REGIONALIZACIÓN DINÁMICA. EXPERIENCIAS Y RESULTADOS

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
●