Índices de extremos en modelos regionales sobre la Península Ibérica

Transcripción

1 Índices de extremos en modelos regionales sobre la Península Ibérica Jesús Fernandez Universidad de Cantabria Thanks to: S Herrera MD Frías S Hallerberg AS Cofiño JM Gutiérrez 2ª reunión CLIVAR España, Feb 2009, Madrid

2 Outline Overview of ongoing projects involving the dynamical downscaling area ESCENA (Acción estratégica Energía y CC) Escenarios regionales de cambio climático en Cantabria (Consejería de Medio Ambiente del Gobierno de Cantabria) Talk about the statistical DS part in 30 min. Extreme indices in ENSEMBLES RCM simulations The ENSEMBLES project Some preliminary results Conclusions/Future work References related to each topic will appear down here

3 ESCENA Generación de escenarios regionalizados de cambio climático en España con modelos de alta resolución Universidad de Castilla La Mancha (coordinador) PROMES Universidad de Cantabria WRF Universidad de Murcia MM5 Universidad de Santiago de Compostela RAMS Objetivos Complementar las simulaciones regionales de ENSEMBLES incluyendo las Islas Canarias... incluyendo más escenarios (A2, B1)... utilizando modelos alternativos (WRF, MM5, RAMS)

4 The ENSEMBLES GCM/RCM Matrix A1B Scenario ECMWF METO HC METO HC ERA40 HadCM3e1 HadCM3Q0 ECHAM5r3 METO HC MPIM * CNRM * DMI ETHZ * KNMI * SMHI UCLM C4I ENSEMBLES RCM \ GCM MPIMET CNRM METNO ARPEGEv4.5SG BCM CGCM ICTP GKSS METNO * CHMI OURANOS

5 The ENSEMBLES ESCENA Matrix A1B Scenario ECMWF METO HC METO HC ERA40 HadCM3e1 HadCM3Q0 ECHAM5r3 METO HC MPIM * CNRM * DMI ETHZ * KNMI * SMHI UCLM C4I ENSEMBLES RCM \ GCM MPIMET A2 CNRM METNO ARPEGEv4.5SG BCM CGCM3 B1 CNRM MPIMET METO HC MPIMET Arpege 4AR ECHAM5 HadCM3 ECHAM x ICTP GKSS METNO * ESCENA CHMI OURANOS UCLM UC UM USC Distribución tentativa de simulaciones en ESCENA

6 Proyecto de escenarios para Cantabria G1. Grupo de Meteorología Aplicada: Dr. José Manuel Gutiérrez, (responsable, coordinador) Dr. Antonio Santiago Cofiño, Dr. Jesús Fernández Fernández. D. Sixto Herrera García D. Daniel San Martín Segura G2. Grupo de Física Estadística (CSIC/UC): Dr. Miguel Angel Rodríguez Díaz (responsable) Dra. María Dolores Frías G3. Grupo de Investigación en Estudio y Gestión del Medio Natural: Dr. Domingo Fernando Rasilla Álvarez (responsable) Dr. Juan Carlos García Codrón G4. Grupo de Investigación en Geografía Histórica del Paisaje: Dr. Manuel Frochoso Sánchez (responsable) D. Juan José Rodríguez Velasco G5. Grupo de investigación en Ingeniería Oceanográfica y de Costas (GIOC): Dr. Fernando Méndez Incera (responsable) Dr. Raul Medina Santamaria Dr. Iñigo Losada Rodriguez Dr. Cesar Vidal Pascual Dr. Mauricio González Rodriguez Dra. Sonia Castanedo Barcena G6. Centro Meteorológico Territorial de Cantabria y Asturias (AEMET)

7 Proyecto de escenarios para Cantabria Escenarios regionales de cambio climático en Cantabria Generar climatologías de alta resolución para la zona Rejilla con realce topográfico, distancia al mar, insolación potencial, orientaciones, bloqueos,... a 1Km Generar escenarios mediante downscaling estadístico Rejilla interpolada a 10Km Aplicación de una batería de técnicas a las salidas del AR4 Validación de técnicas de downscaling para clima marítimo (alturas de ola, direcciones de viento,...) Escenarios mediante downscaling dinámico Análisis de RCMs de ENSEMBLES a 25Km sobre la zona Generar climatología mediante ERA40+WRF a 5Km para analizar potenciales mejoras en zonas de orografía compleja.

8 Proyecto de escenarios para Cantabria Emission Scenarios GCM Global Predictions Dynamical Downscaling runs regional climate models in reduced domains with boundary conditions given by the GCMs. RCM A2 B2 Historical Records A2 Statistical Downscaling techniques are based on empirical models fitted to data using historical records. Climatology ( ) Y = f (X;θ ) The form and parameters of the model depend of the different tecniques used. A2

9 Proyecto de escenarios para Cantabria Emission Scenarios GCM Global Predictions Dynamical Downscaling runs regional climate models in reduced domains with boundary conditions given by the GCMs. RCM A2 B2 Historical Records A2 Statistical Y = f (X;θ ) Downscaling techniques are based on A2 The form and empirical Talk by S. Herrera in a few minutes models fitted parameters of the to data using model depend of the different historical tecniques used. records. Climatology ( )

10 Proyecto de escenarios para Cantabria RCMs Obs Temperaturas mínimas Tendencias ( )

11 Proyecto de escenarios para Cantabria RCMs Obs Temperaturas mínimas Tendencias ( )

12 Proyecto de escenarios para Cantabria Precipitación anual Obs Tendencias ( ) RCMs mm mm/dec.

13 Proyecto de escenarios para Cantabria Precipitación anual Obs Tendencias ( ) RCMs mm mm/dec.

14 Proyecto de escenarios para Cantabria

15 Outline Overview of ongoing projects involving the dynamical downscaling area ESCENA (Acción estratégica Energía y CC) Escenarios regionales de cambio climático en Cantabria (Consejería de Medio Ambiente del Gobierno de Cantabria) Talk about the statistical DS part in 30 min. Extreme indices in ENSEMBLES RCM simulations The ENSEMBLES project Some preliminary results Conclusions/Future work References related to each topic will appear down here

16 ENSEMBLES EU funded project The ENSEMBLES ( eu.org) project is supported by the European Commission's 6th Framework Programme ( ). Among many other things, the project aims at producing an ensemble of RCM simulations at 25km resolution downscaling global climate change simulations and reanalysis data. The next slides show results from the following (randomly selected) RCMs: Institution CNRM ETHZ METNO MPI KNMI RCM Aladdin CLM HIRHAM REMO RACMO2 GCM ARPEGE HadCM3 BCM ECHAM5 ECHAM5 and explore the period (A1B scenario) w.r.t

17 ENSEMBLES: precipitation ERA40 nested runs winter precipitation ( ) fernandej AT unican DOT es

18 ENSEMBLES: precipitation ERA40 nested runs summer precipitation ( ) fernandej AT unican DOT es

19 ENSEMBLES RCMs: resolution dependence Forcing GCM 50km 25km Observed fernandej AT unican DOT es

20 ENSEMBLES RCMs: precipitation ERA vs. GCM fernandej AT unican DOT es

21 ENSEMBLES RCMs: precipitation ERA vs. GCM ECHAM5 fernandej AT unican DOT es KNMI

22 ENSEMBLES RCMs: precipitation A1B vs 20C3M fernandej AT unican DOT es

23 ENSEMBLES: precipitation ECHAM5 fernandej AT unican DOT es KNMI

24 ENSEMBLES RCM Precip: exceedance of P90 CNRM MPI ETHZ METNO Percentage of wet days in the period with rainfall amounts exceeding the 90% percentile of the reference period fernandej AT unican DOT es

25 ENSEMBLES RCM Precip: exceedance of P90 CNRM MPI ETHZ METNO both nested in ECHAM5 KNMI fernandej AT unican DOT es

26 Conclusions Conclusions This study is very preliminar The signal for precipitation change seems far more sensitive to the GCM than to the RCMs Precipitation changes proyected for the near future are stronger in the extremes than in the mean. Additionally, each model produces a different spatial change pattern. Future work Analyse global GCM input to find out physical explanations for the biases in the RCMs Apply a real extreme value theory to the data (GEV, GPD) for a better assesment of the representativity of extremes in RCMs See the references into the above material.