Download - 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
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
2/82
2
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
-
7/23/2019 Abaurrea.pdf
3/82
3
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
GCM
Downscaling
estadstico?
GCM RCM Mtodos estadsticos
Downscaling
dinmico
-
7/23/2019 Abaurrea.pdf
4/82
4
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
-
7/23/2019 Abaurrea.pdf
5/82
5
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
-
7/23/2019 Abaurrea.pdf
6/82
6
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
-
7/23/2019 Abaurrea.pdf
7/82
7
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS AOGCMs
-
7/23/2019 Abaurrea.pdf
8/82
8
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS AOGCMs
-
7/23/2019 Abaurrea.pdf
9/82
9
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS AOGCMs
-
7/23/2019 Abaurrea.pdf
10/82
10
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
Van Ulden y van Oldenborgh (2006): Anlisis de precipitacin
Sesgo importante,habitualmentepositivo
Mejor CGCM3
Variabilidadinferior a laobservada enInvierno
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS AOGCMs
-
7/23/2019 Abaurrea.pdf
11/82
11
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
-
7/23/2019 Abaurrea.pdf
12/82
12
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs
-
7/23/2019 Abaurrea.pdf
13/82
13
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs
-
7/23/2019 Abaurrea.pdf
14/82
14
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
Frei et al (2003),J. Geophysical Research
Distribucin:
Mejor en Invierno
En Otoo y Veranoinfraestiman la frecuencia deepisodios que superan 10 mm
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs
-
7/23/2019 Abaurrea.pdf
15/82
15
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs
-
7/23/2019 Abaurrea.pdf
16/82
16
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
Frei et al (2006), J. Geophysical Research
Intensidad media y
valor de retorno de5 aos
El sesgo en lascantidades extremas no
es sensiblemente mayorque en la intensidadmedia
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs
-
7/23/2019 Abaurrea.pdf
17/82
17
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
Frei et al (2006), J. Geophysical Research
Frecuencia
Desviaciones que no se corresponden con las identificadas en el
trabajo anterior y que se asocian a problemas del GCM
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs
-
7/23/2019 Abaurrea.pdf
18/82
18
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
Giorgi, Bi, Pal (2004), Climate Dynamics
RegCM, anidado en HadAMH
Anlisis sobre Europa, dividida en 13 regiones, 1961-1990
SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs
-
7/23/2019 Abaurrea.pdf
19/82
19
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
-
7/23/2019 Abaurrea.pdf
20/82
20
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
-
7/23/2019 Abaurrea.pdf
21/82
21
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
PROCESO DE OLAS DE CALOR
Esquema de la presentacin
-
7/23/2019 Abaurrea.pdf
22/82
22
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
PROCESO DE OLAS DE CALOR
Cambio observado en Tx en Zaragoza, 1951-2004
-
7/23/2019 Abaurrea.pdf
23/82
23
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
Datos
Temperatura mxima y mnima diaria en 1951-2004, en Zaragoza y
Huesca
Evolucin del valor medio de Tx y Tn en Verano
PROCESO DE OLAS DE CALOR
Cambio observado en Tx en Zaragoza, 1951-2004
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
-
7/23/2019 Abaurrea.pdf
24/82
24
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
Evolucin del valor medio de Tx y Tn en cada mes
Evolucin heterognea
PROCESO DE OLAS DE CALOR
Cambio observado en Tx en Zaragoza, 1951-2004
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
-
7/23/2019 Abaurrea.pdf
25/82
25
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
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
PROCESO DE OLAS DE CALOR
Definicin y caractersticas de una ola de calor
-
7/23/2019 Abaurrea.pdf
26/82
26
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
-
7/23/2019 Abaurrea.pdf
27/82
27
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
Longitud
- Incremento en el tiempo
- Sin perfil estacional definido
Intensidades
- No se observa incremento en el tiempo ni perfil estacional
-
7/23/2019 Abaurrea.pdf
28/82
28
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
Olas de calor observadas en Zaragoza, 1951-2004
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
-
7/23/2019 Abaurrea.pdf
29/82
29
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
-
7/23/2019 Abaurrea.pdf
30/82
30
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
-
7/23/2019 Abaurrea.pdf
31/82
31
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
Dpt Mtodos Estadsticos
-
7/23/2019 Abaurrea.pdf
32/82
32
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
Dpt Mtodos Estadsticos
-
7/23/2019 Abaurrea.pdf
33/82
33
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
Dpt. Mtodos Estadsticos
-
7/23/2019 Abaurrea.pdf
34/82
34
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
Dpt. Mtodos Estadsticos
-
7/23/2019 Abaurrea.pdf
35/82
35
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
Dpt. Mtodos Estadsticos
-
7/23/2019 Abaurrea.pdf
36/82
36
p
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
Dpt. Mtodos Estadsticos
-
7/23/2019 Abaurrea.pdf
37/82
37
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
Dpt. Mtodos Estadsticos
-
7/23/2019 Abaurrea.pdf
38/82
38
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
Dpt. Mtodos Estadsticos
-
7/23/2019 Abaurrea.pdf
39/82
39
Universidad de Zaragoza
PROCESO DE OLAS DE CALOR
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
Dpt. Mtodos Estadsticos
-
7/23/2019 Abaurrea.pdf
40/82
40
Universidad de Zaragoza
- 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
PROCESO DE OLAS DE CALOR
Propiedades de la metodologa
Dpt. Mtodos Estadsticos
U i id d d Z
-
7/23/2019 Abaurrea.pdf
41/82
41
Universidad de Zaragoza
- 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
PROCESO DE OLAS DE CALOR
Inconvenientes y defectos de aplicacin
Dpt. Mtodos Estadsticos
U i id d d Z
-
7/23/2019 Abaurrea.pdf
42/82
42
Universidad de Zaragoza
El incremento proyectado en Tx para 2071-2099 aconseja no usarel modelo para hacer proyecciones con ese horizonte
PROCESO DE OLAS DE CALOR
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
43/82
43
Universidad de Zaragoza
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
Esquema de la presentacin
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
44/82
44
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
45/82
45
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
46/82
46
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
47/82
47
g
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
48/82
48
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
49/82
49
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
50/82
50
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
Restricciones para los predictores potencialmente tilesCelda de CGCM1
Integra un territorio muy heterogneo, geogrfica y climticamente
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
51/82
51
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
52/82
52
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
Comparacin de la precipitacin observada y simuladaLa simulacin CGCM1 de la precipitacin para el clima actual no secorresponde con las caractersticas observadas en Zaragoza
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
-
7/23/2019 Abaurrea.pdf
53/82
53
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
54/82
54
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
Comparacin de la humedadHumedad en superficie: similar dispersin
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
55/82
55
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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)
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
56/82
56
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
57/82
57
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
58/82
58
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
61/82
61
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALEvaluacin del modelo estadstico
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
62/82
62
Grado de ajuste del modelo estadstico
Porcentaje de variabilidad explicada por el modelo, por estacionesy globalmente
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALEvaluacin del modelo estadstico
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
63/82
63
Reproduccin del ciclo estacional de la frecuencia
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALEvaluacin del modelo estadstico
Sesgos inferiores al8% en la frecuenciaestacional, cuando seusan los datos de
CGCM1
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
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
Evaluacin del modelo estadstico
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
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
Evaluacin del modelo estadstico
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
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%
Evaluacin del modelo estadstico
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL
-
7/23/2019 Abaurrea.pdf
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
Evaluacin del modelo estadstico
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALi 2090 2 00
-
7/23/2019 Abaurrea.pdf
69/82
69
Anlisis comparativo de los resultados de CGCM1 para1990-2000 y 2090-2100
Proyeccin para 2090-2100
Cambios en la presinatmosfrica pocorelevantes
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALP i 2090 2100
-
7/23/2019 Abaurrea.pdf
70/82
70
Anlisis comparativo de los resultados de CGCM1 para1990-2000 y 2090-2100
Proyeccin para 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.
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALP i 2090 2100
-
7/23/2019 Abaurrea.pdf
71/82
71
Uso del modelo estadsticoSimilar rango de valores para las anomalas de presin atmosfrica
y de altura del geopotencial 850hPa
Proyeccin para 2090-2100
-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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProyeccin para 2090 2100
-
7/23/2019 Abaurrea.pdf
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
Proyeccin para 2090-2100
-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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProyeccin para 2090 2100
-
7/23/2019 Abaurrea.pdf
73/82
73
Resultados de la proyeccin para la frecuencia
Proyeccin para 2090-2100
Menor frecuencia enPrimaveraMayor frecuencia enSeptiembre
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProyeccin para 2090-2100
-
7/23/2019 Abaurrea.pdf
74/82
74
Resultados de la proyeccin para la cantidad diaria
Proyeccin para 2090-2100
Mayor intensidad enPrimavera y enAgosto
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProyeccin para 2090-2100
-
7/23/2019 Abaurrea.pdf
75/82
75
Cambio en el rgimen estacional
Proyeccin para 2090-2100
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALPropiedades de la metodologa
-
7/23/2019 Abaurrea.pdf
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
Propiedades de la metodologa
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALPropiedades de la metodologa
-
7/23/2019 Abaurrea.pdf
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
Propiedades de la metodologa
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProblemas de la metodologa
-
7/23/2019 Abaurrea.pdf
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALProblemas de la metodologa
-
7/23/2019 Abaurrea.pdf
79/82
79
Problemas generales del downscaling estadsticoLa introduccin de determinados predictores y la ausencia de otros
puede producir proyecciones muy diferentes
g
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCALLneas actuales de trabajo
-
7/23/2019 Abaurrea.pdf
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
REFERENCIAS
-
7/23/2019 Abaurrea.pdf
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
Dpt. Mtodos Estadsticos
Universidad de Zaragoza
REFERENCIAS
-
7/23/2019 Abaurrea.pdf
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