Técnicas de “Downscaling” de
Modelos Climáticos
Waldo Lavado Casimiro
Traducido de Kenneth E. Kunkel (NOAA Cooperative Institute
for Climate and Satellites
North Carolina State University)
PROPOSITO DEL DOWNSCALING
Producir información y proyecciones
climáticas que se puedan utilizar para evaluar
los impactos de la variabilidad y el cambio
climático en sistemas humanos y naturales
cuyos procesos operan en escalas espaciales
y/o temporales más finas que un modelo
global típico
Modelos Climáticos Globales
Global Climate Models (GCMs)
• Porque es necesario hacer el dowscalling del
los datos GCM?
• Primeo, que sucede en un GCM?
Global Climate Models (GCMs)
• La atmósfera de la tierra se divide en cajas de
grillas
• Las dimensiones horizontales típicas de las cajas
de grilla son 100-200 km
• Las ecuaciones que describen los procesos
atmosféricos se resuelven para cada grilla
• Cada caja de grilla se caracteriza por un valor
único de temperatura, precipitación, humedad y
otras variables de estado en cada paso de tiempo
Global Climate Models (GCMs)
• La topografía de la superficie se resuelve en las
mismas dimensiones (100-200 km): la superficie
es esencialmente un conjunto de mesetas de
100-200 km
• Como resultado, los detalles de las características
climáticas inducidas topográficamente no se
simulan bien en las regiones montañosas.
• Mejora de la precipitación relacionada con el
viento; llovisnas, etc.
Global Climate Models (GCMs)
• Además, algunos procesos físicos importantes
y fenómenos meteorológicos ocurren a
escalas más pequeñas que la resolución GCM
típica
• Uno de ellos es la precipitación convectiva,
que es la forma dominante en temporadas
cálidas y climaticas
Ejemplos de simulaciones de GCM
DE GLOBAL A LOCAL
downsaclling
2m TEMPERATURE
Ejemplo puntual
Que es downscaling?
DOWNSCALING introduce nueva información en el
resultado del modelo climático global para
generar proyecciones climáticas de alta resolución
Que es downscaling?
DOWNSCALING introduce nueva información en el
resultado del modelo climático global para
generar proyecciones climáticas de alta resolución
¿De dónde viene esta nueva información?
de modelado de alta
de observaciones
resolución de procesos físicos
Que es downscaling?
DOWNSCALING introduce nueva información en el
resultado del modelo climático global para
generar proyecciones climáticas de alta resolución
¿De dónde viene esta nueva información?
de modelado de alta
de observaciones
resolución de procesos físicos
EMPIRICO- MODELOS
MODELAMIENTO CLIMATICOS
ESTADISTICO REGIONALES
EMPIRICO-MODELAMIENTO ESTADISTICO
• Usar observaciones históricas y simulación de
modelos del período histórico para "entrenar"
un modelo estadístico
• Aplicar relaciones estadísticas para simular
modelos de futuro (esto supone que estas
relaciones permanecen constantes en el
futuro)
Tecnicas Estadísticas de Downscalling
• Simple bias correction (”delta” model):
• Correccion de la Variancia
– Inflar o desinflar la magnitud de las variaciones
diarias
Delta Change
Calcula la
diferencia
promedio entre las
simulaciones GCM
presentes y
futuras, y luego
agrega esa
diferencia a las
series temporales
observadas para el
punto de interés
Tecnicas Estadísticas de Downscalling
• Quantile mapping (Mapeo de cuantiles):
utiliza la función de densidad de probabilidad
completa, cuyo principal objetivo es garantizar
que los valores extremos estén representados
adecuadamente
Empirical Quantile Mapping
Fdp
proyectados
para las
variables GCM
simuladas
mensuales o
diarias en
observaciones
históricas
Ventajas del Downscaling Estadístico
• Computacionalmente eficiente
• Técnicas modernas producen buena
representación de las colas de los extremos
Daily wet-day precipitation
10 percentile
Median
90 percentile
Desventajas del Downscaling
Estadístico
• Necesita un registro de observación largo y
preciso (mínimo 20-30 años)
• No se puede generar nueva física (por
ejemplo, no se puede obtener un sistema
convectivo de mesoescala si no está en el
GCM)
Técnicas de Downscaling Dinámico
• Se aplica una versión de alta resolución de un
modelo climático para un área geográfica limitada
• Debido a que el área geográfica tiene un tamaño
limitado, es posible una resolución más alta debido
a que los recursos de la computadora no se utilizan
para simular todo el mundo.
• SIN EMBARGO, se requiere un modelo global para
establecer las condiciones en el límite del dominio
CORDEX
• CORDEX: Coordinated Regional Climate
Downscaling Experiment
• Coordinado por el World Climate Research
Programme
• Experimentos se llevan a cabo/ planifican en
todas las áreas de tierra (continente)
CORDEX South Asia Domain
El dominio cubre
aproximadamente el 10% de la
superficie global.
Puede usar recursos de la
computadora para una mayor
resolución espacial
CORDEX South Asia Domain
Se necesita un
modelo climático
global para
proporcionar las
condiciones en el
límite del dominio
del modelo
climático regional
Especifique las
condiciones de
contorno lateral
cada 6 horas
Técnicas de Downscaling Dinámico
• El experimento CORDEX esta a 25 km de
resolución simulacion para 1950-2100
CWRF Mejora NCAR Climate Change Projection
No de días secos (prec < 0.25 mm)
Observado Present-day NCAR Present-day NCAR Future
DIF
Change
CWRF Present-day CWRF Future
DIF Change
Presente: 1980-
2005
Futuro: 2035-2050
Ventajas del Downscaling Dinámico
• El modelo puede crear su propio clima, por
ejemplo, para fenómenos tales como sistemas
convectivos y ciclones tropicales.
• Las características topográficamente forzadas
se pueden simular con mucha mejor fidelidad
Desventajas del Downscaling Dinámico
• Computacionalmente costoso
• Es prácticamente posible realizar algunos
experimentos
Conclusiones
• Por lo general, se requiere algún tipo de
downscaling para transformar los datos de
simulación del modelo climático global en algo que
pueda aplicarse a las evaluaciones de impactos.
• Downscalling empírica-estadística: muy económica
y, por lo tanto, puede emplear todos los GCM
disponibles
• Downscalling dinámica: puede producir nueva física
Quantile mapping (QM)
pdf
cdf
Una distribución simulada sesgada (azul) se corrige hacia una distribución
observada (negro).
La distribución simulada (Model) está sujeta tanto a un sesgo de la media como a
un sesgo de la varianza.
La distribución corregida por sesgo resultante (rojo discontinuo) se aproxima a la
observada, pero generalmente no es idéntica a esta (p. ej. debido a la
incertidumbre del muestreo durante la calibración de la función de corrección o
detalles de la implementación específica de QM).
OJO NO SE REALIZA PARA TODA LA SERIE (MENSUAL O TRIMESTRAL)
