Carlos N - Experiencia en CIAT con modelacion climatica

Experiencia en CIAT de la modelación climática; escenarios de cambio climático a futuro

Carlos Navarro, Julián Ramírez, Andy Jarvis

Intro; Datos ClimáticosQué sabemos? Qué no?

Las opcionesLos escenarios de emisiónLos modelos de predicciónGCMs y ResolucionesDificultadesSoluciones

DownscalingInterpolaciónDesagreaciónRCMsComparaciones

Experiencia en CIATCómo procesamos?Qué procesamos?AvancesQué sigue?

Las opciones para ColombiaConclusiones

Datos climáticos

Para qué se necesitan?

Quién los necesita?

Inconvenientes?

Problemas

Conocimiento limitado

Complejidad del sistema climático

Resoluciones de modelos climáticos no adecuadas.

Proporcionar los datos del clima futuro a escala fina.

Incertidumbres

• Cualquier agro-ecosistemaresponde a variaciones de

– factores antropogenicos(sociales),

– bióticos (plagas, enfermedades)

– abioticos (clima, suelos)

• El clima es el factor menospredecible.

• El clima va a cambiar

• Cada sistema es un casoespecífico

• Qué condiciones tendremos en 30, 50, 100

años?

• Cómo responderán nuestros sistemas a estas condiciones?

• Cuándo, dónde, y qué tipo de cambio se requiere para adaptar?

• Quién debe planear? Quién guiar el proceso? Quién debe ejecutarlo?

>> INCERTIDUMBRE

Un escenario es un resultado plausible y consistente que ha sido construido para explicar las consecuencias potenciales de la influencia de

las actividades humanas sobre el clima (Jones 2004)

Representan nuestra capacidad de respuesta (mitigación)… desarrollo tecnológico, sostenibilidad

ambiental.

Económico

Ambiental

Global Regional

Situación actual podría ser incluso

peor que A2PESIMISTA

OPTIMISTA

Prácticamenteirreal

Los escenarios de emisión imponen condiciones para…

•Necesidad: Estimar el efecto de las emisiones sobre el clima global.

• Sln … Modelos globales de clima GCMs

•Simulan los procesos terrestres a escala mundial (atmósfera, océano, suelo).

• Muestran proyecciones de la respuesta de clima a la actual y futura actividad humana.

Calibrados desde el pasado (usando serie de tiempoCRU-UEA), y proyectados hacia el futuro

Escala global Pero.. Escala regional o local

Características Principales

• Resolución horizontal de unos 100 a 300 km

• 18 y 56 niveles verticales.

Model Country Atmosphere Ocean

BCCR-BCM2.0 Norway T63, L31 1.5x0.5, L35

CCCMA-CGCM3.1 (T47) Canada T47 (3.75x3.75), L31 1.85x1.85, L29

CCCMA-CGCM3.1 (T63) Canada T63 (2.8x2.8), L31 1.4x0.94, L29

CNRM-CM3 France T63 (2.8x2.8), L45 1.875x(0.5-2), L31

CSIRO-Mk3.0 Australia T63, L18 1.875x0.84, L31

CSIRO-Mk3.5 Australia T63, L18 1.875x0.84, L31

GFDL-CM2.0 USA 2.5x2.0, L24 1.0x(1/3-1), L50

GFDL-CM2.1 USA 2.5x2.0, L24 1.0x(1/3-1), L50

GISS-AOM USA 4x3, L12 4x3, L16

GISS-MODEL-EH USA 5x4, L20 5x4, L13

GISS-MODEL-ER USA 5x4, L20 5x4, L13

IAP-FGOALS1.0-G China 2.8x2.8, L26 1x1, L16

INGV-ECHAM4 Italy T42, L19 2x(0.5-2), L31

INM-CM3.0 Russia 5x4, L21 2.5x2, L33

IPSL-CM4 France 2.5x3.75, L19 2x(1-2), L30

MIROC3.2-HIRES Japan T106, L56 0.28x0.19, L47

MIROC3.2-MEDRES Japan T42, L20 1.4x(0.5-1.4), L43

MIUB-ECHO-G Germany/Korea T30, L19 T42, L20

MPI-ECHAM5 Germany T63, L32 1x1, L41

MRI-CGCM2.3.2A Japan T42, L30 2.5x(0.5-2.0)

NCAR-CCSM3.0 USA T85L26, 1.4x1.4 1x(0.27-1), L40

NCAR-PCM1 USA T42 (2.8x2.8), L18 1x(0.27-1), L40

UKMO-HADCM3 UK 3.75x2.5, L19 1.25x1.25, L20

UKMO-HADGEM1 UK 1.875x1.25, L38 1.25x1.25, L20

Incertidumbres!

Japoneses y Alemanes- GCMs de alta resolución

• Primero: mezcla de resoluciones

• Segundo: disponibilidad de datos (via IPCC)WCRP CMIP3 A1B-P A1B-T A1B-Tx A1B-Tn A2-P A2-T A2-Tx A2-Tn B1-P B1-T B1-Tx B1-Tn

BCCR-BCM2.0 OK OK OK OK OK OK OK OK OK OK OK OK

CCCMA-CGCM3.1-T63 OK OK NO NO NO NO NO NO OK OK NO NO

CCCMA-CGCM3.1-T47 OK OK NO NO OK OK NO NO OK OK NO NO

CNRM-CM3 OK OK NO NO OK OK NO NO OK OK NO NO

CSIRO-MK3.0 OK OK OK OK OK OK OK OK OK OK OK OK

CSIRO-MK3.5 OK OK OK OK OK OK OK OK OK OK OK OK

GFDL-CM2.0 OK OK OK OK OK OK OK OK OK OK OK OK

GFDL-CM2.1 OK OK OK OK OK OK OK OK OK OK OK OK

GISS-AOM OK OK OK OK NO NO NO NO OK OK OK OK

GISS-MODEL-EH OK OK NO NO NO NO NO NO NO NO NO NO

GISS-MODEL-ER OK OK NO NO OK OK NO NO OK OK NO NO

IAP-FGOALS1.0-G OK OK NO NO NO NO NO NO OK OK NO NO

INGV-ECHAM4 OK OK NO NO OK OK NO NO NO NO NO NO

INM-CM3.0 OK OK OK OK OK OK OK OK OK OK OK OK

IPSL-CM4 OK OK NO NO OK OK NO NO OK OK NO NO

MIROC3.2.3-HIRES OK OK OK OK NO NO NO NO OK OK OK OK

MIROC3.2.3-MEDRES OK OK OK OK OK OK OK OK OK OK OK OK

MIUB-ECHO-G OK OK NO NO OK OK NO NO OK OK NO NO

MPI-ECHAM5 OK OK NO NO OK OK NO NO OK OK NO NO

MRI-CGCM2.3.2A OK OK NO NO OK OK NO NO OK OK NO NO

NCAR-CCSM3.0 OK OK OK OK OK OK OK OK OK OK OK OK

NCAR-PCM1 OK OK OK OK OK OK OK OK OK OK OK OK

UKMO-HADCM3 OK OK NO NO OK OK NO NO OK OK NO NO

UKMO-HADGEM1 OK OK NO NO OK OK NO NO NO NO NO NO

• Tercero: cuál es más preciso?

Qué hacer?

• Aún el GCM más preciso es demasiado grueso(100km)

• Aumentar resolución, uniformizar… proveerdatos de alta resolución, contextualizados

• Diversos métodos desde interpolación directahasta redes neuronales, y RCMs– DELTA (empírico-estadístico)

– DELTA-VAR (empírico-estadístico)

– DELTA-STATION (empírico-estadístico)

– RCMs (dinámico)

• Delta (Hay et al. 2007)

– Base climatológica: WORLDCLIM

– Usado en mayoría de estudios de CC.

– Tomar superficies GCM originales (series de tiempo)

– Calcular promedios para línea base y períodos específicos

– Calcular anomalías

– Interpolar anomalías

– Sumar anomalías a WORLDCLIM

• Delta-VAR (Mitchell et al. 2005)– Base climatológica: CRU

– CLIMGEN Tyndall Centre (UK).

– Datos mensuales y diarios, con series de Fourier de datos observados.

– Representa el patrón del GCM y lo reproduce, según las relaciones entre variables.

– Calcular anomalías

– Correr nuevo patrón GCM con mayor resolución usando variabilidad capturada y anomalías (CLIMGEN)

– Calcular para períodos específicos basado en serie de tiempo

Delta-STATION (Saenz-Romero et al. 2009)

– Base climatológica: datos de estaciones

– Calcular anomalías en celdas originalesGCM para períodos requeridos

– “Actualizar” estaciones con cambios en celdasGCM dentro de vecindario (400km)

– Interpolar usando LAT,LON,ALT como variables independientes

• Similar a DELTA pero sin interpolacion

– Base climatologica: CRU, WorldClim

– Calcular anomalias para periodos requeridos paraceldas GCM

– Sumar anomalias a climatologia base

• RCMs (Giorgi 1990)

– Usar resultados de GCMs

– Son de área limitada.. Necesitancondiciones de frontera.

– Realiza cálculos de la dinámicaatmosférica y resuelve ecuacionespara cada grilla.

– Tiene en cuenta el ciclo del sulfuro y parametrizaciones físicas.

– Resolucion varia entre 25-50km

– Esperar muchos meses mientras todo procesa

– Validar datos del pasado usando datos de estaciones

Metodo Pros Contras

Delta

*Rápido de implementar* resoluciones*Aplicable a TODOS los GCMs*Uniformiza líneas base

* Cambios solo varían en gran escala* Variables no cambian sus relaciones en tiempo* variables

Delta-VAR

*Rápido de implementar*Aplicable a TODOS los GCMs*Uniformiza líneas base* Reproduce patrón del GCM

* Máx 50km resolucion (CRU)* Reduce la varianza inicial presente en el GCM* variables

Delta-STATION

* Relativa/ rápido de implementar* Interpolación más robusta* Cualquier resolución* Aplicable a TODOS los GCMs

* Cambios solo varían en gran escala* Variables no cambian sus relaciones* Cada estación representa el cambio de un área de 400km radio, diferencial a la distancia* variables

RCMs

* Robusto*Aplicable a GCMs dependiendo de disponibilidad de datos* variables

*Pocas plataformas (PRECIS)*Mucho procesamiento y almacenamiento*Limitada resolución (25-50km)*Aun falta mucho desarrollo*Incertidumbre difíciles de cuantificar

•Downscaling estadístico o dinámico??

Necesidades y recursos.. •Tiempos? Resultados rápidos?•Capacidades de procesamiento?•Disponibilidad??

Y entonces?

Bases de Datos

• 20 modelos GCM para 2050, 9 para 2020 (datos de Stanford) downscaled a 20km, 5km, 1km

• 7 GCMs con informacion decadalde Tyndell

• Cálculos de anomalías 24 GCMs.

Blades

Alternate servers

Array disk

Anomalías Precipitación 2020s SRES A1BBCCR−BCM2−0 CCCMA−CGCM3−1−T47 CCCMA−CGCM3−1−T63 CNRM−CM3 CSIRO−MK3−0 CSIRO−MK3−5 GFDL−CM2−0 GFDL−CM2−1

GISS−AOM GISS−MODEL−EH GISS−MODEL−ER IAP−FGOALS1−0−G INGV−ECHAM4 INM−CM3−0 IPSL−CM4 MIROC3−2−HIRES

MIROC3−2−MEDRES MIUB−ECHO−G MPI−ECHAM5 MRI−CGCM2−3−2A NCAR−CCSM3−0 NCAR−PCM1 UKMO−HADCM3 UKMO−HADGEM1

Precipitación Total (mm/year)









2020s 2050s 2080s

Anomalías Precipitación (Media Multimodelo)SRES A1B


2020s 2050s 2080s

Anomalías Precipitación (SD Multimodelo) SRES A1B


Anomalías Temperatura 2020s SRES A2BCCR−BCM2−0 CCCMA−CGCM3−1−T47 CCCMA−CGCM3−1−T63 CNRM−CM3 CSIRO−MK3−0 CSIRO−MK3−5 GFDL−CM2−0 GFDL−CM2−1



Temperatura Media (°C)









2020s 2050s 2080s

Anomalías Temperatura Media (Media Multimodelo) SRES A1B


2020s 2050s 2080s

Anomalías Temperatura Media (SD Multimodelo) SRES A1B


RCMs PRECIS

• Región: Andes• Resolución 50 km• Grilla de 151 x 153• Plataformas:

• 3 Servidores• 8 Núcleos cada uno• Entre 75% y 100% de su capacidad en uso.

• Efectuamos corridas de una década. • 1 Modelo de 150 años tarda en promedio 4 meses procesandose, trabajando a 2 corridas de 4 núcleos cada una.• Una década de procesamiento representa 2 semanas de procesamiento en tiempo real y 106 GB de espacio (150 años = 1.6 TB).• 173 variables… 24 variables de interés. Postprocesamiento, lleva cerca de 1 mes por modelo!. • Alto volumen de datos nuevamente..

Algunas cifras..

GCM Periodo Scenario % Completado Tiempo EstimadoHadCM3Q0 1950 - 2100 SRES A1B 75% 1 mesHadCM3Q16 1950 - 2100 SRES A1B 100% NAHadCM3Q3 1950 - 2100 SRES A1B 95% 1/2 mesECHAM5 1950 - 2100 SRES A1B Iniciado 5 meses

PRÓXIMAS CORRIDAS

ECHAM4 1989 - 2100 SRES A2

ECHAM4 2069 - 2100 SRES B2

HadAM3P 1960 - 1990 Baseline


HadAM3P 2070 - 2100 SRES A2

HadAM3P 2070 - 2100 SRES B2




ERA40 1957 - 2000 Reanalisys

NCEP:R2 1979 - 2005 Reanalisys

HadRM3P 1988 - 1997 ERA-Interim

CORRIDAS

Post-Procesamiento

• Sumarizar salidas: mensual, anual, tridecadal. • Calcular bioclimáticos y meses consecutivos.• Cómo?

… caso de estudioImplementation and validation of a Regional

Climate Model for Bolivia (Seiler 2009)

Metodología

Mapa porceldas R2,

RMSQ,slope

Comparación con

estaciones GHCN

GCM vs StationsGHCN

R2 Vs. Lat / Alt

Conversión de formatos

Promedios/sumas, mens

uales/anuales

Extracción de datos por estaciones

Histogramas R2, RMSQ, sl

ope

RMSQ vs. Lat / Alt

RMSQ vs. Lat / Alt

Validación MRI

• Tiempo de ejecución: 6 meses• Inconvenientes:

• Gran volumen de datos• Gran costo de transacción procesos de conversión y extracción.• Desarrollo de scripting (Python, aml, R)• Revisión y evaluación de métodos de comparación.•Correcciones

• Plataformas:• 3 Servidores Windows 8 núcleos c/u.• Entre 30% y 50% de su capacidad en uso.

Precipitation Annual 1979MRI Datasets vs. GHCN Stations

R² = 0.051

0.0

1000.0

2000.0

3000.0

4000.0

5000.0

6000.0

7000.0

8000.0

0.0 1000.0 2000.0 3000.0 4000.0 5000.0 6000.0 7000.0 8000.0

GH

CN

Sta

tio

ns

(mm

/yr)

MRI Datasets (mm/yr)

R² = 0.435

0

1000

2000

3000

4000

5000

6000

7000

8000

0 1000 2000 3000 4000 5000 6000 7000 8000

GH

CN

Sta

tio

ns

(mm

/yr)

MRI Dataset (mm/year)


MRI



R² = 0.254

0

1000

2000

3000

4000

5000

6000

7000

8000

0 2000 4000 6000 8000

GH

CN

Sta

tio

ns

(mm

/yr)


R² = 0.208

0

1000

2000

3000

4000

5000

6000

7000

8000

0 1000 2000 3000 4000 5000 6000 7000 8000

GH

CN

Sta

tio

ns

(mm

/yr)


MRI

• Gran volumen de datos… limitada capacidad de almacenamiento y procesamiento.• Corrección de anomalías => reprocesamiento.•Plataformas:

• 4 Servidores Windows• 8 núcleos cada uno => 8 procesos aml máximoal tiempo.

• Interpolaciones conllevan un amplio gastos de recursos de las máquinas ( RAM CPU).

Consideraciones e Inconvenientes

1 interpolación (37 pasos)

Un cálculo rápido…

x 7 periodosx 20 GCMs

= 1 semana

210 semanas

x 3 escenarios

÷ 4 servidores÷ 4 procesos

= 26 semanas= 6 meses!!

1 corrida de PRECIS (1 década)

x 15 periodosx 1 GCM

= 2 semanas

30 semanas

x 1 escenario

÷ 3 servidores÷ 2 procesos

= 5 semanas

= 300 semanas = 6 años!!

x 20 GCM

x 3 escenarioHipotéticamente..

• Procesos GCMs Interpolados para 7 periodos62/63 (≈ 20 GCMs x 3 escenarios) = 98%

• Calculando futuros basados en worclim. Tiempo estimado = 4 meses.

• Procesos Disegregaciones para 7 periodos63/63 (≈ 20 GCMs x 3 escenarios) = 100%

• Ejecutando Resample 2.5min, 5min, 10min y conversión a ASCII. Tiempo estimado = 3 meses.

Y luego…Publicar datos gisweb.. 1 mes adicional

Avances

• CIAT pone sus datos y

métodos a disposición de

cualquier público.

• Existen diferentes

metodos, requieren:

– Aplicacion

– Validacion

– Escogencia de escenarios

mas pertinentes para el

contexto nacional

Flujo de informacion escritico para nosotros comoretroalimentacion y para no

repetir trabajo que otroshan hecho ya.

• Necesitamos multiples acercamientos paramejorar la base de informacion acerca de escenarios de cambio climatico– Desarollo de RCMs (multiples: PRECIS NO ES

SUFICIENTE)

– Downscaling empirico, metodos hybridos

– Probamos diferentes metodologias

• Contactos con otras instituciones..– i.e. Cptec Brasil, modelo ETA.

mailto:[email protected]

mailto:[email protected]

Carlos N - Experiencia en CIAT con modelacion climatica

Documents