Utilización de la técnica de Análogos en reducción de escala€¦ · 1.1. Reducción de escala...

UtilizaciUtilizacióón de la tn de la téécnica de cnica de AnAnáálogos en reduccilogos en reduccióón de escalan de escala

Jaime RibalayguaJaime RibalayguaFundaciFundacióón para la Investigacin para la Investigacióón del Climan del Clima

ficfic@@ficlimaficlima..orgorg

Curso de generación de escenarios de cambio climático regionalizados Madrid Octubre 2006

ESQUEMA DE CONTENIDOS

1. Consideraciones previas1. Consideraciones previas 1.1. Reducci1.1. Reduccióón de escala estadn de escala estadíística: ventajas y desventajasstica: ventajas y desventajas 1.2. 1.2. ¿¿CCóómo afrontar estas desventajas?mo afrontar estas desventajas?

2. Selecci2. Seleccióón de predictoresn de predictores 2.1. Predictores para precipitaci2.1. Predictores para precipitacióónn 2.2. Predictores para temperatura2.2. Predictores para temperatura

3. Descripci3. Descripcióón de la metodologn de la metodologíía de ana de anáálogos de la FIClogos de la FIC

4. Incertidumbre en las simulaciones clim4. Incertidumbre en las simulaciones climááticas ticas 4.1. Fuentes de incertidumbre4.1. Fuentes de incertidumbre 4.2. Estrategias para considerar y cuantificar la incertidumbre4.2. Estrategias para considerar y cuantificar la incertidumbre

5. Algunos desarrollos para intentar dar respuesta a estas 5. Algunos desarrollos para intentar dar respuesta a estas cuestionescuestiones

6. Ideas fundamentales6. Ideas fundamentales


1. Consideraciones previas1. Consideraciones previas


a)Ventajas:• Mucho menor coste computacional: permite ejecuciones

múltiples, muy importante para cuantificar la incertidumbre• Permite obtener escenarios locales (si existen datos históricos)• Buenos resultados en fase de verificación (y en predicción

operativa)

b)Desventajas:• ¿Relaciones no-estacionarias?: exige asumir la hipótesis

de que las relaciones detectadas en el pasado se mantendrán en el futuro

• Puede incurrirse en sobreajuste (“overfitting”)• En muchos casos no garantizan coherencia espacial ni

intervariable de los escenarios

1. Consideraciones previas 1.1. Reducción de escala estadística: ventajas y desventajas


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

1. El problema de las relaciones no-estacionarias y el sobreajuste: 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

1. Consideraciones previas 1.2. ¿Cómo afrontar esas desventajas?


De acuerdo con la idea 1 (el problema de las relaciones no-estacionarias y el sobreajuste):

• Seleccionar predictores bajo consideraciones teóricas, más que mediante análisis empíricos, que no garantizan relaciones físicas y pueden dar sobreajuste

• Los predictores deben ser forzamientos físicos de los predictandos, y las relaciones a buscar deben ser las que mejor reflejen esos vínculos físicos



De acuerdo con la idea 2 (las características y limitaciones de los MCGs):

• 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.



De acuerdo con la idea 3:

• No hacer estratificación estacional en la búsqueda de relaciones: los días de primavera del futuro pueden parecerse más a los de verano actuales

• Si las relaciones predictores / predictando reflejan adecuadamente los vínculos físicos, esta estratificación estacional no mejora los resultados



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”. También debe simularse bien la varianza. Para ello se puede incluir un postproceso(“generadores estocásticos de valores meteorológicos”, “inflation”...)



2. Selecci2. Seleccióón de predictoresn de predictores


• 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” deHolton)

• 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

2. Selección de predictores 2.1. Predictores para precipitación


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

incluidos en las metodologías de downscaling basadas en lacirculación atmosférica. De ahí su éxito

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

• 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 de la FIC 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

2. Selección de predictores 2.1. Predictores para precipitación


• 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

2. Selección de predictores 2.2. Predictores para temperatura


• 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.

2. Selección de predictores 2.2. Predictores para temperatura


3. Descripci3. Descripcióón de la metodologn de la metodologíía de a de AnAnáálogos de la Fundacilogos de la Fundacióón para la n para la InvestigaciInvestigacióón del Clima (FIC)n del Clima (FIC)






Medida de disimilitud

• 4 campos predictores:• Módulo del viento geostrófico en 1000 hPa• Dirección del viento geostrófico en 1000 hPa• Módulo del viento geostrófico en 500 hPa• Dirección del viento geostrófico en 500 hPa

• Para cada uno de los 4 campos predictores, la medida de disimilitud es una pseudodistancia euclídea:

( )( )

∑

∑

=

=

⋅−= N

kk

N

kkjkik

vel

P

PVelVeljiD

1

1

2

1000

10001000,


• Los pesos de cada punto Pk son diferentes para cada uno de los 4 campos predictores


Medida de disimilitud

• Esas cuatro disimilitudes, calculadas de forma independiente, se estandarizan, para poder hacer finalmente una media ponderada

5005005005001000100010001000),( dirdirvelveldirdirvelvel DestwDestwDestwDestwjidisim +++=


Prestaciones de la metodología de la FIC

• Es muy robusta desde el punto de vista teórico, aportando algunas soluciones muy eficaces e innovadoras:• Análogos versus clasificaciones: una “clase” especial alrededor

del día problema• 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

• Buenos resultados, sobre todo para temperatura, en STARDEXSTARDEX((STASTAtistical andtistical and RRegionalegional dynamicaldynamical DDownscalingownscaling of of EXEXtremes for European regionstremes for European regions)), con una extensión al resto de Europa muy simple

• Aplicada a predicción operativa, ofrece muy buenas prestaciones


Annual Min. T mean daily absolute error (tenth ºC)Winter Min. T mean daily absolute error (tenth ºC)Spring Min. T mean daily abs. error (tenth ºC) Summer Min. T mean daily abs. error (tenth ºC) Autumn Min. T mean daily abs. error (tenth ºC)

0

5

10

15

20

25

Annual Max. T mean daily absolute error (tenth ºC)Winter Max. T mean daily absolute error (tenth ºC)Spring Max. T mean daily abs. error (tenth ºC) Summer Max. T mean daily abs. error (tenth ºC)Autumn Max. T mean daily abs. error (tenth ºC)


80's Winter Estimation Error (% Obs. Prec.) 70's Summer Estimation Error (mm/day)

Estimated 80's Winter Precipitation (mm/day) Estimated 70's Summer Precipitation (mm/day)

Observed 80's Winter Precipitation (mm/day) Observed 70's Summer Precipitation (mm/day)Observed 70's Winter Precipitation (mm/day)

Estimated 70's Winter Precipitation (mm/day)

70's Winter Estimation Error (% Obs. Prec.)60's Winter Estimation Error (% Obs. Prec.)

Observed 60's Winter Precipitation (mm/day)

Estimated 60's Winter Precipitation (mm/day)

Observed 60's Summer Precipitation (mm/day) Observed 80's Summer Precipitation (mm/day)

Estimated 60's Summer Precipitation (mm/day) Estimated 80's Summer Precipitation (mm/day)

60's Summer Estimation Error (mm/day) 80's Summer Estimation Error (mm/day)0.00.51.01.52.02.53.03.54.04.55.05.56.06.57.07.58.0

-0.5 -0.4 -0.3 -0.2 -0.1 0.1 0.2 0.3 0.4 0.5-50% -40% -30% -20% -10% 10% 20% 30% 40% 50%


Observed 80's Winter Max. Temp. (tenth ºC) Observed 80's Summer Max. Temp. (tenth ºC)

Estimated 80's Winter Max. Temp. (tenth ºC) Estimated 80's Summer Max. Temp. (tenth ºC)





70's Winter Estimation Error (tenth ºC)60's Winter Estimation Error (tenth ºC) 80's Winter Estimation Error (tenth ºC) 70's Summer Estimation Error (tenth ºC)60's Summer Estimation Error (tenth ºC) 80's Summer Estimation Error (tenth ºC)-75-50-250255075100125150175200225250275300325350

-10 -8 -6 -4 -2 2 4 6 8 10


Estimated Annual Precipitation (mm/day)Estimated Winter Precipitation (mm/day) Estimated Autumn Precipitation (mm/day)

Annual Estimation Error (% Obs. Prec.)Winter Estimation Error (% Obs. Prec.) Autumn Estimation Error (% Obs. Prec.)

Observed Annual Precipitation (mm/day)Observed Winter (DJF) Precipitation (mm/day) Observed Autumn (SON) Precipitation (mm/day)Observed Spring (MAM) Precipitation (mm/day)Observed Summer (JJA) Precipitation (mm/day)

Spring Estimation Error (% Obs. Prec.) Summer Estimation Error (% Obs. Prec.)

Estimated Spring Precipitation (mm/day) Estimated Summer Precipitation (mm/day)

0.00.51.01.52.02.53.03.54.04.55.05.56.06.57.07.58.0

-50% -30% -10% 20% 40% 60% 80% 100%


Annual Estimation Error (tenth ºC)Winter Estimation Error (tenth ºC) Spring Estimation Error (tenth ºC) Summer Estimation Error (tenth ºC) Autumn Estimation Error (tenth ºC)

Estimated Annual Max. Temp. (tenth ºC)Estimated Winter Max. Temp. (tenth ºC) Estimated Spring Max. Temp. (tenth ºC) Estimated Summer Max. Temp. (tenth ºC) Estimated Autumn Max. Temp. (tenth ºC)

Observed Annual Max. Temp. (tenth ºC)Observed Winter (DJF) Max. Temp. (tenth ºC) Observed Spring (MAM) Max. Temp. (tenth ºC) Observed Summer (JJA) Max. Temp. (tenth ºC)Observed Autumn (SON) Max. Temp. (tenth ºC)

-75-50-250255075100125150175200225250275300325350

-10 -8 -6 -4 -2 2 4 6 8 10


Observed Annual Min. Temp. (tenth ºC)Observed Winter (DJF) Min. Temp. (tenth ºC) Observed Spring (MAM) Min. Temp. (tenth ºC) Observed Summer (JJA) Min. Temp. (tenth ºC) Observed Autumn (SON) Min. Temp. (tenth ºC)

Estimated Annual Min. Temp. (tenth ºC)Estimated Winter Min. Temp. (tenth ºC) Estimated Spring Min. Temp. (tenth ºC) Estimated Summer Min. Temp. (tenth ºC) Estimated Autumn Min. Temp. (tenth ºC)

Annual Estimation Error (tenth ºC)Winter Estimation Error (tenth ºC) Spring Estimation Error (tenth ºC) Summer Estimation Error (tenth ºC) Autumn Estimation Error (tenth ºC)-75-50-250255075100125150175200225250275300325350

-10 -8 -6 -4 -2 2 4 6 8 10





Resultados de verificación de Temperatura máximaFIC Universidad de East Anglia


4. Incertidumbre en las simulaciones 4. Incertidumbre en las simulaciones climclimááticasticas


Dos grandes preguntas:Dos grandes preguntas:

1. ¿Cuáles serán las situaciones atmosféricas de baja resolución?: Tarea de los GCM

2. Supuesta una situación atmosférica de baja resolución,¿cuáles serán sus efectos en superficie, con alta resolución?:Tarea de la reducción de escala

La primera preguntaLa primera pregunta viene planteviene planteáándose desde hace ndose desde hace tiempotiempo, y se vienen desarrollado, y se vienen desarrollado estrategiasestrategias

La segunda,La segunda, menos atendida, pero muy importante menos atendida, pero muy importante para cuantificar la incertidumbre globalpara cuantificar la incertidumbre global

4. Incertidumbre 4.1. Fuentes de incertidumbre


SITUACIONINICIAL

MCG

SITUACIONPREVISTA "DOWNSCALING"

EFE

CT

OS

EN

SUPE

RFI

CIE

??

?

?

?

MCG

MCG

??

??


1. ¿Cuáles serán las situaciones atmosféricas de baja resolución?: tarea de los GCM, incertidumbre propia tarea de los GCM, incertidumbre propia de toda simulacide toda simulacióón climn climááticatica

1. 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

2. Incertidumbre en la capacidad del GCM en simular las configuraciones atmosféricas futuras

3. 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



Curso de generación de escenarios de cambio climático regionalizados Madrid Octubre 2006Fuente: Tercer Informe del IPCC, 2001



2.2. ¿¿CuCuááles serles seráán sus efectos en superficie?: n sus efectos en superficie?: incertidumbre propia de la reducciincertidumbre propia de la reduccióón de escala. Dos n de escala. Dos tipos:tipos:

1. Incertidumbre relativa a la resolución espacial y temporal del input (GCM), hacen que una “misma” configuración de baja resolución pueda provocar efectos diferentes

2. Incertidumbre relativa a la reducción de escala




1. Incertidumbre relativa a la resolución espacial y temporal del input (GCM), hacen que una “misma” configuración de baja resolución pueda provocar efectos diferentes:

estructuras de mayor resolución espacial no resueltas por la resolución del GCM (estructuras convectivas)

estructuras de mayor resolución temporal no resueltas por la resolución temporal del GCM




2. Incertidumbre relativa a la reducción de escala (estadística):Prestaciones de la metodología (forzamientos no considerados...)¿Se podrán aplicar las relaciones predictores / predictando obtenidas al futuro?: dos problemas

o Problema de la “estacionaridad”: ¿se mantendrán las relaciones?

o Problema del “rango de aplicabilidad de la metodología”: aunque se mantengan las relaciones, ¿serán aplicables?



Predictor

Temperatura


1. ¿Cuáles serán las situaciones atmosféricas de baja resolución?

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 consideraintegrando 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

4. Incertidumbre 4.2. Estrategias para considerar y cuantificar la incertidumbre


2. ¿Cuáles serán sus efectos en superficie?sus efectos en superficie?

1. Incertidumbre relativa a la resolución espacial y temporal delinput (GCM) : 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”

2. Incertidumbre relativa a la reducción de escala: se considera utilizando una metodología robusta desde el punto de vista teórico. Es difícil de cuantificar



En resumen:

1. Para considerar la incertidumbre relativa a cuáles serán las situaciones de baja resolución resolución: estrategias multi-modelo, multi-escenarios de emisiones y ensemble simulaciones probabilísticas

2. Para considerar la incertidumbre relativa a cuáles serán los efectos en superficie: Tarea de la reducción de escala: simulaciones probabilísticas y metodología robusta desde el punto de vista teórico




LA REDUCCILA REDUCCIÓÓN DE ESCALA ESTADN DE ESCALA ESTADÍÍSTICA EN STICA EN ESTE NUEVO CONTEXTOESTE NUEVO CONTEXTO

OPORTUNIDAD:OPORTUNIDAD:Bajo coste computacional Bajo coste computacional adecuado para aplicarlo adecuado para aplicarlo sobre muchas salidas sobre muchas salidas ((ensemblesensembles, , modelos modelos y y escenarios escenarios de de emisionesemisiones):):

RETO:RETO:Adaptar las metodologAdaptar las metodologíías para generar salidas as para generar salidas probabilprobabilíísticassticas, y , y cuantificar cuantificar la la incertidumbreincertidumbre: : ""Recommendations for the modification of statisticalRecommendations for the modification of statisticaldownscalingdownscaling methods for the construction of methods for the construction of probabilistic scenariosprobabilistic scenarios““ (ENSEMBLES)(ENSEMBLES)


5. Algunos desarrollos para intentar dar 5. Algunos desarrollos para intentar dar respuesta a estas cuestionesrespuesta a estas cuestiones


Se presentan ejemplos de desarrollos realizados Se presentan ejemplos de desarrollos realizados trabajando con nuestro DSE, tanto en Cambio trabajando con nuestro DSE, tanto en Cambio ClimClimáático como en prediccitico como en prediccióón operativa, y tras un n operativa, y tras un ananáálisis telisis teóóricorico

Puede no ser aplicable a otros mPuede no ser aplicable a otros méétodostodos

MMáás que respuestas generales, trataremos de s que respuestas generales, trataremos de plantear preguntas, y esbozaremos algunas plantear preguntas, y esbozaremos algunas respuestas que hemos encontrado para nuestro DSErespuestas que hemos encontrado para nuestro DSE


Objetivo: Adaptar la metodologObjetivo: Adaptar la metodologíía para:a para:

Mejorar sus prestaciones para simular extremos Mejorar sus prestaciones para simular extremos (en STARDEX)(en STARDEX)

Obtener simulaciones probabilObtener simulaciones probabilíísticassticas


0 . 0

2 . 0

4 . 0

6 . 0

8 . 0

10 . 0

1

0 . 0

2 . 0

4 . 0

6 . 0

8 . 0

10 . 0

1

0 . 0

2 . 0

4 . 0

6 . 0

8 . 0

10 . 0

1

0 . 0

2 . 0

4 . 0

6 . 0

8 . 0

10 . 0

1

…0

2

4

6

8

10

1

…

Día num. 1 Día num. 2 Día num. 3 Día num. 4 Día num. 92

0 . 0

2 . 0

4 . 0

6 . 0

8 . 0

10 . 0

1 2 3 4 5 6 7 8 9 10

0 . 0

2 . 0

4 . 0

6 . 0

8 . 0

10 . 0

1 2 3 4 5 6 7 8 9 10

0 . 0

2 . 0

4 . 0

6 . 0

8 . 0

10 . 0

1 2 3 4 5 6 7 8 9 10

0 . 0

2 . 0

4 . 0

6 . 0

8 . 0

10 . 0

1 2 3 4 5 6 7 8 9 10

…0 . 0

2 . 0

4 . 0

6 . 0

8 . 0

10 . 0

1 2 3 4 5 6 7 8 9 10

0.0

2.0

4.0

6.0

8.0

10.0

1 11 21 31 41 51 61 71 81 91 101 111 121 131 141 151 161 171 181 … 900

MEDIAMEDIA: : 1.8 2.1 1.8 2.1 0.03 0.010.03 0.01 4.14.1

““APR.APR. PROB.PROB.””: : 1.7 2.2 1.7 2.2 0.0 0.0 0.0 0.0 8.58.5

““APR.APR. PROB.PROB.””: : 8.5 5.6 4.7 ..... 8.5 5.6 4.7 ..... 2.2 1.9 1.7 ... 2.2 1.9 1.7 ... 0.0 ... 0.00.0 ... 0.0



Objetivo: determinar el rango de aplicabilidad de la Objetivo: determinar el rango de aplicabilidad de la metodologmetodologííaa


Predictor

Temperatura


5400 5600 5800 60001000/500 hPa thickness (m)

50

100

150

200

250

300

350

Ave

rage

of 1

0 pr

ev. d

ays m

ean

T (te

nths

ºC) Observed 1961-1990

HadCM2SUL 1901-1930

5400 5600 5800 60001000/500 hPa thickness (m)

50

100

150

200

250

300

350

Ave

rage

of 1

0 pr

ev. d

ays m

ean

T (te

nths


HadCM2SUL 1961-1990

5400 5600 5800 60001000/500 hPa thickness (m)

50

100

150

200

250

300

350

Ave

rage

of 1

0 pr

ev. d

ays m

ean

T (te

nths


HadCM2SUL 2081-2099

5400 5600 5800 60001000/500 hPa thickness (m)

50

100

150

200

250

300

350

Ave

rage

of 1

0 pr

ev. d

ays m

ean

T (te

nths


HadCM2SUL 2021-2050


Predictor

Temperatura

95%95%

5%5%


6. Ideas fundamentales6. Ideas fundamentales


Analizar la problemática y las necesidades del caso concreto:

Diferentes metodologías se adaptan a diferentes necesidades

En general, si se puede, utilizar varias metodologías (se considerará la incertidumbre asociada)

6. Ideas fundamentales


Para seleccionar las metodologías y los predictores:

Hacerlo bajo consideraciones teóricas, mejor que utilizando análisis empíricos, y procurando captar todos los forzamientos de los predictores (hacer análisis detallado)Tener presente las ideas básicas:

Problema de “estacionaridad” y “sobreajuste”predictores forzamientos físicosSe va a aplicar a GCMs tener presentes sus características y limitaciones: campos, atmósfera libre, fiablemente simulados, máxima resolución espacial y temporalNo hacer estratificación estacional

Buscar metodologías capaces de captar relaciones no-linealesentre predictores y predictandosConsiderar la coherencia espacial y meteorológicaAtender a los valores extremos y la varianza, que se consideran muy importantes en el contexto de cambio climático



Para evaluar las metodologías:

Hacerlo a todas las escalas temporales: si se simulan correctamente las escalas diarias indica que se captan los forzamientos físicos mayor “estacionaridad”

No es suficiente que la verificación (aplicada a Reanálisis) dé buenos resultados: analizar teóricamente si la metodología es aplicable a los GCMs, y su problemática de “estacionaridad” y “sobreajuste”

Analizar la coherencia espacial y meteorológica

Atender a los valores extremos y a la varianza



Para aplicar la metodología:

Analizar el “rango de aplicabilidad” de las metodologías

Atender a la coherencia espacial y meteorológica

Atender a los valores extremos y a la varianza



Considerar e intentar cuantificar todas las incertidumbres:

Reflexionar sobre y atender a las incertidumbres habitualmente consideradas (multimodelo, emisiones, ensembles) y las demás

Para cuantificar la incertidumbre simulaciones probabilísticas: buscar estrategias para generarlas



En el nuevo contexto (objetivos del proyecto ENSEMBLES), gran oportunidad para la reducción de escala estadística



Disponibilidad de la Fundación para la Investigación del Clima para colaborar y compartir tecnología: ejemplo: CLARIS, con la Universidad de Buenos Aires


UtilizaciUtilizacióón de la tn de la téécnica de cnica de AnAnáálogos en reduccilogos en reduccióón de escalan de escala

Jaime RibalayguaJaime RibalayguaFundaciFundacióón para la Investigacin para la Investigacióón del Climan del Clima

ficfic@@ficlimaficlima..orgorg

Date post:	13-May-2020
Category:	Documents
Upload:	others
View:	2 times
Download:	0 times

Utilización de la técnica de Análogos en reducción de escala€¦ · 1.1. Reducción de escala...

Documents