INTRODUCCIÓN
Los ecosistemas montañosos ofrecen numerosas y diversas fuentes de servicios, siendo el suministro de agua uno de los más importantes (Liniger & Weingartner, 2018). En Cuba los recursos y servicios del medio ambiente, algunos clasificados como núcleos significativos de biodiversidad (Viña-Bayés, 2001; Mateo-Rodríguez, 2016), tienen una fuerte relación con el clima de las montañas a escala local (Núñez-Jiménez & Viña-Bayés, 1989; Álvarez & Mercadet, 2012). Varias son las razones de esta estrecha dependencia, por ejemplo el aporte relevante de las lluvias orográficas y, a su vez, el efecto de sombras pluviométricas; de igual manera la ubicación en estos ecosistemas de grandes reservas de humedad (Trusov & Davitaya, 1965; Trusov, 1967; Rodríguez Rodríguez, 2005).. Análogamente, los ecosistemas agroproductivos de las regiones montañosas tienen significativos impactos en los balances macroeconómicos y la vida de los montañeses (FIDA, 2019; ONEI, 2023).
Los antecedentes de estudios del clima, desde la escala espacial, se dividen en macroclima, mesoclima, clima local, y microclima (Yoshino, 1975). El término de topoclima es utilizado en referencia del clima a escala local en las montañas, (Geiger et al., 2003; Barry, 2008). Entre las particularidades en los estudios de los topoclimas están las influencias que introducen los factores geográficos locales como la altura, exposición, forma del relieve, vertientes entre otros, en los procesos y elementos del clima en las montañas (Montenegro, 1989; Delgado-Téllez & Peña-de la Cruz, 2019).
Una variante metodológica que facilita el estudio y predicción de los topoclimas consiste en el uso de los modelos numéricos dinámicos (Fernando et al., 2017). El WRF (Skamarock et al., 2008), es en la actualidad uno de los más usados con este fin (Qiu et al., 2017; Liu et al., 2018; Fernando et al., 2019; Wang et al., 2020). Varios estudios han evaluado el desempeño del modelo WRF en simulaciones climáticas a muy alta resolución (Marta-Almeida et al., 2016; Raghavan et al., 2016; Kryza et al., 2017; Annor et al., 2018). Los resultados obtenidos demuestran que la eficiencia del modelo depende en gran medida de la configuración más adecuada de las parametrizaciones físicas (Giorgi, 2019; Varga & Breuer, 2020). Por otra parte, la efectividad de las configuraciones y parametrizaciones varía entre diferentes regiones geográficas y periodos del año, por lo que se requiere atender estas singularidades en las áreas de estudio (Katragkou et al., 2015). En este sentido, los estudios de sensibilidad podrían ser útiles para la selección de esquemas de parametrización con desempeño favorable en climas tropicales insulares (Wootten et al., 2016; Afrizal & Surussavadee, 2018).
En Cuba se han realizado aportes en los estudios del clima actual y proyección del clima futuro; estos últimos, aún con limitaciones en cuanto a la resolución espacial para la evaluación de impactos y adaptación al cambio climático en algunos sectores (Centella-Artola, 2019; Planos-Gutiérrez, 2020). Esta investigación tiene como objetivo evaluar el desempeño de parametrizaciones físicas y las condiciones de frontera estática en el WRF para el estudio de los topoclimas del oriente de Cuba. Los resultados pudieran favorecer el uso del WRF para la modelación del clima local, actual y futuro, en las montañas de islas tropicales.
MATERIALES Y MÉTODOS
Área de estudio. Base de datos observadas.
La investigación se realizó en la región oriental de Cuba. En el área se ubican las regiones naturales de Sierra del Turquino, Sierra de la Gran Piedra, Alturas de Cristal-Baracoa y la Altiplanicie del Nipe (Núñez-Jiménez & Viña-Bayés, 1989), que en el trabajo se denominaron macizos Sierra Maestra y Nipe-Sagua-Baracoa (CITMA, 1999). Dentro del área de estudio se consideraron, además, las regiones naturales de los valles de Guantánamo, Santiago, Central y del Cauto y la Región Camaguey-Maniabón. El rango altitudinal analizado estuvo en el rango de 0 a 1974 msnm (Portela, 1989). Para la validación de los resultados se utilizó las bases de datos de las 20 estaciones meteorológicas del Sistema Meteorológico Nacional ubicadas en el área de estudio (figura 1, tabla 1).
Las estaciones se agruparon por altitud sobre el nivel del mar (tabla 1), factor geográfico analizado en la generalidad de los estudios del clima de montañas realizados en Cuba (Peña-de la Cruz et al., 2021). Se definió un grupo específico para las estaciones localizadas a menor o igual (≤) de 2 km de la costa, por su significativa influencia marina.
Categorías | Altitud (msnm) | Distancia al mar (Km) |
---|---|---|
EM (Estación Meteorológica) Costa | < 50 | ≤ 2 |
EM Llano-Valle | < 50 | > 2 |
EM Valle-Premontaña | 51 a 200 | > 2 |
EM Montaña | > 200 | > 2 |
El estudio se realizó en los meses de junio y diciembre del 2018, meses representativos de los periodos lluvioso y poco lluvioso en Cuba (Trusov & Davitaya, 1965; Rodríguez Rodríguez, 2005).
Condiciones iniciales y de frontera.
En la investigación se utilizó el modelo no hidrostático de mesoescala Advanced Research WRF (ARW) versión v.4.0.0. (NCAR, 2018) Se seleccionó el ERA5 (https://www.ecmwf.int/en/forecasts/datasets/reanalysis-datasets/era5), como condición inicial y de contorno (ICBC por sus siglas en idioma inglés). Estos datos se tomaron con resolución temporal de una hora y resolución espacial horizontal de 31 km y 137 niveles verticales hasta una altura de 80 km.
En esta evaluación de sensibilidad del WRF se definieron tres dominios de 30, 10 y 3.33 km respectivamente. Los criterios asumidos en las escalas espaciales, además de ser adecuadas para el estudio de los topoclimas, tomaron en cuenta los resultados de Wootten y colaboradores en cuanto a resolver el pronunciado gradiente de precipitación que se observa sobre las islas de la cuenca del Caribe (op. cit.). La investigación empleó la técnica de anidamiento unidireccional sin feedback (figura 2, tabla 2). El modelo se inicializó a las 0000 UTC en todos los casos y se configuró con 30 niveles verticales. Se descartaron las primeras 6 y 12 horas de integración para la temperatura y precipitación respectivamente, con reinicio cada diez días, pertinente para estudios climáticos (Liu et al., 2018; Varga & Breuer, 2020).
Característica | D01 | D02 | D03 |
---|---|---|---|
Coordenadas del centro | 19.79, -76.89 | 20.46, -77.90 | 20.34, -76.65 |
Paso de rejilla horizontal | 30 km | 10 km | 3.33 km |
Dimensiones x,y,z | 100x80x30 | 163x109x30 | 265x175x30 |
Relación de paso | 1 | 3 | 3 |
Paso de integración | 120s | 40s | 13.3s |
En el estudio se utilizó los datos de diagnóstico del modelo WRF de la temperatura y precipitación en superficie a la resolución espacial de 3.33km. Estos diagnósticos se obtuvieron de las ubicaciones oficiales de las estaciones meteorológicas (figura 1). En la configuración del WRF se utilizó funciones referentes a resúmenes climáticos. La verificación de la capacidad del modelo para reproducir el comportamiento de los elementos climáticos se realizó por el método del vecino más cercano, comparando el valor de los puntos diagnósticos con el valor observado en las estaciones meteorológicas. Como valores de los acumulados de precipitación del modelo se utilizó la suma de los resultantes de cúmulo y microfísica de los experimentos en estudio. En los análisis se utilizaron los estadígrafos error cuadrático medio (MSE) y coeficiente de correlación de Pearson (R). El control de calidad de los datos de las estaciones meteorológicas se realizó mediante estadísticas descriptivas. En los resultados de este estudio de sensibilidad se compararon los valores de los estadígrafos por ubicación y periodos para cada etapa y experimentos (tabla 3).
RESULTADOS Y DISCUSIÓN
Diseño experimental
Debido a los altos costos computacionales, se diseñó un esquema experimental en tres etapas. Los 16 experimentos fueron identificados por códigos (tabla 3).
Primera Etapa | ||||
---|---|---|---|---|
Microfísica | Cúmulo | Códigos de los experimentos (CE) | ||
Lin (Lin |
Grell-Freitas (Grell & Freitas, 2014) | |||
Lin | Kain-Fritcsh (Kain, 2004) | |||
Morrison de doble momento (Morrison |
Grell-Freitas | |||
Morrison de doble momento | Kain-Fritcsh | |||
Thompson (Thompson |
Grell-Freitas | |||
Thompson | Kain-Fritcsh | |||
Segunda Etapa | ||||
Mellor Yamada-Janjic (Mellor & Yamada, 1982; Janjić, 2001) | Morrison de doble momento | Grell-Freitas | ||
Yonsei University/ Viento-Topo Método Jiménez | Morrison de doble momento | Grell-Freitas | ||
Yonsei University/ Viento-Topo Método UV | Morrison de doble momento | Grell-Freitas | ||
Mellor Yamada-Janjic | Thompson | Kain-Fritcsh | ||
Yonsei University/ Viento-Topo Método Jiménez | Thompson | Kain-Fritcsh | ||
Yonsei University/ Viento-Topo Método UV | Thompson | Kain-Fritcsh | ||
Tercera Etapa | ||||
Bases de datos espaciales nacionales de alta resolución | Yonsei University/ Viento-Topo Método UV | Morrison de doble momento | Grell-Freitas | |
Morrison de doble momento | Grell-Freitas | |||
Thompson | Kain-Fritcsh | |||
Thompson | Kain-Fritcsh |
En la primera etapa de la investigación se evaluó el rendimiento de tres parametrizaciones de microfísica y dos de cúmulos del modelo WRF. Estas parametrizaciones físicas fueron escogidas por ser las de mejores resultados en estudios realizados en zonas montañosas de América del Sur y Central e islas del Caribe, con énfasis en Cuba (Mayor & Mesquita, 2015; Wootten et al., 2016; Junquas et al., 2017; Moya-Álvarez et al., 2018, 2019; Varona-González et al., 2018; Martínez-Castro et al., 2019; Sierra-Lorenzo et al., 2020). El resto de los parámetros y configuraciones fueron las predeterminadas en el modelo.
En la segunda etapa, se valoró el desempeño de dos parametrizaciones de capa límite planetaria (PBL, por sus siglas en idioma inglés), bajo el mismo principio de la etapa anterior de mejores resultados en montañas (op. cit.). En la parametrización de Yonsei University se evaluaron dos métodos de corrección topográfica del viento en superficie: Jiménez (Jiménez & Dudhia, 2012) y UV. Este último fue incluido al modelo a partir de la versión 3.5 (NCAR, 2018). El método de Jiménez representa el arrastre adicional forzado por la topografía analizado por subcuadrícula, que mejora la modelación del flujo en las cimas de las colinas. El método UV, es una corrección más simple relacionada con la variación del terreno (geoformas). Ambos se activan sólo en el dominio de mayor resolución. En esta etapa las parametrizaciones de microfísica y cúmulo fueron las de mejores resultados de la anterior.
La tercera etapa del estudio se realizó con el objetivo de estimar el aporte al desempeño del WRF de la integración de bases de datos espaciales nacionales de alta resolución como condiciones de frontera estática. En el estudio se modificaron las variables relieve, máscara de tierra (interface océano-suelo), tipo de cobertura y tipo de suelo. En todos los casos se aseguró la compatibilidad con el modelo.
Para generar los datos de relieve se utilizó el modelo global de superficie ALOS WORLD 3D con resolución horizontal de 30 metros por pixel derivado de la misión japonesa PRISM. La base de datos de máscara de tierra se integró al modelo a partir del catastro rural nacional, escala 1:10 000, complementada con los datos ALOS WORLD 3D. Esta máscara de tierra se aplicó a todos los datos generados: relieve, tipo de cobertura y tipo de suelo, para garantizar homogeneidad en la modelación. Los datos del tipo de suelo fueron derivados del mapa de suelos nacional escala 1:250 000. Para el tipo de cobertura se utilizó la clasificación de formaciones vegetales de Capote y Berazaín (Capote & Berazaín, 1984) en el mapa digital forestal nacional 1:100 000, complementado con datos del catastro rural nacional. Tanto los datos de suelo como de cobertura se ajustaron a las categorías internacionales del WRF.
En esta etapa se mantuvo las parametrizaciones de microfísica y cúmulo de la segunda. Se utilizó la parametrización de PBL Yonsei University con corrección topográfica del viento en superficie por el método de UV por demostrar el mejor desempeño en la anterior etapa.
En la investigación se mantuvo activa la parametrización de cúmulos para la precipitación en la resolución de 3.33 km, tomando en cuenta antecedentes en regiones montañosas (op. cit.).
Particularidades del estudio
El oriente de Cuba se caracteriza por su relieve complejo. De las 20 estaciones meteorológicas en el área de estudio, el 50 % se ubican en montañas Muy bajas, Bajas y Medias (Spiridonov, 1981) que durante el estudio se le denominaron ubicadas en Montañas y Valle-Premontañas (figura 1). Cabe destacar que, como lo hacen notar Montenegro y Viña Vallés, (Montenegro, 1993; Viña-Bayés, 2001), el comportamiento climático de la región oriental de Cuba tiene una estrecha relación con los macizos montañosos Sierra Maestra y Nipe-Sagua-Baracoa. El comportamiento de los valores mensuales de temperatura y precipitación en los meses de estudio, con respecto a la norma climatológica 1981-2010, se resumen en la tabla 4.
Parametrizaciones físicas del WRF
En la evaluación de desempeño del WRF para la temperatura trihoraria, en las ubicaciones Valle-Premontaña y Montaña estrechamente vinculadas con los topoclimas, los valores de R estuvieron en el rango de 0.72 a 0.91 para el periodo lluvioso; en el periodo poco lluvioso los valores estuvieron entre 0.66 a 0.91 (tabla 5). En cuanto al acumulado diario de precipitación, el rango de R estuvo entre -0.08 a 0.32 para el periodo lluvioso y en las mismas ubicaciones. En el periodo poco lluvioso, la R del WRF se comportó en un rango de -0.24 a 0.39 (tabla 6).
Análogamente, en estas ubicaciones, el estadígrafo de MSE resultante del estudio para la temperatura trihoraria, estuvo en el rango de 2.05 a 1.62 oC en el periodo lluvioso. En el periodo poco lluvioso el rango estuvo entre 2.91 a 1.10 oC (tabla 7). Sin embargo, a pesar de los relativos poco favorables valores de MSE, los valores demuestran fuertes R para esta variable en la generalidad de los experimentos. Por lo que, como error sistemático en los datos, pudiera ser corregido en los casos necesarios. Para esta variable, las modificaciones en las condiciones de fronteras estáticas implementadas en la etapa 3 de la investigación, no elevaron el desempeño del modelo. Estos resultados son coherentes con el tratamiento del WRF a la temperatura, como solución directa del núcleo dinámico, no como variable parametrizable (Wang et al., 2020). En cuanto a los valores de MSE para el acumulado diario de precipitación del periodo lluvioso en los topoclimas, estuvo en el rango de 14.18 a 4.19 mm. En el periodo poco lluvioso en el rango de 9.77 a 3.50 mm (tabla 8).
Ubicación/Períodos | CE-01 | CE-02 | CE-03 | CE-04 | CE-05 | CE-06 | CE-07 | CE-08 | CE-09 | CE-10 | CE-11 | CE-12 | CE-13 | CE-14 | CE-15 | CE-16 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
EM Costa/PLL | 0.74 | 0.73 | 0.81 | 0.77 | 0.75 | 0.79 | 0.77 | 0.80 | 0.81 | 0.71 | 0.79 | 0.80 | 0.80 | 0.79 | 0.78 | 0.82 |
EM Llano/PLL | 0.79 | 0.82 | 0.85 | 0.81 | 0.83 | 0.84 | 0.75 | 0.80 | 0.84 | 0.72 | 0.78 | 0.84 | 0.85 | 0.86 | 0.82 | 0.85 |
EM Valle-Premontaña/PLL | ||||||||||||||||
EM Montaña/PLL | ||||||||||||||||
EM Costa/PPLL | 0.52 | 0.51 | 0.56 | 0.49 | 0.49 | 0.52 | 0.61 | 0.62 | 0.63 | 0.59 | 0.61 | 0.62 | 0.45 | 0.44 | 0.52 | 0.75 |
EM Llano/PPLL | 0.74 | 0.72 | 0.76 | 0.70 | 0.73 | 0.73 | 0.72 | 0.73 | 0.79 | 0.71 | 0.74 | 0.77 | 0.81 | 0.82 | 0.79 | 0.84 |
EM Valle-Premontaña/PPLL | ||||||||||||||||
EM Montaña/PPLL | ||||||||||||||||
Ubicación/Períodos | CE-01 | CE-02 | CE-03 | CE-04 | CE-05 | CE-06 | CE-07 | CE-08 | CE-09 | CE-10 | CE-11 | CE-12 | CE-13 | CE-14 | CE-15 | CE-16 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
EM Costa/PLL | 0.06 | -0.03 | 0.12 | 0.03 | 0.07 | 0.05 | -0.03 | 0.09 | 0.11 | -0.27 | 0.02 | 0.05 | 0.42 | 0.43 | 0.43 | 0.45 |
EM Llano/PLL | 0.06 | 0.01 | 0.14 | 0.04 | 0.10 | 0.08 | -0.06 | 0.06 | 0.09 | -0.13 | 0.03 | 0.07 | 0.27 | 0.28 | 0.29 | 0.34 |
EM Valle-Premontaña/PLL | ||||||||||||||||
EM Montaña/PLL | ||||||||||||||||
EM Costa/PPLL | 0.05 | 0.02 | 0.09 | 0.01 | 0.08 | 0.05 | 0.03 | 0.08 | 0.07 | 0.02 | 0.03 | 0.09 | 0.25 | 0.26 | 0.23 | 0.34 |
EM Llano/PPLL | 0.07 | 0.04 | 0.10 | -0.02 | 0.06 | 0.09 | 0.01 | 0.05 | 0.07 | -0.06 | 0.03 | 0.08 | 0.42 | 0.44 | 0.42 | 0.47 |
EM Valle-Premontaña/PPLL | ||||||||||||||||
EM Montaña/PPLL | ||||||||||||||||
Ubicación/Períodos | CE-01 | CE-02 | CE-03 | CE-04 | CE-05 | CE-06 | CE-07 | CE-08 | CE-09 | CE-10 | CE-11 | CE-12 | CE-13 | CE-14 | CE-15 | CE-16 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
EM Costa/PLL | 1.39 | 1.42 | 1.38 | 1.38 | 1.44 | 1.42 | 1.76 | 1.74 | 1.78 | 1.78 | 1.65 | 1.59 | 3.61 | 3.65 | 2.52 | 1.30 |
EM Llano/PLL | 1.69 | 1.73 | 1.77 | 1.72 | 1.73 | 1.70 | 1.67 | 1.74 | 1.77 | 1.75 | 1.61 | 1.60 | 2.33 | 2.37 | 2.31 | 1.34 |
EM Valle-Premontaña/PLL | ||||||||||||||||
EM Montaña/PLL | ||||||||||||||||
EM Costa/PPLL | 1.99 | 2.04 | 2.09 | 2.08 | 2.05 | 2.02 | 1.68 | 1.56 | 1.55 | 1.62 | 1.58 | 1.56 | 6.13 | 6.20 | 6.49 | 1.80 |
EM Llano/PPLL | 2.53 | 2.65 | 2.74 | 2.72 | 2.59 | 2.60 | 2.02 | 1.99 | 1.92 | 1.87 | 1.86 | 1.83 | 3.30 | 3.39 | 3.29 | 1.59 |
EM Valle-Premontaña/PPLL | ||||||||||||||||
EM Montaña/PPLL | ||||||||||||||||
Ubicación/Períodos | CE-01 | CE-02 | CE-03 | CE-04 | CE-05 | CE-06 | CE-07 | CE-08 | CE-09 | CE-10 | CE-11 | CE-12 | CE-13 | CE-14 | CE-15 | CE-16 |
---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
EM Costa/PLL | 3.85 | 17.26 | 3.30 | 10.99 | 6.16 | 8.76 | 8.05 | 5.01 | 5.34 | 10.74 | 7.08 | 6.76 | 3.58 | 3.14 | 3.38 | 2.33 |
EM Llano/PLL | 6.47 | 12.08 | 4.38 | 13.31 | 6.69 | 7.56 | 8.45 | 5.68 | 5.62 | 7.94 | 9.68 | 7.56 | 6.84 | 6.38 | 5.84 | 5.86 |
EM Valle-Premontaña/PLL | ||||||||||||||||
EM Montaña/PLL | ||||||||||||||||
EM Costa/PPLL | 2.88 | 8.36 | 2.81 | 8.13 | 4.38 | 6.66 | 3.86 | 3.97 | 4.72 | 7.60 | 9.51 | 3.66 | 6.55 | 6.29 | 8.32 | 7.9 |
EM Llano/PPLL | 4.60 | 11.67 | 6.78 | 14.43 | 6.92 | 5.63 | 9.30 | 6.63 | 4.98 | 4.18 | 5.10 | 2.63 | 7.19 | 8.09 | 8.68 | 8.35 |
EM Valle-Premontaña/PPLL | ||||||||||||||||
EM Montaña/PPLL | ||||||||||||||||
El estudio indica que, para una isla tropical con una compleja orografía como la región oriental de Cuba, es arduo identificar una parametrización de la física del WRF que resuelva la pluralidad de factores involucrados en la dinámica de sus topoclimas. No obstante, los resultados mostraron un mejor desempeño del modelo en la tercera etapa de la investigación para la mayoría de los experimentos (tablas 5-8). Ciertamente, no muchos antecedentes validan los datos estáticos que se incluyen en el WRF para estudio del clima en regiones insulares tropicales. Por citar algunos ejemplos, las resoluciones espaciales adecuadas para la interacción tierra-océano teniendo en cuenta, en no pocos casos, el pequeño tamaño de la superficie sólida; el posible efecto de los datos procedentes de capas globales, derivadas de algoritmos optimizados para las grandes masas continentales, y tal vez, menos equivalentes en pequeños territorios tropicales insulares. En este estudio, la actualización de las bases de datos espaciales predeterminadas en el modelo por bases de datos nacionales de alta resolución, como condiciones de frontera estática, contribuyó a minimizar imprecisiones en el análisis. Una de las posibles causas pudo ser el aporte a la sensibilidad del modelo en el análisis de los factores locales formadores del clima (Lecha et al., 1994).
En el análisis de los resultados es preciso insistir que, para el estudio, se utilizaron los valores de temperatura y precipitación de las celdas del WRF más cercanas a las estaciones meteorológicas. Estos valores del modelo, con resolución espacial de 3.33 km, pudieran reflejar una diferencia de altitud con las estaciones debido a la compleja orográfica del área de estudio. Al mismo tiempo, solo se realizaron experimentos durante un mes del periodo lluvioso e igual tiempo del periodo poco lluvioso del 2018, debido a los altos costos computacionales. Por otra parte, se asumieron otras fuentes de errores probables en la investigación relacionados con el propio WRF y el conjunto de datos ERA5 (Wang et al., 2020).
En esta investigación el mejor desempeño del WRF para el estudio de los topoclimas en la región oriental de Cuba se alcanzó con las parametrizaciones de Kain-Fritcsh como cúmulo, la microfísica de Thompson y Yonsei University como opción de capa límite planetaria, activo viento topográfico por el método de corrección por el método UV. La configuración de PBL de Yonsei University activo corrección topográfica del viento en superficie por un método basado en geoformas, es coherente con el tratamiento de jerarquía que, como factor geográfico formador del clima a escala local en las montañas de Cuba, han sido tratadas las formas del relieve (Delgado-Téllez & Peña-de la Cruz, 2019; Peña-de la Cruz et al., 2020)
CONCLUSIONES
La calidad de las bases de datos espaciales de alta resolución que se utiliza en el WRF como condiciones de frontera estática, incide en el desempeño del modelo para el estudio de los topoclimas en la región oriental de Cuba.
En esta investigación el mejor desempeño del WRF para el estudio de los topoclimas en la región oriental de Cuba se alcanza con las parametrizaciones de Kain-Fritcsh como cúmulo, la microfísica de Thompson y Yonsei University como opción de capa límite planetaria, activo viento topográfico por el método de corrección por geoformas.
La investigación que da origen a los resultados presentados recibió fondos de la Oficina de Gestión de Fondos y Proyectos Internacionales bajo el código PN211LH009-036 “Impactos del cambio climático a mediano plazo en los topoclimas asociados al café y cacao en Cuba”.