Top Banner
GCM vs RCM Carlos Navarro Julian Ramirez Andy Jarvis
39

Navarro C - GCM vs RCM

Jul 23, 2015

Download

Documents

Welcome message from author
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
Page 1: Navarro C - GCM vs RCM

GCM vs RCM

Carlos Navarro Julian Ramirez Andy Jarvis

Page 2: Navarro C - GCM vs RCM

IntroDatos climáticos

Para qué se necesitan?Quién los necesita?Inconvenientes?

ProblemasConocimiento limitadoComplejidad del sistema climáticoResoluciones de modelos climáticos no adecuadas.Proporcionar los datos del clima futuro a escala fina.Incertidumbres

Page 3: Navarro C - GCM vs RCM

• Agricultura demanda:–Múltiples variables–Muy alta resolución espacial.– Alta resolución temporal

(i.e. mensual, diaria).– Previsiones precisas del

tiempo y las proyecciones climáticas.

– Alta certidumbre. • Tanto para presente como

para futuro.

Clima & Agricultura

Page 4: Navarro C - GCM vs RCM

Los GCMs son la única manera en que podemos predecir el clima a futuro…

Los modelos de predicción GCMs

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

Page 5: Navarro C - GCM vs RCM

GCMs y Resoluciones

Escala global Pero.. Escala regional o local

Características Principales

• Resolución horizontal de unos 100 a 300 km

• 18 y 56 niveles verticales.

Page 6: Navarro C - GCM vs RCM

Model Country Atmosphere OceanBCCR-BCM2.0 Norway T63, L31 1.5x0.5, L35CCCMA-CGCM3.1 (T47) Canada T47 (3.75x3.75), L31 1.85x1.85, L29CCCMA-CGCM3.1 (T63) Canada T63 (2.8x2.8), L31 1.4x0.94, L29CNRM-CM3 France T63 (2.8x2.8), L45 1.875x(0.5-2), L31CSIRO-Mk3.0 Australia T63, L18 1.875x0.84, L31CSIRO-Mk3.5 Australia T63, L18 1.875x0.84, L31GFDL-CM2.0 USA 2.5x2.0, L24 1.0x(1/3-1), L50GFDL-CM2.1 USA 2.5x2.0, L24 1.0x(1/3-1), L50GISS-AOM USA 4x3, L12 4x3, L16GISS-MODEL-EH USA 5x4, L20 5x4, L13GISS-MODEL-ER USA 5x4, L20 5x4, L13IAP-FGOALS1.0-G China 2.8x2.8, L26 1x1, L16INGV-ECHAM4 Italy T42, L19 2x(0.5-2), L31INM-CM3.0 Russia 5x4, L21 2.5x2, L33IPSL-CM4 France 2.5x3.75, L19 2x(1-2), L30MIROC3.2-HIRES Japan T106, L56 0.28x0.19, L47MIROC3.2-MEDRES Japan T42, L20 1.4x(0.5-1.4), L43MIUB-ECHO-G Germany/Korea T30, L19 T42, L20MPI-ECHAM5 Germany T63, L32 1x1, L41MRI-CGCM2.3.2A Japan T42, L30 2.5x(0.5-2.0)NCAR-CCSM3.0 USA T85L26, 1.4x1.4 1x(0.27-1), L40NCAR-PCM1 USA T42 (2.8x2.8), L18 1x(0.27-1), L40UKMO-HADCM3 UK 3.75x2.5, L19 1.25x1.25, L20UKMO-HADGEM1 UK 1.875x1.25, L38 1.25x1.25, L20

GCMs y Resoluciones

Incertidumbres!

Page 7: Navarro C - GCM vs RCM

• Primero: mezcla de resoluciones

Dificultades

Page 8: Navarro C - GCM vs RCM

• 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 OKCCCMA-CGCM3.1-T63 OK OK NO NO NO NO NO NO OK OK NO NOCCCMA-CGCM3.1-T47 OK OK NO NO OK OK NO NO OK OK NO NOCNRM-CM3 OK OK NO NO OK OK NO NO OK OK NO NOCSIRO-MK3.0 OK OK OK OK OK OK OK OK OK OK OK OKCSIRO-MK3.5 OK OK OK OK OK OK OK OK OK OK OK OKGFDL-CM2.0 OK OK OK OK OK OK OK OK OK OK OK OKGFDL-CM2.1 OK OK OK OK OK OK OK OK OK OK OK OKGISS-AOM OK OK OK OK NO NO NO NO OK OK OK OKGISS-MODEL-EH OK OK NO NO NO NO NO NO NO NO NO NOGISS-MODEL-ER OK OK NO NO OK OK NO NO OK OK NO NOIAP-FGOALS1.0-G OK OK NO NO NO NO NO NO OK OK NO NOINGV-ECHAM4 OK OK NO NO OK OK NO NO NO NO NO NOINM-CM3.0 OK OK OK OK OK OK OK OK OK OK OK OKIPSL-CM4 OK OK NO NO OK OK NO NO OK OK NO NOMIROC3.2.3-HIRES OK OK OK OK NO NO NO NO OK OK OK OKMIROC3.2.3-MEDRES OK OK OK OK OK OK OK OK OK OK OK OKMIUB-ECHO-G OK OK NO NO OK OK NO NO OK OK NO NOMPI-ECHAM5 OK OK NO NO OK OK NO NO OK OK NO NOMRI-CGCM2.3.2A OK OK NO NO OK OK NO NO OK OK NO NONCAR-CCSM3.0 OK OK OK OK OK OK OK OK OK OK OK OKNCAR-PCM1 OK OK OK OK OK OK OK OK OK OK OK OKUKMO-HADCM3 OK OK NO NO OK OK NO NO OK OK NO NOUKMO-HADGEM1 OK OK NO NO OK OK NO NO NO NO NO NO

Dificultades

Page 9: Navarro C - GCM vs RCM

• Tercero: habilidad limitada de representar clima presente.

Dificultades

Page 10: Navarro C - GCM vs RCM

Opciones Downscaling

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

• Aumentar resolución, uniformizar… proveer datos de alta resolución, contextualizados

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

Page 11: Navarro C - GCM vs RCM

Downscaling Estadístico

Interpolación

• 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

Page 12: Navarro C - GCM vs RCM

El método delta

Page 13: Navarro C - GCM vs RCM

DisaggregationDownscaling Estadístico

• Similar a DELTA pero sin interpolacion– Base climatologica: CRU, WorldClim– Calcular anomalias para periodos requeridos para

celdas GCM– Sumar anomalias a climatologia base

Page 14: Navarro C - GCM vs RCM

RCMs PRECISDownscaling Dinámico

• RCMs (Giorgi 1990)– Usar resultados de GCMs– Son de área limitada.. Necesitan

condiciones de frontera. – Realiza cálculos de la dinámica

atmosférica y resuelve ecuaciones para 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

Page 15: Navarro C - GCM vs RCM

DownscalingGCM vs RCM

¿Downscaling estadístico o dinámico??

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

Page 16: Navarro C - GCM vs RCM

Downscaling GCM vs RCMDisponibilidad de datos GCM (AR4)

Model 20C3M SRES-A1B SRES-A2 SRES-B1

BCCR-BCM2.0 o o o o

CCCMA-CGCM3.1-T63 o o x o

CCCMA-CGCM3.1-T47 o o o o

CNRM-CM3 o o o o

CSIRO-MK3.0 o o o o

CSIRO-MK3.5 o o o o

GFDL-CM2.0 o o o o

GFDL-CM2.1 o o o o

GISS-AOM o o x o

GISS-MODEL-EH o o x x

GISS-MODEL-ER o o o o

IAP-FGOALS1.0-G o o x o

INGV-ECHAM4 o o o x

INM-CM3.0 o o o o

IPSL-CM4 o o o o

MIROC3.2.3-HIRES o o x o

MIROC3.2.3-MEDRES o o o o

MIUB-ECHO-G o o o o

MPI-ECHAM5 o o o o

MRI-CGCM2.3.2A o o o o

NCAR-CCSM3.0 o o o o

NCAR-PCM1 o o o x

UKMO-HADCM3 o o o o

UKMO-HADGEM1 o o o x

Total 24 24 19 20

• Rango: – 2000- 2100

• 30yr averages (siete periodos futuros)– 2010-2039– 2020-2049– 2030-2059– 2040-2069– 2050-2079– 2060-2089– 2070-2099

• Baseline – 1960-1990

Page 17: Navarro C - GCM vs RCM

Downscaling GCM vs RCMDisponibilidad de datos RCM

ERA15ERA40

ERA-InterimNCEP_R2

HadAM3PECHAM5

HadCM3Q0HadCM3Q1HadCM3Q2HadCM3Q3HadCM3Q4HadCM3Q5HadCM3Q6HadCM3Q7HadCM3Q8HadCM3Q9

HadCM3Q10HadCM3Q11HadCM3Q12HadCM3Q13HadCM3Q14HadCM3Q15HadCM3Q16

ECHAM4HadAM3PHadAM3P

ECHAM4

1950 1970 1990 2010 2030 2050 2070 2090

• Rango variable.• Pocos modelos

disponibles para SRES_A2 y B2

• Habilidad limitada de representar condiciones presentes. No todos disponen del Baseline 1960-1990

SRES

A1B

A2

B2Ba

selin

e

Page 18: Navarro C - GCM vs RCM

Downscaling GCM vs RCMResoluciones

RCM GCM Downscaled25-50km ~ 1km

Espacial

Temporal6 horas, diarios, mensuales, anuales,

30 yr avg (mensuales)30yr Avg (mensuales)

Page 19: Navarro C - GCM vs RCM

Downscaling GCM vs RCMVariables de salida

Stash Code Variable Type

2204 Total Cloud Amount (0 ≤ X ≤ 1) Mean

3297 Evaporation Rate From Canopy Sum

3510 Potential Evapotranspiration Factor1 Sum

3511 Potential Evapotranspiration Factor2 Sum

3312 Potential Evaporation Rate Sum

3296 Evaporation Rate From Soil Surface Sum

5216 Total Precipitation Rate Sum

16222 Pressure At Mean Sea Level Mean

3245 Relative Humidity At 1.5 Metres Mean

3237 Specific Humidity At 1.5 Metres Mean

3234 Surface Latent Heat Flux Mean

3313 Soil Moisture Availability Factor Mean

8208Available Soil Moisture Content In Root Zone Sum

3298 Sublimation Rate At Surface Sum

03236.max Temperature At 1.5 Metres Mean

3236 Temperature At 1.5 Metres Mean

03236.min Temperature At 1.5 Metres Mean

3299 Transpiration Sum

00024.max Surface (Skin) Temperature Mean

24 Surface (Skin) Temperature Mean

00024.min Surface (Skin) Temperature Mean

03249.max Wind Speed At 10 Metres (Wind Grid) Mean

3249 Wind Speed At 10 Metres (Wind Grid) Mean

• RCM > 160 variablesMás representativas para agricultura

• GCM Downscaled• Prec mensual• Tmean mensual• Tmin mensual• Tmax mensual• Bioclimáticos

Page 20: Navarro C - GCM vs RCM

Downscaling GCM vs RCMTiempos de procesamiento

1 interpolación GCM (37 pasos)

Un cálculo rápido…

x 7 periodos x 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 periodos x 1 GCM

= 2 semanas

30 semanas

x 1 escenario

÷ 3 servidores÷ 2 procesos

= 5 semanas

= 300 semanas = 6 años!!

x 20 GCM x 3 escenario

Hipotéticamente..

Page 21: Navarro C - GCM vs RCM

GCM Delta Method RCMs*Rápido de implementar * Robusto

> resoluciones < resoluciones

*Aplicable a TODOS los GCMs *Aplicable a GCMs dependiendo de disponibilidad de datos

< variables > variables * Variables no cambian sus relaciones en

tiempo* Variables cambian sus relaciones en

tiempo* Aplicable en varias plataformas *Pocas plataformas (PRECIS)

< procesamiento > procesamiento >> almacenamiento < almacenamiento

*En una mejor etapa de desarrollo *Aun falta mucho desarrollo

*Más fácilmente comparable. Incertidumbre más fáciles de cuantificar *Incertidumbre difíciles de cuantificar

*Depende de la calidad de datos históricos *Depende de la línea base de cada GCM y de los reanálisis.

*No tiene en cuenta fuerzas regionales *Tiene en cuenta fuerzas regionales

Downscaling GCM vs RCMOtras consideraciones

Page 22: Navarro C - GCM vs RCM

• Nuestra capacidad en casa:– 4 servidores de procesamiento Windows 8-cores

(downscaling empírico)– 3 servidores de procesamiento de 24-cores y 1

servidor 8-cores Linux (PRECIS)– ~100TB almacenamiento.

• Compresiones y publicación son procesos más largos y requieren almacenamiento masivo y alta capacidad de (esp. 1km global datasets)

Capacidades & Limitaciones

Page 23: Navarro C - GCM vs RCM

• Downscalados empíricamente, disaggregados para todo el mundo de 1 a 20 km.

• Downscalados dinámicamente (PRECIS) para Sur América.

• 20 GCM para 2050, 9 para 2020 (Datos Stanford) dowscalados a 20km, 5km, 1km

• 7 GCMs con información Tyndall.

Nuestras bases de datos

Page 24: Navarro C - GCM vs RCM

• Proyecciones AR5 … más modelos, mayor resolución.

• Evaluar y validar incertidumbres.

¿Qué sigue?

BCC_csm1-1BNU_esm CCCMA_cancm4CCCMA_canesm2CNRM_cm5CSIRO_access1_0CSIRO_mk3-6-0ICHEC_ec_earthINM_inmcm4IPSL_ipsl_cm5a_lrIPSL_ipsl_cm5a_mrIPSL_ipsl_cm5b_lrMIROC_esm

MIROC_esm-chemMIROC_miroc4hMIROC_miroc5MOHC_hadcm3MOHC_hadgem2-ccMOHC_hadgem2-esMPI-M_mpi-esm-lrMPI-M_mpi-esm-mrMRI_mri-cgcm3NCAR_ccsm4NCC_noresm1-mNOAA_gfld_esm2gNOAA_gfld_esm2m

RCP 4.5Próxima Generación de Escenarios Climáticos (IPCC, AR5)

Representative Concentration Pathways (RCP)Caminos representativos de concentración

Page 25: Navarro C - GCM vs RCM

Evalúa si hay las condiciones climáticas adecuadas ,

dentro de un periodo de crecimiento para T° y Prec….

… y calcula la adaptabiliad climática de la interacción

resultante entre la prec y la T°

• Un algoritmo sencillo para mirar el nicho de cada especie basado sólo en los datos del clima

El Modelo EcoCrop

Aplicaciones

Page 26: Navarro C - GCM vs RCM

http://gisweb.ciat.cgiar.org/ClimateChange/EcoCropFB/

Enlaces útiles

Page 27: Navarro C - GCM vs RCM

MaxEnt (Maximum Entropy Modelling)• Modelo de predicción de la

distribución potencial de una especie• Maxent utilizar el principio de la

máxima entropía• Usa puntos de presencia de

determinadas especies y las variables ambientales

• Uno de el modelo más precisos para la predicción cambios en los rangos en los que la especie puede adaptarse.

Aplicaciones

Page 28: Navarro C - GCM vs RCM

http://gismap.ciat.cgiar.org/analogues/ Enlaces útiles

Page 29: Navarro C - GCM vs RCM

http://ccafs-climate.orgEnlaces útiles

Page 30: Navarro C - GCM vs RCM

http://amkn.org Enlaces útiles

Page 31: Navarro C - GCM vs RCM

http://www.ipcc-data.org/ddc_climscen.html Enlaces útiles

Page 32: Navarro C - GCM vs RCM

https://esg.llnl.gov:8443/index.jsp Enlaces útiles

Page 33: Navarro C - GCM vs RCM

http://pcmdi3.llnl.gov Enlaces útiles

Page 34: Navarro C - GCM vs RCM

http://www.worldclim.org/ Enlaces útiles

Page 35: Navarro C - GCM vs RCM

http://srtm.csi.cgiar.org/ Enlaces útiles

Page 36: Navarro C - GCM vs RCM

http://www.cru.uea.ac.uk/ Enlaces útiles

Page 37: Navarro C - GCM vs RCM

http://dapa.ciat.cgiar.org/ Enlaces útiles

Page 38: Navarro C - GCM vs RCM

http://ccafs.cgiar.org/ Enlaces útiles