El downscaling estadístico en los trópicos puede ser sensible al reanálisis

Elección: un estudio de caso para la precipitación en Filipinas

ABSTRACTO

Este trabajo muestra que las proyecciones climáticas a escala local obtenidas mediante la
reducción de escala estadística son sensibles a la elección del reanálisis utilizado para la
calibración. Para este objetivo, se aplica un enfoque de modelo lineal generalizado (GLM) a
precipitación diaria reducida en las Filipinas. Primero, los GLM se entrenan y se prueban por
separado con dos reanálisis (ERA-Interim y JRA-25) utilizando un esquema de validación
cruzada durante el período 1981-2000. Cuando el se comparan series de tiempo observadas y
reducidas, se encuentra que el rendimiento alcanzado es sensible a la reanálisis considerado si
se incluyen variables portadoras de señales de cambio climático (temperatura y / o humedad
específica) en el campo predictor. Además, las diferencias de rendimiento se muestran en
correspondencia con el desacuerdo encontrado entre los predictores crudos de los dos
reanálisis. En segundo lugar, los coeficientes de regresión calibrados con ERA-Interim o JRA-25
se aplican posteriormente a la salida de un modelo climático global (MPI-ECHAM5) para
evaluar la sensibilidad de las proyecciones de cambio climático a escala local (hasta 2100) al
reanálisis elección. En este caso, las diferencias detectadas en las condiciones climáticas
actuales se amplifican considerablemente, lo que lleva a estimaciones de '' cambio delta '' que
difieren hasta en un 35% (en promedio para todo el país) dependiendo de la reanálisis
utilizado para la calibración. Por lo tanto, la opción de reanálisis es un importante
contribuyente a la incertidumbre de la escala local las proyecciones de cambio climático y, en
consecuencia, deberían ser tratadas con tanto cuidado como otras más conocidas fuentes de
incertidumbre (por ejemplo, la elección del método GCM y / o downscaling). Implicaciones de
los resultados para el los trópicos enteros, así como para el enfoque de reducción de escala de
las estadísticas de salida del modelo también se discuten brevemente.

1. Introducción

Las técnicas de downscaling estadístico (SD) son hoy en día aplicado rutinariamente para
traducir resultados de resolución gruesa desde modelos climáticos globales (GCM) hasta escala
local a los factores ambientales cambiantes (Wilby et al., 2009), los estudios son raros o incluso
inexistentes hasta la fecha desde problemas múltiples aún obstaculizan la aplicación exitosa de
SD en estas regiones (Hewitson et al., 2014).

En el llamado enfoque de progreso perfecto, escala local variabilidad climática, típicamente

representada por (cuadriculada) registros de estación meteorológica, está estadísticamente
vinculado a cuasiobservaciones a partir de conjuntos de datos de reanálisis (Marzban et al.
2006). El éxito de los esquemas perfect-prog en los extratropicales se basan en el hecho de
que una gran parte de la variabilidad climática a escala local puede describirse por fenómenos
que operan en escalas espaciales en el orden de miles de kilómetros, que típicamente tienen
una vida de varios días. En esta escala, datasets de reanálisis se sabe que son hábiles, en el
sentido de que su espacio-temporal resolución captura los procesos relevantes tales como
ciclones extratropicales y los frentes asociados (Grotch y MacCracken 1991; Widmann et al.,
2003). A latitudes más bajas, sin embargo, los controladores atmosféricos de escala local la
variabilidad climática opera en escalas mucho más finas (espacial y temporalmente) y
generalmente son deficientes capturado por los conjuntos de datos de reanálisis (Manzanas et
al., 2014).

Además, la cobertura observacional es generalmente escasa en los trópicos, dando lugar a

considerables diferencias entre reanálisis distintos (Trenberth et al., 2001; Sterl 2004; Brands
et al. 2012, 2013) y a errores con respecto a registros observacionales (Manzanas et al., 2014),
que en a su vez puede complicar la detección de una relación con la variabilidad del clima a
escala local. Por lo tanto, el presente trabajo prueba si el reanálisis la elección es relevante
para la aplicación de SD en los trópicos. Un enfoque de modelo lineal generalizado (GLM) es
calibrado por separado para dos reanálisis distintos (ERAInterim y JRA-25) para reducir la
escala diaria precipitación sobre Filipinas, utilizando un largo plazo, conjunto de datos de
precipitación controlada por la calidad que esencialmente elimina la incertidumbre inducida
por el pronóstico (Hewitson et al. 2014). Debido a su ubicación geográfica entre los trópicos
monzónicos e interiores, Filipinas proporciona un banco de pruebas ideal para estudios SD.

Primero, siguiendo un esquema de validación cruzada para el período 1981-2000, se muestra

que los resultados de reducción de escala son sensibles para reanalizar la elección si el cambio
climático lleva la señal variables tales como temperatura y / o humedad específica son usado
como predictores. En segundo lugar, cuando el reanalysescalibrated los coeficientes se aplican
a los datos del predictor de un GCM (MPI-ECHAM5) -en cuyo caso la señalización Las variables
predictoras deben aplicarse para capturar la señal de cambio climático "correcta" (Goodess y
Palutikof 1998; Wilby et al. 1998) -la sensibilidad al reanálisis la elección se amplifica
ampliamente, lo que lleva a diferencias en los '' deltas '' proyectados de hasta 35% (en
promedio para el todo el país) para ambos reanálisis.

El documento se describe de la siguiente manera: en la sección 2, el conjuntos de datos se

describen y una breve introducción a el clima de precipitación de Filipinas se proporciona. La
técnica de downscaling aplicada se describe en la sección 3 y los resultados se presentan a
través de la sección 4. La Sección 5 proporciona las conclusiones y una breve discusión sobre
las implicaciones para todo el trópico así como enfoque de reducción de escala de las
estadísticas de salida del modelo.

2. Datos
a. Predicciones

Cantidad de precipitación diaria de 42 calibres mantenidos por la Atmósfera filipina, geofísica y

Administración de Servicios Astronómicos (PAGASA) fueron considerados como datos

predictivos para el período 1981- 2000 (ver Fig. 1b). Estas series temporales de estaciones, que
en el siguientes se clasifican en el clima de cuatro precipitaciones tipos (CT) definidos en
Coronas (1920), fueron seleccionados después de un riguroso control de calidad, minimizando
así la incertidumbre inducida por el pronóstico (Hewitson et al. 2014). Como se puede ver en la
figura 1c, la precipitación a lo largo del costas de la parte norte del archipiélago (CT1) y CT2)
exhibe un fuerte ciclo estacional, que es impulsado alternando vientos monzónicos. En
particular, durante el monzón del sudoeste (junio-septiembre), precipitación picos en las
estaciones pertenecientes a CT1, mientras que CT2 se ve afectada por sequedad relativa. Sin
embargo, lo opuesto es el caso durante el monzón del noreste (octubre-febrero). Durante los
meses secos (marzo-mayo), vientos del este prevalecer, lo que lleva a la precipitación
orográfica a lo largo del cordilleras en el este del archipiélago (ver Fig. 1a) y a cantidades de
precipitación relativamente altas para las estaciones pertenecientes a CT2. En las estaciones
pertenecientes a CT3 y CT4 (principalmente situado en el centro y sur del archipiélago), la
precipitación está limitada a mesoescala dinámica y no es directamente impulsado por los
monzones, dando lugar a un ciclo estacional débil. Adicionalmente, interanual la variabilidad
es mayor para CT1 y CT2 que para CT3 y CT4 (Fig. 1d). Para una descripción completa del clima
en Filipinas, el lector interesado es referido a Coronas (1920), Flores y Balagot (1969), y
Kintanar (1984) así como al sitio web de PAGASA (http://www.pagasa.dost.gov.ph/).

b. Predictores

Variables atmosféricas que describen la circulación, la humedad, y la convección generalmente

se consideran entre los predictores más informativos para perfect-prog SD de precipitación
(Charles et al., 1999; Timbal et al. 2003; Bürger y Chen 2005; Cavazos y Hewitson 2005; Dibike
y Coulibaly 2005; Haylock et al. 2006;
Hewitson y Crane 2006; Fowler et al. 2007; Hertig y Jacobeit 2008; Timbal y Jones 2008; Sauter
y Venema 2011). Si SD se aplica en condiciones de cambio climático (es decir, para predecir los
datos obtenidos de un determinado GCM), se supone que el GCM reproduce perfectamente
las mismas propiedades climatológicas proporcionadas por el reanálisis utilizado para la
calibración (Hewitson y Crane 1996; Wilby et al. 2004). En otras palabras, el "desempeño" de
el GCM (Giorgi y Mearns 2002) debe ser evaluado para las variables de predicción relevantes.
Un dilema importante de perfecto-prog SD es que los GCM en general realizan mejor para las
variables de circulación y temperatura que para los de humedad (Räisänen 2007; Brands et al.
2011, 2013). Sin embargo, la información de humedad debe ser incluido en el campo predictor
para 1) mejorar la función de enlace estadístico (es decir, el potencial predictivo del método
SD) y 2) capturar el clima "correcto" señal de cambio (Goodess y Palutikof 1998; Wilby et al.
1998).

Con estos preceptos en mente, y después de consultar en la experiencia de los meteorólogos

locales, así como los resultados de estudios publicados previamente (Kang et al., 2007; Chu et
al. 2008; Paul et al. 2008; Chu y Yu 2010), un conjunto de diferentes combinaciones de
predictores fue elegido (ver Tabla 1). Estas combinaciones consisten en variables de circulación
solo (componente de viento zonal a 850 y 300 hPa; P1: U850, U300), circulación y humedad
específica (P2: U850, U300, Q850), circulación y temperatura (P3: U850, U300, T850) y
circulación, humedad
específica, y temperatura
(P4: U850, U300, Q850,
T850). En adición Q850 y
T850 se consideraron
como variables
predictoras únicas. Tenga
en cuenta que se utiliza
Q850 en lugar de columna
integrada vapor de agua o agua precipitable ya que este último las variables generalmente no
son proporcionadas por el GCM común bases de datos.

Las variables de predicción enumeradas en la Tabla 1 se obtuvieron de dos reanálisis distintos

y un GCM: el Centro Europeo de Previsiones Meteorológicas de Medio Alcance (ECMWF) ERA:
reanálisis provisional (Dee et al. 2011), el Reanálisis japonés de 25 años (JRA-25) (Onogi et al.,
2007) y el Instituto Max Planck (MPI) ECHAM5 GCM (Giorgetta y otros, 2006); ver los
agradecimientos para las fuentes de datos. Para el caso de ECHAM5, control y datos de
escenario A1B del tercera ejecución transitoria desarrollada dentro de los ENSEMBLES
proyecto fueron recuperados. Para mantener la coherencia entre los pasos de tiempo
disponibles tanto para los reanálisis como para el GCM, valores instantáneos diarios a las 0000
UTC fueron elegidos en todos los casos. Debido a las distintas resoluciones nativas, datos del
predictor de todas las fuentes fueron revisados en una cuadrícula regular común 28 usando
interpolación bilineal.

3. Técnica de downscaling
La técnica de downscaling utilizada aquí para generar transferencia funciones desde los
predictores (x1, ..., xn) hasta el predictor (y) se basa en modelos lineales generalizados (Nelder
y Wedderburn 1972), que permiten que no sea normal distribuciones de error. El condicional
esperado valor de la predicción y dado que los predictores están vinculados a través de una
función monótona a una combinación lineal de la predictores b0 1 b1x1 1 ??? 1 bpxp, donde
b0,..., bp son los coeficientes de regresión. Estos modelos han sido utilizado en numerosos
estudios anteriores de downscaling que tratan con precipitación (por ejemplo, Brandsma y
Buishand 1997; Chandler y Wheater 2002; Abaurrea y Asín 2005; Fealy y Sweeney 2007; Hertig
y col. 2013).

En este trabajo, la implementación en dos etapas comúnmente utilizado para la reducción de

precipitación se aplica (ver, por ejemplo, Chandler y Wheater 2002). Primero, un GLM con
Bernoulli distribución de errores y logit link-function (también conocido como regresión
logística) se usa para downscale diariamente ocurrencia de precipitación (un umbral de 0.5
mm era utilizado para definir la ocurrencia). Probabilidades iguales o mayores (más pequeños)
que 0.5 se consideran como ocurrencias de lluvia (ausencias) En segundo lugar, un GLM con
error gamma la función de enlace de distribución y registro se aplica a downscale cantidad de
precipitación diaria. A diferencia de otros estudios, el componente estocástico del GLM está
excluido de cada uno de los dos modelos (ocurrencia y cantidad); es decir, los valores
esperados son pronosticados en cualquier caso. Esto se hace para aislar el efecto de la
incertidumbre de reanálisis en los resultados de downscaling.

Para cada medidor, datos de predicción en la cuadrícula más cercana cuatro puntos se
consideran tanto para la ocurrencia y modelos de cantidad Para el caso de los reanálisis y el
GCM en el período de control, cada variable de predicción es caja de rejilla estandarizada por
cuadrícula para tener cero media y varianza unitaria La estandarización trae el primero y
momentos de segundo orden del reanálisis y datos de GCM en el acuerdo y por lo tanto
proporciona una mejor aproximación para la asunción del rendimiento "perfecto" del GCM
que usar datos no transformados. El GCM los datos de escenario están estandarizados
eliminando la media de el período de control de la media del correspondiente período de
escenario y dividir por la desviación estándar del período de control.

Para evitar el sobreajuste, un enfoque de validación cruzada k-fold (Gutiérrez et al., 2013) fue
seguido, con k 5 4 períodos de prueba no superpuestos de cinco años cada uno, cubriendo el
período completo 1981-2000. Para eludir la tendencia espuria efectos, los cinco años que
forman cada período de prueba fueron elegidos al azar.

4. Resultados
a. Diferencias de reanálisis en los datos del predictor

El panel superior de la Fig. 2 muestra una comparación entre ERA-Interim (tomado como
referencia) y JRA-25 para las cuatro variables predictoras en la Tabla 1 sobre el Coordinado
Experimento Regional de Reducción del Clima Climático (CORDEX) - Dominio de Asia Oriental
(http: //wcrp-cordex.ipsl. jussieu.fr/images/pdf/cordex_regions.pdf) para el período 1981-
2000. La columna de la izquierda muestra la diferencia de medias (sesgo) entre ambos
reanálisis, expresado como un porcentaje de la desviación estándar de ERA-Interim. La mitad
columna muestra la relación de varianzas (RV), definida como s2 J / s2 E, donde s2 J (s2 E) es la
varianza de JRA-25 (ERAInterim), respectivamente. En la columna de la derecha, el Pearson
coeficiente de correlación (r) entre los dos reanálisis es representado.

Como se puede ver, hay diferencias apreciables (sistemáticamente más bajo para U850 y U300
que para Q850
y T850) entre ambos reanálisis para las tres validaciones medidas consideradas, lo que indica
que el programa perfecto supuesto (datos de reanálisis que reflejan '' real '' condiciones
atmosféricas a gran escala) no es válido para el área bajo estudio. Sin embargo, con respecto a
su aplicación para SD, recuerde que la serie de tiempo de reanálisis están estandarizados para
tener cero media y varianza unitaria antes de '' ingresar '' al esquema de downscaling (sección
3). En consecuencia, las diferencias en la media y la varianza entre los dos reanálisis (columnas
izquierdas y media) no afecta los resultados SD, mientras que las diferencias en el thirdand
momentos de cuarto orden (es decir, sesgo y curtosis; ver, por ejemplo, Brands et al. 2011) y
en las variaciones cotidianas (columna de la derecha) permanecen y se espera que los afecten.

En el panel inferior de la figura 2, el r promediado zonalmente entre la serie temporal del

predictor de JRA-25 y ERA-Interim se muestra para el caso específico del Archipiélago de
Filipinas Las coordenadas de la cuadrícula son mapeado en el lado izquierdo yr en función de la
latitud se muestra en el lado derecho. Notablemente, U850 exhibe valores alrededor de 0.95
en todas las latitudes, que indica que ambos reanálisis están en casi perfecto acuerdo para
esta variable. Sin embargo, un norte-sur gradiente se encuentra para las variables restantes.
En particular, las correlaciones para T850 y Q850 caen de 0,95 a 0.70 y de 0.75 a 0.50,
respectivamente, probablemente reflejando la creciente influencia de los procesos de subgrid-
sujeto a reanálisis / parametrización dependiente del modelo esquemas: hacia el ecuador.

b. Diferencias en los resultados de validación cruzada

La Figura 3 muestra el coeficiente de correlación de Spearman (rs) entre la precipitación diaria

observada y la reducida series temporales durante el período 1981-2010 paradiferentes
combinaciones de predictores: P1 (U850, U300), Q850, T850 y P4 (U850, U300, Q850, T850) –
cuando considerar datos de predicción de ERA-Interim y JRA25 (líneas continuas y punteadas,
respectivamente). En cada panel, los resultados para un CT específico se muestran. Líneas y
error las barras corresponden a la media y la desviación estándar de los resultados de
validación cruzada (calculados sobre los cuatro pliegues considerados). A lo largo del eje x, las
estaciones se ordenan al disminuir la latitud (de izquierda a derecha). En el lado derecho lado,
se indican los rs promediados por CT. Puntos (asteriscos) corresponden al predictor ERA-
Interino (JRA-25) datos.

Para ambos reanálisis, la combinación de circulación, los predictores de humedad y

temperatura (P4) rinden más alto Coeficientes de correlación. El potencial predictivo es
ligeramente menor para usar variables de circulación solamente (P1) y disminuye aún más si la
circulación se excluye de la campo predictor, es decir, para usar Q850 y T850 por separado o
en combinación (este último no se muestra).

Además, para el uso exclusivo de variables de circulación (P1), los resultados de downscaling
generalmente no son sensibles a la opción de reanálisis, a excepción de las estaciones situadas
en el sur (CT4). Esto está de acuerdo con el pequeño diferencias encontradas entre ERA-
Interim y JRA-25 para U300 y U850, así como con el ligero norte-sur gradiente de
incertidumbre detectado para U300 (ver Fig. 2). Sin embargo, para Q850 y T850, reanálisis
apreciable inducido se observan diferencias En particular, Q850 de ERA-Interim produce
mejores resultados que Q850 de JRA-25, mientras que lo opuesto es el caso de T850 (con la
excepción de CT1). Esto indica que el Relación estadística '' real '' entre Q850 (T850) y la
precipitación a escala local es capturada con mayor precisión por ERA-Interim (JRA-25).
Además, al considerar el '' Mejor '' combinación de predicción (P4), los resultados son
sistemáticamente mejor para ERA-Interim que para JRA-25. Notablemente, la pérdida hacia el
sur del potencial predictivo que se produce en todos CTs excepto CT2 está de acuerdo con el
aumento hacia el sur de la incertidumbre del reanálisis (Figuras 2 y 3).

Para una descripción geográfica de estos resultados, la Fig. 4 muestra la media de validación
cruzada puntual rs cuando se considera ERA-Interim (columna izquierda) y JRA-25 (columna
del medio) datos de predicción, con cada fila correspondiente a un específico combinación de
predictores Las diferencias correspondientes- JRA-25 menos ERA-Interino-se muestran a la
derecha columna, por lo que los valores positivos (negativos) indican que JRA-25 (ERA-Interim)
es más apropiado para SD. Debido a la menor potencial predictivo descrito anteriormente,
resultado para el variables predictoras individuales (Q850 y T850) no están incluidas en la Fig.
4.

El patrón espacial de potencial predictivo es similar para las cuatro combinaciones de

predictores. Los valores rs más altos se obtienen en el norte y a lo largo de la costa este del
archipiélago, mientras que se observa una disminución gradual hacia el sur. Para predictores
de circulación solamente, ambos reanálisis se realizan de manera similar (primera fila). Sin
embargo, si Q850 (T850) se agrega a la circulación, se obtienen mejores resultados obtenido
para ERA-Interim (JRA-25) (segundo y tercer filas, respectivamente). Notablemente, para el
caso de incluir T850, la ventaja de JRA-25 sobre ERA-Interim es más obvio a lo largo de la costa
este. Cuando se considera la combinación del predictor '' completo '' (P4), ERAInterim supera
sistemáticamente a JRA-25 en todas las estaciones.

Para evaluar más a fondo el aumento en el potencial predictivo de agregar información de

temperatura y humedad a circulación, la Fig. 5 muestra la diferencia en rs [d (rs)] obtenida al
agregar Q850 y T850 por separado (P2 y P3, respectivamente) y en combinación (P3) con el ''
básico '' variables de circulación (P1). Resultados para calibrar con ERA-Interim y JRA-25 se dan
a la izquierda y columna central, respectivamente. Además, el correspondiente diferencias-
JRA-25 menos ERA-Interino- se muestran en la columna de la derecha. Valores positivos
(negativos) indicar un incremento mayor para JRA-25 (ERA-Interino).

En congruencia con las Figs. 3 y 4, el rendimiento mejora lograda al agregar Q850 (T850) es
más grande para ERA-Interim (JRA-25) que para JRA-25 (ERA-Interino). Además, al incluir Q850
1 T850, la mejora es mayor para ERA-Interim que para JRA-25. Los resultados previos prueban
que, dependiendo sobre la elección del reanálisis, hasta 0,10 puntos de correlación se puede
perder en la escala local para un predictor particular combinaciones.

c. Diferencias en las proyecciones del cambio climático

En esta sección se mostrará que el clima a escala local proyecciones obtenidas por SD son
sensibles a la elección de reanálisis utilizado para la calibración. Para este objetivo, la regresión
coeficientes obtenidos de la calibración por separado del Los GLM con ERA-Interim o JRA-25 se
aplican a datos predictivos de MPI-ECHAM5. Esto se hace para el período de referencia 1981-
2000 (utilizando datos de control de ejecución) y para tres períodos futuros diferentes (2011-
40, 2041-70, y 2071-2100), usando datos de ejecución de escenario (A1B, ejecución 3). La
suposición subyacente de este procedimiento es que la predictora-predictor y las relaciones
obtenidas anteriormente permanecen estacionario en el tiempo (Vrac y otros, 2007).
Las proyecciones de cambio climático se obtienen por medios del método delta, es decir,
restando la referencia / media del período de control a partir de la media de la
correspondiente período de escenario objetivo (Räisänen 2007). Deltas se muestran como
desviaciones relativas (%) de la media en el período de referencia (0% 5 sin desviación).

La Figura 6 muestra, de izquierda a derecha, tres paneles, uno para cada uno de los períodos
futuros considerados. En cada panel, el deltas proyectados aplicando los coeficientes
aprendidos de la
ERA-Interim (JRA-25) se muestran en la izquierda (centro) columna, mientras que las
diferencias correspondientes (JRA-25 delta menos ERA-Interim's delta) se proporcionan en la
columna derecha; cada fila corresponde a un predictor particular combinación. Los números
en cada mapa indican el valor medio espacial para todas las estaciones (todas) o esas
estaciones perteneciente a una CT específica (CT1-CT4, respectivamente).

Como se puede ver, se encuentra un delta insignificante para cualquier período futuro si la
precipitación se reduce de la circulación variables solo (primera fila). Tenga en cuenta que esto
es acuerdo con la evolución del tiempo de U850 y U300, que es prácticamente constante en
todo el conjunto siglo veintiuno (primeras y segundas filas en la figura 7), lo que indica que la
circulación a gran escala (como simulada por MPI-ECHAM5) sobre la región objetivo no es
sensible al cambio climático.

Sin embargo, si Q850 y / o T850 se agregan a la circulación, los deltas proyectados aumentan
en función del plomo el tiempo (es decir, son más grandes para el final del siglo; segunda,
tercera y cuarta filas). Esto es válido para usar Q850 y T850 como predictores separados (no se
muestran). Sorprendentemente, los deltas de precipitación para Q850 y T850 son más grande
que para P4, lo que indica que la inclusión de la circulación amortigua la señal de cambio
climático (no se muestra).

El hecho de que Q850, ya sea solo (no se muestra) o en combinación con U850 y U300 (P2 en
la Fig. 6) – conduce a las mayores diferencias delta demuestra que la reducción a escala los
resultados son especialmente sensibles al reanálisis elección cuando esta variable se incluye en
el predictor campo. Para P2, las diferencias delta inducidas por el reanálisis llegan 35% (45%)
para todo el país (CT1) al final de el siglo (2071-2100).

Finalmente, tenga en cuenta que las diferencias inducidas por reanálisis en las series de
tiempo downscaled son proporcionales al clima cambiar la señal impuesta por el GCM (véanse
las figuras 6 y 7). Además, la magnitud de los deltas proyectados parece ser relacionado con
los resultados de validación cruzada de la sección 4b. En en particular, se obtienen deltas más
grandes para el "mejor" realizar el reanálisis, es decir, ERA-Interim (JRA-25) cuando se agrega
Q850 (T850) a la circulación.

5. Conclusiones y discusión

En este estudio, un enfoque de modelo lineal generalizado (GLM) se aplica a la precipitación

diaria downscale en el Filipinas. Para explorar el efecto de la incertidumbre del reanálisis en el
downscaling estadístico (SD), dos datasets de reanálisis se utilizan para obtener las funciones
de enlace (coeficientes de regresión) que relacionan los predictandos a escala local a los
predictores a gran escala. Al comparar series de tiempo de precipitación diaria observadas y
reducidas durante el período 1981-2000 utilizando un esquema de validación cruzada, los
resultados son sensibles al conjunto de datos de reanálisis seleccionado para la calibración,
que está de acuerdo con el algunos estudios previos que abordan este tema (Koukidis y Berg
2009; Hofer et al. 2012; Park et al. 2013). Sin embargo, con diferencias de correlación de
promedio espacial (escala local) de 0.03 (0.10) como máximo, esta sensibilidad es
relativamente pequeña en este punto.

Los coeficientes calibrados de nuevo análisis son subsecuentemente aplicado a los datos de
predicción de un modelo climático global (GCM) para generar proyecciones climáticas a escala
local para todo el siglo veintiuno. En este caso, las diferencias inducidas por reanálisis
detectadas en el presente las condiciones climáticas se amplifican considerablemente cuando
variables portadoras de señales, que son indispensables para capturar la señal de cambio
climático correcta-están incluidos en el campo predictor. En particular, los deltas proyectados
para el final del siglo (2071-2100 menos 1981-2000) se encuentran difieren en hasta un 35%
(en promedio para el todo el país) para los dos reanálisis considerados. Por lo tanto, la elección
del reanálisis utilizado para la calibración en Perfect-Prog SD es un importante contribuyente a
la incertidumbre de las proyecciones de cambio climático a escala local y, en consecuencia,
debe tratarse con tanto cuidado como otras fuentes de incertidumbre bien conocidas, como la
elección de GCM o método de downscaling (Dibike y Coulibaly 2005; Chen et al. 2012).

Aunque estas conclusiones se dedujeron para una región específica (Filipinas), es probable que
mantengan válido para todo el trópico, ya que los estudios previos señalan que la
incertidumbre del reanálisis es un problema general en latitudes bajas, especialmente para
señales de cambio climático teniendo variables de predicción en la escala de tiempo diaria
(Marcas et al. 2012, 2013). Además, los resultados presentados se basan en un único GCM y,
por lo tanto, debe reconfirmarse con GCMs alternativos (con física modelo distinta) en el
futuro estudios. Además, una evaluación exhaustiva de la predicción potencial de variables
predictoras alternativas en trópicos, como el potencial de velocidad o la función de corriente, y
sobre las diferencias correspondientes inducidas por reanálisis la elección puede ser una tarea
futura útil.

Además de ser relevante para SD de progreso perfecto, la incertidumbre del reanálisis se

espera que sea igualmente relevante para el enfoque de las estadísticas de salida del modelo,
en el que los GCM son empujados a datos de reanálisis para obligarlos a seguir la variabilidad a
gran escala "observada" (Eden et al. 2012). Aquí, se ha demostrado que la "gran escala real" la
variabilidad atmosférica en los trópicos es probable que sea tergiversada por los reanálisis y,
en consecuencia, también por los GCMs con empuje antes mencionados. Finalmente, dado
que regional los modelos climáticos se pueden anidar en diferentes reanálisis conjuntos de
datos, la incertidumbre del reanálisis también es probable que afectar el enfoque de
downscaling dinámico (Park et al. 2013).