Abaurrea PDF

Dpt.
Mtodos Estadsticos
Universidad de Zaragoza
TCNICAS DE DOWNSCALING
UTILIZANDO DATOS
OBSERVADOS A ESCALA DIARIA.
DOS APLICACIONES
J. Abaurrea, J. Asn
Dpto. Mtodos Estadsticos
Dpt. Mtodos Estadsticos

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

GCM
GCM
RCM
Downscaling
estadstico
Downscaling
dinmico
Mtodos estadsticos

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 (proyecto
ENSEMBLES)
Desaparecer? Paralelismo con el estado de la prediccin
numrica en los aos 50

INTRODUCCIN
Evolucin de los AOGCMs
AOGCMs para el IPCC AR4 (2007)
Mejora de la resolucin espacial
NCAR
CSIRO
DKRZ
UKMO
GFDL
MRI
IPCC TAR (2001)

CSM 1.3
2.8x2.8
CSIRO Mk2
3.2x5.6
ECHAM4/OPYC3 2.8x2.8
HadCM3
2.5x3.75
GFDL_R30_c
2.25x3.75
MRI2
2.8x2.8
IPCC AR4 (2007)

CCSM3
1.4x1.4
CSIRO Mk3
1.88x1.88
ECHAM5/MPI-OM 1.88x1.88
HadGEM1
1.25x1.875
GFDL-CM2.1
2x2.5
MIROC3.2-hires
1.125x1.125
http://www-pcmdi.llnl.gov/ipcc/about_ipcc.php
5

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


A. Dai (2006), J. Climate
Conclusiones:
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 la
contribucin de episodios medios (10-20 mm/da),
sobreestiman los pequeos y subestiman los intensos
Mejoras notables en muchos aspectos respecto a las versiones de

hace unos pocos aos
Sesgos del mismo tipo que en las versiones anteriores
Sera necesaria una resolucin del orden de 30-60 Km
7


Van Ulden y van Oldenborgh (2006), Atmos. Chem. Phys.
Resultados de 23 AOGCMs, entre ellos 17 de los usados por Dai
Analizan su capacidad para reproducir los patrones del campo de
presin en superficie a escala global
Seleccionan los 5 modelos que mejor representan estos patrones y
analizan su reproduccin del clima en Centro Europa, en 19602000
ECHAM5
HadGEM
MIROChi
GFDL2.1
CGCM3.1T63
Datos observados:
- ERA-40 y ADVICE para las presiones
- CRU para precipitacin y temperatura
8


Van Ulden y van Oldenborgh (2006): Anlisis de temperatura
3 modelos con
sesgos entre 2.5
y 2.5C
2 con importante
sesgo negativo
entre Enero y
Abril
Correcta
representacin de
la distribucin,
salvo MIROC en
Invierno
9


Van Ulden y van Oldenborgh (2006): Anlisis de precipitacin
Sesgo importante,
habitualmente
positivo
Mejor CGCM3
Variabilidad
inferior a la
observada en
Invierno
10

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs

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 en

Europa
Prximo nmero monogrfico en Climatic Change
11


Frei et al (2003), J. Geophysical Research
rea de los Alpes
RCMs: ARPEGE, CHRM, HadRM, HIRHAM, REMO, resolucin 50 Km
Dirigidos por ERA15, resolucin 2.5, 1979-1993
Datos 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 da
hmedo
12


Frecuencia:
-3 RCMs correctos,
sesgos inferiores al 10%
-Correlacin 0.65
Intensidad:
-Importantes sesgos
negativos
-La correlacin baja
especialmente en Verano
Q90: como intensidad
Precipitacin media:
-Se reduce la correlacin
en Otoo
13


Frei et al (2003),
J. Geophysical Research
Distribucin:
Mejor en Invierno
En Otoo y Verano
infraestiman la frecuencia de
episodios que superan 10 mm
14


rea de los Alpes
RCMs: CHRM, REMO, GKSS, HIRHAM, SMHI, HadRM3H/P
Dirigidos por HadAM3H/P, 1961-1990
Anlisis de:
-
Frecuencia media
Intensidad media
Valor de retorno de 5 aos de la precipitacin diaria
15


Intensidad media y
valor de retorno de
5 aos
El sesgo en las
cantidades extremas no
es sensiblemente mayor
que en la intensidad
media
16


Frecuencia
Desviaciones que no se corresponden con las identificadas en el
trabajo anterior y que se asocian a problemas del GCM
17


Giorgi, Bi, Pal (2004), Climate Dynamics
RegCM, anidado en HadAMH
Anlisis sobre Europa, dividida en 13 regiones, 1961-1990
18

EN CONCLUSIN
Cul es la variable de inters?
Qu escala temporal y espacial se requiere?
Existe algn AOGCM o RCM que ofrezca una
respuesta satisfactoria al problema?
NO
Oportunidad para el downscaling estadstico
El impacto del cambio climtico en los recursos hdricos,
escorrenta, evapotranspiracin, requiere escenarios para la
precipitacin a escala diaria, lo que en este momento parece
requerir downscaling estadstico
GCM
RCM
Mtodos estadsticos
19

PROCESO DE OLAS DE CALOR

Esquema de la presentacin
Abaurrea, Asn, Cebrin, Centelles (2006), Global and Planetary
Change (por aparecer)
Objetivo:
Modelar el comportamiento (ocurrencia, duracin e

intensidad) de los episodios de ola de calor mediante un
modelo estadstico que represente su evolucin temporal y
estacionalidad
Este modelo en combinacin con la salida de un GCM

(RCM) generar proyecciones del comportamiento de esos
sucesos extremos
Defecto:
No se ha investigado la calidad del proceso de generacin

de olas de calor del GCM
20


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 el
comportamiento de dichos episodios hasta 2050
Ventajas e inconvenientes de la metodologa
21


Cambio observado en Tx en Zaragoza, 1951-2004
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 e

incrementos de distinta intensidad en las otras estaciones
Evolucin heterognea dentro de los periodos estacionales

habituales, DEF, MAM, JJA, SON
22


Datos
Temperatura mxima y mnima diaria en 1951-2004, en Zaragoza y
Huesca
Evolucin del valor medio de Tx y Tn en Verano
-Estabilidad en 1951-75
36
34
32
30
28
-Incremento hasta 1990
Tx (Zaragoza)
-Corto periodo
1991-96
Tx (Huesca)
26
24
22
-Fase final creciente
20
18
16
14
12
estable
Tn (Zaragoza)
Tn (Huesca)
10
51
56
61
66
71
76
Year
81
86
91
96
01 04
23


Evolucin del valor medio de Tx y Tn en cada mes
Evolucin heterognea
Evolucin 1975-2004
34
32
Tx
July
August
30
June
28
26
24
22
20
18
August
Tn
July
16
June
14
-Mayor
incremento
en
Junio, del orden de 5C
-Incremento en Julio y
Agosto de alrededor de
2C, se produce en los
aos 70-80
-El Verano es actualmente
ms
clido
y
ms
homogneo
12
51
56
61
66
71
76
Year
81
86
91
96
01 04
24


Definicin y caractersticas de una ola de calor
Definicin (simple) de ola de calor
Es una racha de das consecutivos, de longitud arbitraria, cuyo
valor de Tx supera un umbral extremo
Umbral = percentil 95 de los datos de Tx diaria en Junio-JulioAgosto de 1971-2000
37C en Zaragoza y 35.8C en Huesca
Caractersticas
Longitud, L
Intensidad mxima, Ix, mximo valor del exceso sobre el umbral
Intensidad media, Im, exceso medio
25


Olas de calor observadas en Zaragoza, 1951-2004
Zaragoza
Mean frequency
Jn
0.1
0.5
0.0
0.2
0.2
2.0
51-60
61-70
71-80
81-90
91-00
01-04
Jl
0.9
1.2
1.3
1.5
2.3
2.0
Ag
0.2
1.1
0.8
0.8
1.4
1.3
Jn
1.0
1.0
-1.5
1.5
1.5
L
Jl
1.0
1.0
1.0
2.0
1.0
2.0
Ag
1.5
1.0
1.0
1.0
2.0
2.0
Jn
1.9
1.6
-0.7
0.6
1.8
p50
Ix
Jl
0.7
0.8
0.5
1.2
1.2
0.8
Ag
1.8
0.4
0.3
0.6
1.1
0.9
Jn
1.9
1.4
-0.5
0.5
1.4
Im
Jl
0.7
0.6
0.5
0.8
1.2
0.5
Ag
1.3
0.4
0.3
0.6
0.9
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

26


Zaragoza
Mean frequency
Jn
0.1
0.5
0.0
0.2
0.2
2.0
51-60
61-70
71-80
81-90
91-00
01-04
Jl
0.9
1.2
1.3
1.5
2.3
2.0
Ag
0.2
1.1
0.8
0.8
1.4
1.3
Jn
1.0
1.0
-1.5
1.5
1.5
L
Jl
1.0
1.0
1.0
2.0
1.0
2.0
Ag
1.5
1.0
1.0
1.0
2.0
2.0
Jn
1.9
1.6
-0.7
0.6
1.8
p50
Ix
Jl
0.7
0.8
0.5
1.2
1.2
0.8
Ag
1.8
0.4
0.3
0.6
1.1
0.9
Jn
1.9
1.4
-0.5
0.5
1.4
Im
Jl
0.7
0.6
0.5
0.8
1.2
0.5
Ag
1.3
0.4
0.3
0.6
0.9
0.7
Longitud
-
Incremento en el tiempo
Sin perfil estacional definido
Intensidades
-
No se observa incremento en el tiempo ni perfil estacional

27


Conclusiones:
-
La evolucin de Tx no es homognea en Verano
Desde 1996, importante incremento del nivel medio de

temperatura en Junio, en Julio y Agosto permanece estable
La ocurrencia de olas de calor tiene un patrn estacional en

Verano pero este patrn podra estar cambiando, como
consecuencia de la evolucin de Tx
Estos hechos indican que la ocurrencia de olas de calor podra
ser explicada slo parcialmente por la evolucin decadal de
Tx y que ser necesario considerar otros predictores
28


Modelo estadstico
Modelo de ocurrencia
Proceso de Poisson no homogneo, NHPP
Tasa, (t), donde t denota el tiempo, funcin de predictores que
influyen 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 media

mvil centrada de 31 das
Trminos armnicos (seno, coseno) para representar la

estacionalidad
Trminos cuadrticos e interacciones

29


Modelo estadstico
Modelo 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 Txm31
cambia a lo largo de Verano
- TTx no tiene un efecto significativo; su influencia es captada por
Txm31
30


Modelo estadstico
Modelos para las medidas de severidad
Longitud
Distribucin binomial negativa
Valor medio dependiente de covariables
Intensidad mxima y media
Distribucin Pareto generalizada
Parmetro de forma ajustado en cada mes
Parmetro de escala dependiente de covariables
31


Modelo estadstico
Modelos ajustados para las medidas de severidad
Longitud:
Efecto significativo de Txm31
No requiere armnicos
Intensidad mxima y media:
Severity variables
Length
Mean intensity
Maximum
intensity
Distribution
Negative
binomial
Generalized
Pareto
Generalized
Pareto
Parameters
(t) = exp(-8.5+0.025 Txm31)
N=2
Shape = -0.127
Scale = 13.981
Shape = -0.280
Scale = 12.357
Parmetros constantes
Conclusiones de la modelizacin
El incremento de temperatura observado tiene asociado un
aumento significativo de la frecuencia y longitud de las olas de
calor pero no de su intensidad
32


Proyeccin
Datos 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
33


Proyeccin
Pasos previos
Comparacin de las temperaturas observadas con las series
generadas por el modelo numrico para estimar su sesgo
respecto a los datos de Zaragoza
Resolucin de HadCM3: 3.75 long. x 2.5 lat.
25
30
35
Tx mean smooth, JJA
20
Observed
HadCM3 a
HadCM3 b
HadCM3 c
15
Temperature
a)
1950
1960
1970
1980
1990
2000
34


Proyeccin
Pasos previos
Observed
HadCM3a
HadCM3b
HadCM3c
June
Mean
27.61
16.53
16.79
17.36
July
Stdev Mean
1.67 31.38
1.97 18.78
2.00 19.31
2.09 19.32
August
Stdev Mean
1.54 30.40
2.19 17.71
2.07 18.22
1.96 17.99
Stdev
1.51
2.48
1.96
2.32
b)
Las series del GCM son reescaladas para obtener el nivel

medio y desviacin tpica observados para cada mes en 196190
Test KS para comparar mensualmente la distribucin del valor
medio mensual de Tx en la serie de datos observados 196190 y en las series escaladas procedentes de HadCM3: p-valor
superior 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 cada
da el valor medio mensual correspondiente
35


Proyeccin
Validacin del modelo con datos de HadCM3 para el clima
actual
Fitted occurrence rate HadCM3

Mean observed
frequency
A2a
A2b
A2c
Jn
Jl Ag JJA Jn
Jl Ag JJA Jn
Jl Ag JJA Jn
Jl Ag JJA
1951- 0.20 1.13 0.70 2.03 0.13 1.42 0.91 2.46
80
1961- 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
90
1971- 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
00
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 a
las observadas en Julio y Agosto
36


Proyeccin
Validacin del modelo con datos de HadCM3 para el clima
actual
Observed
HadCM3 A2a
HadCM3 A2b
HadCM3 A2c
1951-1980
1.50
2.10
1961-1990
1.64
1.73
1.70
1.87
1971-2000
1.76
1.93
1.66
1.64
Se estiman los valores ajustados de longitud de ola, uno por

mes, usando como entrada en el modelo el valor mximo de Txm31
en dicho mes
Cada valor en esta tabla es una media ponderada de esas
longitudes ajustadas, con pesos iguales a las frecuencias
ajustadas por el modelo de ocurrencia
Los resultados para los periodos 1961-90 y 1971-2000 son
similares a los observados
37


Proyeccin
Trayectorias HadCM3 SRES-A2 de Tx, escalada, hasta 2050
36
Temperature
30
28
26
26
28
32
34
36
Tx mean smooth, August
34
32
Temperature
30
34
32
30
28
26
Temperature
Las trayectorias del

GCM no reflejan el
calentamiento
reciente observado en
Junio
Tx mean smooth, July
36
Tx mean smooth, June
1960 1980 2000 2020 2040
1960 1980 2000 2020 2040
1960 1980 2000 2020 2040
Year
Year
Year
38


Proyeccin
Proyeccin 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
Mean observed
frequency
Jn
Jl Ag JJA
1951-80 0.20 1.13 0.70 2.03
1961-90 0.23 1.33 0.90 2.47
1971-00 0.13 1.70 1.00 2.83
1981-10
1991-20
2001-30
2011-40
2021-50
Jn
0.13
0.12
0.11
0.15
0.16
0.17
0.46
0.87
A2a
Jl Ag
1.42 0.91
1.22 0.67
1.29 0.81
1.41 0.87
1.49 1.05
1.45 1.25
3.02 2.87
4.87 3.84
Fitted occurrence rate HadCM3

A2b
JJA Jn
Jl Ag JJA Jn
2.46
2.01 0.11 1.21 0.63 1.96 0.11
2.20 0.09 1.13 0.54 1.76 0.10
2.42 0.15 1.23 0.68 2.05 0.10
2.70 0.36 2.61 1.75 4.72 0.28
2.87 0.42 2.86 2.36 5.65 0.34
6.35 0.43 3.71 4.16 8.30 0.43
9.58 0.36 3.35 13.6 17.3 1.11
A2c
Jl Ag JJA
1.23
1.18
1.31
2.89
3.46
4.04
5.38
0.69
0.59
0.70
1.86
2.27
2.98
4.15
2.03
1.87
2.11
5.03
6.07
7.45
10.6 39


Propiedades de la metodologa
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
40


Inconvenientes y defectos de aplicacin
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 bien

representadas, como presin o campos geopotenciales
Plantea problemas de extrapolacin al aplicarlo con un

horizonte alejado, debido al fuerte incremento proyectado
para la temperatura
41


Ventajas e inconvenientes de la metodologa
El incremento proyectado en Tx para 2071-2099 aconseja no usar
el modelo para hacer proyecciones con ese horizonte
40
25
30
35
40
35
30
25
25
30
35
40
45
2071-2099
45
2021-2049
45
1971-1999
42

PROCESO DE PRECIPITACIN DIARIA A ESCALA LOCAL

Abaurrea y Asn, Climate Research (2005)
Objetivo: Desarrollar un procedimiento para

proyecciones de la precipitacin diaria a escala local
Pasos del procedimiento
Ventajas e inconvenientes del mtodo
obtener
43


Pasos del procedimiento de downscaling
1) Seleccin de los predictores potenciales
Anlisis de las variables climticas para seleccionar las que son
reproducidas 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 de
precipitacin, a escala diaria y agregada, que se obtiene con el
modelo, cuando se utiliza con los datos simulados por el GCM en
el clima actual
En su caso, replanteamiento de los pasos 1) y 2)
4) Obtencin de proyecciones en el escenario de cambio climtico
44


Modelo estadstico
El modelo estadstico pretende caracterizar las relaciones
estadsticas, a escala local, entre la precipitacin diaria y las
variables 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
45


Modelo estadstico
El modelo estadstico pertenece a la familia de los Modelos
lineales generalizados (GLM), de tipo funcin de transferencia
El proceso de ocurrencia:
Se modela la serie de datos binarios mediante una
distribucin binomial
- La probabilidad del valor 1 (precipitacin mayor o igual que el
umbral) 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
46


Modelo estadstico
Modelos lineales generalizados (GLM)
Y(t) = precipitacin acumulada en el da t
X(t) = vector de variables predictoras para el da t, trminos
armnicos, covariables climticas, interacciones...
= parmetros que expresan el efecto de los predictores en el
modelo de ocurrencia
= parmetros del modelo de cantidad
El proceso de ocurrencia:
El proceso de cantidades: distribucin Gamma, con parmetro de

forma constante y valor esperado ligado al predictor lineal con un
enlace logartmico
47


Datos disponibles
Datos: observatorio del INM en el aeropuerto de Zaragoza
Superficie:
-
Precipitacin
Temperatura mxima y mnima
En las 4 horas tipo: temperatura, humedad, presin

atmosfrica, viento
En distintos niveles geopotenciales, radiosonda 2 veces al da

-
Temperatura, humedad, viento, altura geopotencial
Slo disponibles desde 1990; el periodo analizado ha sido

1990-2000
48


Datos seleccionados
Datos simulados por CGCM1 en el punto de su red ms
prximo al aeropuerto de Zaragoza
Extrados 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 viento
Geopotenciales 850 y 500hPa
Altura, temperatura, humedad, componentes de viento
Periodos
situacin actual, 1990-2000
49
escenario IS92a, 2090-2100


Restricciones para los predictores potencialmente tiles
Celda de CGCM1
Integra un territorio muy heterogneo, geogrfica y climticamente
50


Caractersticas de la Cuenca del Ebro
Complicado relieve de la Cuenca del Ebro, que provoca una
diversidad de patrones de precipitacin
Fuerte gradiente pluviomtrico desde el NW y el N hacia el centroeste de la Cuenca
Zaragoza con precipitacin media anual alrededor de 300 mm
51


Comparacin de la precipitacin observada y simulada
La simulacin CGCM1 de la precipitacin para el clima actual no se
corresponde con las caractersticas observadas en Zaragoza
52


Rosas de viento observadas y simuladas
Superficie
850hPa
La simulacin de CGCM1
para las componentes de
viento no se corresponde
con
lo
observado,
predominio del NW (cierzo)
en Zaragoza
Ms similitud
altura
mayor
500hPa
Observ.
CGCM1
53


Comparacin de la humedad
Humedad en superficie: similar dispersin
54


Exigencias a los predictores potenciales
Algunas discrepancias son debidas a diferencias en el valor medio,
por ello, las anomalas respecto al nivel medio estacional
podran ser comparables
Se
realizan contrastes estadsticos, paramtricos y no

paramtricos, para comparar la distribucin de los datos
diarios, 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)
55


Conclusiones de la comparacin
-
Globalmente, ninguna variable puede ser seleccionada. Para

la mayora de los meses la distribucin es distinta a la
observada 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 de

algunas anomalas
Nivel
Anomala
Superficie Temperatura mnima
Humedad especfica Presin
Rango diario de temperatura
850hPa
Humedad especfica Altura geopotencial
500hPa
Temperatura
Humedad especfica Altura geopotencial
Diferencia de temperatura entre 850hPa y 500hPa
56


Conclusiones de la comparacin
Algunas de estas anomalas no son reproducidas adecuadamente
en ciertas pocas del ao, sin embargo no puede prescindirse de
ellas totalmente porque el modelo estadstico pierde calidad de
ajuste
Ej.: temperatura mnima
Compromiso: se utilizan como predictores en aquellas estaciones
donde su representacin por parte del GCM es adecuada
57


Ajuste del modelo estadstico
Procedimiento de ajuste no automtico
No se realiza una reduccin de la dimensin de la matriz de
covariables
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 significacin

estadstica
58


Ajuste del modelo estadstico
Modelos ajustados
complejos:
-armnicos hasta 4 orden,
-efectos particulares en
ciertas
estaciones,
ej.
anomala de temperatura
mnima o humedad en
superficie,
-Trminos cuadrticos, ej.
presin en superficie
59


Evaluacin 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 modelo

alimentado con los datos de CGCM1 para el clima actual
Se comparan caractersticas de la precipitacin agregada y diaria
obtenidas mediante la simulacin del modelo
60


Caractersticas en escala agregada
-
Reproduccin del ciclo estacional de la frecuencia y la

cantidad de precipitacin
Caractersticas en escala diaria, simulacin del modelo

-
Probabilidad de ocurrencia de precipitacin
Probabilidad de precipitacin condicionada a ocurrencia en el

da previo
Distribucin de la longitud de racha seca y hmeda
Valor medio y desviacin tpica de la cantidad diaria
Distribucin de la cantidad diaria
61


Grado de ajuste del modelo estadstico
Porcentaje de variabilidad explicada por el modelo, por estaciones
y globalmente
Ocurrencia
Cantidad
Global
39.6
17.4
Inv.
40.6
22.7
Prim.
36.1
13.6
Ver.
38.5
23.3
Oto.
40.7
10.8
Beckmann & Buishand (2001), para un modelo de cantidades

similar, alcanzan valores en torno al 20% en observatorios
austriacos y suizos y un 13% como mximo en observatorios
de la Pennsula Ibrica
62


Reproduccin del ciclo estacional de la frecuencia
Sesgos inferiores al
8% en la frecuencia
estacional, cuando se
usan los datos de
CGCM1
63


Reproduccin del ciclo estacional de la cantidad
Sesgos inferiores al
7% en la cantidad
estacional, cuando se
usan los datos de
CGCM1
64


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 19902000
Mean 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
1159.0
p = P(Y = 0 Y = 0)
0.826
0.826
0.833
t-1
00
t
p = P(Y = 1Y = 1)
0.434
0.417
0.418
11
t
t-1
p = P(Y = 1)
0.235
0.230
0.223
t
w
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 a
los observados, salvo
en la precipitacin
mxima
65


Reproduccin de las caractersticas diarias, distribucin de
la longitud de racha
Con las covariables observadas:
El test KS no es significativo al nivel 5%, salvo para las rachas
hmedas de Febrero
Con las covariables de CGCM1 1990-2000:
El test KS no es significativo al nivel 5%, salvo para las rachas
secas de Junio
66


Reproduccin de las caractersticas diarias, distribucin de
la cantidad
Con las covariables observadas:
El test KS no es significativo al nivel 5% en los meses de Verano y
al 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 al
nivel 5%
67


Conclusiones de la validacin
1) Para la frecuencia el modelo es satisfactorio
Las series de precipitacin simuladas cuando el modelo se usa
con datos de CGCM1 para el periodo actual, son indistinguibles
de las observadas en cuanto a la
- frecuencia,
- persistencia y
- longitud de racha
2) Para la cantidad, el modelo estadstico produce similares
valores medios mensuales, pero no es capaz de reproducir la
distribucin en la mayora de los meses
68


Proyeccin para 2090-2100
Anlisis comparativo de los resultados de CGCM1 para
1990-2000 y 2090-2100
Cambios en la presin
atmosfrica poco
relevantes
69


Anlisis comparativo de los resultados de CGCM1 para
1990-2000 y 2090-2100
Para la humedad
especfica se
proyectan
incrementos en el
valor medio y en la
variabilidad en los
tres niveles,
manteniendo el perfil
estacional. El
incremento es mayor,
en trminos relativos,
a mayor altura.
70


Uso del modelo estadstico
Similar rango de valores para las anomalas de presin atmosfrica
y de altura del geopotencial 850hPa
z.A850 1
2090
z.A850 3
1990
100
0
-200
-200
-300
-100
100
2090
-300
-100
100
0
-100
-200
100
0
-100
-200
-300
-300
1990
z.A850 2
200
z.PSUP 3
-200
-100
100
200
z.PSUP 2
-300
-300
-200
-100
100
200
z.PSUP 1
71


Uso del modelo estadstico
Distinto rango y distribucin para las anomalas de temperatura y
de humedad en 500hPa
El modelo estadstico se aplica en condiciones de extrapolacin
z.Q500 1
0.004
0.004
0.004
100
0.002
0.002
0.002
1990
2090
0.0
0.0
0.002
0.002
0.0
-100
-150
0.002
2090
z.Q500 3
50
0
-100
-150
-100
-150
1990
z.Q500 2
150
z.T500 3
-50
100
50
0
-50
-50
50
100
150
z.T500 2
150
z.T500 1
72


Resultados de la proyeccin para la frecuencia
Menor frecuencia en
Primavera
Mayor frecuencia en
Septiembre
73


Resultados de la proyeccin para la cantidad diaria
Mayor intensidad en
Primavera y en
Agosto
74


Cambio en el rgimen estacional
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
4.9
18.4
-36.2
-6.8
36.0
1990-2000
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
19.0
22.5
-10.7
41.4
35.3
1990-2000
Anualmente, cambios
poco relevantes en la
frecuencia; mayores
en la cantidad
acumulada
Primaveras ms
secas, similares a los
actuales Veranos
Veranos y Otoos
ms hmedos 75


De carcter general
- El anlisis sobre el grado de reproduccin del clima observado se
realiza en la escala diaria
La modelizacin propuesta permite obtener conclusiones sobre
aspectos de la escala diaria relevantes para las aplicaciones
hidrolgicas: distribucin de las longitudes de racha, rachas
extremas, etc.
- La metodologa es susceptible de proporcionar mejores resultados
incorporando variables bien representadas por futuras
versiones de los GCM o por RCM de mayor resolucin
76


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 y
en superficie, rango de temperaturas,...
b) Frente a los generadores de clima, nuestro mtodo utiliza

salidas del modelo climtico en la escala diaria
c) Respecto a otros modelos basados en obtener una funcin de
transferencia
- Permite introducir relaciones no lineales y utiliza distribuciones
no gaussianas adecuadas a las caractersticas de la respuesta
77


Problemas de la metodologa
Problemas particulares
El ajuste no es completamente automatizable
Es modelo-dependiente y local-dependiente:
- debe valorarse cules son las variables bien representadas por el
modelo 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
predictores
La introduccin de determinados predictores y la ausencia de
otros puede producir proyecciones muy diferentes
78


Problemas de la metodologa
Problemas generales del downscaling estadstico
La introduccin de determinados predictores y la ausencia de otros
puede producir proyecciones muy diferentes
79


Lneas actuales de trabajo
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 mediados
y finales del siglo XXI
-Escenarios de cambio climtico para el proceso de sequa
meteorolgica a escala regional
-Anlisis del impacto del cambio climtico en los recursos hdricos
en una subcuenca
Mejora del submodelo estadstico de cantidades
Extensin a un modelo multipunto
Adaptacin del mtodo para su utilizacin con datos de Reanlisis
Generacin de escenarios regionales usando distintos modelos y
80
escenarios SRES

REFERENCIAS
Abaurrea, J., Asn, J. (2005). Forecasting local daily precipitation patterns in a climate change
scenario. Clim. Res., 28, 183-197
Abaurrea, 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 Global
and 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 Bilt
Beckmann, B.R., Buishand, T.A. (2002). Downscaling relationships for precipitation for the
Netherlands and North Germany. Int. J. Climatol., 22, 21-32
Beersma, J.J., Buishand, T.A. (2003). Multi-site simulation of daily precipitation and temperature
conditional 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, 1718-1732
Dai, A. (2006). Precipitation characteristics in eighteen coupled climate models. J. Climate, 19,
46054630
Fowler, 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). Daily
precipitation statistics in regional climate models: Evaluation and intercomparison for the
European Alps. J. Geophys. Res., 108 (D3), paper 4124, doi:10.1029/2002JD002287
81

REFERENCIAS
Frei, C., Schll, R., Fukutome, S., Schmidli, J., Vidale, P.L. (2006). Future change of precipitation
extremes 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 climate
change 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, 120-141
Stern, R.C., Coe, R. (1984). A model fitting analysis of daily rainfall data. J. R. Stat. Soc. A, 147, 134
Sumner, G.N., Romero, R., Homar, V., Ramis, C., Alonso, S., Zorita, E. (2003). An estimate of the
effects of climate change on the rainfall of Mediterranean Spain by the late twenty first
century. Clim. Dyn., 20, 789-805
Van Ulden, A.P., van Oldenborgh, G.J. (2006). Large-scale atmospheric circulation biases and
changes in global climate model simulations and their importance for climate change in
Central 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. Water
Resour. Res., 34, 2995-3008
82

Abaurrea PDF

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Abaurrea PDF

Diunggah oleh

Hak Cipta:

Format Tersedia

Dpt.

Dpt. Mtodos Estadsticos

Introduccin: Papel y necesidad del downscaling estadstico

Ejemplos desarrollados en el observatorio de Zaragoza, en el

Dpt. Mtodos Estadsticos

Dpt. Mtodos Estadsticos

R. Huth, Workshop Oslo 2005

Dpt. Mtodos Estadsticos

IPCC TAR (2001)

IPCC AR4 (2007)

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS AOGCMs

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS AOGCMs

Reproducen el patrn espacial, a gran escala, y el ciclo anual.

Mejoras notables en muchos aspectos respecto a las versiones de

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS AOGCMs

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS AOGCMs

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS AOGCMs

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs

Dirigidos por 3 GCMs, HadAM3H

Escasa informacin sobre su reproduccin del clima observado en

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs

Valor de retorno de 5 aos de la precipitacin diaria

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs

Dpt. Mtodos Estadsticos

SIMULACIN DEL CLIMA ACTUAL POR PARTE DE LOS RCMs

Dpt. Mtodos Estadsticos

Dpt. Mtodos Estadsticos

PROCESO DE OLAS DE CALOR

Modelar el comportamiento (ocurrencia, duracin e

Este modelo en combinacin con la salida de un GCM

No se ha investigado la calidad del proceso de generacin

Dpt. Mtodos Estadsticos

PROCESO DE OLAS DE CALOR

Fases del trabajo

Anlisis del cambio observado

temperatura mxima diaria (Tx), JJA, en 1951-2004

evolucin de las caractersticas de los episodios de

Ajuste de un modelo estadstico para la ocurrencia y

Uso del modelo estadstico alimentado con 3 trayectorias

Dpt. Mtodos Estadsticos

PROCESO DE OLAS DE CALOR

Caractersticas del cambio observado en los valores medios

Distinta evolucin en cada estacin, estabilidad en Otoo e

Evolucin heterognea dentro de los periodos estacionales

Dpt. Mtodos Estadsticos

PROCESO DE OLAS DE CALOR

-Incremento hasta 1990