldas

Figura 10.5. Anomalías en la temperatura media mensual en estaciones cafeteras de Caldas

Bibliografía
Abdo, K.S., Fiseha, B.M., Rientjes, T.H.M., Gieske, A.S.M., Haile, A.T. (2009). Assessment of climate change
impacts on the hydrology of Gilgel Abay catchment in Lake Tana basin, Ethiopia. Hydrological Processes
23 (6), 3661–3669.
Acevedo, L.A. & Poveda, G. (2011). Construcción y análisis de curvas intensidad-frecuencia-duración (idf),
bajo escenarios de cambio climático en Colombia. Revista Colombia Amazónica, 3, 11-30.
Acevedo, L.A. (2009). Estimación hidrológica bajo escenarios de cambio climático en Colombia. Tesis de
Maestría, Universidad Nacional de Colombia. Medellín, p.
Adger, W.N., Agrawala, S., Mirza, M., Conde, C., O'Brien, K., Pulhin, J., Pulwarty, R., Smit, B., and Takahashi,
K. (2007). Assessment of adaptation practices, options, constraints and capacity; in Climate Change 2007:
Impacts, Adaptation and Vulnerability (Contribution of Working Group II to the Fourth Assessment Report
of the Intergovernmental Panel on Climate Change), (ed.) M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J.
van der Linden and C.E. Hanson, Eds., Cambridge University Press, Cambridge, United Kingdom, 133-
171.
AEMET. Agencia Estatal de Meteorología (2017). Fenología. AEMET. Ministerio de Agricultura, Pesca,
Alimentación y Medio Ambiente. Gobierno de España. Disponible en:
http://www.aemet.es/es/serviciosclimaticos/datosclimatologicos/fenologia
Aggarwal, P.K., Kalra, N., Chander, S., Pathak, H., (2006). InfoCrop: a dynamic simulation model for the
assessment of crop yields, losses due to pests, and environmental impact of agro-ecosystems in tropical
environments. I. Model description. Agric. Syst. 89 (1), 1-25.
Agudelo, P.A., Arias, P.A. & Salazar, L.F. (2001). Caracterización del ciclo diurno de precipitación en los andes
tropicales de colombia, región centro. Tesis de pregrado, Facultad de Minas, Universidad Nacional de
Colombia, Medellín, Colombia, Abril 2001.
Ahuja, L.R., Rojas, K.W., Hanson, J.D., Shaffer, M.J., Ma, L. (Eds.), (2000). The Root Zone Water Quality
Model. Water Resources Publications LLC, Highlands Ranch, CO, 372pp.
Albrecht; A. & Kandji, S. (2003). Carbon sequestration in tropical agroforestry systems. Agriculture, Ecosystems
and Environment 99, 15–27.
Alegre, C., (1959). Climates et cafeiers d’Arabie. Agron. Trop. 14, 25-48.
Aleksandrova, M., Lamers, J. P. A., Martius, C., & Tischbein, B. (2014). Rural vulnerability to environmental
change in the irrigated lowlands of Central Asia and options for policy-makers: A review. Environmental
Science and Policy, 41, 77–88. http://doi.org/10.1016/ j.envsci.2014.03.001
Alexander, L. V., Zhang, X., Peterson, T. C., Caesar, J., Gleason, B., Klein Tank, A. M. G., et al. (2006): Global
observed changes in daily climate extremes of temperature and precipitation. Journal of Geophysical
Research-Atmospheres, 111.
Allan, C., Xia, J., & Pahl-Wostl, C. (2013). Climate change and water security: Challenges for adaptive water
management. Current Opinion in Environmental Sustainability, 5(6), 625–632.
http://doi.org/10.1016/j.cosust.2013.09.004
Álvarez, J.F & Toro, V.G. (2001). Caracterización del ciclo diurno de precipitación en los andes tropicales de
colombia, región norte. Tesis de pregrado, Facultad de Minas, Universidad Nacional de Colombia,
Medellín, Colombia, Abril 2001.
Alvim, P.T. (1985) Coffee. In: Halevy AH (ed), Handbook of Flowering, 2, 308-316. CRC Press, Boca Raton.
Amarasinghe, U. A., Hoanh, C. T., D’haeze, D., & Hung, T. Q. (2015). Toward sustainable coffee production in
Vietnam: More coffee with less water. Agricultural Systems, 136, 96–105.
http://doi.org/10.1016/j.agsy.2015.02.008
ANDI. Asociación Nacional de Industriales (2010). Colombia: Hacia una economía baja en Carbono. Bogotá:
ANDI.
Angarita (2014). Apoyo a la toma de decisiones en la cuenca de forma participativa y en el contexto de cambio
climático. The Nature Conservancy.
Angarita, H., J. Delgado, Escobar, M., and T. Walschburger. (2014). Escenarios de alteración Regional del
régimen hidrológico en la cuenca magdalena-cauca por intensificación de la demanda para hidroenergía.
Seminario Internacional: Manejo del riesgo en el ciclo del agua.
Anniballe, R., Bonafoni, S. & Pichierri, M. (2014). Spatial and temporal trends of the surface an air heat island
over Milan using MODIS data. Remote Sensing of Environment 150, 163–171.
Arcila, J. & Jaramillo, A. (2010). Recuperación de cafetales afectado por granizo. Avances técnicos Cenicafé,
397, 1-4.
Arcila, J., Farfán, F., Moreno, A., Salazar, L.F., Hincapié, E. (2007). Sistemas de producción de café en
Colombia. Chinchiná: CENICAFE. Federacion Nacional de Cafeteros.
Arcila-Pulgarín J., L. Buhr, H. Bleiholder, H. Hack, H. Wicke, (2001). Aplicación de la “Escala BBCH ampliada”
para la descripción de las fases fenológicas del desarrollo de la planta de café (Coffea sp). Gerencia
técnica. Programa de Investigaicón Científica. Cenicafé.
Arcila-Pulgarín J., L. Buhr, H. Bleiholder, H. Hack, U. Meier, H. Wicke, (2002). Application of the “Extended
BBCH - Scale” for the description of the growth stages of coffee (Coffea sp). Ann app.Biol., 141, 19-27.
Armenta, G., Dorado, J., Rodríguez, A., Ruiz, F. (2014). Escenarios de cambio climático para precipitación y
temperaturas en Colombia. Bogotá: IDEAM.
Arnell, N.W., (2011). Uncertainty in the relationship between climate forcing and hydrological response in UK
catchments. Hydrol. Earth Syst. Sci. 15, 897–912. http://dx.doi.org/10.5194/hess-15-897-2011
AVA (2013). Metodología de análisis de vulnerabilidad para la cuenca alta del río Cauca. Reporte Técnico.
CDKF. AVA.
Awatramani, N.A. & Satyanarayana, M.S. (1973). Effects of rain on coffee blossom. Indian Coffee 37, 1-2.
Baker (2010): Peak Coffee?. In: ICO World Coffee Conference 2010. Guatemala
Banco de la República. (2007). El fenómeno del Niño y su posible impacto en Colombia. Bogotá: Banco de la
República.
Bär, R., Rouholahnejad, E., Rahman, K., Abbaspour, K. C., & Lehmann, A. (2015). Climate change and
agricultural water resources: A vulnerability assessment of the Black Sea catchment. Environmental
Science & Policy, 46, 57–69. http://doi.org/http://dx.doi.org/10.1016/j.envsci.2014.04.008
Barnett, T. P., Pierce, D. W., Hidalgo, H., Bonfils, C., Santer, B., Das, T., Bala, G., Wood, A., Nozawa, T., Mirin,
A., Cayan, D., Dettinger, M. (2008). Human-induced changes in the hydrology of the western United
States. Science 22 (319), 1080-1083. doi: 10.1126/science.1152538.
Barros, R.S., Maestri, M., Rena, A.B. (1999). Physiology of growth and production of the coffee tree - a review.
J. Coffee Res. 27, 1-54.
Barthlott, C., Schipper, J.W., Kalthoff, N., Adler, B., Kottmeier, C., Blyth, A.,Mobbs, S., (2010). Model
representation of boundary-layer convergence triggering deep convection over complex terrain: A case
study from COPS. Atmospheric Research 95, 172–185.
Barthlott, Ch., Corsmeier, U., Meißner, C., Braun, F., Kottmeier, Ch., (2006). The influence of mesoscale
circulation systems on triggering convective cells over complex terrain. Atmospheric Research 81, 150–
175.
Bartok, B. (2010). Changes in solar energy availability for South-eastern Europe with respect to global warming.
Physics and Chemistry of the Earth 35, 63-69.
Basso, B. & Ritchie, J.T., (2012). Assessing the impact of management strategies on water use efficiency using
soil-plant-atmosphere models. Vadose Zone J. 11 (3) http://dx.doi.org/10.2136/ vzj2011.0173.
Bechtold, B., Chaboureau, J., Beljaars, A., Betts, A., Kohler, M., Miller, M., Redelsperger, J. (2004). The
simulation of diurnal cycle of convective precipitation over land in a global Model. Q.J.R. Meteorol. Soc.,
130, 3119-3137.
Beer, J., (1987). Advantages, disadvantages and desirable characteristics of shade trees for coffee, cacao and
tea, cacao and tea. Agrofor. Syst. 5, 3–13.
Beer, J., Muschler, R., Kass, D., Somarriba, E., (1998): Shade management in coffee and cacao plantations.
Agrofor. Syst. 38, 134–164.
Bell, T. & Reid, N. (1993). Detecting the diurnal cycle of the rainfall using satellite observations. Journal of
Applied Meteorology 32 (2), 311-322.
Benavides, H. & Rocha, C.E. (2012). Indicadores que manifiestan cambios en el sistema climático de Colombia
(Años y décadas más calientes y las más y menos lluviosas). Nota técnica del IDEAM. Bogotá: IDEAM.
Bergez, J.E., Raynal, H., Launay, M., Beaudoin, N., Casellas, E., Caubel, J., Chabrier, P., Coucheney, E., Dury,
J., Garcia de Cortazar-Atauri, I., Justes, E., Mary, B., Ripoche, D., Ruget, F., (2014). Evolution of the
STICS crop model to tackle new environmental issues: new formalisms and integration in the modelling
and simulation platform RECORD. Environ. Model. Softw. 62 (0), 370-384.
Bergström S, Graham PL. (1998). On the scale problem in hydrological modelling. J Hydrol. 211, 253–65.
Bernal, N.R., Martínez, J., Pabón, J.D. (2001). El método de reducción de escala estadístico aplicado a
estudios de cambio climático. Meteorología Colombiana. 4, 73-76.
Bertrand, B., Boulanger, R., Dussert, S., Ribeyre, F., Berthiot, L., Descroix, F., & Joët, T. (2012). Climatic factors
directly impact the volatile organic compound fingerprint in green Arabica coffee bean as well as coffee
beverage quality. Food Chemistry, 135(4), 2575–2583. http://doi.org/10.1016/j.foodchem.2012.06.060
Bertrand, B., Vaast, P., Alpizar, E., Etienne, H., Davrieux, F., Charmetant, P. (2006). Comparison of bean
biochemical composition and beverage quality of Arabica hybrids involving Sudanese-Ethiopian origins
with traditional varieties at various elevations in Central America. Tree Physiol. 26, 1239-1248.
Beven K. (2007). Towards integrated environmental models of everything: uncertainty, data and modelling as
a learning process. Hydrol Earth Sys Sci 11(1), 460–7.
Beven, K.J. (1993). Prophecy, reality and uncertainty in distributed hydrological modelling. Advances in Water
Resources, 16 (1), 41-51.
Bhatt, D., & Mall, R. K. (2015). Surface Water Resources, Climate Change and Simulation Modeling. Aquatic
Procedia, 4(Icwrcoe), 730–738. http://doi.org/10.1016/j.aqpro.2015.02.094
Bhatt, D., & Mall, R. K. (2015). Surface Water Resources, Climate Change and Simulation Modeling. Aquatic
Procedia, 4(Icwrcoe), 730–738. http://doi.org/10.1016/j.aqpro.2015.02.094
BID. Banco Interamericano de Desarollo. (2010). Vulnerabilidad y adaptación al cambio climático. Diagnóstico
inicial, avances, vacíos y potenciales líneas de acción en Mesoamérica. New York: BID. 110 p.
Bitzer, V., Francken, M. & Glasbergen, P. (2008). Intersectoral partnerships for a sustainable coffee chain:
Really addressing sustainability or just picking (coffee) cherries? Global Environmental Change 18, 271-
284.
Blakeslee, R. J., Mach, D. M., Bateman, M. G., & Bailey, J. C. (2014). Seasonal variations in the lightning
diurnal cycle and implications for the global electric circuit. Atmospheric Research, 135–136, 228–243.
http://doi.org/10.1016/j.atmosres.2012.09.023
Boé, J. & Terray, L., (2008). Uncertainties in summer evapotranspiration changes over Europe and implications
for regional climate change. Geophys. Res. Lett. 35, L05702. doi:10.1029/2007GL032417.
Borque, P., Salio, P., Nicolini, M., García Skabar, Y., (2010). Environment associated with deep moist
convection under SALLJ conditions: A case study. Wea. Forecasting 25, 970–984.
Bouman, B.A.M.& van Laar, H.H., (2006). Description and evaluation of the rice growth model ORYZA2000
under nitrogen-limited conditions. Agric. Syst. 87 (3), 249-273.
Bouman, B.A.M., M.J. Kropff, T.P. Tuong, M.C.S. Wopereis, H.F.M. ten Berge, and H.H. Van Laar. (2001):
ORYZA2000: Modeling Lowland Rice. International Rice Research Institute, Los Baños, Philippines and
Wageningen University and Research Centre, Wageningen, The Netherlands.
Bouman, B.A.M., van Keulen, H., van Laar, H.H., Rabbinge, R. (1996). The ‘School of De Wit’ crop growth
simulation models: a pedigree and historical overview. Agric. Syst. 52, 171–198.
Box and Jenkins (1976). Time series Analysis: Forecasting and Control, San Francisco: Holden Day.
Briggs, W. & Henson, V. (1995). The DFT: An Owner´s Manual for the Discrete Fourier Transform. Society for
Industrial and Applied Mathematics, Philadelphia, 1995.
Brigode, P., Oudin, L., & Perrin, C. (2013). Hydrological model parameter instability: A source of additional
uncertainty in estimating the hydrological impacts of climate change? Journal of Hydrology, 476, 410–
425. http://doi.org/10.1016/j.jhydrol.2012.11.012
Brisson, N., Gary, C., Justes, E., Roche, R., Mary, B., Ripoche, D., Zimmer, D., Sierra, J., Bertuzzi, P., Burger,
P., Bussiere, F., Cabidoche, Y.M., Cellier, P., Debaeke, P., Gaudillere, J.P., Henault, C., Maraux, F.,
Seguin, B., Sinoquet, H., (2003). An overview of the crop model STICS. Eur. J. Agron. 18, 309-332.
Brisson, N., Launay, M., Mary, B., Beaudoin, N., (2009). Conceptual Basis, Formalisations and
Parameterization of the STICS Crop Model. Editions QUAE.
Buechley, E. R., Şekercioğlu, Ç. H., Atickem, A., Gebremichael, G., Ndungu, J. K., Mahamued, B. A., … Lens,
L. (2015). Importance of Ethiopian shade coffee farms for forest bird conservation. Biological
Conservation, 188, 50–60. http://doi.org/10.1016/j.biocon.2015.01.011
Bunn, C., Ovalle, O., Laderach, P., Mosnier, A., Obersteiner, M., Kirschke, D. (2013). The utility of an agro-
ecological niche model of coffee production for future change scenarios. In: Impacts World 2013,
International Conference on Climate Change Effects. Potsdam, 16 p.
Busari, M. A., Kukal, S. S., Kaur, A., Bhatt, R., & Dulazi, a. a. (2015). Conservation tillage impacts on soil, crop
and the environment. International Soil and Water Conservation Research, 3(2), 1–11.
http://doi.org/10.1016/j.iswcr.2015.05.002
Butler, J. H. & Montzka, S. A. (2016). The NOAA Annual Greenhouse Gas Index (AGGI), in:
http://www.esrl.noaa.gov/gmd/aggi/aggi.html.
Butterbach-Bahl, K., & Dannenmann, M. (2011). Denitrification and associated soil N2O emissions due to
agricultural activities in a changing climate. Current Opinion in Environmental Sustainability, 3(5), 389–
395. http://doi.org/10.1016/j.cosust.2011.08.004
CAF. Banco de Desarrollo de América Latina (2014). Índice de vulnerabilidad y adaptación al cambio climático
en la región de América Latina y el Caribe. CAF.
Camargo, A.P. (1985). O clima e a cafeticultura no Brasil. Inf. Agropec.11, 13–26.
Camargo, M.B.P. (2010). The impact of climatic variability and climate change on arabic coffee crop in Brazil.
Bragantia, Campinas, 69 (1), 239-247.
Camargo, M.B.P., Rolim, G.S., Santos, M.A. (2007). Modelagem agroclimatológica do café: estimativa e
mapeamento das produtividades. Informe Agropecuário, 28, 58 - 65, 2007.
Camargo, M.B.P.; Santos, M.A.; Pedro Junior, M.J.; Fahl, J.I.; Brunini,O.; Meireles, E.J.L.; Bardin, L. (2003).
Modelo agrometeorológico de monitoramento e de estimativa de quebra de produtividade como subsidio
à previsão de safra de café (Coffea arabica L.): resultados preliminares. In: Simpósio de pesquisa dos
cafés do brasil, 3., 2003. Porto Seguro. Anais...Porto Seguro: Consórcio Brasileiro de Pesquisa e
Desenvolvimento do Café. 75-76.
Camayo, G.C., Chavez, B. Arcila, J. Jaramillo, A. (2003). Desarrollo floral del cafeto y su relación con las
condiciones climáticas de Chinchiná-Caldas. Cenicafé, 54(1), 35-49.
Camilloni (2011). Cambio climático y el aporte científico: informe del IPCC 2014. Centro de Investigaciones
del Mar y la Atmósfera (CIMA/UBA-CONICET).
Campbell, B. M., Thornton, P., Zougmoré, R., van Asten, P., & Lipper, L. (2014). Sustainable intensification:
What is its role in climate smart agriculture? Current Opinion in Environmental Sustainability, 8, 39–43.
http://doi.org/10.1016/j.cosust.2014.07.002
Cannell, M.G. (1976). Crop physiological aspects of coffee bean yield – a review. Kenya Coffee 41, 245-253.
Cannell, M.G. (1985). Physiology of the coffee crop. In: Clifford MN, Willson KC (eds), Coffee - Botany,
Biochemistry and Production of Beans and Beverage, Crom Helm, London. 108-134.
Cannell, M.G., (1983). Coffee. Biologist 30, 257–263.
Carmona, A.M. & Poveda, G., (2014). Detection of long-term trends in monthly hydro-climatic series of
Colombia through empirical mode decomposition. Clim. Change. http://dx.doi.org/10.1007/s/10584-013-
1046-3.
Carr, M.K.V., (2001). The water relations and irrigation requirements of coffee. Experimental Agriculture 37 (1),
1–36.
Carter, T. (2007). General Guidelines on the Use of Scenario Data for Climate Impact and Adaptation
Assessment. Version 2, Task Group on Data and Scenario Support for Impact and Climate Assessment
(TGICA). Intergovernmental Panel on Climate Change (IPCC), Geneva. In: http://www.ipcc-
data.org/guidelines/TGICA_guidance_sdciaa_v2_final.pdf
Carvajal, A. F., & Pabón, J. D. (2016). Transformación de la superficie terrestre por la actividad humana y su
relacion con el cambio climatico, Soc. & Nat., Uberlandia 28(2), 185–198.
Carvalho, L.G.; Sediyama, G.C.; Cecon, P.R.; Ramos Alves, H.M. (2003). Avaliação de um modelo
agrometeorológico para previsão de produtividade de café em três localidades da região sul do Estado
de Minas Gerais. Revista Brasileira de Agrometeorologia, Santa Maria, 11(2), 343-352.
Castillo, Z.J. & López, A.R. (1966). Nota sobre el efecto de la intensidad de la luz en la floración del cafeto.
Cenicafé 17(2), 51-60.
Ceballos, J.L., Euscategui, C., Ramírez, J., Cañón, M., Huggel, C., Haeberli, W., Machguth, H.(2006). Fast
shrinkage of tropical glaciers in Colombia. Annals of Glaciology, 43 (1), 194-201.
Cecil, D. J., Buechler, D. E., & Blakeslee, R. J. (2014). Gridded lightning climatology from TRMM-LIS and OTD:
Dataset description. Atmospheric Research, 135–136, 404–414.
CENICAFE (2013). Manual del cafetero colombiano. Investigaicón y tecnología para la sostenibilidad de la
caficultura. Chinchiná: CENICAFÉ-FNC.
CEPAL. Comisión Económica para América Latina y el Caribe. (2010): Efectos del Cambio climático sobre la
Agricultura. México: CEPAL.
CEPAL. Comisión Económica para América Latina y El Caribe. (2013). Panorama del Cambio climático en
Colombia. Serie Medio Ambiente y Desarrollo No 146. Publicación de las Naciones Unidas. Santiago de
Chile: CEPAL. 106 p.
CEPAL. Comisión Económica para América Latina y El Caribe. (2016). Agenda 2030 y los objetivos de
Desarrollo Sostenible. Una oportunidad para América Latina y el Caribe. Santiago: CEPAL. 50 p.
CEPAL. Comisión Económica para el América Latina y el Caribe. (2009). Cambio Climático y desarrollo en
América Latina y el Caribe: una reseña. Santiago de Chile: Organización de las Naciones Unidas.
Chaboureau, J., Guichard, F., Redelsperger, J., Lafore, J. (2004). Role of stability and moisture in the diurnal
cycle of convection over land. Quart. J. Roy. Meteor. Soc. 130, 3105-3117
Challinor, A.J., Wheeler, T.R., Slingo, J.M., Craufurd, P.Q., Grimes, D.I.F. (2004). Design and optimisation of
a large-area process-based model for annual crops. Agric. Forest Meteorol. 124, 99–120.
Challinor, A.J., Wheeler, T.R., Slingo, J.M., Hemming, D., (2005). Quantification of physical and biological
uncertainty in the simulation of the yield of a tropical crop using present-day and doubled CO2 climates.
Philos. Trans. Roy. Soc. B 360, 2085–2094.
Charbonnier, F., le Maire, G., Dreyer, E., Casanoves, F., Christina, M., Dauzat, J., … Roupsard, O. (2013).
Competition for light in heterogeneous canopies: Application of MAESTRA to a coffee (coffea arabica l.)
agroforestry system. Agricultural and Forest Meteorology, 181, 152–169.
http://doi.org/10.1016/j.agrformet.2013.07.010
Chica Ramírez, H. A., Peña Quiñones, A. J., Giraldo Jiménez, J. F., Obando Bonilla, D. , Riaño Herrera, N.
M. (2014) Suemulador: herramienta para la simulación de datos faltantes en series climáticas diarias de
zonas ecuatoriales. Revista Facultad Nacional de Agronomía Medellín 67 (2), 67, núm. 2 (2014); 7365-
7373.
Choudhury, B.J. (2001). Modeling radiation - and carbon - use efficiencies of maize, sorghum, and rice. Agric.
For. Meteorol. 106, 317-330.
Christensen, J.H. et al. (2007): Regional climate projections. En Climate Change 2007. The Physical Science
Basis. Contribution of working Group I to the fourth Assessment Report of the Intergovermental Panel on
Climate Change. Cambridge University Press, Cambridge, United kingdom and New York, 847-940.
CIAT. Centro Internacional de Agricultura Tropical. (2012a). Escenarios del Impacto del Clima Futuro en Áreas
de Cultivo de Café en El Salvador. Cali, Colombia y Managua, Nicaragua.
CIAT. Centro Internacional de Agricultura Tropical. (2012b). Escenarios del Impacto del Clima Futuro en Áreas
de Cultivo de Café en Guatemala. Cali, Colombia y Managua, Nicaragua.
CIAT. Centro Internacional de Agricultura Tropical. (2012c). Escenarios del Impacto del Clima Futuro en Áreas
de Cultivo de Café en México. Cali, Colombia y Managua, Nicaragua.
CIAT. Centro Internacional de Agricultura Tropical. (2012d). Escenarios del Impacto del Clima Futuro en Áreas
de Cultivo de Café en Nicaragua. Cali, Colombia y Managua, Nicaragua
Cleves, J.A., Toro, J., Martínez, L. (2016). Los balances agrícolas en modelos de simulación agroclimáticos.
Una revisión analítica. Revista Colombiana de Ciencias Hortícolas 10(1), 149-163.
CMIP5. (2015). CMIP5. Coupled Model Intercomparison. WCRP World Climate Research Programme. In:
http://cmip-pcmdi.llnl.gov/cmip5/guide_to_cmip5.html
CMNUCC. Convención Marco de las Naciones Unidas sobre el Cambio Climático. (2007): Unidos por el clima.
Bonn Alemania. CMNUCC.
Comisión Europea (2016). BioMa Framewok. Disponible en: http://bioma.jrc.ec.europa.eu
Comité departamental de Cafeteros de Caldas (2003). Informe de Gestión 2003. Manizales: FNC. Disponible
en: http://www.recintodelpensamiento.com/ComiteCafeteros/Informes/2003/
Conde, C., Vinocur, M., Gay, C., Seiler, R., Estrada, F., (2008). Climate threat spaces in Mexico and Argentina.
In: Leary, N., Conde, C., Kulkarni, J., Nyong, A., Pulhin, J. (Eds.), Climate Change and Vulnerability.
Earthscan, London, UK, pp. 279–306.
Constantino, L., Gil, Z., Jaramillo, A., Benavides, P., Bustillo, A. (2011). Efecto del cambio y la variabilidad
climática en la dinámica de infestación de la broca del café, Hypothenemus hampei en la zona central
cafetera de Colombia. En: Libro de Memorias 38°Congreso Sociedad Colombiana de Entomología,
Manizales, 106-121.
CORPOCALDAS & COAMBIENTAL LAM (2010). Contrato 032-2010. Cuantificación de caudales en fuentes
hídricas superficial de Caldas. Manizales: Corporación Autónoma Regional de Caldas.
CORPOCALDAS & GIAS (2014). Contrato 109-2013. Apoyo técnico para la reglamentación de la tasa
retributiva por la utilización directa e indirecta del recurso hídrico como receptor de vertimientos puntuales,
jurisdicción de Corporcaldas. Informe “Estado de calidad de los cuerpos de agua receptores de
vertimientos diferentes al río Chinchiná”. Manizales: Corporación Autónoma Regional de Caldas. Grupo
de Investigación en Agua y Saneamiento Universidad Tecnológica de Pereira.
CORPOCALDAS. (2016). Plan de Acción Institucional 2016-2019. Actualización del diagnóstico ambiental de
Caldas. Manizales: Corporación Autónoma Regional de Caldas.
CORPOICA. Corporación Colombiana de Investigación Agropecuaria. (2011). Investigación sobre los efectos
del cambio climático en la distribución altitudinal de insectos plaga del café y sus enemigos naturales en
la zona cafetera de Colombia. Bogotá: CORPOICA.
Correia, M., Diabaté, M., Beavogui, P., Guilavogui, K., Lamanda, N., de Foresta, H., (2010). Conserving forest
tree diversity in Guinée Forestiére (Guinea, West Africa): the role of coffee-based agroforests. Biodiversity
and Conservation 19, 1725–1747.
Cortés, E. (1989). Estudio del régimen de temperatura en Colombia. 103 pp. HIMAT. Bogotá.
Council, Washington DC.
Craparo, a. C. W., Van Asten, P. J. a., Läderach, P., Jassogne, L. T. P., & Grab, S. W. (2015). Coffea arabica
yields decline in Tanzania due to climate change: Global implications. Agricultural and Forest
Meteorology, 207, 1–10. http://doi.org/10.1016/j.agrformet.2015.03.005
Craufurd, P. Q., Vadez, V., Jagadish, S. V. K., Prasad, P. V. V., & Zaman-Allah, M. (2013). Crop science
experiments designed to inform crop modeling. Agricultural and Forest Meteorology, 170, 8–18.
Craufurd, P. Q., Vadez, V., Jagadish, S. V. K., Prasad, P. V. V., & Zaman-Allah, M. (2013). Crop science
experiments designed to inform crop modeling. Agricultural and Forest Meteorology, 170, 8–18.
Crisosto, C.H., Grantz, D.A., Meinzer, F.C. (1992). Effects of the water deficit on flower open in coffee (Coffea
arabica L.). Tree Physiology. 10: 127-139.
Cubash, U., J.Waszkewitz, G. Hegerl and J. Perlwitz. (1995). Regional climate changes as simulated by time-
slice experiments. Climate change 31, 273-304.
Dai, A (2001). Global precipitación and thunderstorm frequencies. Part II: Diurnal variations. Journal of
climate, 14(6): 1112-1128.
Dai, A. (2006). Recent climatology, variability, and trends in global surface humidity. Journal of Climate, 19,
3589-3606.
DaMatta, F., Ronchi, C., Maestri, M., Barros, R. (2007). Ecophysiology of coffee growth and production. Braz.
J. Plant Physiol., 19(4), 485-510.
DaMatta, F.M., (2004). Ecophysiological constraints on the production of shaded and unshaded coffee: a
review. Field Crops Res. 84, 99-114.
DaMatta, F.M., Chaves, A.R.M., Pinheiro, H.A., Ducatti, C., Loureiro, M.E., (2003). Drought tolerance of two
field-grown clones of Coffea canephora. Plant Sci. 164 (1), 111–117.
Dams, J., Nossent, J., Senbeta, T. B., Willems, P., & Batelaan, O. (2015). Multi-model approach to assess the
impact of climate change on runoff. Journal of Hydrology, 529, 1601–1616.
http://doi.org/10.1016/j.jhydrol.2015.08.023
Dauzat, J., Rapidel, B., Berger, A., (2001). Simulation of leaf transpiration and sap flow in virtual plants: model
description and application to a coffee plantation in Costa Rica. Agric. Forest. Meteol. 109, 143–160.
David, O., Ascough II, J.C., Lloyd, W., Green, T.R., Rojas, K.W., Leavesley, G.H., Ahuja, L.R., (2013). A
software engineering perspective on environmental modeling framework design: the object modeling
system. Environ. Model. Softw. 39, 201-213.
De Beenhouwer, M., Geeraert, L., Mertens, J., Van Geel, M., Aerts, R., Vanderhaegen, K., & Honnay, O. (2016).
Biodiversity and carbon storage co-benefits of coffee agroforestry across a gradient of increasing
management intensity in the SW Ethiopian highlands. Agriculture, Ecosystems and Environment, 222,
193–199. http://doi.org/10.1016/j.agee.2016.02.017
De Wit, C. T. & Penning de Vries, F. W. T. (1982). L’Analyse des systemes de production primaire. In La
productivite des pdturages sahe’liens. Une etude des sols, des vegetations et de l’exploitation de cette
ressource naturelle, eds F. W. T. Penning de Vries & M. A. Djiteye. Agricultural Research Reports 918,
PUDOC, Wageningen, The Netherlands. 20-27.
De Wit, C.T., (1968). Theorie en model. Inaugurele Rede Landbouwhogeschool. H.Veenman & Zonen N.V.,
Wageningen, 13 p.
Debels, P. & Escurra (2010). Análisis e interpretación de resultados de procesos de modelación. Bogotá:
Banco Mundial.
Decasy, F., Avelino, J., Guyot, B., Perriot, J.I., Pineda, C., Cilas, C. (2003) Quality of different Honduran coffees
in relation to several environments. J. Food Sci. 68, 2356-2361.
Deckers, D., Booij, M.J., Rientjes, T., Krol, M. (2010). Catchment variability and parameter estimation in multi
– objective regionalisation of a rainfall – runoff model. Water resources management, 24 (14), 3961-3985.
Delire, C., Ngomanda, A., Jolly, D., (2008). Possible impacts of 21st century climate on vegetation in Central
and West Africa. Global and Planetary Change 64, 3–15.
Departamento Nacional de Planeación (2008). Documento CONPES 3527. Política Nacional de
Competitividad y Productividad. Bogotá: DNP.
Déqué, M., D. P. Rowell, D. Lüthi, F. Giorgi, J. H. Christensen, B. Rockel, D. Jacob, E. Kjellström, M. De
Castro, and B. van den Hurk. (2007). An intercomparison of regional climate simulations for europe:
assessing uncertainties in model projections. Climatic Change, 81:53–70, 2007.
DHI (2016). Water resources climate change. Guidelines. How to achieve sustainable adaption. In:
http://www.dhigroup.com/upload/publications/scribd/99997441-Water-Resources-Climate-Change-
Guidelines-DHI.pdf
Dhillon, R.S. & von Wuehlisch, G. (2013). Mitigation of global warming through renewable biomass. Biomass
and Bioenergy, 48, 75-89.
Di Gregorio, M., Nurrochmat, D. R., Paavola, J., Sari, I. M., Fatorelli, L., Pramova, E., … Kusumadewi, S. D.
(2016). Climate policy integration in the land use sector: Mitigation, adaptation and sustainable
development linkages. Environmental Science & Policy, 67, 35–43.
http://doi.org/10.1016/j.envsci.2016.11.004
Díaz, H. & Bradlely, R. (1997). Temperature variations during the last century at high elevation sites. Climate
Change 36, 253-279.
DNP, MinAgricultura, MAS, IDEAM, CDKN, Universidad del Cauca, Universidad de Caldas, CIAT, Cenicafe
(2013). Agricultura, Vulnerabilidad y Adaptación. AVA.
DNP. Departamento Nacional de Planeación (2007). Agenda interna para la productividad y la competitividad.
Documento regional Caldas. Bogotá: DNP.
DNP. Departamento Nacional de Planeación (2011). Documento CONPES 3700. Estrategia Institucional para
la articulación de políticas y acciones en materia de cambio climático en Colombia. Bogotá: DNP.
DNP. Departamento Nacional de Planeación (2012). El análisis de los impactos económicos del cambio
climático para Colombia utilizando el Modelo de Equilibrio General Computable. Bogotá: DNP.
DNP-BID (2014). Impactos económicos del cambio climático en Colombia. Síntesis. Bogotá: DNP, BID.
Donatelli, M., Russell, G., Rizzoli, A., Acutis, M., Adam, M., Athanasiadis, I., .., J., Zerourou, A., (2010). A
component-based framework for simulating agricultural production and externalities. In: Brouwer, F.M.,
Ittersum, M.K. (Eds.), Environmental and Agricultural Modelling. Springer Netherlands, 63-108
Dossa, E.L., Fernandes, E.C.M., Reid, W.S., Ezui, E., (2008). Above- and belowground biomass, nutrient and
carbon stocks contrasting an open-grown and a shaded coffee plantation. Agroforestry Systems 72, 103–
115.
DSSAT (2017). Decision Support System for Agrotechnology Transfer (DSSAT). Available in: http://dssat.net/
Duursma, R.A. & Medlyn, B.E. (2012). MAESPA: a model to study interactions betweenwater limitation,
environmental drivers and vegetation function at tree andstand levels, with an example application to
[CO2] drought interactions.Geosci. Model Dev. Discuss. 5, 459–513.
Easterling, D. et al. (1997). Maximum and Minimum Temperature Trends for the Globe. Science 277 (18), 364-
366.
Easterling,W.E., Aggarwal, P.K., Batima, P., Brander, K.M., Erda, L., Howden, S.M., Kirilenko, A., Morton, J.,
Soussana, J.-F., Schmidhuber, J., Tubiello, F.N., (2007). Food, fibre and forest products. In: Parry, M.L.,
Canziani, O.F., Palutikof, J.P., Linden, P.J.v.d., Hanson, C.E. (Eds.), Climate Change 2007: Impacts,
Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the
Intergovernmental Panel on Climate Change. Cambridge University Press, Cambridge, UK, pp. 273–313.
Eitzinger, A., Jarvis, A., Laderach, P., Ramírez, J., Zapata, E., Zelaya, C. (2010). Cambio climatico: Senderos
de adaptación para la agricultura en Latinoamérica. Seminario Agricultura Sustentable. Universidad
Tecnológica de Pereira.
Elgamal, A., Reggiani, P., & Jonoski, A. (2017). Impact analysis of satellite rainfall products on flow simulations
in the Magdalena River Basin, Colombia. Journal of Hydrology: Regional Studies, 9, 85–103.
http://doi.org/10.1016/j.ejrh.2016.09.001
Elith, J., Graham, C.H., Anderson, R.P., Dudík, M., Ferrier, S., Guisan, A., Hijmans, R.J.,…Zimmermann, E.
(2006). Novel methods improve prediction of species' distributions from occurrence data. Ecography 29,
129-151.
Eslava J.A. & Pabón J.D. (2001). Proyecto “Proyecciones climáticas e impactos socioeconómicos del cambio
climático en Colombia”. Meteorología Colombiana, 3, 1-8.
Eslava, J. (1993). Climatología y Diversidad Climática de Colombia. Rev. Acad. Colomb. Cienc. 18(71), 507-
538.
Eslava, J., Lopez V., Olaya G. (1986a). Los climas de Colombia (Sistema de W. Koeppen). Atmósfera 5, 35-
81.
Eslava, J., Lopez V., Olaya G. (1986b). Los climas de Colombia (Sistema de C.W.Thornthwaite). Atmósfera 6,
33-76.
Eslava, J., Lopez V., Olaya G. (1986c). Los climas de Colombia (Sistema de Caldas - Lang). Atmósfera 7, 41-
77.
Eslava, J., Lopez V., Olaya G. (1986d). Los climas de Colombia (Sistema de E. De Martonne). Atmósfera 8,
47-79.
Estes, L. D., Bradley, B. A., Beukes, H., Hole, D. G., Lau, M., Oppenheimer, M. G., Schulze, R., Tadross, M.
A. and Turner, W. R. (2013), Comparing mechanistic and empirical model projections of crop suitability
and productivity: implications for ecological forecasting. Global Ecology and Biogeography, 22, 1007–
1018. doi:10.1111/geb.12034
FAO & GIZ (2012). Herramientas para la adaptación al cambio climático en el sector agropecuario. Lima. FAO,
GIZ.
FAO (2015). AquaCrop. In FAO Water. Disponible en: http://www.fao.org/nr/water/aquacrop.html
FAO (2015b). Manejo Agroecológico de la rojya del café. Disponible en: http://www.fao.org/3/a-i5137s.pdf
FAO. (2007). Ecrocrop. Disponible en: http://ecocrop.fao.org/ecocrop/srv/en/home
FAO. Food and Agriculture Organization of the United Nations (2016c). Climate change and food security: risks
and responses. Rome: FAO In: http://www.fao.org/3/a-i5188e.pdf
FAO. Food and Agriculture Organization of the United Nations (2016d). 2016 The State of Food and Agriculture.
Climate Change, agriculture and Foode Security. Rome: FAO.
FAO. Food and Agriculture Organization of the United Nations (2013). Climate Smart Agriculture Sourcebook.
FAO; 2013.
FAO. Food and Agriculture Organization of the United Nations. (2003): World Agriculture: Towards 2015/2030.
Rome: FAO.
FAO. Organización de las Naciones Unidas para la Agricultura y la Alimentación (2007). Cambio climático y
seguridad Alimentaria: Un documento Marco. Roma: FAO, 24 p.
FAO. Organización de las Naciones Unidas para la Agricultura y la Alimentación (2016a). Challenges for
sustainable use of natural resources, risk management and climate change adaptation in Latin America
and the Caribbean in the new framework of Sustainable Development Goals. FAO regional conference
for Latin America and the Caribbean. México, 29 february- 3 March. 9 p. In: http://www.fao.org/3/a-
mp447e.pdf
FAO. Organización de las Naciones Unidas para la Agricultura y la Alimentación (2016b). Migración, Agricultura
y Desarrollo Rural. FAO, 20 p.
FAO. Organización de las Naciones Unidas para la Agricultura y la Alimentación (2015). Soils help to combat
and adapt to climate change. Healthy soils provide the largest store of terrestrial carbon. FAO, 2 p. In:
http://www.fao.org/3/a-bb008e.pdf
FAO. Organización de las Naciones Unidas para la Agricultura y la Alimentación (2017). GAEZ- Global Agro-
Ecological Zones. FAO. In: http://www.fao.org/nr/gaez/es/
Farfán-Valencia, F., Arias-Hernández, J., Riaño-Herrera, N. (2003). Desarrollo de una metodología para medir
sombrío en sistemas agroforestales con café. Cenicafé 54(1), 24-34.
Fatichi, S., Rimkus, S., Burlando, P., & Bordoy, R. (2014). Does internal climate variability overwhelm climate
change signals in streamflow? The upper Po and Rhone basin case studies. Science of the Total
Environment, 493, 1171–1182. http://doi.org/10.1016/j.scitotenv.2013.12.014
Federación Nacional de Cafeteros (2016). El cultivo. Recuperado el 10 Enero de 2016, de
http://www.cafedecolombia.com/particulares/es/sobre_el_cafe/el_cafe/el_cultivo/
Fenta, D. & Disse, M. (2016). Analyzing the future climate change of upper Blue Nile River Basin using statistical
down scaling techniques. Hydrol. Earths Syst Sci. Discuss. doi:10.5194/hess-2016-543, 2016
Fernández, M. (2013a). Efectos del cambio climático en la producción y rendimiento de cultivos por sectores.
Evaluación del riesgo agroclimático por sectores. Bogotá: FONADE, IDEAM, BID.
Fernández, M. (2013b). Diagnóstico de modelos agroclimáticos. Evaluación del riesgo agroclimático pro
sectores. Bogotá: FONADE, IDEAM, BID.
Fernández, M. (2013c). Efectos del cambio climático en el redimiento de tres cultivos mediante el uso del
Modelo Aquacrop. Bogotá: FONADE, IDEAM, BID.
Flumignan, D. L., de Faria, R. T., & Prete, C. E. C. (2011). Evapotranspiration components and dual crop
coefficients of coffee trees during crop production. Agricultural Water Management, 98(5), 791–800.
http://doi.org/10.1016/j.agwat.2010.12.002
FNC. Federación Nacional de Cafeteros de Colombia (2011a). Comportamiento de la Industria Cafetera
Colombiana 2011. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia (2011b). Caficultura climáticamente inteligente. Informe
del Gerente General. 2011. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia (2011c). Caficultura climáticamente inteligente. Informe
de Comités Departamentales. 2011. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia (2012a). Caficultura Sostenible. Informe de Gerente
General. 2012. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia (2012b). Temas destacados de Actualidad Cafetera.
Preguntas Frecuentes. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia (2012c). Caficultura Sostenible. Informe de Comités
Departamentales. 2012. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia. (2012). Comportamiento de la industria cafetera
colombiana 2012. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia. (2013b). Por una caficultura competitiva. Informes de
Comités departamentales. Bogotá: FNC
FNC. Federación Nacional de Cafeteros de Colombia. (2014a). La Política Cafetera 2010-2014. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia. (2014b). Informes de Comités Departamentales. Por la
caficultura que queremos. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia. (2014c). Comportamiento de la industria cafetera
FNC. Federación Nacional de Cafeteros de Colombia. (2017). Comportamiento de la Industria Cafetera
Colombiana 2017. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia. (2017a). Producción registrada-mensual. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia. (2017b). Volumen de las exportaciones colombianas de
café-mensual. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia. (2017c). Área cultivada con café total departamental.
Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia. (2017d). Área cultivada con café total según nivel de
tecnificación. Bogotá: FNC.
FNC. Federación Nacional de Cafeteros de Colombia. (2017e). Área cultivada con café total según exposición
solar Bogotá: FNC.
FNC-CENICAFÉ (2016). Plataforma Agroclimática cafetera. http://agroclima.cenicafe.org/web/guest/home
Foden, W. B. & Young, B. E. (2016). Guideliness for assessing species´vulnerability to Climate Change.
Occasional Paper of the IUCN Species Survival Commission No. 59. Cambridge, UK and Gland,
Switzerland: IUCN Species Survival Commission. 114p.
Francés F, Vélez J.I & Vélez J.J. (2007). Split parameter structure for the automatic calibration of distributed
hydrological models. Journal of Hydrology, 332, 226-240.
Frank, D.C., Esper, J., Raible, C.C., Buntgen, U., Trouet, V., Stocker, B., Joos, F., (2010). Ensemble
reconstruction constraints on the global carbon cycle sensitivity to climate. Nature 463, 527–530.
Frei, C., Schöll, R., Fukutome, S., Schmidli, J., Vidale, P.L., (2006). Future change of precipitation extremes in
Europe: an intercomparison of scenarios from regional climate models. J. Geophys. Res. 111, D06105.
Fujibe, F., Yamazaki, N., Katsuyama, M., & Kobayashi, K. (2005). The increasing trend of intense precipitation
in Japan based on four-hourly data for a hundred years. SOLA, 1, 2005-2012.
Fundación Española para la Ciencia y la Tecnología. (2004). Meteorología y Climatología. Madrid, España:
Villena Artes Gráficas.
Gaastra, P. (1959). Photosynthesis of crop plants as influenced by light, carbon dioxide, temperature and
stomatal diffusion resistance. Mededelingen van de Landbouwhogeschoolte Wageningen. 59, 1-68.
Gangopadhyay, S., M. Clark ,& B. Rajagopalan (2005), Statistical downscaling using K-nearest neighbors,
Water Resour. Res., 41, 1-23.
García, M.C., Piñeros, A., Bernal, F.A., Ardila, E. (2012). Variabilidad climática, cambio climático y el recurso
hídrico en Colombia. Revista de Ingeniería. Universidad de los Andes, 36, 60-64.
Gardner, L. R. (2009). Assessing the effect of climate change on mean annual runoff. Journal of Hydrology
3790 (3-4), 351-359.
Gilgen, H., Wild, M & Ohmura, A. (1988). Means and trends of shortwave irradiance at the surface estimated
from global energy balance archive data. J. Climate 11. , 2042-2061.
Gillet, N.P., Zwiers F.W, Weaver A.J., Stott P.A. (2003) Detection of human influence on sea-level pressure.
Nature 422, 292- 294.
Gil-Serna, J., Vázquez, C., García Sandino, F., Márquez Valle, A., González-Jaén, M. T., & Patiño, B. (2014).
Evaluation of growth and ochratoxin A production by Aspergillus steynii and Aspergillus westerdijkiae in
green-coffee based medium under different environmental conditions. Food Research International, 61,
127–131. http://doi.org/10.1016/j.foodres.2014.01.058
Giorgi, F. (2005). Climate change prediction. Climatic Change 73, 239-275.
Giorgi, F. (2008). Regionalización de la información sobre el cambio climático para la evaluación de impactos
y la adaptación a los mismos. Boletín de la OMM 57, 86-92.
Giorgi, F. , Christensen, J. , Hulme, M. , von Storch, H. , Whetton, P. , Jones, R. …, Xue, Y. (2001): Regional
Climate Information- Evaluation and Projections , Climate Change 2001: The Scientific Basis. Contribution
of Working Group to the Third Assessment Report of the Intergouvernmental Panel on Climate Change
[Houghton, J.T. et al. (eds)]. Cambridge University Press, Cambridge, United Kongdom and New York,
US, 881 p., ISBN: 0521 01495 6.
Gleick, P. H. (1986). Methods for evaluating the regional hydrologic impacts of global climatic changes, J.
Hydrol. 88, 97–116.
Gliessman, S. R. (2002). Agro ecología. Procesos ecológicos en agricultura sostenible. CATIE, C.R. 359 p.
Gobierno de Colombia (2015). Contribución Prevista Determinada a Nivel Nacional. En:
http://www4.unfccc.int/submissions/INDC/Published%20Documents/Colombia/1/INDC%20Colombia.pdf
Goglio, P., Smith, W. N., Grant, B. B., Desjardins, R. L., McConkey, B. G., Campbell, C. A., & Nemecek, T.
(2015). Accounting for soil carbon changes in agricultural life cycle assessment (LCA): A review. Journal
of Cleaner Production, 104, 23–39. http://doi.org/10.1016/j.jclepro.2015.05.040
Gómez, L., Caballero, A., & Baldión, J. (1991). Ecotopos cafeteros de Colombia. Bogotá: Federación Nacional
de Cafeteros de Colombia, p. 131.
Gómez, M.O. (2000). Efecto del estrés hídrico sobre la actividad fotosintética de la planta de café (Coffea
arabica L c.v., Colombia). Manizales: Universidad de Caldas.
González, C. (2007). Producción de Café en Honduras: Modelado de las Relaciones Cafeto-Arbolado.
Universidad Politécnica de Madrid. Departamento de Producción Vegetal: Fitotecnia. 212 p.
González, F. (2014). Hidroclimatología del departamento de Caldas. Manizales: Universidad Nacional de
Colombia sede Manizales, 290 p.
Goodess, C.M. (2013). How is the frequency, location and severity of extreme events likely to change up to
2060?. Environ. Sci. & Police, 27 (1), 4-14.
Gordillo, F., S. Calderón, G. Romero, D. A. Ordóñez, A. Álvarez, L. Sánchez-Aragón y C. E. Ludeña. (2015).
Impactos Económicos del Cambio Climático en Colombia: Sector Transporte. Banco Interamericano de
Desarrollo, Monografía No. 259, Washington D.C.
Gregersen, J.B., Gijsbers, P.J.A., Westen, S.J.P., Blind, M., (2005). OpenMI: the essential concepts and their
implications for legacy software. Adv. Geosci. 4, 37-44.
Gregory, P.J. & Ingram, J.S.I. (2000). Global change and food and forest production: future scientific
challenges. Agric. Ecosyst. Environ. 82 (1-3), 3-14.
Gresser, C. & Tickell, S. (2002). Mugged: Poverty in Your Coffee Cup. Oxfam International, Oxfam Campaign
Reports Series.
Gribovszki, Z., Szilágyi, J., & Kalicz, P. (2010). Diurnal fluctuations in shallow groundwater levels and
streamflow rates and their interpretation - A review. Journal of Hydrology, 385(1–4), 371–383.
http://doi.org/10.1016/j.jhydrol.2010.02.001
GTZ. (2008). Climate change and agriculture Threats and Opportunities. Eschborn. GTZ.
Guerra, A.F., Rocha, O.C., Rodrigues, G.C. (2005). Manejo do cafeeiro irrigado no Cerrado com estresse
hídrico controlado. Irrig. Tecnol. Mod. 65-66, 42-45.
Guerra, A.F., Rocha, O.C., Rodrigues, G.C., Sanzonowicz, C. (2006). Manejo da irrigação do cafeeiro, com
estresse hídrico controlado, para uniformização de florada. In: Zambolim L (ed), Boas Práticas Agrícolas
na Produção de Café. Universidade Federal de Viçosa, 83-116.
Guharay, F; Monterrey, J; Monterroso, D; Staver, C. (2000). Manejo integrado de plagas en el cultivo del café.
Manual técnico 44. Managua. 272 p.
Guyot, B., Gueule, D., Manez, J.C., Perriot, J.J., Giron, J., Vilain, J. (1996). Influence de l’altitude et de
l’ombrage dês cafés Arabica. Plant. Rech. Dévelop. 3, 272-280.
Guzmán, F. (2013). Escenarios de cambio climático en San Marín y su impacto en el cultivo del café. Lima:
Senamhi.
Hack, H., H. Bleiholder, L. Buhr, U. Meier, U. Schnock-Fricke,E. Weber, A. Witzenberger. (1992). Einheitliche
Codierung der phänologischen Entwicklungsstadien mono- und dikotyler Pflanzen – Erweiterte BBCH-
Skala, Allgemein -Nachrichtenbl. Deut. Pflanzenschutzd. 44, 265-270.
Haggar, J. & K. Schepp. (2012). Coffee and climate change. Impacts and options for adaption in Brazil,
Guatemala, Tanzania and Vietnam. NRI working paper series: Climate change, agriculture and natural
resources, 4, Publ. University of Greenwich. UK.
Hailegeorgis, T. & Bunr, D. (2009). Uncertainty assessmetn of the impacts of climate change on extreme
precipitation events. Waterloo: Canadian Foundation for Climate and Atmospheric Sciences.
Hall, T.J, Van der Haar, T.H. (1999).The Diurnal Cycle of West Pacific Deep Convection and Its Relation to the
Spatial and Temporal Variation of Tropical MCSs. Journal of the Atmpheric Sciences, 56, 3401-3415.
Halliday, S. J., Wade, A. J., Skeffington, R. A., Neal, C., Reynolds, B., Rowland, P., Neal, M., and Norris, D.
(2012). An analysis of long-term trends, seasonality and short-term dynamics in water quality data from
Phylimon, Wales. Science of the Total Environment 434, 186–200
Harding, R. J., Weedon, G. P., van Lanen, H. A. J., & Clark, D. B. (2014). The future for global water
assessment. Journal of Hydrology, 518(PB), 186–193. http://doi.org/10.1016/ j.jhydrol.2014.05.014
Havlin, J.L.; Beaton, J.D.; Tisdale, S.L.; Nelson, W.L. (1999). Soil fertility and fertilizers; an introduction to
nutrient management. 6. ed. Upper Saddle River, Prentice Hall, 1999. 499 p.
Heichel, G.H., Musgrave, R.B. (1969). Relation of CO2 compensation concentration to apparent photosynthesis
in maize. Plant Physiol. 44, 1724-1728.
Herrera, J. C., G. Romero, S. Calderón, D. A. Ordóñez, A. Álvarez, L. Sánchez-Aragón y C. E. Ludeña. (2015).
Impactos Económicos del Cambio Climático en Colombia: Sector Pesquero. Banco Interamericano de
Herron, H., Bohn, B., Roy, S., Evans, W. (2016). Climate change data and risk assessment methodologies for
the Caribbean. Technical Note Inter-American Development Bank.
Herzog, F., (1994). Multipurpose shade trees in coffee and plantations in Côte d’Ivoire. Agrofor. Syst. 27, 259–
268
Herzog, S., Martinez, R., Jorgense, P., Tiessen, H. (2011). Cambio climatico y Biodiversidad en los Andres
Tropicales. Inter-American Institute for Global Change Research and Scientific Committe on Problems of
the Environment, 348 p.
Hesketh, J., Baker. D. (1967). Light and carbon assimilation by plant communities. Crop Sci. 7, 285-293.
Hijmans, R.J., S.E. Cameron, J.L. Parra, P.G. Jones, and A. Jarvis. (2005). Very high resolution interpolated
climate surfaces for global land areas. International Journal of Climatology 25, 10.1002/joc.1276.
Holdridge, L.R. (1978). Life Zone Ecology. San Jose de Costa Rica: Tropical Science Center.
Holzkämper, A., Klein, T., Seppelt, R., & Fuhrer, J. (2015). Assessing the propagation of uncertainties in multi-
objective optimization for agro-ecosystem adaptation to climate change. Environmental Modelling &
Software, 66, 27–35. http://doi.org/10.1016/j.envsoft.2014.12.012
Holzworth, D. P., Snow, V., Janssen, S., Athanasiadis, I. N., Donatelli, M., Hoogenboom, G., … Thorburn, P.
(2015). Agricultural production systems modelling and software: Current status and future prospects.
Environmental Modelling & Software, 72(2014), 276–286. http://doi.org/10.1016/j.envsoft.2014.12.013
Holzworth, D., Huth, N., deVoil, P., Zurcher, E., Herrmann, N., McLean, G., Chenu, K….Keating, B., (2014).
APSIM e evolution towards a new generation of agricultural systems simulation. Environ. Model. Softw.
Agric. Syst. Model. Softw. 62, 327-350. http://dx.doi.org/10.1016 /j.envsoft.2014.07.009.
Honti, M., Scheidegger, A., Stamm, C. (2014). The importance of hydrological uncertainty assessment
methods in climate change impact studies. Hydrol. Earth Syst. Sci. 18, 3301–3317, 2014
Houghton, J.T. (1986). The Physics of Atmospheres 2nd ed. Chapter 2. Cambridge University Press, United
Kingdom.
Hoyos, N., Waylen, P., Jaramillo, A. (2005). Seasonal and spatial patterns of erosivity in a tropical watershed
of the Colombian Andes. Journal of Hydrology, 314, 177- 191.
Hsiao, T.C., Heng, L., Steduto, P., Rojas-Lara, B., Raes, D., Fereres, E., (2009). AquaCrop the FAO crop model
to simulate yield response to Water: III. Parameterization and testing for Maize. Agron. J. 101 (3), 448-
459.
Huang, J., & Wang, Y. (2014). Financing Sustainable Agriculture Under Climate Change. Journal of Integrative
Agriculture, 13(4), 698–712. http://doi.org/10.1016/S2095-3119(13)60698-X
Huggel, C., Ceballos, J.L., Pulgarín, B., Ramírez, J., Thouret, J.C. (2007). Review and reassessment of hazards
owing to volcano-glacier interactions in Colombia. Annals of Glaciology, 45, 128-136.
Hurtado, G. (2012a). Análisis del comportamiento promedio y tendencias de largo plazo de la temperatura
máxima media para las regiones hidroclimáticas de Colombia. Bogotá: IDEAM.
Hurtado, G. (2012b). Análisis del comportamiento promedio y tendencias de largo plazo de las temperaturas
mínimas medias para las regiones hidroclimáticas de Colombia. Bogotá: IDEAM.
Hurtado, G. (2012c). Características y tendencias a largo plazo de las olas de calor y de frío en Colombia.
Bogotá: IDEAM.
Hutjes, R.W.A., Kabat, P., Running, S.W., Shuttleworth, W.J., Field, C., Bass, B., da Silva Dias, M.F., Avissar,
R., Becker, A., Claussen, M., Dolman, A.J., Feddes, R.A., Fosberg, M., Fukushima, Y., Gash, J.H.C.,
Guenni, L., Hoff, H., Jarvis, P.G., Kayane, I., Krenke, A.N., Liu, C., Meybeck, M., Nobre, C.A., Oyebande,
L., Pitman, A., Pielke Sr., R.A., Raupach, M., Saugier, B., Schulze, E.D., Sellers, P.J., Tenhunen, J.D.,
Valentini, R., Victoria, R.L., Vorosmarty, C.J. (1998). Biospheric aspects of the hydrological cycle. J.
Hydrol. 212–213, 1–21.
ICA Instituto Colombiano Agropecuario. (2010): Alertas Sanitarias y fitosanitarias en función de la predicción
climática-recomendaciones de manejo fenómeno de La Niña. Bogotá: ICA.
ICC. Consejo Internacional del Café (2009). El Cambio Climático y el Café. Londres, Inglaterra.
IDEAM, PNUD, MADS, DNP, Cancillería (2015a). Inventario Nacional de Gases de Efecto Invernadero (GEI)
de Colombia. Tercera Comunicación Nacional de Cambio Climático de Colombia. Bogotá: IDEAM, PNUD,
MADS, DNP, Cancillería
IDEAM, PNUD, MADS, DNP, Cancillería (2015b). Nuevos escenarios de cambio climático para Colombia 2011-
2100. Herramientas científicas para la toma de Decisiones-Enfoque Nacional-Regional: Tercera
Comunicación Nacional de Cambio Climático de Colombia. Bogotá: IDEAM, PNUD, MADS, DNP,
Cancillería
IDEAM, PNUD, MADS, DNP, Cancillería (2017). Tercera Comunicación Nacional de Colombia a la Convención
Marco de las Naciones Unidas sobre el Cambio Climático. Bogotá: IDEAM, PNUD, MADS, DNP,
Cancillería
IDEAM, PNUD, MADS, DNP, Cancillería (2017b). Análisis de Vulnerabilidad y riesgo por cambio climático en
Colombia. Tercera Comunicación Nacional de Colombia a la Convención Marco de las Naciones Unidas
sobre el Cambio Climático. Bogotá: IDEAM, PNUD, MADS, DNP, Cancillería
IDEAM. Instituto Nacional de Hidrología Meteorología y Estudios Ambientales de Colombia. (2010a).
Indicadores, tendencias y escenarios hidrológicos para el cambio climático. Bogotá: IDEAM.
IDEAM. Instituto Nacional de Hidrología Meteorología y Estudios Ambientales de Colombia. (2010b). 2ª
Comunicación Nacional ante la Convención Marco de las Naciones Unidas sobre Cambio Climático.
Bogotá: IDEAM.
IDEAM. Instituto Nacional de Hidrología Meteorología y Estudios Ambientales de Colombia. (2010c). Estudio
Nacional del Agua 2010. Bogotá: IDEAM.
IDEAM. Instituto Nacional de Hidrología Meteorología y Estudios Ambientales de Colombia 2014. (2015b).
Estudio Nacional del Agua. Bogotá: IDEAM.
IDEAM. Instituto de Hidrología, Meteorología y de Estudios Ambientales. (1998). Posibles efectos naturales y
socioeconómicos del fenómeno Frío del Pacífico (La Niña) en Colombia en el segundo semestre de 1998
y primer semestre de 1999. Bogotá: IDEAM, 88 p.
IDEAM. Instituto de Hidrología, Meteorología y de Estudios Ambientales. (2009). Boletines informativos sobre
el monitoreo del Fenómeno del Niño. Bogotá: IDEAM.
IDEAM. Instituto de Hidrología, Meteorología y de Estudios Ambientales. (2005). Atlas Climatológico de
Colombia. Bogotá: Ministerio de Ambiente, Vivienda y Desarrollo Territorial. IDEAM.
IDEAM. Instituto de Hidrología, Meteorología y de Estudios Ambientales. (2015a). Atlas Climatológico de
Colombia. En: http://atlas.ideam.gov.co/
IDEAM. Instituto Nacional de Hidrología Meteorología y Estudios Ambientales de Colombia. (2001). Primera
Comunicación Nacional de Colombia ante la Convención Marco de las Naciones Unidas sobre el Cambio
Climático. Bogotá. IDEAM.
IDEAM. Instituto Nacional de Hidrología Meteorología y Estudios Ambientales de Colombia. (2010d). Guía de
procedimiento para la generación de escenarios de cambio climático regional y local a partir de los
modelos Globales. Bogotá. IDEAM
IDEAM-UNAL (2018). Variabilidad Climática y Cambio Climático en Colombia, Bogotá, 28 p.
Iglesias, A., & Garrote, L. (2015). Adaptation strategies for agricultural water management under climate
change in Europe. Agricultural Water Management, 155, 113–124.
http://doi.org/10.1016/j.agwat.2015.03.014
Imaoka, K. & Spencer, R. (2000). Diurnal variations of precipitation over the tropical oceans observed by
TRMM/TMI combined with SSM/I. Journal of Climate, 13 (23), 4149-4158.
International Coffee Organization. (2017). Total production by all exporting countries. Londres. Retrieved from
http://www.ico.org/new_historical.asp?section=Statistics
International Coffee Organization. (2017b). Exportable production by all exporting countries. Londres: ICO.
Retrieved from http://www.ico.org/new_historical.asp?section=Statistics
International Coffee Organization. (2018). Total production by all exporting countries. Londres. Retrieved from
http://www.ico.org/new_historical.asp?section=Statistics
International Coffee Organization. (2018b). Exportable production by all exporting countries. Londres: ICO.
Retrieved from http://www.ico.org/new_historical.asp?section=Statistics
INVEMAR. Instituto de Investigaciones Marinas y Costeras “José Benito Vives De Andreis”. (2008). Capacity
Building to Improve Adaptability to Sea Level Rise in Two Vulnerable Points of the Colombian Coastal
Areas (Tumaco-Pacific Coast and Cartagena-Caribbean Coast) with Special Emphasis on Human
Population under Poverty Conditions. Santa Marta, Colombia: Technical Report. INVEMAR.
IPCC. Grupo Intergubernamental de expertos sobre el Cambio Climático (2001). Cambio Climático 2001:
Informe de Síntesis. Ginebra, Suiza.
IPCC. Grupo Intergubernamental de expertos sobre el Cambio Climático (2002). Cambio Climático y
Biodiversidad. Ginebra, Suiza.
IPCC. Grupo Intergubernamental de expertos sobre el Cambio Climático (2007a). Cambio Climático 2007:
Informe de Síntesis. Ginebra, Suiza.
IPCC. Grupo Intergubernamental de expertos sobre el Cambio Climático (2008). El Cambio Climático y el agua.
Ginebra, Suiza.
IPCC. Grupo Intergubernamental de expertos sobre el Cambio Climático. (2012). Gestión de los riesgos de
fenómenos meteorológicos extremos y desastres para mejorar la adaptación al cambio climático.
Resumen para responsables de políticas. Ginebra: IPCC. 32 p.
IPCC. Grupo Intergubernamental de expertos sobre el Cambio Climático. (2013b). Cambio Climático 2013.
Bases físicas. Resumen para responsables de política. Resumen técnico y preguntas frecuentes.
Cambridge, United Kingdom and New York: Cambridge University Press. 222 p.
IPCC. Grupo Intergubernamental de Expertos sobre el Cambio Climático (2014). Impactos, adaptación y
vulnerabilidad. Resúmenes, preguntas frecuentes y recuadros multicapítulos. Contribución del Grupo de
trabajo II al Quinto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre el cambio
climático. Ginebra: Organización Meteorológica Mundial, 200 p.
IPCC. Grupo Intergubernamental de Expertos sobre el Cambio Climático (2015). Cambio climático 2014.
Informe de Síntesis. Contribución de los grupos de trabajo I, II y III al Quinto informe de Evaluación del
Grupo Intergubernamental de Expertos osbre el Cambio Climático. Ginebra, Suiza: IPCC, 157 p.
IPCC. Intergovermental panel on Climate Change (2013). Climate Change 2013. The Physical Science Basis.
Working Group I Contribution to the IPCC Fifth Assessment Report of the Intergovernmental Panel on
Climate Change. Cambridge, United Kingdom and New York: Cambridge University Press. 1535 p.
IPCC. The Intergovernmental Panel on Climate Change (2007c): Climate Change 2007: Impacts, Adaptation
and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the
Intergovernmental Panel on Climate Change, M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden
and C.E. Hanson, Eds., Cambridge University Press, Cambridge, UK, 976pp.
IPCC. The Intergovernmental Panel on Climate Change. (2007b): Climate Change 2007: The Physical Science
Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel
on Climate Change [Solomon, S., D. Qin, M. Manning, Z. Chen, M. Marquis, K.B. Averyt, M. Tignor and
H.L. Miller (eds.)]. Cambridge University Press, Cambridge, United Kingdom and New York, NY, USA,
996 pp.
Islam, S., Cenacchi, N., Sulser, T. B., Gbegbelegbe, S., Hareau, G., Kleinwechter, U., … Wiebe, K. (2016).
Structural approaches to modeling the impact of climate change and adaptation technologies on crop
yields and food security. Global Food Security, 10, 63–70. http://doi.org/10.1016/j.gfs.2016.08.003
Izaurralde, R.C., Williams, J.R., McGill, W.B., Rosenberg, N.J., Jakas, M.C., (2006). Simulating soil C dynamics
with EPIC: model description and testing against long-term data. Ecol. Model. 192 (3), 362-384.
Jaramillo J, Chabi-Olaye A, Kamonjo C, Jaramillo A, Vega FE, Poehling H-M, Borgemeister C (2009): Thermal
Tolerance of the Coffee Berry Borer Hypothenemus hampei: predictions of climate change impact on a
tropical insect pest. PLoS One 4:e6487
Jaramillo, A. & Valencia, A.G. (1980). Elementos climáticos y el desarrollo de Coffea arabica L., en Chinchiná,
Colombia. Cenicafé 31 (4), 127-144.
Jaramillo, A. (1989). Relación entre la evaporación y los elementos climáticos. Nota técnica. Cenicafé, 40(3),
86-94.
Jaramillo, A. (2005). Clima Andino y Café en Colombia. Chinchiná: Centro Nacional de Investigaciones del
Café - CENICAFE.
Jaramillo, A. (2011). La Variabilidad Climática y su influencia en la caficultura. RAMACAFE 2011. X
Conferencia Internacional de Café. Managua, Nicaragua
Jaramillo, A., Arcila, J., Montoya, E., Quiroga, F. (2006). La radiación solar: consideraciones para su estudio
en las plantaciones de café (Coffea arabica L.). Meteorologíqa colombiana 10, 12-22.
Jaramillo, F., M. A. Gómez, S. Calderón, G. Romero, D. A. Ordóñez, A. Álvarez, L. Sánchez-Aragón y C. E.
Ludeña. (2015). Impactos Económicos del Cambio Climático en Colombia: Costos Económicos de los
Eventos Extremos. Banco Interamericano de Desarrollo, Monografía No. 260, Washington D.C.
Jaramillo, J., E. Muchugu, F. E. Vega, A. Davis, Ch. Borgemeister, & A. Chabi-Olaye. (2011). The influence
and implications of climate change on coffee berry borer and coffee production in East Africa. PLOS ONE,
6(9): e24528. doi:10.1371/journal.pone.0024528
Jaramillo-Robledo, A., Arcila-Pulgarín, J., & Centro, A. (2009). Variabilidad climática en la zona cafetera
colombiana asociada al evento de El Niño y su efecto en la caficultura. Avances Técnicos CENICAFÉ,
(389), 1-8.
Jeger, M. J. & Pautasso, M. (2008). Plant disease and global change — The importance of long-term data sets.
The New Phytologist, 177(1), 8–11.
Joët, T., Laffargue, A., Descroix, F., Doulbeau, S., Bertrand, B., kochko, A. de, & Dussert, S. (2010). Influence
of environmental factors, wet processing and their interactions on the biochemical composition of green
Arabica coffee beans. Food Chemistry, 118(3), 693–701. http://doi.org/10.1016/j.foodchem.2009.05.048
Jones, C.A. & Kiniry, J.R. (1986). CERES-Maize: A simulation model of maize growth and development. Texas
A & M University Press, College Station, 194 p.
Jones, J.W., Hoogenboom, G., Porter, C.H., Boote, K.J., Batchelor, W.D., Hunt, L.A., Wilkens, P.W., Singh, U.,
Gijsman, A.J., Ritchie, J.T., (2003). The DSSAT cropping system model. Eur. J. Agron. 18 (3-4), 235-265.
Jones, J.W., Keating, B.A., Porter, C.H., (2001). Approaches to modular model development. Agric. Syst. 70
(2-3), 421-443.
Jones, P.D., Osborn, T. J. and Briffa, K. R. (2003). Pressure-based measures of the North Atlantic Oscillation
(NAO): A comparison and an assessment of changes in the strength of the NAO and in its influence on
surface climate parameters, in The North Atlantic Oscillation: Climate Significance and Environmental
Impact. Geophys. Monogr., 134, 51-62.
Kalthoff, N., Adler, B., Barthlott, Ch., Corsmeier, U., Mobbs, S., Crewell, S.,Träumner, K., Kottmeier, Ch.,
Wieser, A., Smith, V., Di Girolamo, P., (2009). The impact of convergence zones on the initiation of deep
convection: A case study from COPS. Atmospheric Research 93, 680–694.
Kanae, S., Oki, T., Kashida, A. (2004). Changes in hourly heavy precipitation at Tokyo from 1890 to 1999.
Journal of the Meteorological Society of Japan, 82, 241-247.
Keating, B.A., Carberry, P.S., Hammer, G.L., Probert, M.E., Robertson, M.J., Holzworth, D., Huth, N.I.,
Hargreaves, J.N.G., Meinke, H., Hochman, Z., McLean, G., Verburg, K., Snow, V., Dimes, J.P., Silburne,
M., Wang, E., Brown, S., Bristow, K.L., Asseng, S., Chapman, S., McCown, R.L., Freebairne, D.M., Smith,
C.J., (2003). An overview of APSIM, a model designed for farming systems simulation. Eur. J. Agron. 18,
267-288
Kim, Y. & Baik, J. (2005). Spatial and temporal structure of the urban heat island in Seoul. Journal of Applied
Meteorology, 44(5), 591–605, doi:10.1175/JAM2226.1.
Kinmonth, H.A., Golembeski, G.S., Imaizumi, T. (2013). Circadian clock-regulated physiological outputs:
Dynamic responses in nature. Seminars in Cell & Developmental Biology, 24 (5), 407– 413.
Kirchner JW. (2006). Getting the right answers for the right reasons: linking measurements, analyses, and
models to advance the science of hydrology. Water Resourc Res 2006;42:W03S04.
Knutti, R., Abramowitz, G., Collins, M., Eyring, V., Gleckler, P. J., Hewitson, B., Mearns., L. (2010). Good
Practice Guidance Paper on Assessing and Combining Multi Model Climate Projections. Prepared for the
Meeting Report of the IPCC Experts Meeting on Assessing and Combining Multi Model Climate
Projections IPCC Working Group I Technical Support Unit, University of Bern, Bern, Switzerland.
Kreft, S., Eckstein, D. & Melchior, I. (2016). Global Climate Risk Index 2017. Who Suffers Most from Extreme
Weather Events?. Weather-related loss events in 2015 and 1996 to 2015. Munich: Federal Ministry for
Economic Cooperation and Development.
Kundzewicz, Z.W., L.J. Mata, N.W. Arnell, P. Döll, P. Kabat, B. Jiménez, K.A. Miller, T. Oki, Z. Sen and I.A.
Shiklomanov, (2007). Freshwater resources and their management. Climate Change 2007: Impacts,
Adaptation and Vulnerability. Contribution of Working Group II to the Fourth Assessment Report of the
Intergovernmental Panel on Climate Change, M.L. Parry, O.F. Canziani, J.P. Palutikof, P.J. van der Linden
and C.E. Hanson, Eds., Cambridge University Press, Cambridge, UK, 173-210.
Kwon, H.-H., de Assis de Souza, Filho F., Block, P., Sun, L., Lall, U., Reis, D.S., (2012). Uncertainty assessment
of hydrologic and climate forecast models in Northeastern Brazil. Hydrol. Process. 26, 3875–3885.
http://dx.doi.org/10.1002/hyp.8433.
Laderach, P., Lundy, M., Jarvis, A., Ramirez, J., Portilla, E. P., Schepp, K., Eitzinger, A. (2011). Predicted
impact of climate change on coffee supply chains. In The Economic, Social and Political Elements of
Climate Change, 703-723, Berlin Heidelberg: Springer.
Lenderink, G. & van Meijgaard, E. (2008). Increase in hourly precipitation extremes beyond expectations from
temperature changes. Nat. Geosci. 1, 511–514.
León, G. E. (2000). Tendencia de la temperatura del aire en Colombia. Meteorología Colombiana, 2, 57-65.
Li, J., Hilbert, D., Parker, T., Williams, S. (2009). How do species respond to climate change along an elevation
gradient? A case study of the grey-headed robin (Heteromyias albispecularis). Global Change Biology 15,
255–267.
Lin, B. (2007). Agroforestry management as an adaptive strategy against potential microclimate extremes in
coffee agriculture. Agricultural and Forest Meteorology 144 (2007) 875-94.
Lin, B. B. (2010). The role of agroforestry in reducing water loss through soil evaporation and crop transpiration
in coffee agroecosystems. Agricultural and Forest Meteorology, 150(4), 510–518.
Lin, B.B., Perfecto, I., Vandermeer, J., (2008). Synergies between agricultural intensification and climate
change could create surprising vulnerabilities for crops. Bioscience 58 (9), 847–854.
Liperet, B. (1997). Recent Changes in solar radiation under cloudy conditions in Germany. Int. J Climate 17 ,
1581-1593.
Lobell, D. B. (2014). Climate change adaptation in crop production: Beware of illusions. Global Food Security,
3(2), 72–76. http://doi.org/10.1016/j.gfs.2014.05.002
López C., F.J.; Naranjo J., O.; Villegas E., M.; Valencia A., G. (1972). Influencia de la altitud en el desarrollo
de plántulas de café en almácigo. Cenicafé 23(4): 87-97. 1972.
Lorenz, P. & Jacobs, D. (2005). Influence of regional scale information on the global circulation: a two-way
nesting climate simulation. Geophysical Research Letters 31, L14826.
Lu, X. (2006). Guidance on the Development of Regional Climate Scenarios for Application in Climate Change
Vulnerability and Adaptation Assessments within the Framework of National Communications from parties
not included in Annex I to the United Nations Framework Convention on Climate Change. New York:
National Communications Support Programme, UNDP-UNEP-GEF, 42 p.
Lu, X. (2007). Applying Climate Information for Adaptation Decision-Making: A Guidance Resource Document.
New York: National Communications Support Programme, UNDP-UNEP-GEF. In:
http://unfccc.int/files/adaptation/sbsta_agenda_item_adaptation/application/pdf/ncsp_guidance_adaptati
ondecisionmaking.pdf
Ludwig, L.J., Saeki, T., Evans, L.T. (1965). Photosynthesis in artificial communities of cotton plants in relation
to leaf area. Aust. J. Biol. Sci. 18, 1103-1118.
Luijten, J. C., Knapp, E. B., & Jones, J. W. (2001). A tool for community-based assessment of the implications
of development on water security in hillside watersheds. Agricultural Systems, 70(2–3), 603–622.
http://doi.org/10.1016/S0308-521X(01)00061-0
Lyle, G. (2015). Understanding the nested, multi-scale, spatial and hierarchical nature of future climate change
adaptation decision making in agricultural regions: A narrative literature review. Journal of Rural Studies,
37, 38–49. http://doi.org/10.1016/j.jrurstud.2014.10.004
Madden, R. & Julian, P. (1971). Detection of a 40-50 day oscillation in the zonal wind in the tropical Pacific. J.
Atmos. Sci., 28, 702-708.
Maddison, D., M. Manley & P. Kurukulasuriya. (2007). The impact of climate change on African agriculture. A
Ricardian approach. Policy Research Working Paper, 4306, Banco Mundial.
Maestri, M. & Barros, R.S. (1977) Coffee. In: Alvim, P.T. & Kozlowski, T.T. (eds), Ecophysiology of Tropical
Crops, 249-278. London: Academic Press.
Magalhaes, A.C.& Angelocci, L.R. (1976). Sudden alterations in water-balance associated with flower bud
opening in coffee plants. Journal of Horticultural Science 51 (3), 419–421.
Magrin, G., C. Gay García, D. Cruz Choque, J.C. Giménez, A.R. Moreno, G.J. Nagy, C. Nobre and A. Villamizar.
(2007). Latin America. Climate Change 2007. Impacts, Adaptation and Vulnerability. Contribution of
Working Group II to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change,
Cambridge University Press, Cambridge, UK, 581-615.
Makhlouf, Z. & Michel, C. (1994). A two-parameter monthly water balance model for French watersheds.
Journal of Hydrology, 162, 299-318.
Makowski, D. (2015). A simple Bayesian method for adjusting ensemble of crop model outputs to yield
observations. European Journal of Agronomy, 1–8. http://doi.org/10.1016/j.eja.2015.12.012
Makowski, D., Asseng, S., Ewert, F., Bassu, S., Durand, J. L., Li, T., … Zhu, Y. (2015). A statistical analysis of
three ensembles of crop model responses to temperature and CO2 concentration. Agricultural and Forest
Meteorology, 214–215, 483–493. http://doi.org/10.1016/ j.agrformet.2015.09.013
Mapes, B., Warner, T. T. , Xu, M., Negri, A. J. (2003). Diurnal patterns of rainfall in northwestern South America.
Part I: Observations and context. Monthly Weather Review, 131, 799 -812.
Marín, L.M., Jiménez, J., Moreno, H., Vélez, J.I., Guzmán, J., Poveda, G. (2005). Distribución espacial y ciclo
diurno de la temperatura ambiente y punto de roción en una región de los Andes Tropicales de Colombia.
Avances en Recursos Hidráulicos, 12, 149-158.
Marín, L.M., Poveda, G & Moreno, H. (2004). Análisis del ciclo diurno de la humedad relativa en 17 aeropuertos
de Colombia. XVI Seminario Nacional de Hidráulica e Hidrología. Armenia: Universidad del Quindío.
Martín, M. M. S., Olesen, J. E., & Porter, J. R. (2015). Can crop-climate models be accurate and precise? A
case study for wheat production in Denmark. Agricultural and Forest Meteorology, 202, 51–60.
Martínez, M. T. (1993). Principales sistemas sinópticos en Colombia y su influencia en el comportamiento del
tiempo. Atmósfera, 16, 1-10.
Martínez, R., Ruiz, D., Andrade, M., Blacutt, L., Pabón, D., Jaimes, E., León, G., Villacís, M., Quintana, J.,
Montealegre, E., Euscátegui, C. (2013). Sistemas del Clima de los Andes Tropicales. En: Cambio
climatico y Biodiversidad en los Andres Tropicales. Herzog, S., Martínez, R., Jorgense, H., Tiessen, H.
(2013). Inter-American Institue for Global Change Research and Scientific Committe on Problems of the
Environment, 117-130.
Martins, J. A., Brand, V. S., Capucim, M. N., Felix, R. R., Martins, L. D., Freitas, E. D., … Cecil, D. J. (2017).
Climatology of destructive hailstorms in Brazil. Atmospheric Research, 184, 126–138.
Matthews, R. B., Rivington, M., Muhammed, S., Newton, A. C., & Hallett, P. D. (2013). Adapting crops and
cropping systems to future climates to ensure food security: The role of crop modelling. Global Food
Security, 2(1), 24–28. http://doi.org/10.1016/j.gfs.2012.11.009
Mayorga, R., Hurtado, G., Benavides, H. (2011). Evidencias de cambio climático en Colombia con base en
información estadística. Nota Técnica IDEAM. Bogotá: IDEAM.
Mbow, C., Van Noordwijk, M., Luedeling, E., Neufeldt, H., Minang, P. A., & Kowero, G. (2014). Agroforestry
solutions to address food security and climate change challenges in Africa. Current Opinion in
Environmental Sustainability, 6(1), 61–67. http://doi.org/10.1016/j.cosust.2013.10.014
McClung, C.R. & Gutierrez, R.A. (2010). Networks news: prime time for systems biology of the plant circadian
clock. Current Opinion in Genetics & Development 20, 588–598.
McCown, R.L., Hammer, G.L., Hargreaves, J.N.G., (1996). APSIM: a novel software system for model
development, model testing, and simulation in agricultural systems research. Agric. Syst. 50, 255–271
McWatters, H.G. & Devlin, P.F. (2011). Timing in plants- A rhythmic arragement. FEBS Letters, 585 (10), 1474–
1484.
Mearns, L. O., Giorgi, F., Whetton, P., Pabon, D., Hulme, M., Lal, L. (2003). Guidelines for Use of Climate
Scenarios Developed from Regional Climate Model Experiments. Data Distribution Centre of the
Intergovernmental Panel on Climate Change. In: http://www.ipcc-data.org/guidelines/dgm_no1_v1_10-
2003.pdf
Meehl, G.A., Stocker, T.F., Collins, W.D., Friedlingstein, P., Gaye, A.T., Gregory, J.M., Kitoh, A., Knutti, R.,
Murphy, J.M., Noda, A., Raper, S.C.B., Watterson, I.G., Weaver, A.J., Zhao, Z.-C., (2007). Global climate
projections. In: Solomon, S., Qin, D., Manning, M., Chen, Z., Marquis, M., Averyt, K.B., Tignor, M., Miller,
H.L. (Eds.), Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the
Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge University
Press, Cambridge, United Kingdom.
Meier, U. (2001). Estadios de las plantas mono-y dicotyledóneas. BBCH Monografía. Centro Federal de
Investigaciones Biológicas para Agricultura y Silvicultura.
Meisner, B. & Arkin, P. (1987). Spatial and annual variations in the diurnal cycle of large-scale tropical
convective clourdiness and precipitation. Monthly Weather Review, 115, 2009-2032.
Mejía, J. F. & Poveda, G. (2005). Ambientes atmosféricos de sistemas convectivos de mesoescala sobre
Colombia durante 1998 según la misión TRMM y el re-análisis NCEP/NCAR. Rev. Aca. Colomb. Cienc.
29 (113), 495-514.
Mejía, J.F. (2002). Ciclo diurno de la lluvia y ambientes atmosféricos en sistemas convectivos de meso-escala
sobre colombia y el este del océano pacífico usando datos de la TRMM y del reanálisis del NCEP/NCAR.
Tesis de maestría, Posgrado en Aprovechamiento de Recursos Hidráulicos, Universidad Nacional de
Colombia, Medellín, Colombia, Febrero 2002.
Mejía, J.F., Mesa, O.J., Poveda, G., Vélez, J.I., Hoyos, C.D., Mantilla, R., Barco, J., Cuartas, A., Montoya, M.I.,
Botero, B. (1999). Distribución espacial y ciclos anual y semianual de la precipitación en Colombia. DYNA
127, 7-26.
Mejía, Mesa, Poveda, Vélez, Hoyos, Mantilla, Barco, Cuartas, Montoya y Botero. (1999). Distribución
espacial y ciclos anual y semianual de la precipitación en Colombia. DYNA 127, 7-26.
Mesa, O.J., Poveda, G., Carvajal, L.F. (1997). Introducción al clima de Colombia. Universidad Nacional de
Colombia, Sede Medellín, Facultad de Minas, Posgrado en Aprovechamiento de Recursos Hidráulicos,
Medellín, 390 p.
Meza, J.M. (1981) Estudio del efecto de las concentraciones de macro y microelementos en la hoja de Coffea
arabica L. y de algunos factores ambientales en la abscisión de frutos. Guatemala, Simposio
Latinoamericano de Caficultura, Promecafé 322,183-193.
Mighty, M. a. (2015). Site suitability and the analytic hierarchy process: How GIS analysis can improve the
competitive advantage of the Jamaican coffee industry. Applied Geography, 58, 84–93.
http://doi.org/10.1016/j.apgeog.2015.01.010
Ministerio de Ambiente y Desarrollo Sostenible (2016). Política Nacional de Cambio Climático. Versión
Preliminar. Bogotá: MADS.
Ministerio de Cultura & FNC (2012). Guía para la incorporación del Paisaje Cultural Cafetero en la revisión y
ajuste de los planes de ordenamiento territorial (POT, PBOT, EOT). Bogotá: Ministerio de Cultura de
Colombia- FNC.
Ministerio de Cultura (2011). Paisaje Cultural Cafetero. Un paisaje cultural productivo en permanente
desarrollo. Bogotá: Ministerio de Cultura de Colombia. Dirección de Patrimonio. 100 p.
Molina, A., Bernal, N.R., Pabón, J.D., Martínez, J., Vega, E. (2000). Reducción de escala estadístico aplicado
a datos del CCM3 para generar datos de temperatura del aire en superficie. Meteorología Colombiana,
2, 95-100.
Molina, A., Bernal, N.R., Vega, E E., Martínez, J., Pabón, J.D., (2003). Cambios en la temperatura del aire en
Colombia bajo un escenario de duplicación de dióxido de carbono. Meteorología Colombiana, 7, 21-35.
Monsalve, G. (2008). Hidrología en la Ingeniería. Bogotá: Escuela Colombiana de Ingeniería.
Montealegre, E. (2005). Escalas de variabilidad Climática. Instituto de Hidrología Meteorología y Medio
Ambiente. Bogotá: IDEAM.
Montoya, E.C., Arcila, J., Jaramillo, A., Riaño, N., Quiroga, F. (2009). Modelo para simular la productividad
potencial del cultivo del café en Colombia. Boletín técnico 33, 52 p.
Mora & Sturmo. (1994): Estudios ecológicos del páramo y del bosque altoandino cordillera Oriental
de Colombia. Bogotá. Academia Colombiana de Ciencias Exactas, Física y Naturales. 715 p.
Mora-Osejo, L. E. et al. (1995). La regulación de la transpiración momentánea en plantas del páramo por
factores endógenos y ambientales. En: Mora-Osejo, L. E. & H. Sturm (eds). Estudios ecológicos del
páramo y del bosque altoandino Cordillera Oriental de Colombia. Academia Colombiana de Cien. Ext.
Fis. y Nat. Colección Jorge Alvarez-Lleras, I (6): 89-149. Editora Guadalupe, Bogotá.
Moriasi et al. (2007). Model Evaluation Guidelines for Systematic Quantification of Accuracy in Watershed
Simulation. Transactions of the ASABE 50: (3) , 885-900.
Morris, K. I., Chan, A., Morris, K. J. K., Ooi, M. C. G., Oozeer, M. Y., Nadzir, M. S. M., & Mohammed, I. Y.
(2016). Urbanisation and urban climate of a tropical conurbation, Klang Valley, Malaysia. Urban Climate.
In press. http://doi.org/10.1016/j.uclim.2016.12.002
Morton, F.I. (1983). Operational estimates of a real evapotranspiration and their significance to the science and
practive of hydrology. Otawa: Journal of Hydrology, National Hydrology Research Institute.
Moss, R., Babiker, M., Brinkman, S., Calvo, E., Carter, T., Edmonds, J., Elgizouli, I., Emori, S., Erda, L., Hibbard,
K., Jones, R., Kainuma, M., Kelleher, J., Lamarque, J. F., Manning, M., et al. (2008). Towards New
Scenarios for Analysis of Emissions, Climate Change, Impacts, and Response Strategies. Geneve:
Intergovernmental Panel on Climate Change, 132 pp.
Moss, R.H., Edmonds, J.A., Hibbard, K.A., Manning, M.R., Rose, S.K., van Vuuren, D.P., Carter, T.R., Emori
S, Kainuma M, Kram T et al (2010). The next generation of scenarios for climate change research and
assessment. Nature 463, 747–756
Mulligan, M. (2000). Downscaled Climate Change Scenarios for Colombia and their Hydrological
Consequences. Advances in Environmental Monitoring and Modeling, 1 (1), 3-35.
Muñoz, L., (2010). Perspectivas de la caficultura colombiana. III Conferencia Mundial del Café. Febrero 27 de
2010, Ciudad de Guatemala.
Murillo, W., Palomino, R., Córdoba, S., Aragón, G. Banguero, E. (2005). El régimen diario de la precipitación
en el municipio de Quibdó (Colombia). Revista de Climatología 5, 1-7.
Murray, D.B. & Nichols, R., (1966). Light, shade and growth in some tropical plants. In: Bainbridge, R., Evans,
G.C., Rackham, O. (Eds.), Light as an Ecological Factor. Blackwell, Oxford, 249–263.
Murthy, R. K. (2002). Basic principles of agricultural meteorology. BS Publications. Hyderabad. 261 p.
Musseta, P., Barrientos, J., Acevedo, E., Turbay, S., Ocampo, O. (2017). Vulnerabilidad a eventos extremos:
dificultades en el uso de indicadores en dos cuencas de Colombia y Argentina. Empiria. In press.
Naciones Unidas (2015). Acuerdo de París. Organización de las Naciones Unidas.
Naciones Unidas (2016). Agenda 2030 y los Objetivos de Desarrollo Sostenible. Santiago: Naciones Unidas.
CEPAL.
Nakaegawa, T., Vergara, W. (2010). First Projection of Climatological Mean River Discharges in the Magdalena
River Basin, Colombia, in a Changing Climate during the 21st Century. Hydrological Research Letter, 4,
50-54.
NASA (2013). Variabilidad solar y clima terrestre. Disponible en: https://ciencia.nasa.gov/ciencias-

especiales/08jan_sunclimate
National Academies of Sciences, Engineering and Medicine (2016). Attribution of Extreme Events in the
Context of Climate Change. Washington: The National Academies Press. doi: 10.17226/21852.
National Research Council (2012). The effects of Solar variaibility on Earth´s climate. A workshop report. The
National Academies Press.
Negri, A., Bell, T., Xu, L. (2002). Sampling of the diurnal cycle of precipitation using TRMM. Journal of
Atmospheric and Oceanic Tecnhnology, 19, 1333-1344.
Nesbitt, S. & Zipser, E. (2003). The diurnal cycle of rainfall and convective intensity according to three years of
TRMM measurements. Journal of Climate, 16(10): 1456-1474.
Nicolini, M. & García, Y. (2011). Diurnal cycle in convergence patterns in the boundary layer east of the Andes
and convection. Atmospheric Research 100, 377–390.
NOAA. National Oceanic and Atmospheric Administration (2016). El Niño- Southern Oscillation (ENSO).
National weather service Climate Prediction Center. In:
http://www.cpc.ncep.noaa.gov/products/precip/CWlink/MJO/enso.shtml
Nunes, M.A., Bierhuizen, J.F., Ploegman, C., (1968). Studies on the productivity of coffee. I. Effect of light,
temperature, and CO2 concentration on photosynthesis of Coffea arabica. Acta Botanica Neerlandica 17,
93–102.
Ocampo, O.L. & Alvarez, L.M. (2017). Aumenta el consumo de café…y la producción, sigue la misma
tendencia?. Apuntes del CENES. In press.
Ocampo, O.L. & Vélez, J.J. (2015). Análisis climatológico para el departamento de Caldas. En: Entendimiento
de fenómenos ambientales mediante análisis de datos. Manizales: Universidad Nacional de Colombia.
Ocampo, O.L. (2011). El cambio climático y su impacto en el Agro. Revista de Ingeniería. Universidad de los
Andes. 33. 115-123.
Ocampo, O.L., Castañeda, K., Vélez, J.J. (2017b). Caracterización de los ecotopos cafeteros colombianos en
el Triángulo del Café. Revista Perspectiva geográfica, 22 (1), 89-108.
Ocampo, O.L., Ovallle, A.M., Salazar, K., Arroyave, A., Ramírez, C., Oliveros, E. (2017). Nuevo método
estándar para la recolección selectiva de café. Ingeniería Investtigaicón y Tecnología, 18(2), 127-137.
Ocampo, O.L., Vélez, J.J., & Londoño, A. (2014). Análisis de vulnerabilidad hídrica de la cuenca del río
Chinchiná. Manizales: Universidad Nacional de Colombia.
Oettli, P., Sultan, B., Baron, C., Vrac, M., (2011). Are regional climate models relevant for crop yield prediction
in West Africa. Environ. Res. Lett. 6. http://stacks.iop.org/1748-9326/6/014008.
OIC. Organización Internacional del Café (2016). Informe del mercado de Café- Febrero 2016. Aumenta el
consumo mundial de café, pero los precios siguen bajos. Londres: OIC.
OIC. Organización Internacional del Café. (2014a). Anuario 2013-2014 Fortaleciendo el sector cafetero mundial
mediante la cooperación internacional. Londres: OIC. Retrieved from www.ico.org
OIC. Organización Internacional del Café. (2015). Anuario 2014 - 2015 Fortaleciendo el sector cafetero mundial
mediante la cooperación internacional. Londres: OIC. Retrieved from
http://www.ico.org/documents/cy2015-16/annual-review-2014-15-c.pdf
OIC. Organización Internacional del Café. OIC (2014). Anuario 2013-2014 Fortaleciendo el sector cafetero
mundial mediante la cooperación internacional. Londres: OIC. Retrieved from www.ico.org
OMM. Organización Meteorológica Mundial (2004). Tiempo, Clima, Agua en la era de la información. Ginebra,
Suiza: OMM.
OMM. Organización Meteorológica Mundial (2008). Adaptación a la variabilidad del clima y al cambio climático.
Boletín. La Revista de la Organización Meteorológica Mundial. 57 (2), 142 p.
OMM. Organización Meteorológica Mundial (2009). La información sobre el clima, un instrumento para reducir
los riesgos de desastres. Tercera Conferencia Mundial sobre el Clima. Ginebra, Suiza: OMM.
OMM. Organización Meteorológica Mundial (2011a). El Clima y Tú. Ginebra, Suiza: OMM.
OMM. Organización Meteorológica Mundial (2011b). Guía de prácticas climatológicas. Ginebra, Suiza: OMM.
OMM. Organización Meteorológica Mundial (2012): El tiempo, el clima, el agua: Motores de nuestro futuro.
Ginebra, Suiza.
OMM. Organización Meteorológica Mundial (2013a). El estado del clima mundial 2001-2010. Un decenio de
fenómenos climáticos extremos. Ginebra, Suiza: OMM.
OMM. Organización Meteorológica Mundial (2013b): Resumen de conclusiones y cifras actualizadas sobre el
cambio climático. Ginebra, Suiza.
OMM. Organización Meteorológica Mundial (2016). Declaración provisional de la OMM sobre el estado del
clima mundial en 2016. En: https://public.wmo.int/es/media/comunicados-de-prensa/declaraci%C3%B3n-
provisional-de-la-omm-sobre-el-estado-del-clima-mundial-en
OMM. Organización Meteorológica Mundial (2016a). Estado del clima mundial en 2011-2015. Ginebra, Suiza:
OMM.
OMM. Organización Meteorológica Mundial (2016b). Boletín de la OMM sobre los gases de efecto invernadero.
Estado de los gases de efecto invernadero en la atmósfera según las observaciones mundiales realizadas
en 2015. OMM. Global Atmosphere Watch. 12, 1-8.
OMM. Organización Meteorológica Mundial (2017). Boletín de la OMM sobre los gases de efecto invernadero.
Estado de los gases de efecto invernadero en la atmósfera según las observaciones mundiales realizadas
en 2016. OMM. Global Atmosphere Watch. 13, 1-8.
OMM. Organización Meteorológica Mundial (2018). Declaración de la OMM sobre el estado del clima mundial
en 2017. OMM. 1212, 40 p.
OMM. Organización Meteorológica Mundial. (2003). Nuestro clima futuro. Ginebra, Suiza: OMM.
OMM. Organización Meteorológica Mundial. (2005): Tiempo, Clima, Agua y Desarrollo Sostenible. Ginebra,
Suiza: OMM.
OMM. Organización Meteorológica Mundial. (2008b). Guía de Prácticas hidrológicas. OMM. Ginebra, Suiza.
Oster, R. (1979). Las precipitaciones en Colombia. Colombia Geográfica 6 (2): 5-147.
Ouyang, Y., Andersson, C.R., Kondo, T., Golden, S.S., Jhonson, C.H. (1998). Resonating circadian clocks
enhance fitness in cyanobacteria. Proc. Natl. Acad. Sci. USA, 95, 8660- 8664.
Pabón, J. D., Zea, J., León, G., Hurtado, G., González, O. C., Montealegre, J. E. (1998). La Atmósfera, El
Tiempo y El Clima. En: El Medio Ambiente en Colombia. Bogotá: IDEAM. 34-91.
Pabón, J.D. & Hurtado, G. (2002). Cambios en los patrones de temperatura media anual del aire y precipitación
anual en los páramos de Colombia. En: Páramos y Ecosistemas Alto Andinos de Colombia en
Condiciones HotSpot & Global Climatic Tensor. (Castaño-Uribe C (Editor), 2002, Bogotá D.C., 387
páginas); pp. 242-251.
Pabón, J.D. & Lozano, J.A., (2005). Aspectos relacionados con las estimaciones globales y regionales del
ascenso del nivel del mar y su aplicación a Colombia. Cuadernos de Geografía, 14, 97-106.
Pabón, J.D. & Rivera, L. (1993). Análisis de la variabilidad interanual de los caudales de los ríos Magdalena y
Cauca. Atmósfera, 20, 1-12.
Pabón, J.D. (1995). Búsqueda de Series de Referencia para el Seguimiento de la Señal Regional del
Calentamiento Global. Cuadernos de Geografía, 5, 164-173.
Pabón, J.D. (2003). El cambio climático global y su manifestación en Colombia. Cuadernos de Geografía, 12
(1-2), 111-119.
Pabón, J.D. (2011). Los incendios de la cobertura vegetal en Colombia y su relación con la variabilidad
climática y con el cambio climático. En: Del Campo, A. Incendios de la cobertura vegetal en Colombia.
Tomo I. Cali: Universidad Autónoma de Occidente. 145-165.
Pabón, J.D. (2012). Cambio climático en Colombia: tendencias en la segunda mitad del siglo XX y escenarios
posibles para el siglo XXI. Rev. Acad. Colomb. Cienc., 36 (139), 262-278.
Pabón, J.D., (2008). Escenarios de cambio climático para 24 regiones de Colombia. Informe presentado en el
marco del proyecto Integrated National Adaptation Pilot (INAP). Bogotá: Conservación Internacional –
Departamento de Geografía (Universidad Nacional de Colombia).
Pabón, J.D., (2011). El cambio climático en la región de la Corporación Autónoma Regional de Cundinamarca.
Bogotá: Universidad Nacional de Colombia – Corporación Autónoma Regional de Cundinamarca. 128 p.
Pabón, J.D., Eslava, J.A., Pelkowski, J., Montoya, G.J., Vega, E.E. (2001). Resultados de la simulación del
clima por CCM3. Meteorología Colombiana. 4, 61-64.
Pabón, Zea, León, Montealegre, Hurtado, González. (1998): La Atmósfera, El Tiempo y El Clima.
En: El Medio Ambiente en Colombia. Bogotá: IDEAM. Pp 38-86.
Paes, A. (1985). Florescimiento e fructificacao de café arabica nas diferentes regioes (cafeeras) do Brasil.
Pesquisa Agropeuaria Brasileira 20(7), 831-839
Palmer, W.C. (1965). Meteorologic Drought. Res. Pap. U.S. Weather Bur. 45, 58 p.
Palomino-Lemus, R., Córdoba-Machado, S., Gámiz-Fortis, S. R., Castro-Díez, Y., & Esteban-Parra, M. J.
(2015). Summer precipitation projections over northwestern South America from CMIP5 models. Global
and Planetary Change, 131, 11–23. http://doi.org/10.1016 /j.gloplacha.2015.05.004
Paltsev, S., Sokolov, A., Chen, H., Gao, X., Schlosser, A., Monier, E., Fant, C., Scott, J., Ejaz, Q., Cuozo, E.,
Prinn, R., Haigh, M. (2016). Scenarios of Global Change: Integrated Assessment o climate impacts.
Cambridge: MIT.
Paterson, R. R. M., & Lima, N. (2011). Further mycotoxin effects from climate change. Food Research
International, 44(9), 2555–2566. http://doi.org/10.1016/j.foodres.2011.05.038
Paterson, R. R. M., Lima, N., & Taniwaki, M. H. (2014). Coffee, mycotoxins and climate change. Food Research
International, 61, 1–15. http://doi.org/10.1016/j.foodres.2014.03.037
Penman, H.L.(1948). Natural evaporation from open water, bare soil and grass. Proc. Roy. Soc. A. 193, 120-
146.
Penning de Vries, F.W., Van Laar, H.H. (1982). Simulation of plant growth and crop production. Centre for
Agricultural Publishing and Documentation, Wageningen, The Netherlands.
Pepin, N.C. & Lundquist (2008). Temperature trends at high elevations: Patterns across the globe. Geophysical
Research Letters.
Pepin, N.C., & Seidel, D. (2005). A global comparison of surface and free-air temperatures at high elevations.
Journal of Geophysical Research 10, 1-15.
Pérez C.A., Poveda G., Mesa O.J., Carvajal L.F., Ochoa A., (1998). Evidencias de cambio climático en
Colombia: Tendencias y cambios de fase y amplitud de los ciclos anual y semianual. Bulletin de lÍnstitute
Francais d’Ètudes Andines. 27 (3), pp. 537-546.
Pérez-Rendón, E. P., Ramírez-Builes, V. H., & Peña-Quiñones, A. J. (2016). Variabilidad espacial y temporal
de la temperatura del aire en la zona cafetera colombiana. Investigaciones Geográficas, Boletín Del
Instituto de Geografía, 2016(89), 23–40. http://doi.org/10.14350/rig.38707
Perfecto, I., Vandermeer, J., Mas, A., Soto Pinto, L., (2005). Biodiversity, yield and shade coffee certification.
Ecol. Econ. 54, 435–446.
Perfecto, I., Vandermeer, J., Wright, A., (2009). Nature’s Matrix: Linking Agriculture, Conservation and Food
Sovereignty. Earthscan, London.
Philippon, N., De Lapparent, B. , Gond, V., Sèze, G., Martiny, N., Camberlin, P., Cornu, G., Morel, B., Moron,
V., Bigot, S., Brou, T., Dubreuil, V. (2016). Analysis of the diurnal cycles for a better understanding of the
mean annual cycle of forests greenness in Central Africa. Agricultural and Forest Meteorology, 223 (15),
81-94.
Phillips, S.J., R.P. Anderson, & R.E. Schapire. (2006). Maximum entropy modeling of species geographic
distributions. Ecological Modelling 190, 231-259.
Picini, A.G.; Camargo, M.B.P., Ortolani, A.A.; Fazuoli, L.C.; Gallo, P.B. (1999). Desenvolvimento e teste de
modelos agrometeorológicos para estimativa de produtividade do cafeeiro. Bragantia, 58, 157-170.
Pinker, R. et.al. (2005). Do satellites detect trends in surface solar radiation? Science 308 , 850-854.
PNUD. Programa de las Naciones Unidas para el Desarrollo (2011). Formulando escenarios de Cambio
Climático para Contribuir con Estrategias de Desarrollo Adaptadas al Clima. New York: PNUD. 72 p.
PNUD. Programa de la Naciones Unidas para el Desarrollo. (2000). Panorama del Impacto ambiental de los
recientes desastres naturales en América Latina y el Caribe. Barbados: Banco Mundial, PNUD, PNUMA,
Comisión Económica para América Latina y el Caribe, BID. 55 p.
PNUMA. Programa de las Naciones Unidas para el medio ambiente (2007). Perspectivas del Medio Ambiente
Mundial. GEO4 medio ambiente para el desarrollo. PNUMA. Dinamarca: PHOENIX DESING AID.
Porter, C. H., Villalobos, C., Holzworth, D., Nelson, R., White, J. W., Athanasiadis, I. N., … Jones, J. W. (2014).
Harmonization and translation of crop modeling data to ensure interoperability. Environmental Modelling
& Software 62, 495–508. http://doi.org/10.1016/j.envsoft.2014.09.004
Poveda G. (2009). Evidences of climate and environmental change on water resources and malaria in
Colombia, IOP Conf. Series, Earth Environ. Sci., 6, 292054.
Poveda, G & Jaramillo, A. (2000). ENSO-related variability of river discharges and soil moisture in Colombia.
Biospheric Aspects of the Hydrologic Cycle. 8, 3-6.
Poveda, G, Mesa, O., Agudelo, P., Álvarez, J., Arias, P., Moreno, H., Salazar, L., Toro, V., Viera, S. (2002b).
Influencia del ENSO, Oscilación Madden-Julian, Ondas del Este, Huracanes y fases de la Luna en el ciclo
diurno de precipitación en los Andes Tropicales de Colombia. Meteorología Colombiana. 5, 3-12.
Poveda, G, Vélez, J.I., Mesa, O., Hoyos, C.D., Mejía, J.F., Barco, J., Correa. (2002a). Influencia de fenómenos
macroclimáticos sobre el ciclo anual de la hidrología colombiana: cuantificación lineal, no lineal y
percentiles probabilísticos. Meteorología Colombiana. 6, 121-130.
Poveda, G. (1994). Cuantificación de los efectos de El Niño y La Niña sobre los caudales mensuales de los
ríos colombianos. XVI Congreso Latinoamericano de Hidráulica e Hidrología. IAHS, Santiago, Chile.
Poveda, G. & Mesa, O.J. (1993). Metodologías de predicción de la hidrología Colombiana considerando el
evento El Niño-Oscilación del Sur (ENOS). Atmósfera, 20, 26-39.
Poveda, G. & Mesa, O.J. (1996). Las fases extremas del ENSO - El Niño y La Niña - y su influencia sobre la
hidrología de Colombia. Revista de Ingeniería Hidráulica, 11, 21-37.
Poveda, G. & Mesa, O.J. (1997). Feedbacks between hydrological processes in tropical South America and
large scale oceanic-atmospheric phenomena. J. Climate, 10, 2690-2702.
Poveda, G. & Mesa, O.J. (1999). La Corriente de Chorro Superficial del Oeste (“del CHOCÓ”) y otras dos
corrientes de chorro atmosféricas sobre Colombia: Climatología y Variabilidad durante las fases del
ENSO. Revista de la Academia Colombiana de Ciencias, 23 (89), 517-528.
Poveda, G. & Mesa, O.J. (2000). On the existence of Lloró (the rainiest locality on Earth): Enhanced ocean-
atmosphere-land interaction by a low-level jet. Geophysical Research Letters, 27(11), 1675-1678.
Poveda, G. & Pineda, K. (2009). Reassessment of Colombia´s tropical glacier´s retreat rates: are they bound
to disappear during the 2010-2020 decade?. Advances in Geosciences, 22, 107-116.
Poveda, G. (2004). La hidroclimatología de Colombia. Una síntesis desde la decada Interdecanal hasta la
escala diurna. Rev. Acad. Colomb.Ciencia 28 (107) , 201-222.
Poveda, G. (2011). Mixed memory, (non) Hurst effect, and maximum entropy of rainfall in the tropical Andes.
Advances in Water Resources, 34 (2), 243-256
Poveda, G., Alvarez, D., Rueda, O. (2011). Hydro-climatic variability over the Andes of Colombia associated
with ENSO: A review of climatic processes and their impact on one of the Earth’s most important
biodiversity hotspots. Climate Dynamics, 36, 11-12.
Poveda, G., Gil, M., Quiceno, N. (1998). El ciclo anual de la hidrología de Colombia en relación con el ENSO
y la NAO. Bulletin Institute Francaise d´Études Andines 27 (3), 721-731.
Poveda, G., Jaramillo, A., Gil, M., Quiceno, N,. Mantilla, R. (2001). Seasonality in ENSO Related Precipitation,
River Discharges, Soil Moisture, and Vegetation Index (NDVI) in Colombia. Water Resources Research,
37(8):2169-2178.
Poveda, G., Jaramillo, A., Gil, M., Quiceno, N., Mantilla, R. (2001). Seasonality in ENSO-related precipitation,
river discharges, soil, moisture and vegetation index in Colombia. Water Resources Research, 37 (8),
2169-2178.
Poveda, G., Mesa, O., Salazar, L. F., Arias, P., Moreno, H., Vieira, S., Agudelo, P., Toro, V., Álvarez, J. F.
(2005). The diurnal cycle of precipitation in the Tropical Andes of Colombia. Monthly Weather Review
133, 228- 240.
Poveda, G., Moreno, H., Vieira, S. C., Agudelo, P.A., Arias, P. A., Salazar, L. F., Mesa, O. J., Alvarez, J. F.,
Toro, V. G., Jaramillo, A., Guzmán, O. (2001). Caracterización del ciclo diurno de la precipitación en los
andes tropicales de colombia. In Sociedad Colombiana de Meteorología, editor, Memorias IX Congreso
Latinoamericano e Ibérico de Meteorología y VIII Congreso Argentino de Meteorología, Bogotá,
Colombia, Marzo 2001. Sociedad Colombiana de Meteorología.
Poveda, G., Turbay, S., Vélez, J. J., Lucía, O., Cristina, E., & Bedoya, M. (2014). ¡ No sé qué vamos a hacer
con estos climas!. Vulnerabilidad y adaptación a las variaciones climáticas extremas en la cuenca de la
quebrada Los Cuervos, afluente del río Chinchiná, Colombia. Medellín: Universidad de Antioquia,
Universidad Nacional de Colombia, IDRC, CIHT.
Poveda, G., Vélez, J.I., Mesa, O., Cuartas, A., Barco, J., Mantilla, R., Mejia, J.F., Hoyos, C.D., Ramírez, J.M.,
Ceballos, L.I, Zuluaga, M.D., Arias, P.A., Botero, B.A., Montoya, M.I., Giraldo, J.D., Quevedo, D.I. (2007).
Linking Long-Term Water Balances and Statistical Scaling to Estimate River Flows along the Drainage
Network of Colombia. Journal of Hydrologic Engineering, 12 (1), 1-4.
Prat, O. & Nelson, B. (2014). Characteristics of annual, seasonal, and diurnal precipitation in the Sotheastern
United Stated derived from long-term remotely sensed data. Atmospheric Research. 144, 4-20.
Prentice, I.C., Heimann, M., Sitch, S., (2000). The carbon balance of the terrestrial biosphere: ecosystem
models and atmospheric observations. Ecol. Applic. 10, 1553–1573.
Quan, J., Chen, Y., Zhan, W., Wang, J., Voogt, J., & Li, J. (2014). A hybrid method combining neighborhood
information from satellite data with modeled diurnal temperature cycles over consecutive days. Remote
Sensing of Environment, 155, 257–274. http://doi.org/10.1016/j.rse.2014.08.034
Quintana-Gómez, R. (1999). Trends of Maximum and minimum Temperatures in Northern South America.
Journal of Climate, 12 (6). 2104-2112.
Rabbinge, R. (1993). The ecological background in food production. In Crop protection and sustainable
agriculture. John Wiley & Sons, Chichester (Ciba Foundation Symposium 177), 2-29.
Raes, D., Steduto, P., Hsiao, T.C., Fereres, E., (2009). AquaCrop-the FAO crop model to simulate yield
response to Water: II. Main algorithms and software description. Agron. J. 101 (3), 438-447.
Ramamurthy, P., & Sangobanwo, M. (2016). Inter-annual variability in urban heat island intensity over 10 major
cities in the United States. Sustainable Cities and Society, 26, 65–75.
http://doi.org/10.1016/j.scs.2016.05.012
Ramirez, J. & Jarvis, A. (2010). Disaggregation of Global Circulation Model Outputs. Disaggregation of Global
Circulation Model Outputs. Disponible en: http://gisweb.ciat.cgiar.org/GCMPage/
Ramirez, J., Salazar, M., Jarvis, A., Navarro, C. (2012). A way forward on adaptation to climate change in
Colombian agriculture: perspectives towards 2050. Climatic Change. DOI 10.1007/s10584-012-0500-y
Ramírez, V. (2014). La fenología del café. Una herramienta para apoyar la toma de decisiones. Avances
técnicos Cenicafé, 441, 1-8.
Ramírez, V. H., Arcila, J., Jaramillo, A., Rendón, J. R., Cuesta, G., García, J. C., ... & Torres, J. C. (2011).
Variabilidad climática y la floración del café en Colombia. Avances técnicos Cenicafe, 407, 1-8.
Ramírez, V. H., Arcila, J., Jaramillo, A., Rendón, J. R., Cuesta, G., García, J. C., ... & Peña, A. (2010). Floración
del café en Colombia y su relación con la disponibilidad hídrica, térmica y de brillo solar. Cenicafe, 61(2),
132-158.
Ramírez, V. H., Jaramillo, A., Arcila, J. (2010b). Indices para evaluar el estado hídrico en los cafetales.
Cenicafé, 61(1), 55-66.
Ramírez, V. H., Jaramillo, A., Arcila, J. (2010c). Rangos adecuados de lluvia para el cultivo del café en
Colombia. Avance técnicos Cenicafé, 395, 1-8.
Ramírez, V.H. (2014). Vulnerabilidad de algunos suelos de la zona cafetera al déficit hídrico. Avances técnicos
Cenicafé, 449, 1-8.
Ramírez, V.H., González, H., Bedoya, G., Mejía, B., Peña, A., Duque, N. (2014). Vulnerabilidad de algunos
suelos de la zona cafetera a la pérdida de bases intercambiables por exceso hídrico. Avances técnicos
Cenicafé, 443, 1-8.
Ramírez, V.H., Jaramillo, A., Peña, A.J., Valencia, J.A. (2012a). El brillo solar en la zona cafetera Colombiana
durante los eventos El Niño y La Niña e impactos potenciales en el cultivo del café. Avances técnicos
Cenicafé 421, 1-12.
Ramírez, V.H., Peña, A.J., Jaramillo, A., Giraldo, J.P, Suarez, H., Duque, N. (2012b). Riesgo agroclimático
para zona cafetera colombiana: método para regionalizar la variaiblidad climática. Cenicafé 63(2), 98-
115.
Rangel, E.S. & Montealegre, J.E. (2003). Análisis de las series del nivel del mar en el Pacífico colombiano y
su relación con el cambio climático. Meteorología Colombiana, 7, 53-66.
Rao, N. H.; Sarma, P. B. S.; Chander, S. (1988). A simple dated water-production function for use in irrigated
agriculture. Agricultural Water Management, Amsterdam. 13, 25-32.
Reddy, K. R., H. F. Hodges, & J. M. McKinion (1997). Crop modeling and applications: a cotton example.
Advances in Agronomy, 59, 225-290.
Refsgaard, J.C., et al., (2014). A framework for testing the ability of models to project climate change and its
impacts. Clim. Chang. 122 (1–2), 271–282.
Reidsma, P., Ewert, F., Lansink, A. O., & Leemans, R. (2010). Adaptation to climate change and climate
variability in European agriculture: The importance of farm level responses. European Journal of
Agronomy, 32(1), 91–102. http://doi.org/10.1016/j.eja.2009.06.003
Rena, A.B. & Barros, R.S. (2004) Aspectos críticos no estudo da floração do café. In: Zambolim L (ed), Efeitos
da Irrigação Sobre a Qualidade e Produtividade do Café, Universidade Federal de Viçosa,149-172.
Rena, A.B., Barros, R.S., Maestri, M. (2001). Desenvolvimento reprodutivo do cafeeiro. In: Zambolim L (ed),
Tecnologias de Produção de Café com Qualidade. Universidade Federal de Viçosa, 101-128.
Restrepo, J. D., & Escobar, H. A. (2016). Sediment load trends in the Magdalena River basin (1980–2010):
Anthropogenic and climate-induced causes. Geomorphology.
http://doi.org/10.1016/j.geomorph.2016.12.013
Restrepo, J., Ortíz, J.C., Pierini, J., Schrottke, K., Maza, M., Otero, L., Aguirre, J., (2014). Freshwater discharge
into the Caribbean Sea from the rivers of Northwestern South America (Colombia): magnitude, variability
and recent changes. J. Hydrol. 509, 266–281.
Restrepo, J.D. & Kjerfve, B.,(2000). Magdalena river: interannual variability (1975–1995) and revised water
discharge and sediment load estimates. J. Hydrol. 235, 137–149
Revelle, R.R. & Waggoner, P.E. (1983). Effects of carbon dioxide-induced climatic Change on water supplies
in the Western United States, in Changing climate: Report of the carbon dioxide assessment committee,
National Academy Press, Washington.
Reyes, S (2001). Introducción a la meteorología. México: Universidad Autónoma de Baja California.
Riaño, N., S. Orrego, H. I. Restrepo, Á. Duque, D. Obando, D. Orozco, L. B. Hernández, Y. P. Giraldo, C. A.
León, S. Calderón, G. Romero, D. A. Ordóñez, A. Álvarez, L. Sánchez-Aragón y C. E. Ludeña. (2015).
Impactos Económicos del Cambio Climático en Colombia: Sector Forestal. Banco Interamericano de
Rientjes, T. Haile, A. & Fenta, A. (2013). Diurnal rainfall variability over the Upper Blue Nile Basin: A remote
sensing based approach. International Journal of Applied Earth Observation and Geoinformation 21, 311-
325.
Rientjes, T.H.M., Alemseged, T.H., Kebede, E., Mannaerts, C., Habib, E., Steenhuis, T.S. (2011). Changes in
land cover and stream flow in Gilgel Abay watershed, Blue Nile Basin Ethiopia. Hydrology and Earth
System Sciences 15, 1979–1989.
Rio, C., Hourdin, F., Grandpeix, J.Y., Lafore, J.P. (2009). Shifting the diurnal cycle of parameterized deep
convection over land. Geophys. Res. Lett. 36, 1-5.
Ritchie, J.T. & Otter, S., (1985). Description and performance of CERES Wheat: A user-oriented wheat yield
model. In: Willis, W.O. (Ed.), ARS Wheat Yield Project. ARS-38, US Department of Agriculture,
Agricultural Research Service, Washington, DC, 159-175.
Ritchie, T.J. (1991). Specifications for the ideal model for predicting crop yields. In: Muchow, R.S.; Bellamy,
J.A. (Eds.). Climate risk in crop production: models and management for semiarid tropics and subtropics.
Wallingford, CAB, 1991. p. 97-122.
Rivera, M., Nikolskii, I., Castillo, M., Ordaz, V., Díaz, G., Guajardo, R. (2013). Vulnerabilidad de la producción
del café (Coffea arabica L.) al cambio climático global. Terra Latinoamericana, 31(4), 305-313.
Rivington, M., Koo, J., (2010). Report on the Meta-analysis of Crop Modelling for Climate Change and Food
Security Survey, p. 73. CGIAR Program on Climate Change, Agriculture and Food Security (CCAFS),
Copenhagen, Denmark.
Rodamilans, J. C. (2006). El clima nocturno en mallorca, o como comprender la complejidad a través de una
simulación. Proyecto Salidas de modelos de mesoscala a alta resolución: verificación y uso en cartografía
climática. Ministerio de Ciencia y Tecnología.
Rodrigues, V., et al. (2010). Trends in solar radiation in NCEP/NCAR database and measurements in
northeastern Brazil. Solar Energy 84 , 1852-1862.
Rodríguez, A. (2010). Evaluación de los modelos globales del clima utilizados para la generación de
escenarios de cambio climático con el clima presente en Colombia. Bogotá: IDEAM. 120 p.
Rodríguez, A. (2012). Evaluación de las simulaciones de precipitación y temperatura de los modelos climáticos
globales del proyecto CMIP5 con el clima preente en Colombia. Bogotá: IDEAM. 31 p.
Rodríguez, D., Cure, J. R., Cotes, J. M., Gutierrez, A. P., & Cantor, F. (2011). A coffee agroecosystem model:
I. Growth and development of the coffee plant. Ecological Modelling, 222(19), 3626–3639.
http://doi.org/10.1016/j.ecolmodel.2011.08.003
Rodríguez, D., Cure, J. R., Gutierrez, A. P., Cotes, J. M., & Cantor, F. (2013). A coffee agroecosystem model:
II. Dynamics of coffee berry borer. Ecological Modelling, 248, 203–214.
http://doi.org/10.1016/j.ecolmodel.2012.09.015
Rodríguez, N., Armenteras, D., & Retana, J. (2015). National ecosystems services priorities for planning carbon
and water resource management in Colombia. Land Use Policy, 42, 609–618.
http://doi.org/10.1016/j.landusepol.2014.09.013
Rodríguez, N., Pabón, J. D., Bernal, N. R., Martínez, J. (2010). Cambio climático y su relación con el uso del
suelo en los Andes Colombianos. Bogotá: Instituto de Investigación de Recursos Biológicos Alexander
von Humboldt, Universidad Nacional de Colombia y Departamento Administrativo de Ciencia, Tecnología
e Innovación.
Rolando, J. L., Turin, C., Ramírez, D. A., Mares, V., Monerris, J., & Quiroz, R. (2017). Key ecosystem services
and ecological intensification of agriculture in the tropical high-Andean Puna as affected by land-use and
climate changes. Agriculture, Ecosystems and Environment, 236, 221–233.
http://doi.org/10.1016/j.agee.2016.12.010
Rosenzweig, C., Jones, J.W., Hatfield, J.L., Ruane, A.C., Boote, K.J., Thorburn, P., Antle, J.M., Nelson, G.C.,
Porter, C., Janssen, S., Asseng, S., Basso, B., Ewert, F., Wallach, D., Baigorria, G., Winter, J.M., (2013).
The agricultural model intercomparison and improvement project (AgMIP): protocols and pilot studies.
Agric. For. Meteorol. 170, 166-182.
Rosenzweig, C., Strzepek, K.M., Major, D.C., Iglesias, A., Yates, D.N., McCluskey, A., Hillel, D., (2004). Water
resources for agriculture in a changing climate: international case studies. Global Environ. Change 14,
345–360.
Ruane, A. C., Goldberg, R., & Chryssanthacopoulos, J. (2015). Climate forcing datasets for agricultural
modeling: Merged products for gap-filling and historical climate series estimation. Agricultural and Forest
Meteorology, 200, 233–248. http://doi.org/10.1016/j.agrformet.2014.09.016
Rueda, V.O. & Mendez, J.M., (2002). Sobre la variabilidad y el cambio climático en Chiapas. In: Pohlan, J.
(Ed.), México y La Cafecultura Chiapaneca. Shaker Verlag, Aachen, Germany.
Ruiz F., (2010). Cambio climático en temperatura, precipitación y humedad relativa para Colombia usando
modelos meteorológicos de alta resolución (panorama 2011-2100). Nota Técnica de IDEAM, No. IDEAM–
METEO/005-2010, Bogotá D.C., 91 p.
Ruiz, D., Arroyave, M., Molina, A., Barros, J.F., Gutiérrez, M. E., Zapata, P.A. (2009). Signals of climate
variability/change in surface water supply of high-mountain watersheds case study: Claro River high
mountain basin, Los Nevados Natural Park, Andean Central Mountain Range, Colombia. World Bank
Group. 207 pp.
Ruiz, F. & Martinez, M.C. (2007). Report on Activities Performed in MRIJapan to Simulate Climate in Colombia
and the A1B Scenario with the Japanese Model using a Resolution of 20 x 20 Km. Visualizing Future
Climate in Latin America: Results from the application of the Earth Simulator. Latin America and Caribbean
Region Sustainable Development Working Paper 30, 43-59.
Ruiz, F., Rodríguez, A., Armenta, G., Grajales, F. (2013). Informe de Escenarios de Cambio Climático para
Temperatura y Precipitación en Colombia. Bogotá: IDEAM.
Ruiz, L. M., Delgado, J., Angarita, H., Salas, H., Sánchez, J., Cortés, M., & Rueda, O. (2016). Efecto de Medidas
de Adaptación Basada en Ecosistemas sobre Métricas Hidrológicas Considerando Cambio Climático: Río
Nechí, Colombia. Aqua-LAC, 8, 21–33.
Sadoff, C. & Muller, M. (2007). Perspectives on water and climate change adaptation. Better water resources
management – Greater resilience today, more effective adaptation tomorrow. Global Water Partnership
Technical Committee. 17 p.
Sadoff, C. & Muller, M. (2009). Water Management, Water Security and Climate Change Adaptation: Early
Impacts and Essential Responses. Global Water Partnership Technical Committee. TEC Background
papers, 14, 92 p.
Salas, J.D. & Smith, R. (1981). Physical basis of stochastic models of annual flows. Water Resources Research,
17(2), 428-430.
Salazar, A. (1990). Ciclicidad de los caudales en Colombia, fases húmedas y secas. Atmósfera, 14, 42-53.
Salazar, K., Arroyave, A., Ocampo, O.L., Ovalle, A.M., Ramírez, C., Olivero, C.E. (2016). Estudio de métodos
y tiempos en la cosecha manual de café con Canguaro 2M. Manizales: Universidad Autónoma de
Manizales. CENICAFÉ.
Salazar, K., Arroyave, A., Ovalle, A.M., Ocampo, O.L., Ramírez, C., Olivero, C.E. (2016). Tiempos en la
recolección manual tradicional de café. Ingeniería Industrial 37(2), 114-126.
Salazar-Gutiérrez, M.R., Chaves, C.B., Riaño, N.M., Arcila, J., Jaramillo, A. (1994). Crecimiento del fruto de
café Coffea arabica L. var Colombia. Cenicafé 45, 41-50.
Salinas-Zavala, C.A., Douglas, A.V., Diaz, H.F., (2002). Interannual variability of NDVI in northwest Mexico.
Associated climatic mechanisms and ecological implications. Remote Sens. Environ. 82 (2–3), 417–430.
Sánchez, E., Solman, S., Remedio, A.R.C., Berbery, H., Samuelsson, P., Da Rocha, R.P., Mourão, C., Li, L.,
Marengo, J., de Castro, M., Jacob, D. (2015). Regional climate modelling in CLARIS-LPB: a concerted
approach towards twenty first century projections of regional temperature and precipitation over South
America. Clim. Dyn. http://dx.doi.org/10.1007/s00382-014-2466-0.
Sandoval, G. L., Monsalve, E.A., García, P. L., Rodríguez, C.A., Gómez, J.P., Triviño, H.J. (2015).
Environmental Flow Estimation Using Hydrological and Hydraulic Methods for the Quindío River Basin :
WEAP as a Support Tool. Estimación de Caudales Ecológicos mediante Métodos Hidrológicos e
Hidráulicos para la Cuenca del Río Quindío Usando WEAP como Herramienta de apoyo. Inge Cuc, 11(2),
34–48.
Santibáñez, F. (2001). El modelado del crecimiento, desarrollo y producción del maíz sobre bases
ecofisiológicas mediante el modelo SIMPROC. Revista Agrometeorológica, 1 (1), 7-16.
Santos, M.A. & Camargo, M. B. P. (2006). Parametrização de modelo agrometeorológico de estimativa de
produtividade do cafeeiro (Coffea arabica L.) nas condições do Estado de São Paulo. Bragantia, 65, 173-
183.
Sapkota, T. B., Jat, M. L., Aryal, J. P., Jat, R. K., & Khatri-Chhetri, A. (2015). Climate change adaptation,
greenhouse gas mitigation and economic profitability of conservation agriculture: Some examples from
cereal systems of Indo-Gangetic Plains. Journal of Integrative Agriculture, 14(8), 1524–1533.
http://doi.org/10.1016/S2095-3119(15)61093-0
Sauchyn, D., Upegui, J.J, Masiokas, M., Ocampo, O., Cara, L., & Villalba, R. (2016). Exposure of Rural
Communities to Climate Variability and Change: Case Studies from Argentina, Colombia and Canada. In
W. Leal Filjo, K. Adamson, R. M. Dunk, U. Alzeiteiro, S. Illingworth, & F. Alves (Eds.), Implementing
Climate Change Adaptation in Cities and Communities. Integrating Strateggies and Educational
Approaches (pp. 23–38). Springer. http://doi.org/10.1007/978-3-319-28591-7
Schroth, G., Laderach, P., Dempewolf, J., Philpott, S., Haggar, J., Eakin, H., Castillejos, T., Garcia Moreno, J.,
Soto Pinto, L., Hernandez, R., Eitzinger, A., Ramirez-Villegas, J. (2009). Towards a climate change
adaptation strategy for coffee communities and ecosystems in the Sierra Madre de Chiapas, Mexico. Mitig
Adapt Strateg Glob Chang 14, 605–625.
Segura, B. (2005). Simulación del ciclo diurno de la precipitación del calentamiento en Sudamérica. Lima:
Universidad del Perú.
SEI & USAID. (2014). Modelación del recurso hídrico en la cuenca del río La Vieja en Colombia. Davis:
Stockholm Environment Institute.
Sellami, H., Benabdallah, S., La Jeunesse, I., & Vanclooster, M. (2016). Quantifying hydrological responses of
small Mediterranean catchments under climate change projections. Science of the Total Environment,
543, 924–936. http://doi.org/10.1016/j.scitotenv.2015.07.006
Semenov, M. A., Stratonovitch, P., Alghabari, F., & Gooding, M. J. (2014). Adapting wheat in Europe for climate
change. Journal of Cereal Science, 59(3), 245–256. http://doi.org/10.1016/ j.jcs.2014.01.006
SENAMHI. Servicio Nacional de Meteorología e Hidrología del Perú. (2011). Manual de Observaciones
fenológicas. Lima: SENAMHI.
Seneviratne, Corti, Davin, Hirschi, Jaeger, Lehner, Orlowsky, Teuling. (2010). Investigating soil moisture-
climate interactions in a changing climate: A review. Earth-Science Reviews 99 (2010), 125–161.
Seneviratne, S.I., Lüthi, D., Litschi, M., Schär, C. (2006). Land–atmosphere coupling and climate change in
Europe. Nature 443, 205–209.
Silva, E.A., DaMatta, F.M., Ducatti, C., Regazzi, A.J., Barros, R.S. (2004) Seasonal changes in vegetative
growth and photosynthesis of Arabica coffee trees. Field Crops Res. 89, 349-357.
Silva, E.A., Mazzafera, P., Brunini, O., Sakai, E., Arruda, F.B., Mattoso, H.C., Carvalho, R.L., Pires, C.M.
(2005). The influence of water management and environmental conditions of the chemical composition
and beverage quality of coffee beans. Braz. J. Plant Physiol. 17, 229- 238.
Singh, J., H. V. Knapp, and M. Demissie. (2004). Hydrologic modeling of the Iroquois River watershed using
HSPF and SWAT. ISWS CR 2004-08. Champaign, Ill.: Illinois State Water Survey.
Sitch, S., Smith, B., Prentice, I.C., Arneth, A., Bondeau, A., Cramer, W., Kaplan, J.O., Levis, S., Lucht, W.,
Sykes, M.T., Thonicke, K., Venevsky, S., (2003). Evaluation of ecosystem dynamics, plant geography and
terrestrial carbon cycling in the LPJ dynamic global vegetation model. Global Change Biology 9, 161–185.
Slingo, J.M., Challinor, A.J., Hoskins, B.J., Wheeler, T.R., (2005). Introduction: food crops in a changing climate.
Philos. Trans. Roy. Soc. B 360, 1983–1989.
Smith, W.N., Grant, B.B., Campbell, C.A., McConkey, B.G., Desjardins, R.L., Kröbel, R., Malhi, S.S., (2012).
Crop residue removal effects on soil carbon: measured and inter-model comparisons. Agric. Ecosyst.
Environ. 161, 27-38. http://dx.doi.org/10.1016/j.agee.2012.07.024.
Soares, A.R., Mantovani, E.C., Rena, A.B., Soares, A.A. (2005). Irrigação e fisiologia da floração em cafeeiros
adultos na região da zona da mata de Minas Gerais. Acta Sci. Agron. 27, 117-125.
Stanhill, G. & Cohen, S. (2001). Global dimming: A review of the evidence for a widespread and significant
reduction in global radiation with discussions of its probable causes and possible agricultural
consequences. Agriculture and forest meteorology 107 , 255-278.
Steduto, P., Hsiao, T.C., Raes, D., Fereres, E., (2009). AquaCrop-the FAO crop model to simulate yield
response to water: I. Concepts and underlying principles. Agron. J. 101 (3), 426-437.
Steinhoff, D., Monaghan, A., Clark, M. (2014). Projected impact of twenty-first century ENSO changes on rainfall
over Central America and northwest South America from CMIP5 AOGCMs. Clim. Dyn. 1–21.
http://dx.doi.org/10.1007/ s00382-014-2196-3
Stern, N. (2006). The Economics of Climate Change. The Stern Review. Londres: Cambridge University Press.
Stewart, J. I.; Hagan, R. M.; Pruitt, W. O. (1976). Production functions and predicted irrigation programmes for
principal crops as required for water resources planning and increased water use efficiency: final report.
Washington: U.S. Departament of Interior, 80 p
Stöckle, C.O., Donatelli, M., Nelson, R., (2003). CropSyst, a cropping systems simulation model. Eur. J. Agron.
18 (3-4), 289-307.
Stone, D. & Weaver, A. (2002). Daily maximum and minimum temperature trends in a climate model.
Geophysical Research Letters.
Strayer, C. & Kay, S.A. (1999). The ins and outs of circadian regulated gene expression. Current Opinion Plant
Biol. 2, 114-120.
Sultan, B., Roudier, P., Quirion, P., Alhassane, A., Muller, B., Dingkuhn, M., Ciais, P., Guimberteau, M., Traore,
S., Baron, C., (2013). Assessing climate change impacts on sorghum and millet yields in the Sudanian
and Sahelian savannas of West Africa. Environ. Res. Lett. 8 http://dx.doi.org/10.1088/1748-

9326/8/1/014040
Superintendencia de Industria y Comercio. (2012). Estudios de Mercado. Estudio sobre el sector del café en
Colombia. Bogotá: Grupo de Estudios Económicos. SIC.
Szott, L.T., Fernandes, E.C.M., Sanchez, P.A., (1991). Soil–plant interactions in agroforestry systems. In:
Jarvis, P.G. (Ed.), Agroforestry: Principles and Practices. Elsevier, Amsterdam, 127–152.
Taikan, O. & Musiake, K. (1994). Seasonal Change of the Diurnal Cycle of Precipitation over Japan and
Malaysia. J. of Appl. Meteor., 33, 1445-1463.
Tapasco, J., J. Martínez, S. Calderón, G. Romero, D. A. Ordóñez, A. Álvarez, L. Sánchez-Aragón y C. E.
Ludeña. (2015a). Impactos Económicos del Cambio Climático en Colombia: Sector Ganadero. Banco
Interamericano de Desarrollo, Monografía No. 254, Washington D.C.
Tapasco, J., M. A. Orrego-Varón, D. Arango-Londoño, J. Ramírez-Villegas, S. Croft, L. Gil, A. Pantoja, S.
Calderón, G. Romero, D. A. Ordóñez, A. Álvarez, L. Sánchez-Aragón y C. E. Ludeña. (2015c). Impactos
Económicos del Cambio Climático en Colombia: Especies Nativas y Biocomercio. Banco Interamericano
de Desarrollo, Monografía No. 257, Washington D.C.
Tapasco, J., M. Quintero, N. Uribe, J. Valencia, G. Romero, S. Calderón, D. A. Ordóñez, A. Álvarez, L.
Sánchez-Aragón y C. E. Ludeña. (2015b). Impactos Económicos del Cambio Climático en Colombia:
Recurso Hídrico. Banco Interamericano de Desarrollo, Monografía No. 258, Washington D.C.
Taugourdeau, S., le Maire, G., Avelino, J., Jones, J. R., Ramirez, L. G., Jara Quesada, M., … Roupsard, O.
(2014). Leaf area index as an indicator of ecosystem services and management practices: An application
for coffee agroforestry. Agriculture, Ecosystems and Environment, 192, 19–37.
http://doi.org/10.1016/j.agee.2014.03.042
Teichmann, C., Eggert, B., Elizalde, A., Haensler, A., Jacob, D., Kumar, P.,Moseley, C., Pfeifer, S., Rechid, D.,
Remedio, A.R., Ries, H., Petersen, J., Preuschmann, S., Raub, T., Saeed, F., Sieck, K., Weber, T., (2013).
How does a regional climate model modify the projected climate change signal of the driving GCM: a
study over different CORDEX regions using REMO. Atmosphere 4, 214–236.
Témez, J.R. (1977). Modelo matemático de transformación precipitación-aportación. ASINEL.
Teng, J., Vaze, J., Chiew, F.H.S., Wang, B., Perraud, J.-M., 2011. Estimating the relative uncertainties sourced
from GCMs and hydrological models in modeling climate change impact on runoff. J. Hydrometeorol. 13,
122–139. http://dx.doi.org/10.1175/JHM-D-11-058.1.
Thanda, C., Koike, T., Yamamoto, A. (2016). Statistical bias correction for climate change impact on the basin
scale precipitation in Sri Lanka, Philippines, Japan and Tunisia. Hydrol. Earth Syst. Sci. Discuss.
doi:10.5194/hess-2016-14, 2016
The COMET Program. (2011). Introduction to Tropical Meteorology. University Corporation for Atmospheric
Research. In: http://www.goes-r.gov/users/comet/tropical/ textbook_2nd_edition /print_1.htm#page_6.3.0
Thomas, H. A. (1981). Improved methods for rational water assessment report. US Water Resources
Thomas, K. & Trenberth, K. E. (2003). Modern Global Climate Change. Science 5, 1719-1723.
Thorndahl, S., Smith, J. A., Baeck, M. L., & Krajewski, W. F. (2014). Analyses of the temporal and spatial
structures of heavy rainfall from a catalog of high-resolution radar rainfall fields. Atmospheric Research,
144, 111–125. http://doi.org/10.1016/j.atmosres.2014.03.013
Tinoco, A. (2017). Modeling Elastic and Geometric Properties of Coffea arabica L. var. Colombia fruits by an
Experimental-Numerical Approach. International Journal of Fruit Science. 1-16.
http://dx.doi.org/10.1080/15538362.2016.1270249
Tinoco, H. A., Ocampo, D. A., Peña, F. M., & Sanz-Uribe, J. R. (2014). Finite element modal analysis of the
fruit-peduncle of Coffea arabica L. var. Colombia estimating its geometrical and mechanical properties.
Computers and Electronics in Agriculture, 108, 17-27.
Torres, E. (2009). Agrometeorología. México: Editorial Trillas.
Tucker, Eakin, Castellanos. Perceptions of risk and adaptation (2010). Coffee producers, market shocks, and
extreme weather in Central America and Mexico. Global Environmental Change 20, 23–32.
Turbay, S., Nates Cruz, B., Jaramillo Vallejo, F. L., Vélez, J. J., & Ocampo, O. L. (2014). Adaptación a la
variabilidad climática entre los caficultores de las cuencas de los ríos Porce y Chinchiná, Colombia.
Investigaciones Geográficas, Boletín Del Instituto de Geografía, 0(85), 95–112.

http://doi.org/10.14350/rig.42298
Turc, L. (1962). Estimation of irrigation water requirements, potential evapotranspiration: a simple climatic
formula evolved up to date. Ann. Agron., 12, 13-49.
Uma, K. N., & Das, S. S. (2016). Quantitative and qualitative assessment of diurnal variability in tropospheric
humidity using SAPHIR on-board Megha-Tropiques. Journal of Atmospheric and Solar-Terrestrial
Physics, 146, 89–100. http://doi.org/10.1016/j.jastp.2016.05.009
Useros, J. L. (2013). El cambio climático: sus causas y efectos medioambientales. Anales de la real academia
de medicina y cirugía de Valladolid. 50, 71-98.
USGS (2014). Elevation Products. Available in: https://eros.usgs.gov/elevation-products
Vaast, P., Bertrand, B., Perriot, J.J., Guyot, B., Génard, M. (2006). Fruit thinning and shade improve bean
characteristics and beverage quality of coffee (Coffea arabica L.) under optimal conditions. J. Sci. Food
Agric. 86,197-204.
Van Diepen, C.A., Wolf, J., van Keulen, H., Rappoldt, C., 1989. WOFOST: a simulation model of crop
production. Soil Use Manag. 5 (1), 16e24. http://dx.doi.org/10.1111/j.1475-2743.1989.tb00755.x.
Van Ittersum, M. K., Leffelaar, P. A., Van Keulen, H., Kropff, F., Bastiaans, L. and Goudriaan, J. (2003). On
Approaches and application of the Wageningen crop model. Europ. J. Agronomy. 18 (3 – 4), 201 – 234.
Van Keulen, H., Wolf. J. (1986). Modelling of agricultural production: weather, soils and crops. Pudoc
Wageningen, Netherlands.
Van Vuuren, D, Edomonds, J, Kainuma, M, Riahi, K, Thomson, A, Hibbard, K,Hurtt, G, Kram, T, Krey, V,
Lamarque, J.F., Masui, T, Meinshausen, M, Nakicenovic, N, Smith, S, Rose, S (2011). The
representativative Concentration pathways: an Overview. Climate Change 109, 5-31.
Vandewiele, G.L., Xu, C.Y. & Ni-Lar, W. (1992). Methodology and compartive study of monthly water models
in Belgium, China and Burma. J. Hydrol., 134, 315-347.
Vargas, W. G. (2002). Guía ilustrada de las plantas de las montañas del Quindío y los Andes Centrales.
Manizales: Universidad de Caldas.
Velasquez, K. (2017). Capacitación y seguimiento técnico de la empresa ENLSA S.A. a los productores de
café en el departamento de Matagalpa. Universidad Nacional Agraria, Managua.
Vélez, J.I. (2001). Desarrollo de un modelo hidrológico conceptual y distribuido orientado a la simulación de
crecidas. Tesis Doctoral. Universidad Politéncia de Valencia. Escuela Técnica Superior de Ingenieros de
Caminos, Canales y Puerto. Valencia
Vélez, J.I. (2013). Estrategia de simulación hidrológica distribuida: integración conceptual de hidrología,
hidráulica y geomorfología. Rev. Acad. Colomb. Ciencias 37 (144), 309-404.
Vélez, J.I., Poveda, G., Mesa, O. (2000). Balances hidrológicos de Colombia. Medellín: Universidad Nacional
de Colombia sede Medellín, COLCIENCIAS, UPME.
Vélez, J.I., Poveda, G., Mesa, O., Hoyos, C.D., Salazar, L.F., Mejía, J.F. (2002). Modelo de interacción suelo-
atmósfera para la estimación de caudales medios mensuales en Colombia. Meteorología Colombiana,
6, 81-89.
Venugopal, V., Virts, K., Sukhatme, J., Wallace, J. M., & Chattopadhyay, B. (2016). A comparison of the fine-
scale structure of the diurnal cycle of tropical rain and lightning. Atmospheric Research, 169, 515–522.
Verbist, B., Putra, A.E.D., Budidarsono, S., (2005). Factors driving land use change: effects onwatershed
functions in a coffee agroforestry system in Lampung, Sumatra. Agricultural Systems 85, 254–270.
Verhaar, P.M., Biron, P.M., Fergunson, R.I. Hoey, T.B. (2008). A modified morphodynamic model for
investigating the response of rivers to short-term climate change. Geomorphology, 101(4), 674-682.
Viera; S.C. & Moreno, H.A. (2001). Caracterización del ciclo diurno de precipitación en los andes tropicales de
colombia, región sur. Tesis de pregrado, Facultad de Minas, Universidad Nacional de Colombia, Medellín,
Colombia, Abril 2001.
Villers, L., Arizpe, N., Orellana, R., Conde, C., Hernández, J. (2009). Impactos del cambio climático en la
floración del fruto del café en Veracruz, México. Interciencia 34(5), 322-329.
Vogell, R.M., I Wilson & C. Daly (1999). Regional 701 regression models of annual streamflow for the United
States. Journal of Irrigation and Drainage Engineering 125:148-157.
Wade, S., Sanderson, M., Golding, N., Lowe, J., Betts, R., et al. (2015). Developing H++ Climate change
scenarios for heat waves, droughts, floods, windstorms and cold snaps. Met office, CEH, University of
Reading.
Wale, A., Rientjes, T.H.M., Gieske, A.S.M., Getachew, H.A. (2009). Ungauged catchment contributions to Lake
Tana’s water balance. Hydrological Processes 23 (26), 3682–3693.
Walschburger, T., Angarita, H., & Delgado, J. (2015). Hacia una gestión integral de las planicies inundables en
la cuenca Magdalena-Cauca. Foro Nacional Ambiental.
Wang, G.L.. (2005). Agricultural drought in a future climate: results from 15 global climate models participating
in the IPCC 4th assessment. Clim. Dyn. 25, 739–753.
Wang, X., Peterson, T., Lawrimore, J., Brunet, M., Cerveny, R., Donlon, C., Driouech, F., Wan Hassan, W.,
Hollmann, R., Schwartz, M., Zhang, Z. (2008). Vigilancia del clima de la tierra. Boletín de la OMM, 57,
109-113
Wang, Z., Kang, S., Jensen. C.R., Liu, F. (2012). Alternate partial root-zone irrigation reduces bundle-sheath
cell leakage to CO2 and enhances photosynthetic capacity in maize leaves. J. Exp. Bot. 63, 1145-1153.
Wilby, R. L., Charles, S. P., Zorita, E. Timbal, B. Whetton, P., Mearns, L. O. (2004). Guidelines for Use of
Climate Scenarios Developed from Statistical Scale Reduction Methods. IPCC. In: http://www.ipcc-
data.org/guidelines/dgm_no2_v1_09_2004.pdf
Wilcke, R. & Bärring, L. (2016). Selecting regional climate scenarios for impact modelling studies.
Environmental Modelling & Software 78, 191-201.
Wild, M. et al. (2005). From dimming to brightening: decadal changes in solar radiation at Earth´s surface.
Science 308 , 847-850.
Willett, K. M., Jones, P. D., Gillett, N. P., & Thorne, P. W. (2008). Recent changes in surface humidity:
development of the HadCRUH dataset. Journal of Climate, 21, 5364-5383.
Williams, J.R., C.A. Jones, & P.T. Dyke. (1984). A modeling approach to determining the relationship between
erosion and soil productivity. Trans. ASAE 27, 129–144.
Wilson, A. M., & Barros, A. P. (2015). Landform controls on low level moisture convergence and the diurnal
cycle of warm season orographic rainfall in the Southern Appalachians. Journal of Hydrology, 531, 475–
493. http://doi.org/10.1016/j.jhydrol.2015.10.068
World Bank. (2009). Respuestas Latinoamericanas al desafío del cambio climático. World Bank.
World Economic Forum (2014). Climate Adaptation: Seizing the Challenge. Geneva, Switzerland: WEF. 40 p.
World Economic Forum (2018). The Global Risk Report 2018. WEF. 13 th Edition. Geneve. 80 p.
World Meteorological Organization (WMO) & Global Water Partnership (GWP) (2014). National Drought
Management Policy Guidelines: A Template for Action (D.A. Wilhite). Integrated drought Management
Programme (IDMP) Tools and Guidelines Series 1. WMO, Geneva, Switzerland and GWP, Stockholm,
Sweden.
Xiaowen, L., Xioju, Z., Weiliang, L., Longxun, C. (1995). The cooling of Sichuan province in recent 40 years
and its probable mechanism. Acta Met Sin 9 , 57-68.
Xu, C., (1999). Climate Change and Hydrologic Models: A Review of Existing Gaps and Recent Research
Developments. Water Resources Management 13, 369–382.
Xu, C.Y. & V.P Singh. (2004). Review on regional water resources assessment models under stationary and
changing climate. Water Resources Management., 18(6), 591-612.
Yan, W., Hunt, L.A. (1999). An equation modeling the temperature response of plant growth and development
using only the cardinal temperatures. Ann. Bot. 84, 607-614.
Yan, Z., Weixiang, S., Weixing, C., Yongchao, T., (2004). Dynamic knowledge model and decision support
system for rapeseed cultivation management. Trans. Chin.Soc. Agric. Eng. 6, 141-144.
Yang, G.Y. & Slingo, J. (2001). The Diurnal Cycle in the Tropics. Monthly Weather Review, 129, 784-801.
Yang, T. Yu, P. Chen, Ch. (2005). Long-term runoff forecasting by combining hydrologial models and
meteorological records. Hydrological Process 19 (10), 1967-1981.
Yates (2014). Escenarios Climáticos Regionales para el Desarrollo del Programa Nacional de Adaptación
(NAP). National Center for Atmospheric. Boulder Colorado.
Yates, D., S. Gangopadhyay, B. Rajagopalan, and K. Strzepek (2003), A technique for generating regional
climate scenarios using a nearest – neighbor algorithm, Water Resour. Res., 39(7), 1199.
Zacharias, A.O.; Camargo, M.B.P.; Fazuoli, L.C. (2008). Modelo agrometeorológico de estimativa do início da
florada plena do cafeeiro. Bragantia, 67, 249-256.
Zapata.Caldas, E., Jarvis, A., Ramirez, J., Lau, C. (2011). Potenciales impactos del Cambio Climático en
Cultivos Andinos. Serie Panorama Andino sobre Cambio Climático. Decision and Policy Analysis Program
(DAPA). CONDESAN, SGCAN. Lima-Quito.
Zhang, X., & Yang, F. (2004). RClimDex (1.0) Manual del Usuario. Disponible en:
etccdi.pacificclimate.org/RClimDex/RClimDex_Manual_Usuario.doc
Zuluaga, M. (2005). Diagnóstico de Sistemas Convectivos de Mesoescala sobre Colombia durante 1998-2002.
Tesis posgrado en Recursos Hidráulicos. Universidad Nacional de Colombia sede Medellín.

Modelación Hidrológica y Agronómica de Los Efectos Del Cambio y La Variabilidad Climática en La Producción Cafetera de Caldas

Cargado por

Copyright:

Formatos disponibles

Modelación Hidrológica y Agronómica de Los Efectos Del Cambio y La Variabilidad Climática en La Producción Cafetera de Caldas

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Modelación Hidrológica y Agronómica de Los Efectos Del Cambio y La Variabilidad Climática en La Producción Cafetera de Caldas

Cargado por

Copyright:

Formatos disponibles

Modelación hidrológica y agronómica de los efectos del

cambio y la variabilidad climática en la producción

Olga Lucía Ocampo López

Universidad Nacional de Colombia

Olga Lucía Ocampo López

Universidad Nacional de Colombia

Hydrological and agronomic modeling of the climate change

1. Descripción del área problemática y justificación.............................................................. 24

3. Estado del Arte............................................................................................................ 30

5. Ciclo diurno y tendencias ............................................................................................. 84

6. Escenarios de cambio climático................................................................................... 133

7. Balance hídrico ......................................................................................................... 176

8. Efectos de variabilidad y cambio climático en productividad cafetera ................................ 200

8.4 Calibración y validación de los modelos de cultivo ........................................................208

9. Discusión de Resultados ............................................................................................ 235

10. Anexos .................................................................................................................... 269

Bibliografía ...................................................................................................................... 290

Figura 8.2. Producción nacional de café y áreas cultivadas........................................................... 201

Tabla 10.4. Análisis de estadística descriptiva registros de humedad relativa, % ...............................272

1. Descripción del área problemática y justificación

1.1 Descripción del área problemática

Figura 1.1. Cambios en el sistema climático global

1.2 Formulación de la pregunta de Investigación

Figura 1.2. Mapa Cafetero del Departamento de Caldas

El análisis del cambio y la variabilidad climática en el departamento de Caldas y sus impactos en la

2.1 Objetivo General

2.2 Objetivos Específicos

3. Estado del Arte

3.1 Cambio climático

3.1.1 Efectos del cambio climático

3.1.1.1 Cambios observados

Impactos en el Agua: en calidad y disponibilidad.

Impactos en la Seguridad Alimentaria: en

Impactos en la Agricultura: Estrés térmico, daños

Impactos en la Salud: cambios en la dinámica de

Figura 3.1. Impactos del cambio climático en algunos sectores

3.1.1.2 Futuros cambios climáticos, riesgos e impactos

Centros Modelos Instituciones

Tabla 3.2. Trayectorias de Concentración Representativas RCPs

3.1.1.3 Futuras trayectorias de adaptación, mitigación y desarrollo sostenible

de adaptación, reducir la vulnerabilidad y la exposición, a corto plazo (IPCC, 2015). En materia de

Figura 3.2. Trayectorias de emisiones de GEI

3.1.2 Cambio climático en Colombia

3.1.2.1 Cambios observados en Colombia

3.1.2.2 Futuros cambios climáticos, riesgos e impactos en Colombia

3.1.2.3 Vulnerabilidad, adaptación y mitigación

Fuente: (CAF, 2014)

 2014: La ley 1715 de 2014 promueve el desarrollo y utilización de fuentes no convencionales de

3.2 Variabilidad climática

3.2.1 Variabilidad climática en Colombia

3.2.2 Ciclo diurno

Figura 3.3. Variación diaria de la tasa de energía y de la temperatura del aire

Comprender el ciclo diurno de la radiación neta es clave por su influencia en la temperatura

3.3 Cambio climático y balance hídrico

Aumento del forzamiento radiativo (Calentamiento global)

Incremento de los gases de efecto invernadero

Calentamiento superficial (según humedad disponible)

Incremento en la temperatura Incremento en la evaporación

Aumento en la capacidad de Incremento en el contenido de