Post on 14-Jul-2015
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.
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!
• 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
• 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)
Anomalías Precipitación 2050s 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)
Anomalías Precipitación 2080s 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)
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
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
Temperatura Media (°C)
Anomalías Temperatura 2050s 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
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
Temperatura Media (°C)
Anomalías Temperatura 2080s 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
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
Temperatura Media (°C)
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 1960 - 1990 Baseline
HadAM3P 2070 - 2100 SRES A2
HadAM3P 2070 - 2100 SRES B2
HadAM3P 2070 - 2100 SRES A2
HadAM3P 1960 - 1990 Baseline
HadAM3P 2070 - 2100 SRES A2
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)
Precipitation Annual 2003MRI Datasets vs. GHCN Stations
MRI
Precipitation Annual 1988MRI Datasets vs. GHCN Stations
Precipitation Annual 1998MRI Datasets vs. GHCN Stations
R² = 0.254
0
1000
2000
3000
4000
5000
6000
7000
8000
0 2000 4000 6000 8000
GH
CN
Sta
tio
ns
(mm
/yr)
MRI Dataset (mm/year)
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 Dataset (mm/year)
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.