Un metodo di downscaling e correzione del bias per le simulazioni di ensemble di modelli climatici locali

Rapporti scientifici volume 13, numero articolo: 9412 (2023) Citare questo articolo

Dettagli sulle metriche

Le simulazioni complessive di modelli climatici vengono utilizzate per valutare l’impatto dei cambiamenti climatici sulle precipitazioni e richiedono un ridimensionamento su scala locale. Sono stati utilizzati metodi di downscaling statistico per stimare le precipitazioni giornaliere e mensili da dati osservati e simulati. Il ridimensionamento dei dati sulle precipitazioni a breve termine è necessario per una previsione più accurata degli eventi di precipitazioni estreme e dei relativi disastri a livello regionale. In questo studio, abbiamo sviluppato e studiato le prestazioni di un metodo di downscaling per le simulazioni dei modelli climatici delle precipitazioni orarie. Il nostro metodo è stato progettato per riconoscere sistemi di precipitazione variabili nel tempo che possono essere rappresentati con la stessa risoluzione del modello numerico. Il downscaling ha migliorato la stima della distribuzione spaziale della frequenza oraria delle precipitazioni, della media mensile e dei valori del 99° percentile. Il cambiamento climatico nella quantità e nella frequenza delle precipitazioni è stato mostrato in quasi tutte le aree utilizzando le 50 medie di insieme delle precipitazioni stimate, sebbene la variabilità naturale fosse troppo grande per essere confrontata con le osservazioni. I cambiamenti nelle precipitazioni erano coerenti con le simulazioni. Pertanto, il nostro metodo di downscaling ha migliorato la valutazione delle caratteristiche climatiche degli eventi di precipitazione estremi e ha rappresentato in modo più completo l’influenza di fattori locali, come la topografia, che erano difficili da valutare utilizzando i metodi precedenti.

Sono necessarie previsioni dettagliate delle precipitazioni regionali per stimare con precisione il rischio di disastri legati all’acqua e la disponibilità di risorse idriche di acqua dolce a causa dei cambiamenti climatici1. A causa della mancanza di risoluzione nei modelli climatici, vengono utilizzati metodi di downscaling dinamici e statistici per stimare i cambiamenti del clima locale utilizzando i risultati dei modelli climatici2. Il downscaling dinamico applica i risultati di output di un modello climatico globale a un modello numerico ad alta risoluzione, che richiede una notevole potenza di calcolo. I metodi statistici si basano sulle regressioni lineari osservate tra le precipitazioni e una serie di variabili atmosferiche1,2. I metodi statistici vengono spesso utilizzati per stimare le precipitazioni giornaliere o mensili da dati osservati e simulati piuttosto che per stimare le precipitazioni orarie sulla base di simulazioni di modelli climatici, a differenza del metodo di downscaling dinamico. In generale, le precipitazioni orarie sono associate a sistemi di precipitazione su mesoscala e sono formate da interazioni tra fattori locali, come la topografia e campi atmosferici variabili nel tempo (ad esempio precipitazioni orografiche)3,4. Tuttavia, i metodi statistici sono generalmente incapaci di riconoscere modelli temporali dettagliati nei sistemi di precipitazione e inadatti a stimare le distribuzioni spaziali delle frequenze orarie delle precipitazioni5,6. Senza una stima corretta, è difficile valutare con precisione l’impatto dei cambiamenti climatici sui modelli regionali delle precipitazioni5.

Recentemente sono stati sviluppati metodi di downscaling che utilizzano l’apprendimento automatico7,8,9,10,11,12,13,14,15,16,17,18,19. Questi metodi possono accogliere variabili esplicative più complesse e stimare le precipitazioni con livelli di precisione più elevati. Tuttavia, la maggior parte di questi metodi non consente la stima delle precipitazioni orarie. In genere, è difficile stimare le precipitazioni orarie perché anche una piccola differenza nei campi atmosferici può modificare la distribuzione delle precipitazioni a causa della non linearità del processo di precipitazione. Pertanto, per stimare le precipitazioni orarie è necessario un metodo in grado di riconoscere le sottili differenze nei modelli meteorologici. Ciò potrebbe essere ottenuto con metodi di apprendimento automatico che utilizzano i risultati dei modelli di previsione e i dati osservativi, che possono potenzialmente essere applicati ai modelli climatici. Tuttavia, non è chiaro se i modelli riconosciuti dai modelli previsionali siano applicabili ai modelli climatici a causa delle differenze nella risoluzione e nei parametri tra questi modelli. Pertanto, è necessario identificare fenomeni comuni sia ai modelli di previsione che a quelli climatici e applicabili ai metodi di downscaling basati sul machine learning.