taller de formaciÓn en escenarios de cambio climÁtico y aplicaciones meteorolÓgicas ......

TALLER DE FORMACIÓN EN ESCENARIOS DE CAMBIO CLIMÁTICO Y

APLICACIONES METEOROLÓGICAS OPERATIVAS

IEH Instituto de Estudios del Hambre

28 Noviembre-1 Diciembre 2011

Managua, Nicaragua

BLOQUE II:

LA PREDICCIÓN DEL CAMBIO CLIMÁTICO: LOS ESCENARIOS DE CLIMA

FUTURO

Índice

• Los modelos de circulación general (MCG)

• ¿Qué es un MCG?

• Historia de los MCGs

• Los Escenarios Futuros

• Limitaciones de los MCGs

Índice


• La necesidad del downscaling

• Incertidumbres

Índice



• Estrategias de downscaling: estadístico y dinámico

• Características

• Ventajas e inconvenientes

Índice




• El downscaling estadístico

• Soluciones a las desventajas

• Técnicas

Índice





• La metodología de SD de la FIC:

• Descripción

• La creación y selección de ventanas

• La determinación de situaciones análogas

• Verificación de la metodología

• Validación de los MCGs

• Generación de escenarios

Índice





• La metodología de SD de la FIC

• Proyectos de investigación teórica avanzada:

• ENSEMBLES

• STARDEX

• AEMET

• ESTCENA

Los Modelos de Circulación General (MCG)

La Predicción del Cambio Climático

Los Modelos de Circulación General (MCGs)

También conocidos como Modelos de Predicción Numérica del Clima.

Son la principal herramienta para la prospección del clima de las próximas décadas.

Simulan flujos de energía, masa y cantidad de movimiento entre los puntos de una retícula tridimensional que se extiende por la Atmósfera, los Océanos y las capas superiores de la Litosfera y la Criosfera.

¿Qué son los MCGs?

Estos flujos están muy condicionados por el forzamiento radiativo del planeta (energía entrante del sol/energía saliente, en función del “efecto invernadero”).


Mediante la integración temporal de estos flujos, se obtienen simulaciones de la evolución futura de los estados atmosféricos.

Fuente:


Flujos de energía, masa y movimiento

(vertical y horizontal)

Parametrizaciones



Fuente: McGuffie y A. Henderson-Sellers, 2001



Comparación esquemática de

modelos climáticos

diferentes, yde los

componentes de esos modelos en

términos de alcance (eje vertical) y

complejidad (eje horizontal).

El alcance se refiere a la cantidad de

componentes o procesos

incluidos en el modelo, y la

complejidad al grado de detalle

con que se analizan los

componentes.


IPCCHistoria de los MCGs

Historia de los MCGs


IPCC

Historia de los MCGs


IPCC

Evolución de la

complejidad de los

MCGs.

IPCC First Assestment

Report (1980).

IPCC 4th Assestment

Report (2007).

IPCC Second Assestment

Report (1995).

IPCC Third Assestment

Report (2001).


IPCCHistoria de los MCGs

Evolución de la

resolución de los

MCGs.

IPCC First Assestment

Report (1980).

IPCC 4th Assestment

Report (2007).

IPCC Second Assestment

Report (1995).

IPCC Third Assestment

Report (2001).

Funcionamiento de los MCGs

Inician la simulación a finales del Siglo XIX, y van modificando el forzamiento radiativo según registros o estimas de concentraciones históricas de gases de efecto invernadero y aerosoles.

Cuando la integración se interna en el futuro, esta concentración se estima en función de previsiones de la actividad humana (desarrollo económico, políticas energéticas y forestales, distribución de riqueza...).

Se utilizan determinados escenarios de emisiones de gases de efecto invernadero.


Escenarios futuros de emisiones


IPCC

Desarrollados por Nakičenovič y Swart (2000) y utilizados, en particular, como base para algunas de las proyecciones climáticas contempladas en el Cuarto Informe de evaluación.

Proyección climática:

Proyección de la respuesta del sistema climático a diversos escenarios de emisiones o de concentraciones de gases y aerosoles de efecto invernadero, o a escenarios de forzamiento radiativo, frecuentemente basada en simulaciones mediante modelos climáticos.



IPCC

La diferencia entre proyecciones climáticas y predicciones climáticas responde a la circunstancia de que las proyecciones climáticas dependen del escenario de emisiones/concentraciones/forzamiento radiativo utilizado, basado en supuestos relativos, por ejemplo, a un devenir socioeconómico y tecnológico que puede o no materializarse y que está sujeto, por consiguiente, a un grado de incertidumbre considerable.


Las cuatro grandes familias de

escenarios futuros de cambio climático, y los

principales criterios utilizados en su

construcción(líneas argumentales

demográficas,sociales, económicas y

técnicas similares).


IPCC



IPCC

Proyecciones de la

población mundial para las familas de

escenarios

A partir de las de los diferentes gases invernadero en los diferentes escenarios emisiones, se obtienen sus concentraciones futuras en la atmósfera.


A partir de esas concentraciones,

se obtiene el forzamiento

radiativo conjunto

ESCENARIOS


IPCC

Evolución esperada a lo largo del siglo

XXI de los diferentes gases antropogénicos,

según los escenarios de

emisiones: A1B, B1T, A1F1, A2,

B1, A2, B2, IS92a.


IPCC



IPCC

Output de los MCGsColección de estados atmosféricos simulados para el futuro (una colección para cada MCG y cada escenario).

“Efectos” simulados para el futuro.


Principales centros que generan MCGs

MODELO INSTITUTO SIGLAS PAÍS

CCSM National Center for Atmospheric Research NCAR EE.UU.

CM2.0/CM2.1 Geophysical Fluid Dynamics Laboratory GFDL EE.UU.

GISS NASA Goddard Institute for Space Studies NASA GISS EE.UU.

MK3 Commonwealth Scientific and Industrial Research Organisation CSIRO AUSTRALIA

MIROC Center for Gobal Environmental Research NIES JAPÓN

CGCM2/CGCM3 Center for Climate Modelling and Analysis CCCma CANADÁ

EGMAM Universidad Libre de Berlín FUB ALEMANIA

BCM2 Bjerknes Centre for Climate Research BCCR NORUEGA

ECHAM4/ECHAM5 Max Plank Institute for Meteorology MPI ALEMANIA

HadGEM1 Hadley Centre for Climate Prediction and Research Met Office REINO UNIDO

CNCM3 Centre National de Recherches Météorologiques Meteo-France FRANCIA

IPSL-CM4 Instituto Simon Laplace IPSL FRANCIA


Limitaciones de los MCGs

En general, reproducen bien las principales características de la circulación general atmosférica (células de Hadley, cinturones extratropicales de borrascas...).


Limitaciones de los MCGsPresentan dificultades de reproducción climática según la zona del planeta (escasez de datos, fenómenos extremamente locales…).

Fuente: Lenton et al., 2008



A menor escala (escala regional), su funcionamiento no se aproxima en general al observado en la realidad, al menos para variables de superficie.

Varias razones explican esas limitaciones, todas derivadas de la insuficiente resolución espacialinsuficiente resolución espacial de los MCGs (actualmente, 2º o 3º de latitud/longitud).




Representación espacial de un

MCG de América del

Sur.

Además de la rejilla de

representación, se muestra la

altura del pixel que representa

la región.



Representación espacial de un

MCG de Europa.

Además de la rejilla de

representación, se muestra la

altura del pixel que representa

la región.



Representación espacial de la rejilla del MCG HadCM3 (UK Met Office Hadley Centre).

Simulación de la precipitación sobre las Islas

Británicas con la rejilla del MCG HadCM3 (UK Met

Office Hadley Centre).

En comparación, la misma simulación bajo un RCM.Fuentes: Clare Goodess (2000); Hadley Centre.

La necesidad del Downscaling


A

B

A

B

La dificultad para representar los límites terrestres se representa a través del perfil de corte (A,B) en un mapa detallado (izquierda) y en

la rejilla del modelo (derecha) (continúa)


La rejilla propia del MCG no puede representar adecuadamente la información climática local.


La dificultad para representar los límites terrestres se representa a través del perfil de corte (A,B) en un mapa detallado (I) y en la rejilla

del modelo (II).


Para garantizar la mejor adaptación a los cambios asociados al Cambio Climático se requiere información a escala local (a la que se planifican las actuaciones) y en concordancia con la zona de estudio de impactos.

Se hace por tanto necesario extraer de la información más fiable aportada por los MCGs (información de baja resolución, y preferentemente de atmósfera libre) la información requerida por los modelos de impacto (información de alta resolución -local-, en superficie).

Esta técnica se conoce como:

DOWNSCALING O REGIONALIZACIÓN

El proceso de downscaling consiste en adaptar las

salidas proporcionadas por los MCGs a

escala local.

Do

wn

sca

l in

g

MCG

ESCALA LOCAL


Fuente: ECMWF


En el proceso de

downscaling se adaptan las

salidas de los MCGs en su

rejilla global a resultados a escala local

(rejillas locales o puntos

concretos del territorio).

Toda simulación climática tiene incertidumbres.

Es necesario considerarlas e intentar cuantificarlas.

Existen diversas fuentes de incertidumbre.

Incertidumbres


http://www.ensembles-eu.org/

Fuentes de incertidumbre:

Propias de toda simulación climática

• Incertidumbre en la evolución de los forzamientos radiativos: amplio abanico de posibles forzamientos, en función del modelo de desarrollo económico, energético y de planificación del territorio que se adopte

• Incertidumbre en la capacidad del GCM en simular las configuraciones atmosféricas futuras

• Incertidumbre en la variabilidad interna del sistema climático: la naturaleza caótica y no-lineal de la dinámica atmosférica hace que el mismo GCM, con los mismos forzamientos, genere simulaciones diferentes, simplemente partiendo de condiciones iniciales diferentes


Fuentes de incertidumbre:

Propias del “Downscaling”

• Incertidumbre en los efectos en superficie que puede provocar una configuración atmosférica: estructuras de menor escala (células convectivas...), no resueltas por la resolución del GCM, hacen que una “misma” configuración de baja resolución pueda provocar efectos diferentes.

• (Para el “Downscaling” estadístico) Incertidumbre sobre si las relaciones predictores / predictando van a ser estacionarias.


Estrategias para considerar y cuantificar la incertidumbre

1. Incertidumbre en la evolución de los forzamientos radiativos: se considera integrando el MCG varias veces, con diferentes escenarios de modelo de desarrollo de forzamiento radiativo asociado. Se cuantifica en función de la magnitud de las diferencias entre los “resultados” de las diferentes integraciones

2. Incertidumbre en la capacidad del GCM: se considera integrando varios MCGs diferentes. Se cuantifica en función de la magnitud de las diferencias entre los “resultados” de los diferentes MCGs

3. Incertidumbre en la variabilidad interna del sistema climático: se considera integrando el mismo MCG varias veces, con el mismo forzamiento, pero con diferentes condiciones iniciales (estrategia “ensemble”). Se cuantifica en función de la magnitud de las diferencias entre los “resultados” de las diferentes integraciones


Estrategias para considerar y cuantificar la incertidumbre

4. Incertidumbre en los efectos en superficie que puede provocar una configuración atmosférica: se puede considerar trabajando con los efectos asociados a varias situaciones similares (método analógico). Se puede cuantificar realizando estimas probabilísticas, a partir de esos efectos de los “análogos”.

5. (Para el “Downscaling” estadístico) Incertidumbre si las relaciones predictores / predictando van a ser estacionarias: se considera utilizando una metodología robusta desde el punto de vista teórico. Es difícil de cuantificar.


S I T U A C I O NI N I C I A L

M C G

S I T U A C I O NP R E V I S T A " D O W N S C A L I N G "

EF

EC

TO

S E

NS

UP

ER

FIC

IE

?

?

?

?

?

M C G

M C G

?

?

?

?

Algunas fuentes de incertidumbre


Efectos de la variabilidad

natural

Modelización de los procesos

del sistema terrestre.

Fuente: IPCC


Más coincidencia entre modelos deterministas

Menos incertidumbre en las proyecciones

probabilísticas


From Murphy et al, Nature 2004



Estrategias de Downscaling



La bibliografía apunta dos aproximaciones principales:

1. Downscaling estadístico: se obtienen relaciones empíricas entre variables a gran escala y variables de alta resolución, en un banco de datos de referencia de “observaciones” de ambos tipos de variables de un periodo del pasado. Los escenarios se construyen aplicando esas relaciones a las salidas de los MCGs.

2. Downscaling dinámico: se incrementa la resolución del modelo en el territorio de interés, bien anidando un “Modelo Regional de Clima” (MRC ó RCM) en las condiciones de contorno que da el MCG, o bien con una técnica de “zoom” de la rejilla del propio MCG.

Ventajas:

Mucho menor coste computacional: permite ejecuciones múltiples, muy importante para cuantificar la incertidumbre. Buenos resultados en fase de verificación y en predicción operativa.

Desventajas:

¿Relaciones no-estacionarias?: exige asumir la hipótesis de que las relaciones detectadas en el pasado se mantendrán en el futuro.Algunas relaciones empíricas pueden deberse a “overfitting”.

Downscaling Estadístico


Ventajas:

Base física más fuerte (permite asumir relaciones estacionarias).

Desventajas:

Insuficiente resolución (20 Km) problemas de los MGCs (menores). Usa parametrizaciones de procesos sub-grid ¿no-estacionarias?. Gran coste computacional: pocos centros lo pueden asumir, y no permite muchas ejecuciones múltiples.

Downscaling Dinámico


Método Estadístico Dinámico

Fortalezas

•Información climática a nivel de estación partiendo de la escala de un GCM•Computacionalmente barato, pocos recursos necesarios y es fácilmente transferible•Permite análisis de incertidumbres y riesgos con ensambles de escenarios climáticosAplicable a exóticos predictandos como calidad del aire y a ondas

•Se obtiene resoluciones típicas entre 10 y 50 Km. a partir de información de entra da de un GCM•Respuestas físicamente consistentes ante diferentes forzamientos externos•Resuelve diversos procesos atmosféricos de la Mesoescala ejemp. Precipitación Orográfica•Consistencia con el GCMNo requiere observaciones ==> simula otras variables (humedad, viento...), y cualquier territorio

Debilidades

•Dependiente de el las condiciones del GCM que lo fuerce•escoger el tamaño del dominio y la localización afectan el resultado•requiere de data (información de estaciones) de mucha calidad•La relación entre el Predictor y el predictando no siempre es estacionaria•El proceso de selección del predictor y predictando afecta directamente el resultado•Siempre es aplicado off-line por lo que nunca se tiene una realimentación en el GCM

•Dependiente de las condiciones del GCM que lo fuerze•El tamaño del dominio y la localización afectan el resultado•Requiere de Importantes recursos computacionales•Difícil realizar ensambles de escenarios climáticos•Los resultados son afectados por las condiciones iniciales y de frontera.•Diversos esquemas de parametrizaciones afectan los resultados, nubes y precipitación•Típicamente es aplicado off-line por por lo que no siempre se tienen retroalimentación en el GCM

Estadístico Vs Dinámico

El Downscaling Estadístico


El Downscaling estadístico

Downscaling estadístico: ¿cómo superar las desventajas?

Al definir metodología y seleccionar predictores, mantener siempre presentes dos ideas básicas:

1. El problema de las relaciones no-estacionarias y el “overfitting”: los predictores deben ser forzamientos físicos de los predictandos (esos vínculos físicos no cambiarán)

2. Las características y limitaciones de los MCGs: usar predictores simulados con fiabilidad por el MCG. Considerar también la resolución espacial y temporal del MCG


Considerar una tercera idea:

3. No debe hacerse estratificación estacional en la búsqueda de relaciones, porque las características de las estaciones pueden variar en un escenario de cambio climático

Teniendo en cuenta las ideas anteriormente citadas se formulan las bases principales en las que se basa el downscaling estadístico.



De acuerdo con la idea 1:

Seleccionar predictores bajo consideraciones teóricas, más que análisis empíricos, que no garantizan relaciones físicas. Los predictores deben ser forzamientos físicos de los predictandos, y las relaciones a buscar deben ser las que mejor reflejen esos vínculos físicos




• Usar como predictores patrones espaciales mejor que valores puntuales (menos fiables en los MCGs). Además, los patrones aportan información sobre flujos, advecciones...• Usar variables de atmósfera libre, mejor simuladas que las de superficie.• Usar variables que sean fiablemente simuladas por los MCGs para el futuro: diferencias con la predicción operativa.• No ajustarse a la resolución temporal o espacial del MGC supone “perder información”. Muchos forzamientos físicos sólo se captan usando resoluciones finas. Por ello, debería trabajarse a escala diaria y sinóptica.




No hacer estratificación estacional en la búsqueda de relaciones.



Otras recomendaciones:

Usar metodologías capaces de captar relaciones no-lineales entre predictores y predictandos.

Los predictandos obtenidos deben tener coherencia espacial y meteorológica. Existen técnicas para garantizar esta coherencia.

Se deben simular adecuadamente los valores extremos de los predictandos, evitando el “suavizado de extremos”. Para ello se puede incluir un postproceso con los denominados “generadores estocásticos de valores meteorológicos”.


Técnicas de downscaling estadístico

1. Funciones de transferencia: basadas en modelos de regresión lineales y no lineales para inferir las relaciones entre los predictandos locales y los predictores de larga escala.

2. Tipos de tiempo (weather typing): son métodos basados en algoritmos de vecinos cercanos y/o en una preclasificación en un número finito de grupos obtenidos acorde a la similitud sinóptica de los campos atmosféricos (una vez definida una métrica adecuada).

3. Generadores de tiempo: son utilizados cuando se dispone de predicciones a una escala temporal superior a la deseada (por ejemplo, mensual o estacional y se necesita una predicción diaria). Simulan estocásticamente series de valores diarios consistentes en términos estadísticos con la climatología prevista.


Debe ser robusta desde el punto de vista teórico, aportando soluciones para soslayar en la medida de lo posible las “desventajas” descritas.

Debe superar un proceso de verificación: aplicada a “observaciones” históricas de predictores (“hindcasting”), debe estimar adecuadamente los predictandos:

• Se establecen relaciones predictores/predictando, en un “periodo de referencia”.

• Se aplican las relaciones a los valores “observados” de los predictores en un periodo de verificación que no coincida con el de referencia.

• Se comparan los predictandos estimados para ese periodo de verificación con sus valores observados, en diferentes escalas temporales, y tanto en valores medios anuales como en valores medios para cada estación.

Requisitos que debe cumplir una metodología de downscaling estadístico


La metodología de Downscaling Estadístico (SD) de la FIC


¿Cómo funciona la metodología desarrollada por FIC?

La metodología FIC consiste en un método de análogos en dos pasos :

1.Primer paso: Estratificación analógica.

2.Segundo paso: Establecer relaciones predictor-predictando.

La metodología de SD de la FIC


Primer Paso: Estratificación analógica

Este paso consiste en seleccionar de un banco de datos perteneciente al periodo 1960-2000 aquellos “n” días cuya configuración atmosférica sea más similar al día problema “X”. Mediante una medida de similitud se compara el parecido entre la situación atmosférica del día problema “X” y la de cada uno de los días del periodo de referencia, seleccionando los “n” más similares.



Segundo Paso: relación predictor-predictando

• Temperatura: mediante la realización de una regresión múltiple sobre los “n” días seleccionados en el paso primero, se establece una relación lineal entre predictores potenciales y predictandos. Una vez determinada dicha relación, ésta se aplica sobre los predictores del día problema “X” para estimar los predictandos en ese mismo día.

• Precipitación: en este caso se hace un promedio de los días más similares seleccionados en el paso 1 y se les somete a un tratamiento estadístico para asignar a cada día problema el valor que le corresponde.


Datos necesarios

Series diarias (observaciones) de temperatura y precipitación de observatorios meteorológicos situados en la zona de estudio.

Banco de datos perteneciente a un reanálisis (Era40, NCEP).

Banco de datos de distintos MCGs para distintos escenarios de emisiones.


Variables simuladas (predictandos)

Temperatura diaria

Temperatura máxima diaria Temperatura mínima diaria

Precipitación acumulada diaria


E S Q U E M AD E L

M E T O D O

D í a 1 2 . 4 1 8

D í a 1

E l c a m p o d e a l t a r e s o l u c i ó n d e p r e c i p i t a c i ó ne s t i m a d o p a r a e l d í a " X " e s e l p r o m e d i o d e l o s

c a m p o s d e p r e c i p i t a c i ó n o b s e r v a d o s l o s d í a si , j , k . . . , o b t e n i d o s d e l b a n c o d e d a t o s d e r e f e r e n c i a

( p a r a p r e c i p i t a c i ó n , " n " = 6 ) .

. . .

P r e s i ó n a n i v e l

d e l m a r .

A l t u r a d e

g e o p o t e n c i a l

d e 5 0 0 h P a .

P r e c i p i t a c i ó n

a c u m u l a d a

d i a r i a .

B a n c o s d e d a t o s d e r e f e r e n c i a , p a r a 1 9 6 1 - 1 9 9 4 .

E l m é t o d o b u s c a , e n t r e t o d o s l o s d í a s d e l b a n c od e d a t o s d e r e f e r e n c i a , l o s d í a s c o n c o n f i g u r a c i o n e s

a t m o s f é r i c a s m á s s i m i l a r e s a l d í a p r o b l e m a " X " .

C o n f i g u r a c i o n e s a t m o s f é r i c a s d e b a j a r e s o l u c i ó n d e ld í a p r o b l e m a " X " , c u y o s c a m p o s d e e f e c t o s e n

s u p e r f i c i e d e a l t a r e s o l u c i ó n s e d e s e a n e s t i m a r .

D í a 1 2 . 4 1 8

D í a 1

D í a " i "

T e m p e r a t u r a

m á x i m a

d i a r i a .

T e m p e r a t u r a

m í n i m a

d i a r i a .

D E T E R M I N A C I O N D E L A S E C U A C I O N E S L I N E A L E S

P a r a c a d a p u n t o d e g r i d ( h a y 2 0 3 ) , s e o b t i e n e n 2 e c u a c i o n e s l i n e a l e s , m e d i a n t e r e g r e s i ó n m ú l t i p l ec o n s e l e c c i ó n d e p r e d i c t o r e s " f o r w a r d " y " b a c k w a r d " . L a m u e s t r a s o b r e l a q u e s e d e t e r m i n a n l a s

r e g r e s i o n e s s e c o m p o n e d e l o s p r e d i c t o r e s ( e s p e s o r o b s e r v a d o 1 0 0 0 / 5 0 0 h P a ; s e n o d e l d í a d e l a ñ o ;m e d i a p o n d e r a d a d e l a s t e m p e r a t u r a s m e d i a s o b s e r v a d a s l o s 1 0 d í a s a n t e r i o r e s s o b r e e l p u n t o d e

g r i d ) y e l p r e d i c t a n d o ( T m á x . o T m í n . o b s e r v a d a e n e l p u n t o ) , d e l o s " n " ( 1 5 0 ) d í a s m á s s i m i l a r e s .

P R E D I C T O R E S P O T E N C I A L E S P A R AC A D A P U N T O D E G R I D

* E s p e s o r 1 0 0 0 / 5 0 0 h P a o b s e r v a d o s o b r e e l p u n t o d e g r i d l o s d í a s i , j , k . . .* F u n c i ó n s i n u s o i d a l d e l d í a d e l a ñ o , p a r a l o s d í a s i , j , k . . .* M e d i a p o n d e r a d a d e l a s t e m p e r a t u r a s m e d i a s ( ( m á x . + m í n . ) / 2 ) o b s e r v a d a s e n e l p u n t o d e g r i d l o s 1 0 d í a s a n t e r i o r e s , p a r a l o s d í a s i , j , k . . .

D í a " j "D í a " k "

P R E D I C T A N D O S :T e m p . M á x . o T e m p . M í n .

P R E D I C T O R E S P A R A L A A P L I C A C I O ND E L A S E C U A C I O N E S

* E s p e s o r 1 0 0 0 / 5 0 0 h P a s o b r e e l p u n t o d e g r i d , e s t i m a d o p a r a e l d í a " X " .* F u n c i ó n s i n u s o i d a l d e l d í a d e l a ñ o , p a r a e l d í a " X " .* M e d i a p o n d e r a d a d e l a t e m p e r a t u r a m e d i a e s t i m a d a ( p r e v i a m e n t e ) p a r a l o s 1 0 d í a s a n t e r i o r e s ( X - 1 , X - 2 . . . . X - 1 0 ) .

A P L I C A C I O N D E L A S E C U A C I O N E S L I N E A L E S

L a s 2 0 3 x 2 ( t e m p . m á x . / m í n . ) e c u a c i o n e s l i n e a l e s o b t e n i d a s , s o n a p l i c a d a su t i l i z a n d o c o m o p r e d i c t o r e s l o s c o r r e s p o n d i e n t e s v a l o r e s p a r a e l d í a " X " .

( a d v i é r t a s e e l " f e e d - b a c k " d e r i v a d o d e l u s o d e l a s t e m p e r a t u r a s m e d i a se s t i m a d a s l o s 1 0 d í a s a n t e r i o r e s p a r a e l p u n t o d e g r i d )

L o s c a m p o s d e a l t a r e s o l u c i ó n d e t e m p e r a t u r a m á x i m a y m í n i m ae s t i m a d o s p a r a e l d í a " X " , s e o b t i e n e n m e d i a n t e l a a p l i c a c i ó n

i n d e p e n d i e n t e d e l a s 2 0 3 ( p u n t o s d e g r i d ) x 2 ( m á x . / m í n )e c u a c i o n e s l i n e a l e s d e r e g r e s i ó n .

P a s o 1

P a s o 2

" F e e d - b a c k "

F u n d a c i ó n p a r a l a I n v e s t i g a c i ó n d e l C l i m a . T o d o s l o s d e r e c h o s r e s e r v a d o s .

F i g u r a 1

Esquema de la metodología FIC


Selección de predictores: consideraciones

Selección de predictores adecuados al método que se va a aplicar y a las variables que se van a simular.

La selección de predictores debe hacerse bajo consideraciones teóricas. Los predictores deben ser forzamientos físicos de los predictandos o estar relacionados físicamente con ellos.

Los predictores deben ser campos de variables y de atmósfera libre mejor que valores en un punto y en superficie, ya que los primeros son mejor simulados por los MCGs.


Selección de predictores: consideraciones

Utilizar campos predictores que sean bien simulados por los MCGs.

Trabajar con resoluciones temporales o espaciales menos detalladas que las de los MCGs implica pérdida de información. Es conveniente trabajar con las escalas propias del modelo, generalmente diaria y sinóptica.

Es importante que la metodología permita simular adecuadamente tanto valores medios como valores extremos de los predictandos.


Selección de predictores para precipitación•La precipitación tiene su origen en ascensos de masas. Los principales forzamientos de esos ascensos son:

•Forzamientos dinámicos•Forzamientos topográficos•Convección

•Los forzamientos dinámicos a escala sinóptica están determinados por los campos de geopotencial en 500 y 1000 hPa (Ecuación “ω” de Holton)•Los ascensos topográficos pueden inferirse de los vientos en superficie, muy relacionados con los flujos geostróficos en 1000 hPa•La convección está relacionada con la estabilidad de la atmósfera.•Además, la humedad en troposfera baja influye en la cantidad de precipitación que se produce


Selección de predictores para precipitación

• De acuerdo con estas consideraciones:• Los forzamientos dinámicos y topográficos están

implícitamente incluidos en las metodologías de downscaling basadas en la circulación atmosférica. De ahí su éxito

• El downscaling de la precipitación convectiva puede mejorarse incluyendo predictores relacionados con la inestabilidad (índices de estabilidad, advección de temp...)

• Muchas de las relaciones predictores/predictandos son fuertemente no lineales. Realizar una estratificación previa atendiendo a configuraciones atmosféricas hace estas relaciones mucho más lineales y más fácilmente detectables


Selección de predictores para precipitación

• La técnica actual de la FIC para Europa utiliza como predictores de precipitación los campos de vientos geostróficos en 500 y 1000 hPa

• Se planea introducir la humedad en troposfera baja, que se ha comprobado que mejora el downscaling en predicción operativa

• Igualmente se planea probar predictores de inestabilidad


Selección de predictores para temperatura

• La temperatura a 2 m esta influida por la de la troposfera baja y por la de la superficie terrestre

• La temperatura de la baja troposfera está muy relacionada con el espesor (entre 1000 hPa y 850, 700 o 500 hPa)

• La temperatura de la superficie terrestre:• Está dirigida por flujos de calor en la capa superficial• Depende del ángulo de incidencia solar, que puede considerarse

con funciones sinusoidales del día del año• Está muy relacionada con la nubosidad, que modifica los

calentamientos/ enfriamientos radiativos• La inercia térmica del terreno se puede considerar a través de la

temperatura de los días anteriores• La cobertura de nieve modifica fuertemente el calentamiento /

enfriamiento radiativo, y debe considerarse



• La mayor o menor influencia de uno y otro factor (T de la troposfera baja y T de la superficie terrestre) sobre la temperatura a 2 m depende de la estabilidad atmosférica.

• Muchas de las relaciones predictores/predictandos son fuertemente no lineales. Realizar una estratificación previa atendiendo a configuraciones atmosféricas hace estas relaciones mucho más lineales y más fácilmente detectables



• La técnica actual parte de una estratificación previa atendiendo a nubosidad (la realizada para estimar precipitación). Sobre esa población estratificada se hace un análisis lineal múltiple, usando como predictores potenciales es espesor 1000/500 hPa, el seno del día del año, y la T de los días anteriores

• Se planea probar otros predictores: espesores 1000/850, 1000/700, cobertura de nieve (muy importante para otras latitudes), y algunos índices de estabilidad.


La ventana utilizada en el

estudio cubre el área (55ºN-30ºN) x (27.5ºW-15ºE) y

se estructura en tres subventanas, cada una de ellas

con un peso diferente para

cada nivel.


La creación y selección de ventanas



Resultados finales locales.



Resultados finales locales y ventanas empleadas.



Resultados finales locales y rejilla con sus ventanas representativas.

Esquema del método de “Downscaling”

Determinación de la situación más análoga

• Campo de velocidades del viento geostrófico en 1000 hPa.• Campo de direcciones del viento geostrófico en 1000 hPa.• Campo de velocidades del viento geostrófico en 500 hPa.• Campo de direcciones del viento geostrófico en 500 hPa.

La medida de similitud utilizada es una medida de las pseudodistancias euclídeas estandarizadas de los campos predictores. La similitud entre dos días se obtiene calculando por separado el parecido entre cada uno de los 4 predictores:


Determinación de la situación más análoga

( )( )

∑

∑

=

=

⋅−= N

kk

N

kkjkik

vel

P

PVelVeljiD

1

1

2

1000

10001000,

Distancia de disimilitud

Distancia entre dos puntos de un mismo predictor

500500500500

1000100010001000),(

dirdirvelvel

dirdirvelvel

centwcentw

centwcentwjidisim

++++=


Esquema del método de “Downscaling”

Características de la metodología

• Es muy robusta desde el punto de vista teórico, aportando soluciones muy eficaces e innovadoras:• Estratificación sinóptica previa para reducir la no-

linealidad• Selección de predictores muy fundamentada

teóricamente

• El proceso de verificación, usando como “observaciones” de los predictores el Reanálisis del NCEP americano, se supera de forma muy satisfactoria, en todas las escalas temporales


¿En qué consiste el proceso de verificación?

El proceso de verificación permite determinar cómo de buena es una metodología a la hora de simular efectos locales en superficie a partir de los predictores de baja resolucion.

Este proceso consiste en comparar los resultados obtenidos al realizar downscaling sobre las “observaciones” de los predictores de un Reanálisis con los datos de observaciones reales en estaciones meteorológicas para un periodo de tiempo común.


Resultados del proceso de verificación: Tmax

Evolución media mensual de la temperatura máxima diaria observada y predicha frente al sesgo y el MAE

-5

0

5

10

15

20

25

30

35

ENE FEB MAR ABR MAY JUN JUL AGO SEP OCT NOV DIC

Mes

ºC

Observado

Simulado ERA40

Sesgo

MAE


Resultados del proceso de verificación: precipitación

Evolución mensual de la precipitación media diaria

-10

-5

0

5

10

15

20

25

30

35

40


Mes

dL

/día

.

Observado INM Simulado Era40 Sesgo MAE


¿En qué consiste el proceso de verificación?

Los resultados de verificación deben analizarse a todas las escalas temporales, desde la diaria hasta los promedios climáticos (30 años)

Si se simula adecuadamente a escala diaria, eso significa que se están captando adecuadamente los forzamientos físicos de los predictando (y por tanto se rebate el problema de la “no-estacionariedad”)

Debe analizarse si la metodología es capaz de simular periodos fríos / cálidos / secos / húmedos, usando como periodo de calibración uno “opuesto” (cálido / frío / húmedo / seco)


¿En qué consiste el proceso de validación?

El proceso de validación permite estudiar cómo simula cada MCG el clima pasado (aplicandolo la metodologia de downscaling). Los modelos pueden simular un clima más frío/cálido o húmedo/seco de lo que en realidad es. Esta información es de gran importancia a la hora de trabajar con los resultados proporcionados por cada MCG.

Este proceso consiste en comparar los resultados obtenidos por regionalización del reanálisis con los resultados obtenidos al regionalizar el escenario de control 20C3M de cada MCG para un mismo periodo.


Resultados del proceso de validación: Tmax

Evolución mensual de la temperatura máxima diaria simulada para Era40 y ECHAM5

-5

0

5

10

15

20

25

30

35


Mes

ºC

Simulado ERA40 Simulado 20C3M Sesgo

Modelo: ECHAM5


Resultados del proceso de validación: Tmax

Evolución mensual de la temperatura máxima diaria simulada para Era40 y EGMAM

-5

0

5

10

15

20

25

30

35


Mes

ºC


Modelo: EGMAM


Resultados del proceso de validación: precipitación

Evolución mensual de la precipitación media diaria simulada para Era40 y ECHAM5

-5

0

5

10

15

20

25

30

35

40


Mes

dL

./día


Modelo: ECHAM5


Resultados del proceso de validación: precipitación

Modelo: EGMAM


Evolución mensual de la precipitación media diaria simulada para Era40 y EGMAM

0

5

10

15

20

25

30

35


Mes

dL

./día


La generación de escenarios

La generación de escenarios consiste en regionalizar las salidas proporcionadas por los distintos MCGs.

Para cada MCG se trabaja con 3 escenarios de emisiones: A2, A1B y B1 más un periodo de control, 20C3M.

Los resultados obtenidos son series diarias de temperatura y precipitación a lo largo del siglo XXI.

Cuanto mayor sea el número de MCGs utilizados mayor será el abanico de posibilidades (mejor cuantificacion de la incertidumbre).


Importancia de trabajar con el mayor abanico de posibilidades: Tmax

T_max primavera Andalucia

0

1

2

3

4

5

6

7

2000/2030 2010/2040 2020/2050 2030/2060 2040/2070 2050/2080 2060/2090 2070/2100

Periodo

◦ C



Representación de TODOS los modelos con TODOS los escenarios estudiados. Medias de todos los observatorios empleados, en promedios de 30 años.

Proyecto: Andalucía


Importancia de trabajar con el mayor abanico de posibilidades: Tmax


Representación del promedio de TODOS los modelos para cada escenario estudiados, y de las zonas de incertidumbre de cada escenario.

Proyecto: Península Ibérica

Precipitación_TPC primavera Andalucia

-40

-25

-10

5

20

35

2000/2030 2010/2040 2020/2050 2030/2060 2040/2070 2050/2080 2060/2090 2070/2100

Periodo

%


Importancia de trabajar con el mayor abanico de posibilidades: Precipitación


Representación de TODOS los modelos con TODOS los escenarios estudiados. Medias de todos los observatorios empleados, en promedios de 30 años.

Proyecto: Andalucía


Representación del promedio de TODOS los modelos para cada escenario estudiados, y de las zonas de incertidumbre de cada escenario.

Proyecto: Península Ibérica

Importancia de trabajar con el mayor abanico de posibilidades: Precipitación


Tendencias de la temperatura máxima regionalizada para el siglo XXI en otoño (promedio de todos los

MCGs para el escenario A1B, diferencias respecto a los respectivos controles en ºC)

2010/2040

2040/2070

2070/2100



Tendencias de la precipitación regionalizada para el siglo XXI en otoño (promedio de todos los MCGs para el escenario A1B, % de variación sobre los

respectivos controles)

2010/2040

2040/2070

2070/2100




El “rango de aplicabilidad de la metodología”

5 4 0 0 5 6 0 0 5 8 0 0 6 0 0 01 0 0 0 / 5 0 0 h P a t h i c k n e s s ( m )

5 0

1 0 0

1 5 0

2 0 0

2 5 0

3 0 0

3 5 0

Ave

rage

of

10 p

rev.

day

s m

ean

T (

tent

hs º

C) O b s e r v e d 1 9 6 1 - 1 9 9 0

H a d C M 2 S U L 1 9 0 1 - 1 9 3 0

5 4 0 0 5 6 0 0 5 8 0 0 6 0 0 01 0 0 0 / 5 0 0 h P a t h i c k n e s s ( m )

5 0

1 0 0

1 5 0

2 0 0

2 5 0

3 0 0

3 5 0

Ave

rage

of

10 p

rev.

day

s m

ean

T (

tent

hs º

C) O b s e r v e d 1 9 6 1 - 1 9 9 0

H a d C M 2 S U L 1 9 6 1 - 1 9 9 0

5 4 0 0 5 6 0 0 5 8 0 0 6 0 0 01 0 0 0 / 5 0 0 h P a t h i c k n e s s ( m )

5 0

1 0 0

1 5 0

2 0 0

2 5 0

3 0 0

3 5 0

Ave

rage

of

10 p

rev.

day

s m

ean

T (

tent

hs º

C) O b s e r v e d 1 9 6 1 - 1 9 9 0

H a d C M 2 S U L 2 0 8 1 - 2 0 9 9

5 4 0 0 5 6 0 0 5 8 0 0 6 0 0 01 0 0 0 / 5 0 0 h P a t h i c k n e s s ( m )

5 0

1 0 0

1 5 0

2 0 0

2 5 0

3 0 0

3 5 0

Ave

rage

of

10 p

rev.

day

s m

ean

T (

tent

hs º

C) O b s e r v e d 1 9 6 1 - 1 9 9 0

H a d C M 2 S U L 2 0 2 1 - 2 0 5 0

Predictor

Temperatura

95%95%

5%5%

La corrección del error sistemático

Las series diarias simuladas mediante la metodología FIC son series “brutas”, es decir, no se les ha corregido el error asociado a la metodología empleada y/0 al MCG utilizado.

Este error se conoce como “error sistemático”.

Dicho error se corrige de diferente manera según sea la aplicación que se les vaya a dar a los datos. Por ejemplo: hidrología, fitoclimatología.

Se puede corregir el error sistemático tanto a escala mensual como diaria.


Ejemplos de proyectos en los que se ha aplicado esta

metodología


Proyectos avanzados: ENSEMBLES

ENSEMBLES: “Ensemble-based Predictions of Climate Changes and their Impacts”

http://www.ensembles-eu.org/http://ensembles-eu.metoffice.com/docs/Ensembles_final_report_Nov09.pdf

The ENSEMBLES project (contract number GOCE-CT-2003-505539) is supported by the European Commission's 6th Framework Programme as a 5 year Integrated Project from 2004-2009 under the Thematic Sub-Priority "Global Change and Ecosystems".

The project aims to:

Develop an ensemble prediction system for climate change based on the principal state-of-the-art, high resolution, global and regional Earth System models developed in Europe, validated against quality controlled, high resolution gridded datasets for Europe, to produce for the first time, an objective probabilistic estimate of uncertainty in future climate at the seasonal to decadal and longer timescales.

Quantify and reduce the uncertainty in the representation of physical, chemical, biological and human-related feedbacks in the Earth System (including water resource, land use, and air quality issues, and carbon cycle feedbacks).

Maximise the exploitation of the results by linking the outputs of the ensemble prediction system to a range of applications, including agriculture, health, food security, energy, water resources, insurance and weather risk management .



Partner no. and name1. Met Office, Hadley Centre for Climate Prediction and Research 2. Météo-France, Centre National de Recherches Meteorologiques 3. Centre National de la Recherche Scientifique (including IPSL, LMD, LSCE, LGGE) 4. Danish Meteorological Institute 5. European Centre for Medium-Range Weather Forecasts (ECMWF) 6. International Institute for Applied Systems Analysis (IIASA) 7. Istituto Nazionale di Geofisica e Vulcanologia (INGV) 8. Royal Netherlands Meteorological Institute (KNMI) 9. University of Bristol 10. Max-Planck Institut für Meteorologie 11. National Observatory of Athens 12. Swedish Meteorological and Hydrological Institute (SMHI) 13. University of East Anglia (UEA) 15. Universität Hamburg 16. CGAM, University of Reading 17. Agenzia Regionale per la Prevenzione e l'Ambiente dell'Emilia-Romagna, Servizio IdroMeteorologico (ARPA-SIM) 18. Aristotle University of Thessaloniki 19. Bureau of Meteorology Research Centre (BMRC) 20. Société Civile CERFACS 21. Czech Hydrometeorological Institute 22. Center for International Climate and Environmental Research – Oslo (CICERO) 23. CLIMPACT 24. Consiglio Nazionale Delle Ricerche (CNR.ISAC) 25. Charles University Prague, Faculty of Mathematics and Physics 27. Department of Agronomy and Land Management, University of Florence 29. Deutscher Wetterdienst 30. Electricité de France 31. École Normale Supérieure 32. Swiss Federal Institute of Technology, Zurich 34. Fondazione Eni Enrico Mattei (FEEM)

35. Fundacion para la Investigacion del Clima

36. Finnish Meteorological Institute (FMI) 37. University of Applied Sciences, Stuttgart 38. Freie Universität Berlin 40. GKSS Forschungszentrum Geesthacht GmbH 41. Ustav fyziky atmosfery AV CR 42. The Abdus Salam International Centre for Theoretical Physics 44. Instituto Nacional de Meteorologia 45. The Trustees of Columbia University in the City of New York (IRI) 47. University of Stuttgart 48. Joint Research Centre of the European Community – Institute for the Protection and Security of the Citizen 49. London School of Economics

50. London School of Hygiene and Tropical Medicine 51. Norwegian Meteorological Institute 52. Federal Office of Meteorology and Climatology 54. Nansen Environmental and Remote Sensing Center 55. National Institute of Hydrology and Water Management 56. National Meteorological Administration 57. Research Centre for Agricultural and Forest Environment, Polish Academy of Sciences 58. Potsdam Institute for Climate Impact Research 60. Societé de Mathematiques et de Sciences Humaines (SMASH) 61. Finnish Environment Institute (SYKE) 62. Universidad de Cantabria 63. Universite Catholique de Louvain 64. Universidad de Castilla La Mancha 65. University of Oslo 67. Lunds Universitet 68. Universität Kassel 69. University of Liverpool 70. Chancellor Masters and Scholars of Oxford University 73. Université Joseph Fourier 74. C4I 75. Universität Bern 76. Leibniz-Institut für Meereswissenschaften 77. University of Geneva 78. Netherlands Environmental Assessment Agency 79. University of Aarhus

http://www.metoffice.gov.uk/research/hadleycentre/index.html

http://www.cnrm.meteo.fr/

http://www.cnrs.fr/

http://www.dmi.dk/

http://www.ecmwf.int/

http://www.iiasa.ac.at/

http://www.ingv.it/

http://www.knmi.nl/indexeng.html

http://www.bris.ac.uk/

http://www.mpimet.mpg.de/en/home.html

http://www.noa.gr/indexen.html

http://www.smhi.se/cmp/jsp/polopoly.jsp?d=103&l=en

http://www.uea.ac.uk/

http://www.uni-hamburg.de/index_e.html

http://www.cgam.nerc.ac.uk/

http://www.arpa.emr.it/sim/

http://www.auth.gr/index.en.php3

http://www.bom.gov.au/bmrc/

http://www.cerfacs.fr/

http://www.chmi.cz/indexe.html

http://www.cicero.uio.no/index_e.asp

http://www.climpact.com/extranet/rubrique.php3?id_rubrique=19

http://www.isac.cnr.it/

http://www1.cuni.cz/fakulty.php?fakulta=mff&lng=eng

http://www.unifi.it/disat/changelang-eng.html

http://www.dwd.de/en/en.htm

http://www.edf.fr/index.php4?coe_i_id=259

http://www.ens.fr/index_en.php

http://www.iac.ethz.ch/

http://www.feem.it/Feem/default.htm

http://www.fmi.fi/en/

http://www.hft-stuttgart.de/

http://www.fu-berlin.de/en/

http://www.gkss.de/index_e_js.html

http://www.ufa.cas.cz/

http://www.ictp.it/


Diagrama de Taylor

comparando los resultados

obtenidos del percentil 95

estacional de la Temperatura

Máxima según las simulaciones

de distintos organismos.

Proyectos avanzados: STARDEX

STARDEX: “Statistical and Regional dynamical Downscaling of Extremes for European regions”

http://www.cru.uea.ac.uk/projects/stardex/http://www.cru.uea.ac.uk/projects/stardex/reports/STARDEX_FINAL_REPORT.pdf

A research project supported by the European Commission under the Fifth Framework Programme and contributing to the implementation of the Key Action "Global change, climate and biodiversity" within the Environment, Energy and Sustainable Development.


STARDEX will provide a rigorous and systematic inter-comparison and evaluation of statistical, dynamical and statistical-dynamical downscaling methods for the construction of scenarios of extremes. The more robust techniques will be identified and used to produce future scenarios of extremes for European case-study regions for the end of the 21st century. These will help to address the vital question as to whether extremes will occur more frequently in the future.

Two major objectives:

• To rigorously and systematically inter-compare and evaluate statistical and dynamical downscaling methods for the construction of scenarios of extremes for European regions;

• To identify the more robust downscaling techniques and to apply them to provide reliable and plausible future scenarios of temperature and rainfall-related extremes for European regions.

STARDEX


LIST OF PARTNERS

1 UEA University of East Anglia, UK2 KCL King’s College London, UK3 FIC Fundación para la Investigación del Clima, Spain4 UNIBE University of Bern, Switzerland5 CNRS Centre National de la Recherche Scientifique, France6 ARPA-SMR Servizio Meteorologico Regional, ARPA-Emilia Romagna, Italy7 ADGB Atmospheric Dynamics Group, University of Bologna, Italy8 DMI Danish Meteorological Institute, Denmark9 ETH Eidgenössische Technische Hochschule, Switzerland10 FTS Fachhochschule Stuttgurt – Hochschule für Technik, Germany11 USTUTT-IWS Institut für Wasserbau, Germany12 AUTH University of Thessaloniki, Greece

SubcontractorsDNMI Norwegian Meteorological Institute, NorwaySMHI Swedish Meteorological and Hydrological Institute, Sweden

STARDEX

FIC Universidad de East Anglia

Resultados de verificación

de Temperatura

máxima (correlación entre series

observadas y simuladas)


STARDEX

http://www.aemet.eshttp://www.aemet.es/documentos/es/elclima/cambio_climat/escenarios/Informe_Escenarios.pdf

Generación de escenarios regionalizados de cambio climático para España

El Plan Nacional de Adaptación al Cambio Climático (PNACC) del Ministerio de Medio Ambiente (MMA)publicado en 2006 establece el marco general de referencia para las actividades de evaluación deimpactos, vulnerabilidad y adaptación al cambio climático. En el Primer Programa de Trabajo (2006) del PNACC se seleccionaron las primeras actividades a realizar enumerándose en primer lugar la generación de escenarios climáticos regionales para España.

Proyectos avanzados: España

Los objetivos que el Primer Programa de Trabajo asignó al INM (a día de hoy, AEMET) fueron:

— Desarrollar, documentar y poner a disposición del PNACC escenarios de cambio climático para España a la escala adecuada para su utilización por la comunidad de impactos.

— Poner en funcionamiento un mecanismo de generación operativa y actualización de escenarios regionales de cambio climático para España, que alimente de forma periódica al PNACC.

Se discuten las distintas incertidumbres que afectan a las proyeccionesregionalizadas de cambio climático y la metodología y las validaciones seguidas en los trabajos que se realizarán en un futuro próximo. Se describen con cierto detalle los métodos de regionalización y los datos externos utilizados.


Participantes

AEMET (Agencia Estatal de Meteorología, España) Universidad de Castilla-La Mancha (UCLM)

Fundación para la Investigación del Clima (FIC)


Incremento de la Temperatura Máxima respecto al periodo 1.961-1.990Resultados obtenidos tras el downscaling de los modelos CGCM2, HadAM3, y ECHAM4 bajo el escenario A2 y como promedio de la

treintena 2.070-2.100.


Proyectos avanzados: Estcena

http://www.meteo.unican.es/en/projects/esTcenahttp://www.marm.es/es/ceneam/grupos-de-trabajo-y-seminarios/cc-y-cbdb/indice-cc-regionalizacion.aspx

EsTcena: “Generación de escenarios regionalizados de cambio climático en España con técnicas estadísticas”

Este proyecto ha sido financiado dentro de la Acción Estratégica "Energía y Cambio Climático", en el Subprograma del Plan Nacional de I+D+i relativo a la mitigación no energética del cambio climático, observación del clima y adaptación al cambio climático. Es uno de los proyectos que contribuyen a la generación de escenarios regionales de cambio climático dentro del Plan Nacional de Adaptación al Cambio Climático (PNACC).


Objetivo: Desarrollo, validación y aplicación de los métodos de regionalización basados en técnicas estadísticas que relacionen de forma empírica las variables climáticas a gran escala proporcionadas por modelos globales con las locales/regionales observadas en superficie (precipitación, temperatura máxima y temperatura mínima), con el fin de regionalizar para la península Ibérica y archipiélagos las proyecciones de dichos modelos globales realizadas para el siglo XXI.

Productos a Desarrollar: Escenarios probabilísticos regionales (con una resolución de 20km), y locales (en las estaciones disponibles con calidad contrastada, que recubran la variedad climática y sean de interés por su localización) para la temperatura máxima, mínima y la precipitación, en el Siglo XXI, a escala diaria, y obtenidos a partir de distintos modelos globales, escenarios de emisión, y metodologías estadísticas de regionalización, para permitir cuantificar la incertidumbre. También se elaborará un informe de análisis con los resultados más notables que se desprendan de los datos (estadísticos centrales, de dispersión y extremos), así como de la forma de combinación y uso de los mismos para aplicaciones de impacto del cambio climático.


Participantes

Universidad de Cantabria, grupo de Meteorología y Minería de Datos. Universidades de Barcelona

Universidad de las Islas Baleares

Universidad de Zaragoza

Fundación para la Investigación del Clima (FIC)


Diagramas de Taylor y boxplots

de la correlacción y el

test KS comparando los

resultados obtenidos de Temperatura

Máxima, Mínima, y

Precipitación según las

simulaciones de distintos métodos.

taller de formaciÓn en escenarios de cambio climÁtico y aplicaciones meteorolÓgicas ......

Documents