Los datos utilizados para calcular los índices de sequía se obtienen de la base de datos NUMEROSA del Centro de Investigaciones Geofísicas de la Universidad de Costa Rica. Estos datos proceden de las estaciones de los servicios meteorológicos e hidrológicos de la región, que cuenta con 199 estaciones ubicadas a lo largo de América Central. Los datos de precipitación y temperatura se recopilan mensualmente para el periodo 1970-1999. Las estaciones que se utilizan, en específico, para este trabajo son las ubicadas en el cantón de Liberia (85.54°W y 10.6°N), Santa Cruz (85.58°W y 10.26°N) y para el caso de Abangares al no haber alguna estación en este cantón en la base de datos, se utilizó la que estuviera geográficamente más cerca, la cual se encuentra en Puntarenas (84.83°W y 10.13°N). En resumen, los datos de los cantones fueron obtenidos de la estación que estuviera dentro o más cercana a cada municipio. Todas las estaciones consideradas se encuentran en el Pacífico Norte de Costa Rica, dentro del área del CSC.

Para calcular los índices de Palmer (Palmer, 1965) se requiere información de capacidad de campo del suelo, esta se recopila de la base de datos Global Soil Texture and Derived Water holding Capacities, la cual tiene una resolución espacial de 1° x 1° (Webb et al., 2000). La información de capacidad de campo fue interpolada para las estaciones antes mencionadas al utilizar una interpolación “natural” de MATLAB basada en la triangulación Delaunay (Delaunay, 1934; Barber et al., 1996). Sumado a lo anterior, los índices de Palmer fueron calculados mediante la evapotranspiración, según la metodología de Thornthwaite (Thornthwaite, 1948).

Respecto a los impactos asociados a la sequía, se utiliza la base de datos empleada por Alfaro et al. (2018b; c) y Pérez-Briceño et al. (2016). Estas contienen información de tres distintas fuentes: DesInventar (http://www.desinventar.or), EM-DAT (http://www.emdat.be) y el Instituto Meteorológico Nacional (http://imn.ac.cr/). Adicionalmente, se recopilaron noticias de diferentes periódicos nacionales en formato físico y digital para crear una base de datos única de estas cuatro fuentes distintas.

Cabe resaltar, que estas bases de datos contienen información de diferentes eventos hidrometeorológicos (frentes fríos, bajas presiones, huracanes, sequías), distintos tipos de impactos (por ejemplo: inundaciones, pérdidas agrícolas, daño en infraestructura, etc.) así como distintas escalas espaciales (regiones, provincias o departamentos, cantones o gobiernos locales y distritos) por lo que se filtró la información de forma tal que solo se seleccionaron impactos de sequías (pérdidas en la agricultura, racionamiento de agua o muerte de ganado) a una escala cantonal (municipal, gobierno local) para el periodo 1970-1999, el cual coincide con los datos de precipitación, temperatura y capacidad de campo del suelo.

De la base de datos creada, se filtra nuevamente para identificar los cantones que contienen la mayor cantidad de impactos reportados por el efecto de la sequía. Estos son: Liberia, Santa Cruz y Abangares, todos se encuentran en Guanacaste, provincia en el noroeste de Costa Rica.

Se utilizan los mismos índices de sequía empleados en Quesada-Hernández et al. (2019), los cuales fueron seleccionados bajo distintos criterios: aplicabilidad en el área de estudio, disponibilidad de datos, facilidad de cómputo, así como algunos de los índices recomendados por la Organización Meteorológica Mundial (WMO, 2012) para investigaciones de esta naturaleza.

Los índices de sequía utilizados fueron los siguientes: Índice Normalizado de Sequía, conocido en inglés como Standardized Precipitation Index (SPI; Mckee, 1993) para 6 meses y 12 meses específicamente, para los meses octubre y diciembre, lo cual describiría eventos anuales y durante la época lluviosa de la vertiente del Pacífico de Costa Rica (mayo-octubre, Alfaro et al., 2018a), el Índice Modificado de Anomalía de Lluvia conocido en inglés como Modified Rainfall Anomaly Index (mRAI) (Hänsel et al., 2016), el Índice de Severidad de Sequía y el Índice Hidrológico de Palmer, conocidos en inglés como Palmer Drought Severity Index (PDSI) (Palmer, 1965) y Palmer Hydrological Drought Index (PHDI) respectivamente y usados para periodos de sequía extensos (Dai, 2011), el Índice Z de Sequía de Palmer, conocido como Palmer Drought Z-Index, utilizado para sequías agrícolas (Zargar et al., 2011) y el Índice de Reconocimiento de Sequías, conocido como Reconnaissance Drought Index (RDI) (Tsakiris & Vangelis, 2005). A excepción del SPI, todos los índices fueron calculados mensualmente para cada una de las estaciones y después se calcula la media anual para cada uno de ellos. El SPI fue calculado en forma mensual, pero para identificar, por ejemplo, la sequía anual, se utilizó el valor de SPI 12 del mes de diciembre de cada año, que representa las variaciones de precipitación de los 12 meses anteriores. Para identificar la sequía estacional, el SPI 6 se usó el valor en octubre de cada año, que representa las condiciones durante la estación lluviosa.

Cabe resaltar que cada uno de estos índices analizan diferentes tipos de sequía: mRAI, RDI y PDSI se enfocan en meteorológicas, Z y SPI para 6 meses reconocen impactos por agrícolas, mientras que SPI 12 y PHDI lo hacen para hidrológicas.

Los valores que se obtienen de los índices, para todo el análisis posterior, se clasifican como se observa en el Cuadro 1. De esta forma, para todos los índices habrá una sequía leve a partir de -0.5. La clasificación utilizada para los de Palmer se modifica con respecto a su forma original, para que todos los valores superiores (inferiores) a 3 (-3) se agrupen en la categoría de extremadamente húmedo (seco), esto comparando con la clasificación propuesta por Alley (1984) donde existe una categoría extra para valores superiores (inferiores) a 4 (-4).

Cuadro 1

Categoría	SPI, RDI, mRAI	PDSI, PHDI e índice Z
Extremadamente húmedo	>=2	>=3
Severamente húmedo	1.5 a 1.99	2 a 3
Moderamente húmedo	1 a 1.49	1 a 1.99
Levemente húmedo	0.5 a 0.99	0.5 a 0.99
Normal	0.49 a -0.49	0.49 a -0.49
Levemente seco	-0.5 a -0.99	-0.5 a -0.99
Moderadamente seco	-1 a -1.49	-1 a -1.99
Severamente seco	-1.5 a -1.99	-2 a -3
Extremadamente seco	<=-2	<=-3

Para comparar los impactos con los índices, estos fueron divididos en dos grupos: hay impacto por sequía (A) o no lo hay (B). Las dos categorías antes mencionadas fueron comparadas mediante el método estadístico de regresiones logísticas (Wilks, 2011) al seguir un análisis similar al empleado en Alfaro (2014) y Alfaro & Hidalgo (2017). Mediante la Ecuación 1 se hacen los diferentes cálculos de las regresiones,

(E.1)

De esta ecuación se tiene una unidad escalar x (cualquier índice de sequía) con una unidad y de categoría A o B. Al hacer estas regresiones se obtendrán dos curvas distintas con probabilidades de que el índice pueda detectar alguna de las dos condiciones antes mencionadas. Los diferentes análisis se llevaron a cabo en el programa Rstudio que utiliza la función glm (Generalized Linear Models) en su versión binomial (logit).

Se espera que el índice ideal para estudiar sequías y tomar decisiones en torno a este, sea aquel que tiene una alta probabilidad de identificar impactos cuando el índice se encuentre en una fase de sequía de acuerdo con el Cuadro 1.

Se encuentra que todos los índices reaccionan de forma distinta, depende del lugar que se esté analizando (Figura 2). Esto se puede deber a diferentes factores, por ejemplo: la metodología con la que se calcula cada uno de los índices, datos de entrada, el tipo de sequía que tratan de reconocer (meteorológica, agrícola o hidrológica) o bien las condiciones físicas de cada uno de los lugares.

Figura 2

De forma general, los índices identifican condiciones de sequía cuando se espera que esto ocurra. Por ejemplo, en años de ENOS cálido fuerte 1972-1973, 1982-1983 y 1997-1998, la mayoría de los índices marcan sequía de leve a severa, en los tres lugares de estudio (Figura 2).

Sin embargo, también se observan diferencias de un lugar a otro que dependen del índice que se esté utilizando, este es el caso del PDSI y PHDI para Liberia, donde los índices marcan sequía moderada a extrema durante el periodo 1987-1992, mientras que para Santa Cruz esto solo ocurre durante los años 1987-1988 (Figura 2). Sin embargo, cabe mencionar que puede haber otros factores que afecten la identificación de estos eventos, como por ejemplo la distribución del relieve o la estación meteorológica que se esté utilizando para el cálculo de los índices.

Cabe mencionar también que hay índices con un comportamiento bastante similar, este es el caso del SPI para escalas de 6 meses con el de 12 meses, donde los cambios entre ellos son muy pequeños. Lo anterior también ocurre para los índices PDSI y PHDI.

Al utilizar la metodología de modelos logit para comparar los impactos con los diferentes índices de sequía, se obtuvo el Cuadro 2. En él se observan los coeficientes utilizados para calcular cada uno de los modelos para el escenario en el que se reporte un impacto asociado a las sequías.

Cuadro 2

Abangares
Índice
SPI6	-0.1766	-1.2407*	-0.416	-2.459*
SPI12	-0.2329	-1.282*	-0.536	-2.474*
RDI	-0.1655	-1.3461*	-0.403	-2.283*
mRAI	-0.7969	-2.6963*	-1.485	-2.17*
PDSI	-0.2006	-0.3881	-0.508	-1.787
PHDI	-0.1656	-0.2626	-0.433	-1.434
Índice Z	-0.1992	-1.2482*	-0.486	-2.114*
Liberia
Índice
SPI6	0.3209	-1.0099*	0.777	-2.236*
SPI12	0.3043	-0.9995*	0.739	-2.241*
RDI	0.3245	-1.2885*	0.786	-2.247*
mRAI	-0.9126	-2.412*	-1.345	-2.239*
PDSI	0.2505	-0.4893*	0.594	-2.315*
PHDI	0.2647	-0.3505*	0.653	-2.11*
Índice Z	0.2571	-1.2144*	0.617	-2.22*
Santa Cruz
Índice
SPI6	0.1275	-1.6224*	0.288	-2.516*
SPI12	0.101	-1.6923*	0.228	-2.507*
RDI	0.1738	-1.7304*	0.397	-2.664**
mRAI	-1.183	-2.964*	-1.62	-2.13*
PDSI	0.1265	-0.5059*	0.315	-1.999*
PHDI	0.1524	-0.2897	0.397	-1.581*
Índice Z	0.04937	-1.65075*	0.111	-2.589**

Los valores z representan el resultado de la división entre el coeficiente obtenido ( ) y su error estándar. Valores en negrita y con * representan significancias superiores a 0.95 y con ** significancias superiores a 0.99.

Del cuadro anterior se reconoce que la mayoría de los índices presenta una significancia estadística superior a 0.95 en al menos uno de los parámetros (z₀ o z₁). Cabe resaltar el caso de Santa Cruz, en el que se observan dos de ellos (RDI y Z) con significancias superiores a 0.99, siendo este el único cantón donde esto ocurre.

Aquellos índices en los que hay significancias inferiores a 0.95, en al menos uno de los cantones, fueron eliminados. Es por esta razón que el índice PDSI y PHDI no se tomaron en cuenta para los diferentes análisis realizados a continuación.

Figura 3

Al analizar las curvas obtenidas de los modelos logit (Figura 3, 4 y 5) se aprecia que, independientemente del cantón que se esté analizando, los índices logran describir de forma apropiada la falta de impactos, es decir, hay una alta probabilidad de que no haya impactos cuando los índices se encuentran en una fase positiva (exceso de humedad).

En la mayoría de los casos, esta probabilidad es superior a 80 %; sin embargo, algunos alcanzan probabilidades superiores al 90 % como por ejemplo el SPI para 6 y 12 meses en el cantón de Santa Cruz (Figura 5) o el mRAI y Z para Liberia (Figura 4).

Figura 4

Conforme los índices se acercan a la condición normal (-0.49 a 0.49) las probabilidades de que haya un impacto empiezan a incrementarse. Para la mayoría de los casos la probabilidad de impacto se encontrará entre un 20 % y 60 %, en algunos casos estas probabilidades son aún mayores, por ejemplo, el Z para Santa Cruz (Figura 5) muestra valores superiores al 70 %, convirtiéndolo en un índice muy sensible ante los impactos. Nótese que entre más a la izquierda se encuentre el valor de la categoría normal (valor negativo), la probabilidad de impactos durante esta fase es mayor. Dentro de esta categoría, distintos índices pueden estar identificando diferentes tipos de impacto en sectores más sensibles, como por ejemplo la agricultura, la cual se puede ver afectada con variaciones leves en la precipitación durante épocas de siembra o cosecha, de ahí viene la alta sensibilidad del índice Z para Santa Cruz y Liberia.

Figura 5

Cuando los índices empiezan a marcar diferentes tipos de sequía, estos reaccionan de forma muy similar para cada uno de los lugares de estudio, lo que muestra una alta probabilidad de que haya algún tipo de impacto. Sin embargo, existen sitios donde tienen una mejor capacidad para reproducir los impactos asociados a las sequías.

Lo anterior se confirma en el caso de Santa Cruz (Figura 5), ya que los índices SPI para 6 y 12 meses presentan una mayor probabilidad de detectar muchos impactos de sequía, al tener valores cercanos al 99 % cuando se encuentran en una categoría severamente seca (entre -1.5 y -2). Sin embargo, ambos son muy sensibles, ya que detectan altas probabilidades de muchos impactos cuando se encuentran en una categoría de leve a moderada (-0.5 a -1.5).

El índice mRAI muestra probabilidades superiores a 80 % en todos los cantones de estudio para detectar impactos de sequía cuando se encuentra en fases de sequía moderada, lo anterior también ocurre para RDI e índice Z.