abaurrea.pdf

7/23/2019 Abaurrea.pdf

1/82

Dpt. Mtodos Estadsticos

Universidad de Zaragoza

TCNICAS DE DOWNSCALING

UTILIZANDO DATOSOBSERVADOS A ESCALA DIARIA.

DOS APLICACIONES

J. Abaurrea, J. AsnDpto. Mtodos Estadsticos



2/82

2



ESQUEMA DE LA PRESENTACIN

Introduccin: Papel y necesidad del downscaling estadstico

Simulacin del clima observado por parte de AOGCMs y RCMs Dos modelos estadsticos basados en datos de escala diaria

tiles para un posible downscaling Proceso de olas de calor

Proceso de precipitacin diaria local

Ejemplos desarrollados en el observatorio de Zaragoza, en el

centro de la Cuenca del Ebro


3/82

3



GCM

Downscaling

estadstico?

GCM RCM Mtodos estadsticos

Downscaling

dinmico


4/82

4



INTRODUCCIN

Est condenado a desaparecer el downscaling estadstico?

R. Huth, Workshop Oslo 2005

http://regclim.met.no/workshop-2005-10/index.html

El D. estadstico no lo hace peor que el D. dinmico

Sin embargo, tiene un papel secundario frente a ste (proyectoENSEMBLES)

Desaparecer? Paralelismo con el estado de la prediccinnumrica en los aos 50


5/82

5



INTRODUCCIN

Evolucin de los AOGCMs

AOGCMs para el IPCC AR4 (2007) Mejora de la resolucin espacial

http://www-pcmdi.llnl.gov/ipcc/about_ipcc.php

IPCC TAR (2001) IPCC AR4 (2007)

NCAR CSM 1.3 2.8x2.8 CCSM3 1.4x1.4

CSIRO CSIRO Mk2 3.2x5.6 CSIRO Mk3 1.88x1.88

DKRZ ECHAM4/OPYC3 2.8x2.8 ECHAM5/MPI-OM 1.88x1.88UKMO HadCM3 2.5x3.75 HadGEM1 1.25x1.875

GFDL GFDL_R30_c 2.25x3.75 GFDL-CM2.1 2x2.5

MRI MRI2 2.8x2.8 MIROC3.2-hires 1.125x1.125


6/82

6



SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS AOGCMs

A. Dai (2006), J. Climate

Reproduccin de la precipitacin en todo el globo

mensual y diaria, 1950-1999 de 3 horas, 1991-2000

Resultados de 18 AOGCMs, versiones para el IPCC AR4 (2007)

Datos observados CMPA y GPCG v2, GPCP pentad y TRMM


7/82

7



A. Dai (2006), J. ClimateConclusiones:

Reproducen el patrn espacial, a gran escala, y el ciclo anual.En general, tambin la variabilidad anual

La mayora de los modelos producen demasiada precipitacin

convectiva y poca estratiforme en reas subtropicales Inadecuada simulacin de la intensidad: aceptable lacontribucin de episodios medios (10-20 mm/da),sobreestiman los pequeos y subestiman los intensos

Mejoras notables en muchos aspectos respecto a las versiones dehace unos pocos aos

Sesgos del mismo tipo que en las versiones anterioresSera necesaria una resolucin del orden de 30-60 Km



8/82

8



Van Ulden y van Oldenborgh (2006), Atmos. Chem. Phys.

Resultados de 23 AOGCMs, entre ellos 17 de los usados por DaiAnalizan su capacidad para reproducir los patrones del campo depresin en superficie a escala globalSeleccionan los 5 modelos que mejor representan estos patrones y

analizan su reproduccin del clima en Centro Europa, en 1960-2000ECHAM5 HadGEMMIROChi GFDL2.1 CGCM3.1T63

Datos observados:- ERA-40 y ADVICE para las presiones- CRU para precipitacin y temperatura



9/82

9



Van Ulden y van Oldenborgh (2006): Anlisis de temperatura

3 modelos consesgos entre 2.5y 2.5C

2 con importantesesgo negativoentre Enero y

Abril

Correctarepresentacin dela distribucin,salvo MIROC enInvierno



10/82

10



Van Ulden y van Oldenborgh (2006): Anlisis de precipitacin

Sesgo importante,habitualmentepositivo

Mejor CGCM3

Variabilidadinferior a laobservada enInvierno



11/82

11



Proyecto PRUDENCE (UE, V programa marco)

10 modelos regionales

- 28 simulaciones- Dirigidos por 3 GCMs, HadAM3H

- SRES A2 y B2

Escasa informacin sobre su reproduccin del clima observado enEuropa

Prximo nmero monogrfico en Climatic Change

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs


12/82

12



Frei et al (2003), J. Geophysical Researchrea de los AlpesRCMs: ARPEGE, CHRM, HadRM, HIRHAM, REMO, resolucin 50 Km

Dirigidos por ERA15, resolucin 2.5, 1979-1993Datos observados en 6400 pluvimetros, 10 a 50 observatorios por

cada celda de 50x50 Km

Anlisis mensual y estacional de:- Precipitacin media- Frecuencia media

- Intensidad media- Percentil 90 de la distribucin de cantidades en un dahmedo



13/82

13



Frei et al (2003), J. Geophysical ResearchFrecuencia:-3 RCMs correctos,sesgos inferiores al 10%

-Correlacin 0.65

Intensidad:-Importantes sesgos

negativos-La correlacin bajaespecialmente en Verano

Q90: como intensidad

Precipitacin media:-Se reduce la correlacinen Otoo



14/82

14



Frei et al (2003),J. Geophysical Research

Distribucin:

Mejor en Invierno

En Otoo y Veranoinfraestiman la frecuencia deepisodios que superan 10 mm



15/82

15



Frei et al (2006), J. Geophysical Research

rea de los Alpes

RCMs: CHRM, REMO, GKSS, HIRHAM, SMHI, HadRM3H/PDirigidos por HadAM3H/P, 1961-1990

Anlisis de:- Frecuencia media

- Intensidad media

- Valor de retorno de 5 aos de la precipitacin diaria



16/82

16




Intensidad media y

valor de retorno de5 aos

El sesgo en lascantidades extremas no

es sensiblemente mayorque en la intensidadmedia



17/82

17




Frecuencia

Desviaciones que no se corresponden con las identificadas en el

trabajo anterior y que se asocian a problemas del GCM



18/82

18



Giorgi, Bi, Pal (2004), Climate Dynamics

RegCM, anidado en HadAMH

Anlisis sobre Europa, dividida en 13 regiones, 1961-1990



19/82

19



EN CONCLUSIN

GCM RCM Mtodos estadsticos

Cul es la variable de inters?Qu escala temporal y espacial se requiere?

Existe algn AOGCM o RCM que ofrezca unarespuesta satisfactoria al problema?

El impacto del cambio climtico en los recursos hdricos,escorrenta, evapotranspiracin, requiere escenarios para la

precipitacin a escala diaria, lo que en este momento parecerequerir downscaling estadstico

Oportunidad para el downscaling estadstico

NO


20/82

20



Abaurrea, Asn, Cebrin, Centelles (2006), Global and PlanetaryChange (por aparecer)

Objetivo: Modelar el comportamiento (ocurrencia, duracin e

intensidad) de los episodios de ola de calor mediante unmodelo estadstico que represente su evolucin temporal y

estacionalidad Este modelo en combinacin con la salida de un GCM

(RCM) generar proyecciones del comportamiento de esossucesos extremos

Defecto: No se ha investigado la calidad del proceso de generacin

de olas de calor del GCM

PROCESO DE OLAS DE CALOR

Esquema de la presentacin


21/82

21



Fases del trabajo

Anlisis del cambio observado

temperatura mxima diaria (Tx), JJA, en 1951-2004 evolucin de las caractersticas de los episodios de

calor en dicho periodo

Ajuste de un modelo estadstico para la ocurrencia y

severidad de estos episodios extremos Uso del modelo estadstico alimentado con 3 trayectorias

de HadCM3 para obtener proyecciones sobre elcomportamiento de dichos episodios hasta 2050

Ventajas e inconvenientes de la metodologa




22/82

22



Caractersticas del cambio observado en los valores medios

de temperatura en el NE de Pennsula Ibrica(Zaragoza, Huesca, Barcelona, Madrid)

- Distinta evolucin en cada estacin, estabilidad en Otoo eincrementos de distinta intensidad en las otras estaciones

- Evolucin heterognea dentro de los periodos estacionaleshabituales, DEF, MAM, JJA, SON


Cambio observado en Tx en Zaragoza, 1951-2004


23/82

23



Datos

Temperatura mxima y mnima diaria en 1951-2004, en Zaragoza y

Huesca

Evolucin del valor medio de Tx y Tn en Verano



51 56 61 66 71 76 81 86 91 96 01 04

10

12

14

16

18

20

22

24

26

28

30

32

34

36

Year

Tx (Huesca)

Tx (Zaragoza)

Tn (Zaragoza)

Tn (Huesca)

-Estabilidad en 1951-75-Incremento hasta 1990

-Corto periodo estable1991-96

-Fase final creciente


24/82

24



Evolucin del valor medio de Tx y Tn en cada mes

Evolucin heterognea



Evolucin 1975-2004

-Mayor incremento enJunio, del orden de 5C

-Incremento en Julio yAgosto de alrededor de2C, se produce en losaos 70-80

-El Verano es actualmentems clido y mshomogneo

51 56 61 66 71 76 81 86 91 96 01 04

12

14

1618

20

22

24

26

28

30

32

34

Year

Tx

Tn

June

June

July

July

August

August


25/82

25



Definicin (simple) de ola de calor

Es una racha de das consecutivos, de longitud arbitraria, cuyo

valor de Tx supera un umbral extremoUmbral = percentil 95 de los datos de Tx diaria en Junio-Julio-

Agosto de 1971-2000

37C en Zaragoza y 35.8C en Huesca

Caractersticas

Longitud, L

Intensidad mxima, Ix, mximo valor del exceso sobre el umbralIntensidad media, Im, exceso medio


Definicin y caractersticas de una ola de calor


26/82

26




Olas de calor observadas en Zaragoza, 1951-2004

p50Mean frequency

L Ix ImZaragoza

Jn Jl Ag Jn Jl Ag Jn Jl Ag Jn Jl Ag

51-60 0.1 0.9 0.2 1.0 1.0 1.5 1.9 0.7 1.8 1.9 0.7 1.361-70 0.5 1.2 1.1 1.0 1.0 1.0 1.6 0.8 0.4 1.4 0.6 0.4

71-80 0.0 1.3 0.8 -- 1.0 1.0 -- 0.5 0.3 -- 0.5 0.3

81-90 0.2 1.5 0.8 1.5 2.0 1.0 0.7 1.2 0.6 0.5 0.8 0.6

91-00 0.2 2.3 1.4 1.5 1.0 2.0 0.6 1.2 1.1 0.5 1.2 0.9

01-04 2.0 2.0 1.3 1.5 2.0 2.0 1.8 0.8 0.9 1.4 0.5 0.7

Tasa de ocurrencia anual:

- Incremento de la tasa a lo largo del tiempo

- Perfil estacional en 1951-2000: mayor frecuencia en Julio,seguido de Agosto y menor en Junio

- En la ltima dcada este patrn estacional desaparece


27/82

27





p50Mean frequency

L Ix ImZaragoza

Jn Jl Ag Jn Jl Ag Jn Jl Ag Jn Jl Ag

51-60 0.1 0.9 0.2 1.0 1.0 1.5 1.9 0.7 1.8 1.9 0.7 1.361-70 0.5 1.2 1.1 1.0 1.0 1.0 1.6 0.8 0.4 1.4 0.6 0.4

71-80 0.0 1.3 0.8 -- 1.0 1.0 -- 0.5 0.3 -- 0.5 0.3

81-90 0.2 1.5 0.8 1.5 2.0 1.0 0.7 1.2 0.6 0.5 0.8 0.6

91-00 0.2 2.3 1.4 1.5 1.0 2.0 0.6 1.2 1.1 0.5 1.2 0.9

01-04 2.0 2.0 1.3 1.5 2.0 2.0 1.8 0.8 0.9 1.4 0.5 0.7

Longitud

- Incremento en el tiempo

- Sin perfil estacional definido

Intensidades

- No se observa incremento en el tiempo ni perfil estacional


28/82

28





Conclusiones:

- La evolucin de Tx no es homognea en Verano

- Desde 1996, importante incremento del nivel medio detemperatura en Junio, en Julio y Agosto permanece estable

- La ocurrencia de olas de calor tiene un patrn estacional enVerano pero este patrn podra estar cambiando, comoconsecuencia de la evolucin de Tx

Estos hechos indican que la ocurrencia de olas de calor podraser explicada slo parcialmente por la evolucin decadal deTx y que ser necesario considerar otros predictores


29/82

29




Modelo estadsticoModelo de ocurrencia

Proceso de Poisson no homogneo, NHPP

Tasa, (t), donde t denota el tiempo, funcin de predictores queinfluyen en su variacin:

- La temperatura mxima a travs de

- Una seal de largo plazo, TTx, definida por un suavizado,parmetro de ventana 0.30, de la serie de Tx

- Una seal de corto plazo, Txm31, definida como la mediamvil centrada de 31 das

- Trminos armnicos (seno, coseno) para representar laestacionalidad

- Trminos cuadrticos e interacciones

D t Mt d E t d ti


30/82

30




Modelo estadsticoModelo de ocurrencia ajustado

Proceso de Poisson no homogneo, NHPP

log[ (t)] = - 89.8 - 74.5 cos(2 t) - 32.6 sin(2 t) +

+ 0.277 Txm31+ 0.224 Txm31 cos(2t) + 0.099 Txm31 sin(2t)

- Debido a los trminos de interaccin, la influencia de Txm31cambia a lo largo de Verano

- TTx no tiene un efecto significativo; su influencia es captada porTxm31

Dpt Mtodos Estadsticos


31/82

31




Modelo estadsticoModelos para las medidas de severidad

Longitud

Distribucin binomial negativa

Valor medio dependiente de covariables

Intensidad mxima y mediaDistribucin Pareto generalizada

Parmetro de forma ajustado en cada mes

Parmetro de escala dependiente de covariables



32/82

32




Modelo estadsticoModelos ajustados para las medidas de severidad

Severity variables Distribution Parameters

Length Negativebinomial

(t) = exp(-8.5+0.025 Txm31)N = 2

Mean intensityGeneralized

Pareto

Shape = -0.127Scale = 13.981

Maximum

intensity

Generalized

ParetoShape = -0.280Scale = 12.357

Longitud:

Efecto significativo de Txm31No requiere armnicos

Intensidad mxima y media:Parmetros constantes

Conclusiones de la modelizacin

El incremento de temperatura observado tiene asociado unaumento significativo de la frecuencia y longitud de las olas decalor pero no de su intensidad



33/82

33




ProyeccinDatos de HadCM3

Punto de la red ms prximo al observatorio de Zaragoza

Datos mensuales del valor medio de la temperatura mxima diaria

Periodo 1951-2050, escenario SRES-A2

3 trayectorias



34/82

34




ProyeccinPasos previos

a) Comparacin de las temperaturas observadas con las seriesgeneradas por el modelo numrico para estimar su sesgo

respecto a los datos de ZaragozaResolucin de HadCM3: 3.75 long. x 2.5 lat.

Tx mean smooth, JJA

Tem

perature

1950 1960 1970 1980 1990 2000

15

20

25

30

3

5

ObservedHadCM3 aHadCM3 bHadCM3 c



35/82

35




ProyeccinPasos previos

b) Las series del GCM son reescaladas para obtener el nivelmedio y desviacin tpica observados para cada mes en 1961-

90Test KS para comparar mensualmente la distribucin del valormedio mensual de Tx en la serie de datos observados 1961-90 y en las series escaladas procedentes de HadCM3: p-valorsuperior a 0.83 en todos los casos

c) A partir de la serie de valores medios mensuales (reescalados)de HadCM3 se construye una serie de Txm31 asignando a cadada el valor medio mensual correspondiente

June July August

Mean Stdev Mean Stdev Mean Stdev

Observed 27.61 1.67 31.38 1.54 30.40 1.51

HadCM3a 16.53 1.97 18.78 2.19 17.71 2.48HadCM3b 16.79 2.00 19.31 2.07 18.22 1.96

HadCM3c 17.36 2.09 19.32 1.96 17.99 2.32



36/82

36

p



ProyeccinValidacin del modelo con datos de HadCM3 para el clima

actualFitted occurrence rate HadCM3Mean observed

frequency A2a A2b A2c

Jn Jl Ag JJA Jn Jl Ag JJA Jn Jl Ag JJA Jn Jl Ag JJA

1951-

80

0.20 1.13 0.70 2.03 0.13 1.42 0.91 2.46

1961-

90

0.23 1.33 0.90 2.47 0.12 1.22 0.67 2.01 0.11 1.21 0.63 1.96 0.11 1.23 0.69 2.03

1971-00

0.13 1.70 1.00 2.83 0.11 1.29 0.81 2.20 0.09 1.13 0.54 1.76 0.10 1.18 0.59 1.87

Comparacin de las tasas medias de ocurrencia

- En 1951-80 y 1961-90 existe una buena correspondencia de

valores observados y simulados- En 1971-00, las tasas obtenidas con el modelo son inferiores alas observadas en Julio y Agosto



37/82

37



ProyeccinValidacin del modelo con datos de HadCM3 para el clima

actual

Se estiman los valores ajustados de longitud de ola, uno por

mes, usando como entrada en el modelo el valor mximo de Txm31en dicho mes

Cada valor en esta tabla es una media ponderada de esaslongitudes ajustadas, con pesos iguales a las frecuencias

ajustadas por el modelo de ocurrencia

Los resultados para los periodos 1961-90 y 1971-2000 sonsimilares a los observados

1951-1980 1961-1990 1971-2000

Observed 1.50 1.64 1.76

HadCM3 A2a 2.10 1.73 1.93

HadCM3 A2b 1.70 1.66

HadCM3 A2c 1.87 1.64



38/82

38



ProyeccinTrayectorias HadCM3 SRES-A2 de Tx, escalada, hasta 2050

Tx mean smooth, June

Year

Temperature

1960 1980 2000 2020 2040

26

28

30

32

34

36

Tx mean smooth, July

Year

Temperature

1960 1980 2000 2020 2040

26

28

30

32

34

36

Tx mean smooth, August

Year

Temperature

1960 1980 2000 2020 2040

26

28

30

32

34

36

Las trayectorias delGCM no reflejan elcalentamiento

reciente observado enJunio



39/82

39



ProyeccinProyeccin del modelo estadstico con datos HadCM3

SRES-A2

El nmero de olas podra incrementar hasta un factor 3, para 2040,y un factor mayor que 4.5 para 2050, en la peor trayectoria

La proyeccin para la longitud muestra, en 2 de las trayectorias,que stas podran doblarse en 50 aos

Fitted occurrence rate HadCM3Mean observed

frequency A2a A2b A2c

Jn Jl Ag JJA Jn Jl Ag JJA Jn Jl Ag JJA Jn Jl Ag JJA

1951-80 0.20 1.13 0.70 2.03 0.13 1.42 0.91 2.46

1961-90 0.23 1.33 0.90 2.47 0.12 1.22 0.67 2.01 0.11 1.21 0.63 1.96 0.11 1.23 0.69 2.03

1971-00 0.13 1.70 1.00 2.83 0.11 1.29 0.81 2.20 0.09 1.13 0.54 1.76 0.10 1.18 0.59 1.87

1981-10 0.15 1.41 0.87 2.42 0.15 1.23 0.68 2.05 0.10 1.31 0.70 2.11

1991-20 0.16 1.49 1.05 2.70 0.36 2.61 1.75 4.72 0.28 2.89 1.86 5.03

2001-30 0.17 1.45 1.25 2.87 0.42 2.86 2.36 5.65 0.34 3.46 2.27 6.07

2011-40 0.46 3.02 2.87 6.35 0.43 3.71 4.16 8.30 0.43 4.04 2.98 7.45

2021-50 0.87 4.87 3.84 9.58 0.36 3.35 13.6 17.3 1.11 5.38 4.15 10.6



40/82

40


- Permite obtener proyecciones para sucesos extremos; podra

plantearse aplicarlo a heladas u otro tipo de extremos similar(sequas?)

- No requiere un gran esfuerzo de modelizacin


Propiedades de la metodologa


U i id d d Z


41/82

41


- No se ha analizado la capacidad del GCM para generar series

diarias de Tx verosmiles- Por comodidad, se usa informacin agregada a escala

mensual

- Slo utiliza informacin de temperatura en superficie (Tx)

- No incluye otras variables climticas estables y bienrepresentadas, como presin o campos geopotenciales

- Plantea problemas de extrapolacin al aplicarlo con unhorizonte alejado, debido al fuerte incremento proyectado

para la temperatura


Inconvenientes y defectos de aplicacin


U i id d d Z


42/82

42


El incremento proyectado en Tx para 2071-2099 aconseja no usarel modelo para hacer proyecciones con ese horizonte


Ventajas e inconvenientes de la metodologa

25

30

35

40

45

6 7 8

1971-1999

25

30

35

40

45

6 7 8

2021-2049

25

30

35

40

45

6 7 8

2071-2099




43/82

43


Abaurrea y Asn, Climate Research (2005)

Objetivo: Desarrollar un procedimiento para obtenerproyecciones de la precipitacin diaria a escala local

Pasos del procedimiento

Ventajas e inconvenientes del mtodo

PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL





44/82

44



Pasos del procedimiento de downscaling1) Seleccin de los predictores potencialesAnlisis de las variables climticas para seleccionar las que sonreproducidas correctamente: comparacin de las distribuciones

en la trayectoria observada y en la simulada por el GCM

2) Ajuste del modelo estadstico de precipitacin diaria

3) Anlisis del grado de reproduccin del rgimen deprecipitacin, a escala diaria y agregada, que se obtiene con elmodelo, cuando se utiliza con los datos simulados por el GCM enel clima actual

En su caso, replanteamiento de los pasos 1) y 2)

4) Obtencin de proyecciones en el escenario de cambio climtico




45/82

45



Modelo estadsticoEl modelo estadstico pretende caracterizar las relacionesestadsticas, a escala local, entre la precipitacin diaria y lasvariables climticas ms estables, que los AOGCMs (RCMs)

reproducen adecuadamente Cavazos (2000), J. Climate Beckmann y Buishand (2002), Int. J. Climatol. Stehlik y Bardossy (2002), J. Hydrol. Sumner, Romero, Homar, Ramis, Alonso, Zorita (2003), Clim. Dyn.

Beersma y Buishand (2003), Climate Research Fowler, Kilsby, OConnell, Burton (2005), J. Hydrol.

Modelo de precipitacin diaria (Stern y Coe, 1984, J. R. Statistic.Soc. A)

Se modelan separadamente- el proceso de ocurrencia, serie de datos binarios- el proceso de cantidades de precipitacin acumuladas en

los das hmedos




46/82

46



Modelo estadsticoEl modelo estadstico pertenece a la familia de los Modeloslineales generalizados (GLM), de tipo funcin de transferencia

El proceso de ocurrencia:

Se modela la serie de datos binarios mediante unadistribucin binomial

- La probabilidad del valor 1 (precipitacin mayor o igual que elumbral) se hace depender de predictores

El proceso de cantidad acumulada en un da con precipitacin:

La cantidad diaria se modela con una distribucin Gamma

El valor medio (y la varianza) se hace depender de predictores




47/82

47

g


Modelo estadsticoModelos lineales generalizados (GLM)Y(t) = precipitacin acumulada en el da tX(t) = vector de variables predictoras para el da t, trminosarmnicos, covariables climticas, interacciones... = parmetros que expresan el efecto de los predictores en elmodelo de ocurrencia = parmetros del modelo de cantidad

El proceso de ocurrencia:

El proceso de cantidades: distribucin Gamma, con parmetro deforma constante y valor esperado ligado al predictor lineal con unenlace logartmico




48/82

48


Datos disponiblesDatos: observatorio del INM en el aeropuerto de Zaragoza

Superficie:- Precipitacin

- Temperatura mxima y mnima

- En las 4 horas tipo: temperatura, humedad, presin

atmosfrica, vientoEn distintos niveles geopotenciales, radiosonda 2 veces al da

- Temperatura, humedad, viento, altura geopotencial

- Slo disponibles desde 1990; el periodo analizado ha sido1990-2000




49/82

49


Datos seleccionadosDatos simulados por CGCM1 en el punto de su red ms

prximo al aeropuerto de ZaragozaExtrados de la pgina Web del Canadian Centre for Climate

Modelling and Analysis (CCCma)

Superficie:- Precipitacin

- Temperatura mxima y mnima- Temperatura, humedad, presin atmosfrica, componentes

de vientoGeopotenciales 850 y 500hPa

- Altura, temperatura, humedad, componentes de vientoPeriodos

situacin actual, 1990-2000

escenario IS92a, 2090-2100




50/82

50


Restricciones para los predictores potencialmente tilesCelda de CGCM1

Integra un territorio muy heterogneo, geogrfica y climticamente




51/82

51


Caractersticas de la Cuenca del EbroComplicado relieve de la Cuenca del Ebro, que provoca una

diversidad de patrones de precipitacinFuerte gradiente pluviomtrico desde el NW y el N hacia el centro-

este de la CuencaZaragoza con precipitacin media anual alrededor de 300 mm




52/82

52


Comparacin de la precipitacin observada y simuladaLa simulacin CGCM1 de la precipitacin para el clima actual no secorresponde con las caractersticas observadas en Zaragoza




53/82

53


Rosas de viento observadas y simuladasLa simulacin de CGCM1para las componentes deviento no se corresponde

con lo observado,predominio del NW (cierzo)en Zaragoza

Ms similitud a mayoraltura

CGCM1Observ.

Superficie

850hPa

500hPa





54/82

54


Comparacin de la humedadHumedad en superficie: similar dispersin





55/82

55


Exigencias a los predictores potencialesAlgunas discrepancias son debidas a diferencias en el valor medio,

por ello, las anomalas respecto al nivel medio estacionalpodran ser comparables

Se realizan contrastes estadsticos, paramtricos y noparamtricos, para comparar la distribucin de los datosdiarios, por meses, observados y simulados por CGCM1

para el clima actual- posicin central (test t, Wilcoxon)

- dispersin (test F, Wilcoxon sobre distancias a la media)

- distribucin (test KS)





56/82

56


Exigencias a los predictores potencialesConclusiones de la comparacin

- Globalmente, ninguna variable puede ser seleccionada. Parala mayora de los meses la distribucin es distinta a laobservada debido a diferencias en el nivel medio

- La humedad especfica en 500hPa tiene, salvo en Primavera,caractersticas estadsticas similares a la registrada en Zaragoza

- No se utiliza la informacin de viento

- Se acepta la hiptesis de la igualdad de distribucin dealgunas anomalas

Nivel AnomalaSuperficie Temperatura mnima

Rango diario de temperaturaHumedad especfica Presin

850hPa Humedad especfica Altura geopotencial500hPa Temperatura Humedad especfica Altura geopotencial

Diferencia de temperatura entre 850hPa y 500hPa





57/82

57


Exigencias a los predictores potencialesConclusiones de la comparacin

Algunas de estas anomalas no son reproducidas adecuadamenteen ciertas pocas del ao, sin embargo no puede prescindirse deellas totalmente porque el modelo estadstico pierde calidad deajuste

Ej.: temperatura mnima

Compromiso: se utilizan como predictores en aquellas estacionesdonde su representacin por parte del GCM es adecuada





58/82

58


Ajuste del modelo estadsticoProcedimiento de ajuste no automtico

No se realiza una reduccin de la dimensin de la matriz decovariables

Proceso iterativo de introduccin de potenciales predictores:

- Armnicos para representar el ciclo estacional- Efectos cuadrticos o cbicos de variables climticas

- Efectos asociados a das adyacentes

- Se introducen los trminos atendiendo slo a su significacinestadstica





59/82

59

PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALAjuste del modelo estadstico

Modelos ajustadoscomplejos:

-armnicos hasta 4 orden,

-efectos particulares enciertas estaciones, ej.anomala de temperaturamnima o humedad en

superficie,-Trminos cuadrticos, ej.presin en superficie





60/82

60

PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALEvaluacin del modelo estadstico

1) Anlisis del grado de ajuste alcanzado por el modelo en

- el periodo de estimacin 1990-1997

- el periodo reservado para su validacin 1998-2000

2) Evaluacin para su uso en el downscaling, anlisis del modeloalimentado con los datos de CGCM1 para el clima actual

Se comparan caractersticas de la precipitacin agregada y diariaobtenidas mediante la simulacin del modelo





61/82

61


Caractersticas en escala agregada

- Reproduccin del ciclo estacional de la frecuencia y lacantidad de precipitacin

Caractersticas en escala diaria, simulacin del modelo

- Probabilidad de ocurrencia de precipitacin

- Probabilidad de precipitacin condicionada a ocurrencia en elda previo

- Distribucin de la longitud de racha seca y hmeda

- Valor medio y desviacin tpica de la cantidad diaria

- Distribucin de la cantidad diaria





62/82

62

Grado de ajuste del modelo estadstico

Porcentaje de variabilidad explicada por el modelo, por estacionesy globalmente


Beckmann & Buishand (2001), para un modelo de cantidadessimilar, alcanzan valores en torno al 20% en observatoriosaustriacos y suizos y un 13% como mximo en observatoriosde la Pennsula Ibrica

Global Inv. Prim. Ver. Oto.

Ocurrencia 39.6 40.6 36.1 38.5 40.7Cantidad 17.4 22.7 13.6 23.3 10.8





63/82

63

Reproduccin del ciclo estacional de la frecuencia


Sesgos inferiores al8% en la frecuenciaestacional, cuando seusan los datos de

CGCM1





64/82

64

Reproduccin del ciclo estacional de la cantidad

Evaluacin del modelo estadstico

Sesgos inferiores al7% en la cantidadestacional, cuando seusan los datos de

CGCM1





65/82

65

Reproduccin de las caractersticas diarias, Wilby et al (1998)

Simulacin de 20 trayectorias del modelo utilizando

- Los valores observados de las covariables- Los valores obtenidos de la simulacin de CGCM1 para el

clima actual


Model simulated data

Diagnostic statistic ObservedObserved covar.GCM data 19902000Mean wet day amount 36.67 37.02 33.66

SD wet day amount 54.99 58.33 52.96

Median wet day amount 16.00 16.38 15.00

Maximum daily precipitation 413.0 946.4 1159.0p

00= P(Y

t= 0Yt-1 = 0) 0.826 0.826 0.833

p11

= P(Yt

= 1Yt-1

= 1)

0.434 0.417 0.418pw

= P(Yt

= 1) 0.235 0.230 0.223

Mean wet-spell length 1.79 1.72 1.72

Mean dry-spell length 5.88 5.73 5.60

Frequency of dry-spells > 1day 0.142 0.153 0.171

Resultados similares alos observados, salvoen la precipitacin

mxima





66/82

66

Reproduccin de las caractersticas diarias, distribucin dela longitud de racha

Con las covariables observadas:

El test KS no es significativo al nivel 5%, salvo para las rachashmedas de Febrero

Con las covariables de CGCM1 1990-2000:

El test KS no es significativo al nivel 5%, salvo para las rachassecas de Junio






67/82

67

Reproduccin de las caractersticas diarias, distribucin dela cantidad

Con las covariables observadas:

El test KS no es significativo al nivel 5% en los meses de Verano yal 1% tambin en los meses de Otoo

Con las covariables de CGCM1 1990-2000:

El test KS no es significativo al nivel 1% en 6 meses y slo en 2 alnivel 5%






68/82

68

Conclusiones de la validacin

1) Para la frecuencia el modelo es satisfactorioLas series de precipitacin simuladas cuando el modelo se usacon datos de CGCM1 para el periodo actual, son indistinguiblesde las observadas en cuanto a la

- frecuencia,- persistencia y

- longitud de racha

2) Para la cantidad, el modelo estadstico produce similaresvalores medios mensuales, pero no es capaz de reproducir ladistribucin en la mayora de los meses




PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALi 2090 2 00


69/82

69

Anlisis comparativo de los resultados de CGCM1 para1990-2000 y 2090-2100

Proyeccin para 2090-2100

Cambios en la presinatmosfrica pocorelevantes



PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALP i 2090 2100


70/82

70

Anlisis comparativo de los resultados de CGCM1 para1990-2000 y 2090-2100


Para la humedadespecfica seproyectanincrementos en el

valor medio y en lavariabilidad en lostres niveles,manteniendo el perfil

estacional. Elincremento es mayor,en trminos relativos,a mayor altura.



PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALP i 2090 2100


71/82

71

Uso del modelo estadsticoSimilar rango de valores para las anomalas de presin atmosfrica

y de altura del geopotencial 850hPa


-300

-200

-100

0

100

200

z.PSUP 1

-300

-200

-100

0

100

200

z.PSUP 2

-300

-200

-100

0

100

200

z.PSUP 3

-300

-200

-100

0

100

z.A850 1

-300

-200

-100

0

100

z.A850 2

-300

-200

-100

0

100

z.A850 3

1990 2090 1990 2090



PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProyeccin para 2090 2100


72/82

72

Uso del modelo estadstico

Distinto rango y distribucin para las anomalas de temperatura y

de humedad en 500hPaEl modelo estadstico se aplica en condiciones de extrapolacin


-150

-100

-50

0

50

100

150

z.T500 1

-150

-100

-50

0

50

100

150

z.T500 2

-150

-100

-50

0

50

100

150

z.T500 3

.002

0.0

0.0

02

0.0

04

z.Q500 1

.002

0.0

0.0

02

0.0

04

z.Q500 2

.002

0.0

0.0

02

0.0

04

z.Q500 3

1990 2090 1990 2090



PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProyeccin para 2090 2100


73/82

73

Resultados de la proyeccin para la frecuencia


Menor frecuencia enPrimaveraMayor frecuencia enSeptiembre



PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProyeccin para 2090-2100


74/82

74

Resultados de la proyeccin para la cantidad diaria


Mayor intensidad enPrimavera y enAgosto



PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProyeccin para 2090-2100


75/82

75

Cambio en el rgimen estacional


Anualmente, cambiospoco relevantes en lafrecuencia; mayoresen la cantidad

acumulada

Primaveras mssecas, similares a los

actuales Veranos

Veranos y Otoosms hmedos

Model fitted values with GCM covariables for 2090-2100

Wet day frequency

Annual Winter Spring Summer Autumn

Observed value 82.1 22.0 22.5 15.0 22.8

Fitted value 84.8 25.1 13.2 13.6 32.9

% change/observed 3.2 14.1 -41.3 -9.3 44.5% change/GCM

1990-2000

4.9 18.4 -36.2 -6.8 36.0

Rainfall amount

Annual Winter Spring Summer Autumn

Observed value 2920.0 648.0 906.0 518.0 850.0

Fitted value 3260.0 745.0 764.0 686.0 1070.0% change/observed 11.7 14.9 -15.7 32.4 25.9

% change/GCM

1990-2000

19.0 22.5 -10.7 41.4 35.3



PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALPropiedades de la metodologa


76/82

76

De carcter general

- El anlisis sobre el grado de reproduccin del clima observado serealiza en la escala diaria

La modelizacin propuesta permite obtener conclusiones sobre

aspectos de la escala diaria relevantes para las aplicacioneshidrolgicas: distribucin de las longitudes de racha, rachasextremas, etc.

- La metodologa es susceptible de proporcionar mejores resultadosincorporando variables bien representadas por futurasversiones de los GCM o por RCM de mayor resolucin




PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALPropiedades de la metodologa


77/82

77

Respecto a otras metodologas estadsticas

a) El modelo de regresin seleccionado es ms flexible que

otros basados en la clasificacin de tipos de clima- Es posible usar cualquier variable bien representada por el GCM, lo

que incrementa la sensibilidad del downscaling: humedad en 500hPa yen superficie, rango de temperaturas,...

b) Frente a los generadores de clima, nuestro mtodo utilizasalidas del modelo climtico en la escala diaria

c) Respecto a otros modelos basados en obtener una funcin detransferencia

- Permite introducir relaciones no lineales y utiliza distribucionesno gaussianas adecuadas a las caractersticas de la respuesta




PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProblemas de la metodologa


78/82

78

Problemas particulares

El ajuste no es completamente automatizable

Es modelo-dependiente y local-dependiente:- debe valorarse cules son las variables bien representadas por elmodelo numrico en la regin de inters

- debe ajustarse el modelo en cada lugar, lo que puede significar el

uso de distintos predictores segn los puntos

Problemas generales del downscaling estadstico

Supone una relacin estacionaria entre la variable respuesta y los

predictoresLa introduccin de determinados predictores y la ausencia de

otros puede producir proyecciones muy diferentes

Problemas de la metodologa



PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProblemas de la metodologa


79/82

79

Problemas generales del downscaling estadsticoLa introduccin de determinados predictores y la ausencia de otros

puede producir proyecciones muy diferentes

g



PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALLneas actuales de trabajo


80/82

80

Proyecto ACCEBRO, 2006-09, financiado por CICYT

Obtencin de escenarios de cambio climtico de la precipitacin en

las distintas zonas climticas de la cuenca del Ebro para mediadosy finales del siglo XXI

-Escenarios de cambio climtico para el proceso de sequameteorolgica a escala regional

-Anlisis del impacto del cambio climtico en los recursos hdricosen una subcuenca

Mejora del submodelo estadstico de cantidades

Extensin a un modelo multipuntoAdaptacin del mtodo para su utilizacin con datos de Reanlisis

Generacin de escenarios regionales usando distintos modelos yescenarios SRES

j



REFERENCIAS


81/82

81

Abaurrea, J., Asn, J. (2005). Forecasting local daily precipitation patterns in a climate changescenario. Clim. Res., 28, 183-197Abaurrea, J., Asn, J., Cebrin, A.C., Centelles, A. (2006). Modeling and projecting extreme hot

events in the central Ebro valley, a continental-Mediterranean area. Por aparecer en Globaland Planetary Change

Beckmann, B.R., Buishand, T.A. (2001). KNMI contribution to the European project WRINCLE:

dowsncaling relationships for precipitation for several European sites. KNMI, De BiltBeckmann, B.R., Buishand, T.A. (2002). Downscaling relationships for precipitation for theNetherlands and North Germany. Int. J. Climatol., 22, 21-32

Beersma, J.J., Buishand, T.A. (2003). Multi-site simulation of daily precipitation and temperatureconditional on the atmospheric circulation. Clim. Res., 25, 121-133

Cavazos, T. (2000). Using self-organizing maps to investigate extreme climate events: an

application to wintertime precipitation in the Balkans. J. Climate, 13, 1718-1732Dai, A. (2006). Precipitation characteristics in eighteen coupled climate models. J. Climate, 19,

46054630Fowler, H.J., Kilsby, C.G., OConnell, P.E., Burton, A. (2005). A weather-type conditioned multi-site

stochastic rainfall model for the generation of scenarios of climatic variability and change. J.Hydrol., 308, 50-66

Frei, C., Christensen, J.H., Dqu, M., Jacob, D., Jones, R.G., Vidale, P.L. (2003). Dailyprecipitation statistics in regional climate models: Evaluation and intercomparison for theEuropean Alps. J. Geophys. Res., 108 (D3), paper 4124, doi:10.1029/2002JD002287



REFERENCIAS


82/82

82

Frei, C., Schll, R., Fukutome, S., Schmidli, J., Vidale, P.L. (2006). Future change of precipitationextremes in Europe: Intercomparison of scenarios from regional climate models. J. Geophys.Res., D06105, doi: 10.1029/2005JD005965

Giorgi, F., Bi, X.Q., Pal, J. (2004). Mean, interannual variability and trends in a regional climatechange experiment over Europe. I: Present day climate (1961-1990). Clim. Dyn., 22, 733-756

Stehlik, J., Bardossy, A. (2002). Multivariate stochastic downscaling model for generating daily

precipitation series based on atmospheric circulation. J. Hydrol., 256, 120-141Stern, R.C., Coe, R. (1984). A model fitting analysis of daily rainfall data. J. R. Stat. Soc. A, 147, 1-34

Sumner, G.N., Romero, R., Homar, V., Ramis, C., Alonso, S., Zorita, E. (2003). An estimate of theeffects of climate change on the rainfall of Mediterranean Spain by the late twenty firstcentury. Clim. Dyn., 20, 789-805

Van Ulden, A.P., van Oldenborgh, G.J. (2006). Large-scale atmospheric circulation biases andchanges in global climate model simulations and their importance for climate change inCentral Europe. Atmos. Chem. Phys., 6, 863-881

Wilby, R.L., Wigley, T.M.L., Conway, D., Jones, P.D., Hewitson, B.C., Main, J., Wilks, D.S. (1998).Statistical downscaling of general circulation model output: a comparison of methods. WaterResour. Res., 34, 2995-3008

abaurrea.pdf

Documents