1
Scénáře změny klimatu pro agroklimatologické
impaktové studie
Martin Dubrovský (ÚFA AVČR),Miroslav Trnka (MZLU Brno)
poděkování: GAAV (projekt IAA300420806, „Pravděpodobnostní scénáře klimatu pro Českou republiku“)
seminář ČMeS, Šumava, 16-18.9.2008
1. Úvod• impaktové studie v Česku:
– vzestup zájmu o změnu klimatu a možné dopady díky Country Studies (1995)– od té doby i moje spolupráce s lidmi z MZLU (Žalud, Trnka, a spol.)
• požadavky na meteo data pro zemědělské impaktové studie(*růstové modely, *půdní model, *model škůdců, *model pro agrok lim. indexy):
– řady reprezentující současné i budoucí klima pro růstové (a jiné zemědělské) modely:• jednostaniční denní řady• prvky: SRAD, TMAX, TMIN, PREC, VAPO, WIND
– Meteo řady by měly mít “věrohodnou” stochastickou strukturu!– zohledněny nejistoty konstrukce klimatických scénářů (emisní scénář, klimatická
citlivost, rozdíly mezi GCM modely, vnitřní variabilita GCM
• tento příspěvek:– metodika - konstrukce časových řad
- konstrukce scénářů změny klimatu– analýza nejistot– současný stav - analýza databáze IPCC-AR4
- projekt PraSce– scénáře pro ČR v různých fázích vývoje databáze IPCC-DDC (bonus č.1)– ukázka impaktové studie (bonus č.2)
2. metodika• konstrukce časových řad
– přímá modifikace– stochastický meteorologický generátor (WG)
• porovnání výsledků ziskaných oběma metodami• validace WG
• metoda konstrukce scénářů z GCM simulací– pattern scaling
analýza dopadů změny klimatu
pozn: mnohaleté simulace dovolují vyhodnotit PDF analyzované charakteristiky)
2 approaches to multi-year simulations
1) Direct Modification approach:- present climate weather series: observed weather series- changed climate: observed series directly modified according to the climate change scenario.
2) Weather Generator approach:- present climate: arbitrarily long synthetic weather series is created by the stochastic weather generator; parameters of the generator are derived from the observed series- changed climate: parameters of the generator are modified in accordancewith climate change scenario to generate series representing changed climate
preparing daily weather series for changed climatea) direct modification of observed series:
2
preparing daily weather series for changed climateb) stochastic weather generator
stochastic weather generator Met&Roll
•model for 4+2 daily variables:PREC: - occurrence ~ Markov chain (order: 1-3; parameters: trans.prob.)
- amount ~ Gamma distribution (parameters: α, β /~ shape, scale/)SRAD, TMAX, TMIN: standardised deviations from their mean annual cycle
are modelled using AR(1) model (parameters: A, B, avg(Xi), std(Xi),)- all parameters are assumed to vary during the year
- daily WG is linked to monthly weather generator, which is based on AR(1) model and improves interannual variability
additional variables (VAPO, WIND): nearest neighbours resampling
•WG validation should precede its application:- direct validation- indirect validation
A) 4-variate → 6-variate:
4-variate series:@DATE SRAD TMAX TMIN RAIN
...99001 1.9 -2.7 -6.3 0.3
99002 2.1 -3.6 -3.7 0.799003 1.5 0.1 -1.3 2.4
99004 2.4 0.3 -2.7 0.699005 1.4 -1.4 -5.1 0.1
...
...
learning sample:@DATE SRAD TMAX TMIN RAIN VAPO WIND...
xx001 1.6 1.3 -1.5 3.3 0.63 1.0xx002 1.6 -0.8 -3.8 0.3 0.53 1.7
xx003 3.9 -2.3 -9.9 0.0 0.23 2.0xx004 4.5 -2.3 -11.4 0.0 0.38 1.0
xx005 1.6 -6.1 -12.9 0.0 0.33 1.3xx006 1.6 -1.8 -12.4 1.1 0.23 3.3xx007 3.8 1.2 -2.3 0.0 0.52 4.7
xx008 1.7 -0.1 -4.3 0.0 0.39 1.3xx009 1.7 -1.8 -6.7 0.4 0.42 4.0
xx010 1.7 -3.8 -8.0 1.0 0.36 2.0xx011 1.7 0.0 -3.9 8.3 0.46 2.0
xx012 2.9 3.7 -0.3 2.8 0.57 1.7xx013 1.8 2.6 -0.8 1.0 0.62 2.0
xx014 4.0 2.9 -3.3 0.0 0.45 2.7xx015 4.0 2.4 -5.9 0.0 0.37 1.3
...
6-variate series:@DATE SRAD TMAX TMIN RAIN VAPO WIND...
...
99001 1.9 -2.7 -6.3 0.3 0.34 3.099002 2.1 -3.6 -3.7 0.7 0.28 3.0
99003 1.5 0.1 -1.3 2.4 0.61 3.099004 2.4 0.3 -2.7 0.6 0.57 3.099005 1.4 -1.4 -5.1 0.1 0.47 3.0 → nearest neighbours
resampling
aplikace stochastického generátoru
• výhody– libovolně dlouhá řada– možnosti modifikace vybraných parametrů
• v rámci citlivostní analýzy• v rámci scénářové studie
– možnost použití interpolovaného generátoru (tedy i pro stanice bez meteorologických pozorování)
• předpoklad:– syntetické řady jsou statisticky podobné s reálnými řadami– výstupy z impaktového modelu získané s pomocí synt.řad
jsou statisticky podobné s výstupy získanými s pomocíreálných řad
indirect validation of Met&Roll using crop modelAVGs and STDs of wheat yields (17 stations x 3 versions of WG)
crop model = CERES-Wheat; 30-y simulations for 17 Czech stations;WG-BAS: “basic” WG; WG-A3: improved WG; WG-A3M: “best” WG
(Dubrovsky et al, 2004, Climatic Change)
NE application of interpolated weather generatorMean model [STICS] wheat yields [soil = Chernozem (CZ_01)]
interpolationof yields
yields simulated with interpolated WG
3
konstrukce regionálních scénářů ZK(z výstupů z modelů GCM)
• GCM: přímý výstup je nepoužitelný (jak ročníchody, tak časové řady), nutný “post-processing”výstupu z GCM:Ø porovnání přízemních charakteristik pro budoucí (např.
(2070-2099) vs. (1961-1990). teploty: rozdíly, srážky: podíly• produkt: scénář změny klimatu, který se
– přičte k současným křivkám, – k souč. pozorovaným řadám, nebo k modifikaci WG
Ø statistický downscaling (> R.Huth)• produkt: časové řady, z nich lze odvodit sc.změny klimatu
Ø dynamický downscaling (RCM) ( > projekt Cecilia):• produkt: časové řady, z nich lze odvodit sc.změny klimatu
konstrukce regionálních scénářů- kaskáda nejistot
1. emission scenario
carbon cycle & chemist ry model
2. concentration of GHG and aerosols >> radiation forcing
GCM
3. large-scale patterns of climatic characteristics
regionalizace / downscaling
4. .....................................site-specific climate scenario
(modely GCM jsou jen jedním článkem řetězce vedoucího k regionálnímu scénáři)
chceme-li pravděpodobnostní odhad impaktů, pak optimálním řešením by bylo:
více emisních scénářů X mnoho GCM simulací
(GCM: různé počáteční podmínky, různá nastavení, …)
• jenže...• GCM simulace jsou velice náročné na VT, provádí se
jen pro omezený počet emisních scénářů (které jsou však jedním z hlavních zdrojů nejistoty).
• Chceme-li postihnout výše uvedené nejistoty, nabízí se:– metoda pattern scaling, která umožňuje separovat nejistotu
globální a “regionální”
* a to tedy Mirek rozhodně chce!
pattern scaling technique
where ΔXS = standardised scenario ( = scenario relatedto ΔTG = 1 °C )
a) ΔXS = ΔX[tA-tB] / ΔTG [tA-tB]b) linear regression [x = ΔTG; y = ΔX] going through zero
ΔTG = change in global mean temperature
assumption: pattern (spatial and temporal /annual cycle/)is constant, only magnitude changes proportionallyto the change in global mean temperature:
!! ΔTG may be estimated by other means than GCMs !! (e.g. simple climate models /~ MAGICC/)
ΔX(t) = ΔXS x ΔTG(t)
validity of the pattern scaling technique - TEMP
TG
X
regrese
(ΔX=ΔXS*ΔTG)
ΔXS
validity of the pattern scaling technique - PREC
4
validity of the pattern scaling technique: TEMP
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Variance of grid-specific precipitation changes explained by the pattern scaling technique
#months in which the standardised change of TAVG does not significantly differ from zero at 0.01 level
validity of the pattern scaling technique: PREC-0.2
0.0
0.2
0.4
0.6
0.8
1.0
-0.2
0.0
0.2
0.4
0.6
0.8
1.0
Variance of grid-specific precipitation changes explained by the pattern scaling technique
#months in which the standardised change of PREC does not significantly differ from zero at 0.01 level
validity of pattern scaling
• předpoklad metody dobře platí pro teploty
• omezená platnost pro PREC, DTR, SRAD, VAPO, WIND
• statistická nevýznamnost regresních koeficientů
– neznamená, že Pattern Scaling nelze použít (nepoužitelnost by však vyplývala ze statisticky významné nelinearity vztahu)
– spíše znamená, že v časových řadách simulovaných modely GCM dominuje “přirozená” variabilita, která se dá vhodně simulovat například stochastickým generátorem.
• regresní vztahy neextrapolovat ! (... nebo jen velice opatrně)
analýza nejistotve scénářích ZK
a) nejistota odhadu standardizovaného scénáře
b) nejistota odhadu DTG
a) nejistota odhadu standardizovaného scénáře
data ~ IPCC-AR2 database:
• 4 weather elements: TAVG, DTR, PREC, SRAD
• 7 AOGCMs (1961-2099, series of monthly means) from IPCC-DDC:=> 1. inter-model uncertainty
• CGCM1 (C) [1990-2100: 1% increase of compound CO2]• CCSR/NIES (J) [1990 - 2099: IS92a]• CSIRO-Mk2 (A) [1990-2100: IS92a]• ECHAM4/OPYC3 (E) [since 1990: IS92a]• GFDL-R15-a (G) [1958 - 2057: 1 % increase of compound CO2]
• NCAR DOE-PCM (N) [bau (~IS92a) since 2000]• HADCM3 (H; 4 runs!!!) [since 1990: 1% increase of compound CO2]
=> 2. internal GCM uncertainty (natural climatic variability)
four exposure units - => 3. spatial uncertainty4. uncertainty in determining standardised changes (~ std. errors in
regression coefficients
IPCC-AR2: gridová struktura GCM modelů
ΔX = 2.8 - 7.5º ; ΔY = 2.5 - 5.6º; Nz = 9 - 20 (hladin)
5
standardizované scénáře změny klimatupodle GCM z IPCC-AR2
standardizované scénáře ZK :: 4 druhy nejistot
reg = std. err. of reg. coeff
site = 4 sites in Czechia
GCM = inter-GCM uncertainty(~7 GCMs)
Had = internal HadCM uncertainty(~ 4 runs)
GCM > GCM(internal) > reg > site
b) uncertainties in estimating ΔTG:: kaskáda nejistot ::
1. emission scenario
carbon cycle & chemist ry model
2. concentration of GHG and aerosols
4. radiation forcing
GCM / MAGICC / ...
3. change in global temperature..... ΔTG
SRES: emissions > concentrations >
zdroj: IPCC-TAR-WG1-TS
> radiative forcing > [ Δtemp, Δ (sea level) ]
zdroj: IPCC-TAR-WG1-TS
uncertainties in estimating ΔTG MAGICC model: www.cru.uea.ac.uk/~mikeh/software/MAGICC_SCENGEN.htm
ΔTG = MAGICC (emiss. scenario, climate sensitivity, …)
a) choice of emission scenario- IPCC-AR2 scenarios: IS92c, IS92a, IS92e- IPCC-AR3 scenarios (SRES series): B1, B2, A1b, A1T, A1FI, A2
b) climate sensitivity: ΔT2xCO2 = 1.5, 2.6, 4.5 °C(different values follow from other studies – next slide)
c) other parameters (relates to C-cycle climate feedbac ks, aerosol forcing, TH circulation, vertical diffusivity, ice melt)
Wigley et al, 2001: PDF(ΔTG) odhadnuta pom ocí vícečetných ansámblových simulací modelu MAGICC s perturbovanými parametry:
ΔTG (2100 vs. 1990) = 1.7-4.9 C (90%)
ΔTglob: uncertainty due to clim.sensitivity ~ uncertainty due to emission scenario
6
uncertainty in climate sensitivityK=
nárůst teploty podle modelů GCM a podle MAGICC (při různé klim.citlivosti); emisní scénář SRES-A2
1.5
3.0
4.5
6.0
rozsah ΔTglob ze všech GCM simulací neodpovídá nejistotě v klimatickécitlivosti >> pattern scaling pomůže
mezimodelová nejistotavs.
“prostorová” nejistota
data: IPCC–AR3 (2001)
scenarios derived from different GCMs differ: ((2070-99) vs (1991-2020))
CSIRO
CGCM
ECHAM
GFDL
HadCM
CCSR
NCAR
∆TEMP ∆PREC rPDSI
combining information from 7 GCMs
motivation: to show the multi-model mean/median + uncertainty in a single map
step1: results obtained with each of 7 GCMs are re-gridded into 1x1º resolutionstep2: median [med(X)] and std [std(X)] from the 7 values in each grid box are derivedstep3 (map): the median is represented by a colour, the shape of the symbol represents value of
uncertainty factor Q:
Q =
interpreting the uncertainty:- squares and circles [ std(X) ≤ 0.5 * median(X) ] indicate that medX) differs from 0 at
significance level higher than 95% (roughly)- 4-point stars indicate high uncertainty [ std(X) > med(X) ]
or: the greater is the proportion of grey (over sea) or black (over land) colour, the lower is the significance, with which the median value differs from 0
std(X)
med(X)
winter spring
summer autumn
∆TEMP[(2070-99) vs (1991-2020)]
year
• best fit between GCMs: summer + autumn• inter-GCM variability vs. spatial variability: inter-GCM variability is larger than range
of values over Czechia
7
winter spring
summer autumn
∆PREC[(2070-99) vs (1991-2020)]
year
• when compared to ∆TEMP, the between-GCM fit is much lower
Z: winter Z: spring
Z: summer Z: autumn
PDSI: year
2070-99 drought conditions in Europe in terms of rel. drought indices
nejistoty ve scénářích jsou, ale my víme jak na ně:• V impaktových studiích je třeba použít více scénářů:
- (3 hodnoty ΔTG) X (3-4 scénáře)
• propojení scénářů s WG zajistí přirozenou variabilitu
• 1 scénář pro ČR stačí
Xhigh scenario: SRES-A2 + (ΔTG,2xCO2=4.5 K)low scenario: SRES-B1 + (ΔTG,2xCO2=1.5 K)middle scenario: mid.emissions + (ΔTG,2xCO2=2.5 K)
verze IPCC-AR2
otázka do diskuse: Můžeme použít scénář zprůměrovaný
z několika různých GCM?
současný stav• přechod na data z IPCC-AR4
– GCM: 24* modelů, 19 institucí, 17 skupin– emisní scénáře: A2, A1b, B1; 1% to (2x, 4x)– k dispozici denní řady i řady měsíčních průměrů, i když problémy:
• některé prvky k dispozici jen v denních řadách (vítr, vlhkost)• denní výstupy jen z kratších časových úseků• objem dat (současný stav) ~1TB
• projekt PraSce (GAAV)– analýza dostupných dat s důrazem na
• “nejistoty”• selekci podmnožiny GCM modelů
– další modifikace metodiky• stochastický generátor• odvození scénářů
– vývoj pravděpodobnostních scénářů (výsledek by mohl mít podobu “generátoru scénářů”)
– porovnání scénářů odvozených pomocí různých metod (včetně SDS)– první výsledky již k dispozici (viz. dále)
* Tomáš Halenka napočítal jen 23…
PraSce : po 8 měsících• změny v metodice
– generátor: Met&Roll > M&Rfi• propojení denního a měsíčního generátoru• umožňuje zohlednění variability• vlhkost a vítru mezi základní proměnné (použití “semiparametrické” transformace)• volitelný počet prvků, volitelná délka časového kroku
– rozšíření souboru charakteristik zahrnutých ve scénáři ZK:• variabilita měsíčních i denních hodnot (má vliv na výskyt extrémů!!!)
• konstrukce pilotních scénářů– scénáře starých prvků + porovnání s předchozími [viz. obr]– scénáře variability měsíčních průměrů (zatím jen podle tří modelů)
• problém: malá statistická významnost – zhladit? a jak?– scénáře variability denních hodnot (podle 8mi GCM)
• problémy s “neúplností databáze”:• vlhkost jen v základních hladinách• vítr jen ve složkách
– řešeni: starý dobrý resampling (taky to ale neni optimálni reseni)
AR4: scénáře z denních výstupů (SRES-A2): Praha - TAVG [(2081-2100) - (1961-90)]
- 8 GCM (3xCGCM2)- correspondence with previous scenarios- inter-GCM variability > intra-GCM variability
8
2.4 IPCC – AR4 (2007) :: scénáře z měsíčních řad
TAVG PREC SRAD
d [ s
td (*
) ]d
[ avg
(*) ] bonus č.1:
4 generace scénářůzměny klimatu
(od konce minulého tisíciletí)
scénář v.1999
- TEMP……………………………...additive changes- PREC, SRAD, WIND, HUMID….multiplicative changes - std(X)…………………………… ..multiplicative changes
2002_Beskydy
- rovnovážná simulace(současnost, 2xCO2)
ECHAM3/T42, denní řady
TMAX, TMIN: z GCM
SRAD: regression model;
PREC: “expert” approach
- nearest GCM grid point (48º50′ N, 16º52′ E
(Nemešová et al., 1999, SGG)
standardizované scénáře ZK (4 generace)
IPC
C-A
R4
(200
7)
PREC TEMP
IPC
C-A
R3
(200
1)IP
CC
-AR
2(1
996)
v.1999:
bonus č.2:
příklad impaktové studie
MODELOVÁNÍ KLIMATOLOGICKÉ NIKY ZAVÍJEČE KUKUŘIČNÉHO V
OČEKÁVANÝCH KLIMATICKÝCH PODMÍNKÁCH
9
ECAMON – scénáře změny klimatuECAMON – scénáře změny klimatu
VARIANTY:
• HODNOTA ŠKÁLOVACÍHO FAKTORU (ZMĚNA GLOB. TEPLOTY) : • Nízký odhad: SRES B1 + nízká citlivost klim. systému (LOW )• Střední odhad: průměr SRES A1/B2 + střední citlivost klim. systému (MID)• Vysoký odhad: SRES A2 + vysoká citlivost klimatického systému (HIGH)
• GCM MODELY: HadCM3, ECHAM, NCAR-PCM, CSIRO
• ČASOVÉ HORIZONTY: 2010, 2015, 2020, 2025, 2030, 2040 , 2050
• CELKEM: 12 scénářů pro 7 časových horizontů
Dopady změny klimatu – rozšíření 1. generaceDopady změny klimatu – rozšíření 1. generace
Dopady změny klimatu – rozšíření 2. generaceDopady změny klimatu – rozšíření 2. generace ZAVÍJEČE KUKUŘIČNÝ - ZÁVĚR:ZAVÍJEČE KUKUŘIČNÝ - ZÁVĚR:
§ Nástup vývojových fází byl simulován s uspokojivou přesností v bodových i prostorových studiích
§ Trendy očekávané v budoucích klimatických podmínkách jsou v souladu s chováním populace v obdobích 1961-1990 a 1991-2000
§ První znatelné změny nástupů vývojových fází a dynamiky populace lze očekávat mezi léty 2015-2025
Při naplnění scénářových předpokladů dojde k výraznému nárůstu plochy ohrožené zavíječem z 18% (1961-1990) na 35-100% území v roce 2050
§ Mezi léty 2020-2050 (v závislosti na scénáři) budou hlavní produkčníoblasti (zejména jižní Morava) pravidelně ohrožovány výskytem kompletní 2. generace (podle nejpesimističtějšího scénáře bude zasaženo 40% území v roce 2050) ve 2/3 sezón
§ Podobně dramatické změny lze očekávat u dalších druhů hmyzu i vyšších poikilotermních organismů
k o n e c
výsledky impaktových studií:
www.ufa.cas.cz/dub/crop/crop.htm