Um método de redução de escala e correção de viés para simulações de conjuntos de modelos climáticos de locais

Scientific Reports volume 13, Número do artigo: 9412 (2023) Cite este artigo

Detalhes das métricas

Simulações de conjuntos de modelos climáticos são usadas para avaliar o impacto das mudanças climáticas na precipitação e requerem redução na escala local. Métodos estatísticos de redução de escala têm sido usados ​​para estimar a precipitação diária e mensal a partir de dados observados e simulados. A redução dos dados de precipitação de curto prazo é necessária para uma previsão mais precisa de eventos extremos de precipitação e desastres relacionados em nível regional. Neste estudo, desenvolvemos e investigamos o desempenho de um método de downscaling para simulações de modelos climáticos de precipitação horária. Nosso método foi projetado para reconhecer sistemas de precipitação variantes no tempo que podem ser representados na mesma resolução do modelo numérico. O downscaling melhorou a estimativa da distribuição espacial da frequência horária da precipitação, da média mensal e dos valores do percentil 99. A mudança climática na quantidade e frequência da precipitação foi mostrada em quase todas as áreas usando as 50 médias de conjuntos de precipitação estimada, embora a variabilidade natural fosse muito grande para comparar com as observações. As mudanças na precipitação foram consistentes com as simulações. Portanto, nosso método de redução de escala melhorou a avaliação das características climáticas de eventos extremos de precipitação e representou de forma mais abrangente a influência de fatores locais, como a topografia, que eram difíceis de avaliar usando métodos anteriores.

Previsões detalhadas de precipitação regional são necessárias para estimar com precisão o risco de desastres relacionados à água e a disponibilidade de recursos de água doce sob mudanças climáticas1. Devido à falta de resolução nos modelos climáticos, métodos de redução de escala dinâmicos e estatísticos são usados ​​para estimar mudanças no clima local usando resultados de modelos climáticos2. O downscaling dinâmico aplica os resultados de saída de um modelo climático global a um modelo numérico de alta resolução, que requer poder de computação substancial. Os métodos estatísticos são baseados em regressões lineares observadas entre a precipitação e uma gama de variáveis ​​atmosféricas1,2. Os métodos estatísticos são frequentemente usados ​​para estimar a precipitação diária ou mensal a partir de dados observados e simulados, em vez de estimar a precipitação horária com base em simulações de modelos climáticos, ao contrário do método dinâmico de redução de escala. Em geral, a precipitação horária está associada a sistemas de precipitação de mesoescala e é formada por interações entre fatores locais, como topografia e campos atmosféricos variáveis ​​no tempo (por exemplo, precipitação orográfica)3,4. No entanto, os métodos estatísticos são geralmente incapazes de reconhecer padrões temporais detalhados em sistemas de precipitação e inadequados para estimar as distribuições espaciais das frequências horárias de precipitação5,6. Sem uma estimativa correta, é difícil avaliar com precisão o impacto das mudanças climáticas nos padrões regionais de precipitação5.

Métodos de downscaling usando aprendizado de máquina foram desenvolvidos recentemente7,8,9,10,11,12,13,14,15,16,17,18,19. Esses métodos podem acomodar variáveis ​​explicativas mais complexas e estimar a precipitação com níveis mais altos de precisão. No entanto, a maioria desses métodos não permite a estimativa da precipitação horária. Normalmente, é difícil estimar a precipitação horária porque mesmo uma pequena diferença nos campos atmosféricos pode alterar a distribuição da precipitação devido à não linearidade do processo de precipitação. Portanto, é necessário um método que reconheça diferenças sutis nos padrões climáticos para estimar a precipitação horária. Isso pode ser alcançado com métodos de aprendizado de máquina usando saídas de modelos de previsão e dados observacionais, que podem ser potencialmente aplicados a modelos climáticos. No entanto, não está claro se os padrões reconhecidos pelos modelos de previsão são aplicáveis ​​aos modelos climáticos devido às diferenças de resolução e parâmetros entre esses modelos. Portanto, é necessário identificar fenômenos comuns a modelos de previsão e climáticos e aplicáveis ​​a métodos de downscaling baseados em aprendizado de máquina.