REGIONALIZACIÓN DINÁMICA. EXPERIENCIAS Y RESULTADOS DE LOS PROYECTOS PRUDENCE Y ENSEMBLES. Miguel Ángel Gaertner Facultad de Ciencias del Medio Ambiente Universidad de Castilla-La Mancha PARTE 1: TÉCNICAS DE REGIONALIZACIÓN DINÁMICA. PROYECTO PRUDENCE - TECNICAS DE REGIONALIZACIÓN DINÁMICA: Modelos climáticos regionales Técnicas de simulación por conjuntos (ensembles) - APLICACIONES: Proyecto PRUDENCE: conjunto multi-modelo de RCMs Impactos en agricultura Extremos (ciclones) GRUPO MOMAC (MOdelización para el Medio Ambiente y el Clima, UCLM) Líneas de investigación - Desarrollo del modelo climático regional (RCM) PROMES (PROnóstico a MESoscala). Características: ● Modelo numérico de ecuaciones primitivas (conservación de energía, masa, momento) Modelo de área limitada: condiciones de contorno de modelo global (GCM) o análisis/reanálisis ● Variables de pronóstico: temperatura, viento, humedad, agua de nube, presión en superficie ● Procesos de escala sub-rejilla: parametrizaciones físicas (procesos nubosos, radiación, turbulencia, interacción suelo-atmósfera) ● Desarrollo actual: acoplamiento a modelo regional de océano ● GRUPO MOMAC (MOdelización para el Medio Ambiente y el Clima, UCLM) Líneas de investigación - Regionalización dinámica (dynamical downscaling) de escenarios de cambio climático. Proyectos europeos: PRUDENCE, ENSEMBLES, AMMA, CLARIS - Predicción meteorológica: Instituto Meteorológico Regional de Castilla-La Mancha (http://meteocam.uclm.es) MODELOS REGIONALES DE CLIMA ¿Por qué se usan modelos regionales de clima (RCMs)? Los escenarios de cambio climático de modelos globales de clima (GCMs) tienen una resolución espacial demasiado baja para estudios de impacto a escala regional MODELOS REGIONALES DE CLIMA Orografía y línea de costa con celdillas de 50 km Orografía y línea de costa con celdillas de 300 km REGIONALIZACION DINAMICA TÉCNICAS DE SIMULACIÓN POR CONJUNTOS (ENSEMBLES) ¿Cómo podemos estimar la incertidumbre de las proyecciones climáticas? TÉCNICAS DE SIMULACIÓN POR CONJUNTOS (ENSEMBLES) Menos incertidumbre Menos dispersión FUENTES DE INCERTIDUMBRE Escenarios de emisiones Respuesta del ciclo del carbono Escenarios Escenarios globales regionales de clima de clima Posibles impactos TIPOS DE SIMULACIONES POR CONJUNTOS (ENSEMBLES) - Condiciones iniciales - Física perturbada: diferentes valores de parámetros - Multi-física: diferentes parametrizaciones - Multi-modelo: diferentes modelos http://prudence.dmi.dk/ Proyecto europeo PRUDENCE (2001­2004) PRUDENCE: regionalización dinámica (RCMs) PRUDENCE: Prediction of Regional scenarios and Uncertainties for Defining EuropeaN Climate change and Effects Método principal: conjunto multi-modelo (9 RCMs) Uso de resultados de RCMs para evaluar impactos y riesgo de extremos climáticos sobre Europa Importante: evaluación de incertidumbre Dominio y orografía de RCMs Dominio común de los 9 RCMs (~ 50x50 km) Orografía (m) Configuración experimental ~ 300 km resolution AOGCM (HadCM3) SRES: A2, B2 Boundary values 1850 ­ 2100 SRES: A1, A2, B1, B2 SST values Initial conditions Periodos: 1961 ­ 1990 2071 ­ 2100 ~ 300 km resolution AOGCM (ECHAM4/5) Periodo: Initial conditions ~ 150 km resolution AGCM (HadAM3) Initial conditions Boundary values SST values SST values RCMs (50 km) HIRHAM RCMs (50 km, 25 km(*)) HadRM3 HIRHAM(*) REMO RegCM CHRM PROMES(*) ( ) RCA­O * CLM RACMO Arpege stretched AGCM (~ 50 km) RCA­O Periodos: 1961 ­ 1990 2071 ­ 2100 SRES: A2, B2 Escenarios de emisiones SRES A1 SRES A2 Crecimiento Sociedad El bienestar material prima sobre la calidad ambiental Reforzamiento de identidades culturales regionales Rápido crecimiento económico Énfasis en valores familiares y tradiciones locales Nuevas tecnologías energéticas Alto crecimiento de población Menos interés por crecimiento económico SRES B1 SRES B2 Equidad Regional Menos materialismo Atención a soluciones locales y sociales enfocadas a la sostenibilidad económica, social y ambiental Tecnologías limpias Interés en la solución de problemas sociales y ambientales Rápido desarrollo de tecnología y mejora de la equidad Escenarios de emisiones 2 escenarios de emisión • SRES-A2 ( ) • SRES-B2 ( ) SRES: Special Report on Emissions Scenarios (Nakicenovic and Swart, 2000) Comparación con observaciones CRU: Base de datos observados (Climate Research Unit, UEA) Sesgo de temperatura RCM – CRU (1961-90) Comparación con observaciones Sesgo de temperatura RCM – CRU (1961-90) Comparación con observaciones Sesgo de precip. RCM – CRU (1961-90) Comparación con observaciones Sesgo de precip. RCM – CRU (1961-90) Escenarios de cambio climático Cambios de temperatura (2071-2100) con respecto a (1961-1990) Escenarios de cambio climático Cambios de temperatura (2071-2100) con respecto a (1961-1990) Escenarios de cambio climático Cambios de precipitación (2071-2100) con respecto a (1961-1990) Escenarios de cambio climático Cambios de precipitación (2071-2100) con respecto a (1961-1990) Escenarios con diferentes GCMs 9 RCMs anidados en el mismo GCM 2 RCMs anidados en 2 GCMs diferentes Escenarios con diferentes GCMs 9 RCMs anidados en el mismo GCM 2 RCMs anidados en 2 GCMs diferentes Escenarios probabilistas Menos dispersión entre miembros del conjunto Menos incertidumbre en las proyecciones Incertidumbre de los cambios Cambio de temperatura estacional (intervalo de confianza del 99%) a partir de todos los miembros del conjunto multimodelo (3 GCMs y 9 RCMs) Dequé et al., Climatic Change 2007 Incertidumbre de los cambios Cambio de precipitación estacional (intervalo de confianza del 99%) a partir de todos los miembros del conjunto multimodelo (3 GCMs y 9 RCMs) Dequé et al., Climatic Change 2007 Cambios en extremos climáticos Valor medio Temperatura máxima (JJA) Percentil 90 Sánchez et al. (2004) Cambios en extremos climáticos Valor medio Precipitación (JJA) Percentil 90 Sánchez et al. (2004) Impactos en agricultura Variación del rendimiento A2/control (%) simulada con datos de PRUDENCE Trigo de primavera (secano) ARPEGE RACMO Ruiz-Ramos M y Mínguez MI, AGROCLIMA-SSP v.1.0. Herramienta de Ayuda a la Toma de Decisiones Políticas (Scientific Support to Policies) sobre los Impactos y Adaptaciones al Cambio Climático en los Sistemas Agrícolas de la Zona Centro. UCLM-UPM, España. Impactos en agricultura Incertidumbre en el signo del impacto: Número de simulaciones que proyectan aumento o no variación de rendimiento del escenario A2 respecto a control Trigo de primavera (secano) Ruiz-Ramos M y Mínguez MI, AGROCLIMA-SSP v.1.0. Herramienta de Ayuda a la Toma de Decisiones Políticas (Scientific Support to Policies) sobre los Impactos y Adaptaciones al Cambio Climático en los Sistemas Agrícolas de la Zona Centro. UCLM-UPM, España. Impactos en agricultura Variación del rendimiento A2/control (%) simulada con datos de PRUDENCE Maíz (verano) CHRM PROMES Ruiz-Ramos M y Mínguez MI, AGROCLIMA-SSP v.1.0. Herramienta de Ayuda a la Toma de Decisiones Políticas (Scientific Support to Policies) sobre los Impactos y Adaptaciones al Cambio Climático en los Sistemas Agrícolas de la Zona Centro. UCLM-UPM, España. Impactos en agricultura Incertidumbre en el signo del impacto: Número de simulaciones que proyectan aumento o no variación de rendimiento del escenario A2 respecto a control Maíz (verano) Ruiz-Ramos M y Mínguez MI, AGROCLIMA-SSP v.1.0. Herramienta de Ayuda a la Toma de Decisiones Políticas (Scientific Support to Policies) sobre los Impactos y Adaptaciones al Cambio Climático en los Sistemas Agrícolas de la Zona Centro. UCLM-UPM, España. Notas - Igual peso: todos los modelos reciben el mismo peso al obtener medias del conjunto e intervalos de incertidumbre - Media del conjunto: modelos individuales generalmente mejor que - Mejoras pendientes: diferentes pesos en función de la calidad del modelo Nuevo proyecto: ENSEMBLES Aplicación de conjuntos de RCMs a extremos climáticos ¿Existe riesgo de desarrollo de ciclones tropicales sobre el Mar Mediterráneo bajo condiciones de cambio climático futuro? Reference Gaertner et al.: Tropical cyclones over the Mediterranean Sea in climate change simulations. Geophysical Research Letters, Vol 34, L14711, doi: 10.1029/2007GL029977, 2007 Objetivos del estudio ­ Analizar cambios para los ciclones más intensos ­ Detectar el posible desarrollo de ciclones tropicales sobre el Mar Mediterráneo en escenarios de cambio climático Método y datos (conjunto multi­modelo) ­ Conjunto multi­modelo de 9 RCMs (PRUDENCE) ­ Resolución horizontal: 50 – 55 km ­ 2 simulaciones de 30 años: control (1961­1990, CTRL) y escenario A2 (2071­2100, SCEN) ­ Análisis centrado en el mes de septiembre, porque: ­ Temperaturas superficiales del mar están próximas a su valor máximo anual ­ Subsidencia de verano sobre el Mar Mediterráneo se debilita Método y datos ­ Método de detección de ciclones: ­ Método objetivo de detección de ciclones (Picornell et al., 2001) ­ Radio de 400 km en torno a mínimo de presión a nivel del mar área de detección de ciclones es menor que el dominio de los modelos (se pierden algunos ciclones) Dominio de detección más pequeño Dominio de detección más grande Cambio de intensidad de ciclones ­ Análisis centrado en 5 modelos con área de detección grande CLM RegCM HadRM3H REMO PROMES Intensidad de ciclones CTRL SCEN CTRL SCEN CTRL SCEN CTRL SCEN CTRL SCEN Límites de barras: percentiles 5 y 95 de intensidad de ciclones Cambio de intensidad de ciclones Máximo incremento de intensidad CLM RegCM HadRM3H REMO PROMES Intensidad de ciclones CTRL SCEN CTRL SCEN CTRL SCEN CTRL SCEN CTRL SCEN Límites de barras: percentiles 5 y 95 de intensidad de ciclones Cambio de intensidad de ciclones Incremento de intensidad relativamente pequeño CLM RegCM HadRM3H REMO PROMES Intensidad de ciclones CTRL SCEN CTRL SCEN CTRL SCEN CTRL SCEN CTRL SCEN Límites de barras: percentiles 5 y 95 de intensidad de ciclones Razón para el incremento en los extremos de intensidad de los ciclones? Estructura vertical – Espacio de fases de ciclones (Hart, 2003) 3 PARÁMETROS: - Simetría térmica (estructura frontal/no-frontal) - Viento térmico – troposfera inferior (núcleo frío/cálido) - Viento térmico – troposfera superior (núcleo frío/cálido) Ciclones tropicales son depresiones con simetría térmica y núcleo cálido en toda la troposfera Estructura vertical – espacio de fases de ciclones Ciclones más intensos del modelo REMO ASYMMETRIC ASYMMETRIC SYMMETRIC SYMMETRIC DEEP WARM CORE DEEP WARM CORE DEEP COLD CORE CLIMA PRESENTE DEEP COLD CORE ESCENARIO Estructura vertical – espacio de fases de ciclones Ciclones más intensos del modelo REMO ASYMMETRIC ASYMMETRIC SYMMETRIC SYMMETRIC DEEP WARM CORE DEEP WARM CORE DEEP COLD CORE CLIMA PRESENTE DEEP COLD CORE ESCENARIO Estructura vertical – espacio de fases de ciclones Ciclón más intenso del modelo REMO en escenario A2: CICLÓN TROPICAL ASYMMETRIC ASYMMETRIC SYMMETRIC SYMMETRIC DEEP WARM CORE DEEP WARM CORE DEEP COLD CORE CLIMA PRESENTE DEEP COLD CORE ESCENARIO Centro ciclónico más intenso MODELO REMO Presión a nivel del mar (contornos, hPa) Precipitación de 1 día (sombreado en color, mm) Situación sinóptica para el desarrollo de este ciclón Anticiclón de bloqueo Depresión aislada de niveles altos Ciclón más intenso (REMO) – primer día Conjunto multi­física – modelo PROMES Modelo PROMES: incremento de intensidad relativamente pequeño en conjunto multi­modelo CLM RegCM HadRM3H REMO PROMES Intensidad de ciclones CTRL SCEN CTRL SCEN CTRL SCEN CTRL SCEN CTRL SCEN Límites de barras: percentiles 5 y 95 de intensidad de ciclones Conjunto multi­física – modelo PROMES Simulaciones de 10 años (1981-1990, 2091-2100) con 6 diferentes combinaciones de parametrizaciones físicas en el modelo PROMES: 1) Simulación de PROMES para el conjunto multi-modelo de PRUDENCE 2) Como 1 pero con una nueva parametrización de nubes estratiformes 3) Como 2 pero activando la convección somera en la parametrización de convección húmeda 4) Como 3 pero con un nuevo modelo de superficie terrestre 5) Como 4 pero activando fenología interactiva en el nuevo modelo de superficie terrestre 6) Como 4 pero con una parametrización más compleja de la emisividad del suelo Conjunto multi­física – modelo PROMES Ciclón de verano con una gran dispersión en intensidad entre miembros del conjunto Ensem ble m em ber Maxim um cyclone Maxim um w ind (m / s) intensity (hPa) 1 997 17 2 977 32 3 N o closed depression 4 990 28 5 976 35 6 980 33 Diferencias no muestran relación clara con los cambios de parametrización: probablemente debidas a variabilidad interna Conjunto multi­física – modelo PROMES Ensemble member 5 24 August Sea level pressure (hPa) + geop. thickness (300 hPa – 900 hPa, m) Conjunto multi­física – modelo PROMES Ensemble member 5 25 August Sea level pressure (hPa) + geop. thickness (300 hPa – 900 hPa, m) Conjunto multi­física – modelo PROMES Ensemble member 5 26 August Sea level pressure (hPa) + geop. thickness (300 hPa – 900 hPa, m) Conjunto multi­física – modelo PROMES Ensemble member 5 27 August Sea level pressure (hPa) + geop. thickness (300 hPa – 900 hPa, m) Conjunto multi­física – modelo PROMES Ensemble member 5 28 August Sea level pressure (hPa) + geop. thickness (300 hPa – 900 hPa, m) Conjunto multi­física – modelo PROMES Ensemble member 5 29 August Sea level pressure (hPa) + geop. thickness (300 hPa – 900 hPa, m) Conjunto multi­física – modelo PROMES Ensemble member 5 30 August Sea level pressure (hPa) + geop. thickness (300 hPa – 900 hPa, m) Conjunto multi­física – modelo PROMES Ensemble member 5 1 September Sea level pressure (hPa) + 1 day precipitation (mm) Gran impacto en extremos de precipitación y viento Conjunto multi­física – modelo PROMES Comparación: miembros 3 y 5 del conjunto E n sem b le M a x im u m cy cloM n ea x im u m w in d ( m / m em be r in te n s ity ( h Pa ) 1 997 17 2 977 32 3 N o c lo s e d d e p re s s io n 4 990 28 5 976 35 6 980 33 Conjunto multi­física – modelo PROMES Comparación: miembros 3 y 5 del conjunto 24 August Sea level pressure (hPa) + geop. thickness (300 hPa – 900 hPa, m) Conjunto multi­física – modelo PROMES Comparación: miembros 3 y 5 del conjunto 25 August Sea level pressure (hPa) + geop. thickness (300 hPa – 900 hPa, m) Conjunto multi­física – modelo PROMES Comparación: miembros 3 y 5 del conjunto 26 August Sea level pressure (hPa) + geop. thickness (300 hPa – 900 hPa, m) INCERTIDUMBRES POR ANALIZAR Otros escenarios de emisiones y otros GCMs ● ● Otros meses (Agosto, Octubre) ● Resolución horizontal de los modelos Interacción entre temperatura superficial del mar e intensidad de ciclones (uso de RCMs acoplados atmósfera ­ océano) ● Posibles cambios en la variabilidad de las temperaturas superficiales del mar (verano de 2003)? ● ¿Por qué hay que tener en cuenta este riesgo? - Hay un mecanismo físico que permite el desarrallo de ciclones tropicales en estas latitudes relativamente altas: TRANSICIÓN TROPICAL Bajas baroclínicas aisladas Ciclones tropicales ­ Se han observado ciclones parcialmente tropicales sobre el Mar Mediterráneo (“medicanes”) ­ Huracanes observados pueden desarrollarse en latitudes altas sobre aguas relativamente frías: Huracán Vince (2005), desarrollado cerca de las Islas Madeira (temperatura del mar: 24ºC) CONCLUSIONES Se ha detectado un riesgo de desarrollo de ciclones ● tropicales sobre el Mar Mediterráneo para un escenario de clima futuro Riesgo incierto: grandes diferencias entre miembros de los conjuntos ● Explicación física de extremos de precipitación y viento ● ● Valor añadido de RCMs Necesidad de usar simulaciones por conjuntos en análisis de extremos ●