Causes del clima - Govern de les Illes Balears

MODELS DE SIMULACIÓ
SIMULACIÓ CLIMÀ
CLIMÀTICA.
APLICACIÓ
APLICACIÓ A L’
L’ESTUDI DEL CANVI CLIMÀ
CLIMÀTIC
Curs “Simulació Numèrica: De la Predicció del Temps a la Predicció del Clima”
(Palma, 15-26 de Març, 2010)
Romu Romero (Tema 6)
Causes del clima
• Externes
– Activitat solar, incloent les
taques solars
– Moviments relatiusTerra-Sol
– Impacte meteorit o cometa
• Internes
– Efecte hivernacle
– Desigual distribució del
balanç d’energia
– Dinàmica interna del sistema
(vents, corrents,
realimentacions, ...)
– Composició
– Aerosols
– Núvols
1
2
Globally averaged warming effect of human
activities since 1750 (1.6 Wm-2), at least 5
times larger than that of solar output changes
3
0.74 0C during 1906-2005
0.17 m during 20th century
4
5
6
Models globals de
simulació del clima (GCM)
7
The Climate System and Influences
LA ATMÓSFERA ES UN SISTEMA CAÓTICO:
¿Cómo vamos a predecir el CLIMA a lo largo del siglo XXI si ni siquiera somos
capaces de predecir el TIEMPO para finales de la semana que viene?
- Tiempo y Clima son cosas diferentes:
Estado atmosférico en un lugar y momento determinados
VS
Información estadística (función de distribución de probabilidad)
- Analogía: Lanzamiento de un dado, o este interesante ejemplo
8
LA ATMÓSFERA ES UN SISTEMA CAÓTICO:
¿Cómo vamos a predecir el CLIMA a lo largo del siglo XXI si ni siquiera somos
capaces de predecir el TIEMPO para finales de la semana que viene?
- Tiempo y Clima son cosas diferentes:
Estado atmosférico en un lugar y momento determinados
VS
Información estadística (función de distribución de probabilidad)
- Analogía: Lanzamiento de un dado, o este interesante ejemplo
http://www.clivar.org/science/magnets.php
- Són la millor eina disponible per a l’estudi del canvi climàtic (p.e. Quart Informe AR4
de l’IPCC, 2007)
- Contenen una representació dels processos físics, químics i biològics influents així
com de les seves complexes interaccions
- Realitzen simulacions de “control” del segle XX, i simulacions “futures” del segle XXI
sota un ventall d’escenaris d’emissions de gasos d’efecte hivernacle i aerosols
- Tenen el problema de no capturar completament els efectes locals i regionals degut
a la seva baixa resolució de càlcul (100 – 400 km)
Downscaling
9
10
Escenaris d’emissions
SRES Scenarios
Economic
A2
A1
Global
Regional
B1
B2
Dr
y
A
og
y
(La
Te c h n
ivin
ol
er g
y
g Forc
iculture
- use)
nd
n
En
o
u lat i
gr
P
op
Eco nom
Environmental
es
- Els escenaris SRES defineixen diferents evolucions de les emissions, i per tant
de les concentracions, en funció dels factors socioeconòmics i els models de
desenvolupament
11
12
Nombre de models disponibles
SIMULACIÓ
Temperatura
Precipitació
SEGLE XX
24
24
SRES A2
19
19
SRES A1B
23
23
SRES B1
21
20
Temperatura
13
14
S’analitzen les simulacions climàtiques
de temperatura obtingudes sobre les
Illes Balears a nivell anual i estacional
-
- Els resultats corresponents al segle XX es
comparen amb les observacions que hi ha
disponibles (període 1976-2006)
15
TEMPERATURA ANUAL (suavització 5 anys)
5
SEGLE XX +0.46 (0C / 100 anys)
A2
OBS
A1B +2.83
+5.08
Anomalia relativa a 1980-1999 ( 0C )
4
B1
+3.40
+1.68
3
2
1
0
-1
-2
1900
1920
1940
1960
1980
2000
2020
2040
Segle XX
TEMPERATURA HIVERN (suavització 5 anys)
2100
5
SEGLE XX +0.44 (0C / 100 anys)
A2
OBS
A1B +2.45
+2.83
4
B1
+2.86
SEGLE XX +0.45 (0C / 100 anys)
A2
OBS
A1B +2.46
+7.74
4
+1.50
Anomalia relativa a 1980-1999 ( 0C )
Anomalia relativa a 1980-1999 ( 0C )
2080
TEMPERATURA PRIMAVERA (suavització 5 anys)
5
3
2
1
0
-1
B1
+2.88
+1.49
3
2
1
0
-1
-2
-2
1900
1920
1940
1960
1980
2000
2020
2040
TEMPERATURA ESTIU (suavització 5 anys)
Segle XX
5
2060
2080
2100
Segle XXI
SEGLE XX +0.52 (0C / 100 anys)
A2
OBS
A1B +3.33
+7.26
4
B1
1900
1920
1940
1960
1980
3
2
1
0
-1
2020
Segle XX
2040
2060
2080
2100
2080
2100
Segle XXI
SEGLE XX +0.43 (0C / 100 anys)
A2
OBS
A1B +3.10
+2.54
4
+1.92
2000
TEMPERATURA TARDOR (suavització 5 anys)
5
+4.09
Anomalia relativa a 1980-1999 ( 0C )
Anomalia relativa a 1980-1999 ( 0C )
2060
Segle XXI
B1
+3.78
+1.83
3
2
1
0
-1
-2
-2
1900
1920
1940
1960
Segle XX
1980
2000
2020
2040
2060
Segle XXI
2080
2100
1900
1920
1940
1960
Segle XX
1980
2000
2020
2040
2060
Segle XXI
16
Tendè
ó 5 anys)
Tendència TEMPERATURA (suavitzaci
(suavització
anys)
en
/ 100 anys
ANUAL
Hivern
Primavera
Estiu
Tardor
SEGLE XX
+0.46
+0.44
+0.45
+0.52
+0.43
OBS 1976-2006
+5.08
+2.83
+7.74
+7.26
+2.54
SRES A2
+3.40
+2.86
+2.88
+4.09
+3.78
SRES A1B
+2.83
+2.45
+2.46
+3.33
+3.10
SRES B1
+1.68
+1.50
+1.49
+1.92
+1.83
0C
Conclusions Temperatura
Els models globals capturen l’l’acceleració
acceleració de l’l’escalfament
enregistrat durant les darreres dè
dècades del segle XX,
XX, però
infraestimen apreciablement les tendè
tendències observades.
S’obté
obté un increment significatiu de les temperatures anuals i
estacionals durant el segle XXI per a tots els escenaris
d’emissions analitzats. Per a un escenari alt (A2) aquest
increment és el doble que per a un escenari baix (B1).
Els models climà
climàtics indiquen un increment de les
temperatures major a l’l’estiu i la tardor que a l’l’hivern i la
primavera.
primavera. Fins ara les observacions han demostrat que
aquest increment ha estat major a l’l’estiu i la primavera.
primavera.
17
Precipitació
A1B
18
S’analitzen les simulacions climàtiques
de precipitació obtingudes sobre les
Illes Balears a nivell anual i estacional
-
- Els resultats corresponents al segle XX es
comparen amb les observacions que hi ha
disponibles (període 1951-2006)
19
PRECIPITACIÓ ANUAL (suavització 5 anys)
80
Anomalia relativa a 1980-1999 ( % )
60
SEGLE XX -9.5 (% / 100 anys)
A2
OBS
A1B -15.9
-32.1
B1
-23.9
-9.0
40
20
0
-20
-40
-60
-80
1900
1920
1940
1960
1980
2000
2020
2040
Segle XX
PRECIPITACIÓ HIVERN (suavització 5 anys)
OBS
A1B -9.1
-41.9
B1
-13.3
60
-1.1
Anomalia relativa a 1980-1999 ( % )
Anomalia relativa a 1980-1999 ( % )
A2
20
0
-20
-40
-60
SEGLE XX -14.3 (% / 100 anys)
A2
OBS
A1B -23.1
-15.8
B1
-27.6
-11.2
40
20
0
-20
-40
-60
-80
-80
1900
1920
1940
1960
1980
2000
2020
2040
PRECIPITACIÓ ESTIU (suavització 5 anys)
Segle XX
80
2060
2080
2100
Segle XXI
SEGLE XX -10.2 (% / 100 anys)
A2
OBS
A1B -32.2
+17.1
B1
1900
1920
1940
60
-15.4
40
20
0
-20
-40
-60
1960
1980
2000
2020
2040
PRECIPITACIÓ TARDOR (suavització 5 anys)
Segle XX
80
-43.6
Anomalia relativa a 1980-1999 ( % )
Anomalia relativa a 1980-1999 ( % )
2100
80
SEGLE XX -6.4 (% / 100 anys)
40
60
2080
PRECIPITACIÓ PRIMAVERA (suavització 5 anys)
80
60
2060
Segle XXI
2060
2080
2100
2080
2100
Segle XXI
SEGLE XX -9.9 (% / 100 anys)
A2
OBS
A1B -13.0
-42.1
B1
-25.4
-12.6
40
20
0
-20
-40
-60
-80
-80
1900
1920
1940
1960
Segle XX
1980
2000
2020
2040
2060
Segle XXI
2080
2100
1900
1920
1940
1960
Segle XX
1980
2000
2020
2040
2060
Segle XXI
20
Tendè
Tendència PRECIPITACIÓ
PRECIPITACIÓ (suavització
suavització 5 anys)
anys)
en
% / 100 anys
ANUAL
Hivern
Primavera
Estiu
Tardor
SEGLE XX
-9.5
-6.4
-14.3
-10.2
-9.9
OBS 1951-2006
-32.1
-41.9
-15.8
+17.1
-42.1
SRES A2
-23.9
-13.3
-27.6
-43.6
-25.4
SRES A1B
-15.9
-9.1
-23.1
-32.2
-13.0
SRES B1
-9.0
-1.1
-11.2
-15.4
-12.6
Conclusions Precipitació
Els models globals simulen una pèrdua progressiva de la
precipitació
precipitació durant el segle XX.
XX. Les observacions
disponibles han demostrat una gran variabilitat interanual
de les precipitacions però amb una tendè
tendència clara cap a
una disminució
disminució dels valors anuals i estacionals que supera
les simulacions.
simulacions.
Segons els models climà
climàtics la pè
pèrdua en la precipitació
precipitació es
manté
manté i fins i tot s’
s’accentua durant el segle XXI,
XXI, en proporció
proporció
al nivell d’
d’emissions de gasos. Per a un escenari alt (A2), el
ritme de pè
pèrdua de precipitació
precipitació és comparable al ja observat
durant la darrera meitat del segle XX.
Els models climà
climàtics indiquen una disminució
disminució de les
precipitacions major a l’l’estiu i la primavera que a l’l’hivern i la
tardor,
tardor, mentre que fins ara les observacions han demostrat
que aquesta disminució
disminució ha estat major a l’l’hivern i la tardor.
tardor.
21
Climate Change is Global, but …
Climate Change Impacts are Local
22
Regional Nature of Climate Change
Impacts
•
•
•
•
•
•
Water Resources
Ecosystem Vulnerability
Agriculture
Coastal Systems
Human Health
Energy
Primary Drivers
Precipitation, Winds,
and Temperature
The Problem of Scale
• Spatial Scales of Importance
–
–
–
–
–
Global
Regional
State/Province
Watershed
Municipality/Metropolitan
• Temporal Scales of Importance
–
–
–
–
–
Long-term climate
Annual
Seasonal
Monthly
Daily
23
However …
Local climate is strongly influenced by local
features such as mountains, sea-land transition and
surface characteristics, which are not well
represented in global models because of their
coarse resolution.
An example: HadCM3 model
HadCM3 model is the last Hadley centre’s coupled ocean-atmosphere
GCM with a horizontal resolution of 2.5 x 3.75 degrees and 19 vertical levels,
equivalent to a spatial resolution of 278 x 417 km in the equator, and a 278 km
x 295 km in the mid latitudes (~ 45º).
24
Land-sea HadCM3 mask for Europe
Mediterranean islands in the HadCM3 model
25
What is Downscaling?
• Downscaling:
– Direct prediction of surface variables from GCMs is
difficult at sub-continental scales and at high temporal
resolutions
– Downscaling tools combine various output from GCMs
with observational data to improve spatial and
temporal accuracy of climate change scenarios
• Types:
– Statistical Downscaling (TEMA 8, J. M. Gutiérrez)
– Dynamical Downscaling (TEMA 7, M. A. Gaertner)
– Hybrid Statistical/Dynamical Downscaling
Dynamical Downscaling
Assumptions/Methods
• GCM output at large aggregate scales is useful for
providing boundary conditions for nested models. These
nested, higher-resolution models are called RCM, and
include complex physical parameterizations
• Nesting is usually one-way with no feedback from
mesoscale to GCM scale
• Transient run simulations can be accomplished, but are
cumbersome
26
Mediterranean islands in the HadRM3 (~ 50 km) model
27
Statistical Downscaling
Assumptions and Observations
• Surface parameters are not well-modeled by GCMs.
• High resolution spatial and temporal scales are not
well-represented by GCM grid cell output
• Large-scale parameters are well-modeled by GCMs
• Strong physical relationships exist between largescale forcing parameters and high spatial/temporal
resolution surface variables.
Statistical Downscaling Methodologies
Transfer
Function
MOSMOS-style
Large Scale
Variables from GCM
Control Run
PPPP-style
Large Scale
Variables from
observations
Train model
Surface Variables
Observations
Apply model
Large Scale
Variables from
GCM Perturbed Run
GCM difference
(perturbed - current) of
large-scale variables +
observations
Apply model
Predict changes in surface variables and
add to Current Climate Observations to
get Downscaled Surface Predictions
28
Transfer Function Options
• Multiple Linear Regressions
– works well for continuous variables such as temperature
– simple and relatively easy to interpret
• <eural <etworks
– capable of simulating non-linear and unknown functional relationships
– black box in terms of interpretation
• Classification and Regression Trees (<ext Example)
– different types of weather patterns are separated
– models are generated within weather patterns
– good for non-continuous variables such as precipitation
Precipitation Downscaling:
A Challenge
• Precipitation events are
– Discontinuous with skewed distributions
– Spatially and temporally non-homogeneous
– Difficult to model with traditional approaches
(precipitation generation depends on many
spatial and temporal scales)
29
ATMOSPHERIC CIRCULATIO<
A<D PRECIPITATIO<
I< MEDITERRA<EA< SPAI<
Trying to find the cause-effect statistical relationship …
Py r
ene
200 km
Cat
alon
ia
(m)
is
Ib tem
ér a
ico
Va
len
cia
S
2500
2250
2000
1750
1500
1250
1000
750
500
250
0
es
IBERIA<
PE<I<SULA
de
rra ana
Sie unt
am
r
T
a
rci
Mu
Mallorca
Sierra de
cía
Andalu Sistema Cazorla
Ibiza
s
ic I
ear
l
a
B
Subbético
Sie
Ar rra d
ace e
na
Sierra de
Aitana
ir
uiv
al q
ad alley
u
G V
ATLA<TIC
OCEA<
Sistema Penibético
Sierra de Ronda
Gibraltar
Strait
Menorca
ds
lan
MEDITERRA<EA<
SEA
DAILY RAI<FALL DATA BASE
- Homogeneous and complete series
- 410 rain gauges
- 30 years (1964-1993)
30
CLASSIFICATIO# RAI#FALL PATTER#S (RPs)
Win
5 % - 5 mm
Sum
Aut
3941 days (30.0% 29.6% 13.6% 26.8%)
T-mode
15
(day-by-day)
correlation matrix
Explained variance ( % )
Significant rainfalls
1964-93
Spr
10
Principal Components Analysis
PCA
5
17 (49%)
0
Cluster Analysis (k-means)
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29
Principal Component
CA
11 RPs
(mm)
30
27
24
21
18
15
12
9
6
3
RP1 (551)
RP2 (492)
RP3 (388)
Win
Win
Win
RP5 (259)
Spr
RP8 (385)
RP9 (368)
Spr-Sum
Spr-Sum
RP4 (211)
Spr
RP6 (294)
RP7 (296)
Win-Aut
Spr-Aut
RP10 (401)
Aut
RP11 (296)
Win-Aut
31
CLASSIFICATIO# ATMOSPHERIC PATTER#S (APs)
ECMWF analyses on significant days (1984-93)
Geographical window 33.753-45.753 11.25W-6.00E
1275 days
408 grid points
Classification based on geopotential height at 500 and 925 hPa
T-mode
(day-by-day)
correlation matrix
500 hPa
6 (96.7%)
Principal Components Analysis
PCA
925 hPa
8 (95.7%)
Cluster Analysis (k-means)
CA
19 APs
CLEAR
ASSOCIATIO<
32
49.0%
RP1
33.3%
RP2
AP1
Win 43.1% - Aut 33.4%
Heavy 15.7%
46.5%
RP1
23.9%
RP2
15.5%
AP2
RP3
Win 54.9%
Heavy 11.3%
33
36.9%
RP2
35.7%
RP1
AP3
Aut 54.8%
Heavy 25.0%
36.2%
RP2
30.5%
RP1
AP4
Aut 41.0%
Heavy 15.2%
34
25.9%
RP2
22.4%
RP1
15.5%
AP5
RP5
Aut 37.9% - Spr 36.2%
Heavy 17.2%
21.8%
RP5
17.9%
RP7
17.9%
RP1
AP6
Spr 33.3%
Heavy 23.1%
15.4%
RP2
35
25.0%
RP3
25.0%
RP9
AP7
Spr 35.0% - Aut 35.0%
Heavy 2.0%
23.7%
RP8
21.1%
RP9
15.8%
AP8
RP3
Spr 42.1%
Heavy 7.9%
36
41.9%
RP3
16.3%
RP8
AP9
Win 45.3%
Heavy 3.5%
28.6%
RP8
AP10
Win 46.4% - Aut 42.9%
Heavy 10.7%
37
30.0%
RP8
20.0%
RP9
AP11
Sum 41.4% - Spr 30.0%
Heavy 0.0%
69.6%
RP6
AP12
Win 47.8% - Aut 34.8%
Heavy 21.7%
38
40.9%
RP6
28.8%
RP5
AP13
Win 53.0%
Heavy 37.9%
21.4%
RP7
17.9%
RP5
16.1%
AP14
RP6
Spr 35.7% - Sum 33.9%
Heavy 19.6%
39
24.0%
RP7
20.0%
RP5
16.0%
AP15
RP4
Aut 40.0% - Spr 32.0%
Heavy 32.0%
20.5%
RP8
17.8%
RP10
16.4%
AP16
RP5
Sum 38.4%
Heavy 0.0%
40
36.5%
RP6
23.2%
RP11
19.2%
AP17
RP10
Win 30.8% - Aut 30.7%
Heavy 13.5%
29.2%
RP11
24.4%
RP10
17.4%
AP18
RP8
Spr 41.9%
Heavy 4.7%
41
37.9%
RP10
36.0%
RP11
AP19
Spr 40.2% - Win 34.5%
Heavy 11.5%
STATISTICAL DOW<SCALI<G
OF RAI<FALL I<
MEDITERRA<EA< SPAI< BY THE
LATE 21st CE<TURY
Combining an AOGCM with the previous cause-effect links
42
“DOW<SCALI<G”
DOW<SCALI<G” E< BASE A LOS RESULTADOS PREVIOS
Simulación del clima futuro con un GCM
Modelo ECHAM-OPYC3 aplicado a 1860-2099
- Modelo T42 ECHAM4: 19 niveles verticales / 2.8o de resolución horizontal
- Modelo OPYC3: 11 niveles verticales / mayor resolución en los trópicos
- 1860-1990: Concentraciones históricas de los gases de E.I.
- Tras 1990: Escenario A (IPCC)
MÉTODO DE
DOWNSCALING
Cambios en la precipitación de la zona mediterránea
a finales del presente siglo ?
ESTRATEGIA
E
C
H
A
M
F
U
T
U
R
O
2080 – 2099
11 décadas
móviles
1) Mismas relaciones entre APs y RPs
2) Similar magnitud de la precipitation para cada RP
3) Mismo factor φi=Ri/Si para la obtención de totales
PRECIPITACIÓ< FUTURA
43
ESTRATEGIA (continuació
(continuación)
E
C
H
A
M
P
R
E
S
N
T
1971 – 1990
11 décadas
móviles
VALIDACIÓ< / CALIBRACIÓ< DEL MODELO
FUTURO COMPE<SADO
121 décadas (MEDIA + VARIABILIDAD)
44
TÉC<ICA DEL A<Á
A<ÁLOGO
X
X
GEO 500
X
X
X
AP2
X
AP1
X
O
O
O
X
X
O
O
O
O
X
AP4
X
O
No
X
O
AP3
X
O
X
X
X
X
APn ...
X
X
O
O
X
X
O
No
O
En APs
X
X
O
O
X
X
O
O
O
X
O
AP2
X
APn
X
X
ECMWF ECHAM
ECHAM
futuro GEO 925
2 presente
2
d1275
= (1 − 1317
r925 )(media)
+ (1 − r500 )1140
(media)
Atlánticos
<ortes
rs=0.8750
Mediterráneos
Mediterráneos
45
Mediteráneos
Atlánticos
Mediterráneos
1984-93
<ortes
2080-99
Atlánticas
Mediterráneas
46
ESTIMACIÓ<
CAMBIOS (media)
ESTIMACIÓ<
CAMBIOS (std)
47
ALGU#AS OBSERVACIO#ES DEL PASADO RECIE#TE (Guijarro J. A. 2002)
48