RÉSUMÉ
Se comparan las métricas de 37 modelos climáticos globales (GCMs, por sus siglas en inglés) de la Fase 6 del Proyecto de Intercomparación de Modelos Acoplados (CMIP6) con el objetivo de simular el clima de Guatemala del periodo de 1971 al 2014. La temperatura y precipitación mensual fue comparada con los datos de observación de la Unidad De Investigación Climática de la Universidad del este de Anglia (CRU). Se generó un ranquin de modelos basado en la menor distancia entre tres dimisiones basado en tres métricas; Coeficiente de Correlación de Pearson (CCP), Error medio cuadrático (RMSE) y Desviación estándar (DS). Este ordenamiento coincide con los mejores valores de eficiencia Nash-Sutcliffe (NSE) para temperatura y eficiencia Kling-Gupta (KGE) para la precipitación, demás se calculan las métricas; coeficiente de correlación de Spearman (CCS), errores de sesgo medio (MBE) y el absoluto medio (MAE). Para precipitación los primeros 5 modelos presentan valores KGE de entre 0.5 y 0.7, el CCP y CCS entre 0.7 a 0.8 comparados con CRU. Para temperatura los primeros 5 modelos presenta valores de NSE de entre 0.5 a 0.6, CCP y CCS de 0.8. Los modelos sobreestiman levemente la temperatura y subestiman la precipitación. Los modelos con mejor habilidad fueron CIESM para temperatura¼ y el modelo IPSL-CM6A-LR para precipitación. Adicionalmente se compara el promedio de 66 estaciones locales con CRU, presentando un KGE de 0.51, CCP de 0.77 para precipitación y NSE de -0.17 y un CCP de 0.20 para temperatura. Finalmente, se presenta una tabla con los 10 primeros modelos para cada variable.
Metrics from 37 global climate models (GCMs) from Phase 6 of the Coupled Model Intercomparison Project (CMIP6) with the purpose of simulating the climate of Guatemalan from 1971 to 2014. Monthly temperature and precipitation were compared with data from observation of the Climatic Research Unit of the University of East Anglia (CRU). A ranking of models was generated based on the shortest distance between three resignations based on three metrics; Pearson's Correlation Coefficient (PCC), Root Mean Square Error (RMSE), and Standard Deviation (SD). This ordering coincides with the best values of Nash-Sutcliffe efficiency (NSE) for temperature and Kling-Gupta efficiency (KGE) for precipitation; other metrics are calculated; Spearman's correlation coefficient (CCS), mean bias errors (MBE), and mean absolute error (MAE). For precipitation, the first 5 models present KGE values between 0.5 and 0.7, the CCP and CCS between 0.7 and 0.8 compared to CRU. For temperature, the first 5 models present NSE values between 0.5 to 0.6, CCP, and CCS of 0.8. The models slightly overestimate temperature and underestimate precipitation. The models with the best ability were CIESM for temperature and the IPSL-CM6A-LR model for precipitation. Additionally, the average of 66 local stations is compared with CRU, presenting a KGE of 0.51, CCP of 0.77 for precipitation, and NSE of -0.,17, and a CCP of 0.20 for temperature. Finally, a table is presented with the first 10 models for each variable.