Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
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).
2. Datos
a. Predicciones
b. Predictores
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).
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.
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.
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.
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
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.