RETOS ACTUALES Y APROXIMACIONES EN HOMOGENEIZACIÓN · ajustes mensuales diarios otros momentos...

TALLER HOMOGENEIZACIÓN Y SEQUÍAS, 9-13/12/2013

RETOS ACTUALES Y APROXIMACIONES EN HOMOGENEIZACIÓN

Enric AguilarCentro en Cambio Climático, C3

URV, Tarragona, España


CONTENIDOS● El problema de la homogeneización● Corrección de datos diarios.● Ejemplos de bancos de datos y

homogeneización.● El proyecto ISTI● Investigación con datos paralelos● Conclusiones.


EL PROBLEMAHomogéneo significa “de la misma naturaleza” Una una serie temporal climática homogenea se define como aquella cuyas variaciones están causadas únicamente por variaciones del climaContrariamente, una una serie temporal climática inhomogénea es aquella que contiene variaciones (sesgos) causados por factores distintos al clima


¿PARA QUÉ DATOS HOMOGÉNEOS?


CAUSAS DE INHOMOGENEIDAD

Instrumentos Relocalizaciones Cambios en el entorno Cambios de exposición Cambios en el cómputo de parámetor Procedimientos de medida (i.e., horas de observación) Procedimientos de mantenimiento Digitalización y gestión base de datos

CAUSAS DE INHOMOEGENEIDAD

• Un dato es (y ha sido a lo largo de la historia): – Observado mediante un instrumento meteorológico (como un

termómetro, un pluvómetro o una EMA) registran un valor– Anotado (un observador lo anota en una ficha de papel)– Convertido a formato digital: escaneado, tecleado, o – en tiempos

modernos – cargado a un datalogger– Sometido a cálculos: se deriva, por ejemplo, la temperatura media

diaria a partir de la máxima y la mínima– Incorporado a uno o varios bancos de datos, como los de los servicios

meteorológicos o ECA&D y LA&CAD Dichos bancos presentan sus propios formatos y códigos que cualquier usuario debería conocer

– Sometido a extraccciones y reformatos (para este taller, se requieren datos organizados en un fichero por estación, un registro por día, seis campos por registro, aaaa,mm,dd, rr,tx,tn)


¿HOMOGENEIZACIÓN?

HOMOGENEIZACIÓN

DETECCIÓN AJUSTE

APLICACIONES DEL DATO

HOMOGENEIZADO

DARE,QC


¿Por qué estaciones que comparten la misma señal climática presentan cambios en su

relación media?


¿Qué cambió en 87244 en 1995?


¿Por qué muchas estaciones de la red presentan disimetrías entorno a 1930-1940?


¿Y esto?


HOMOGENEIZAR ES:


METADATOS

DETECCIÓN

TESTVISUAL


DETERMINACIÓN DE HSP ● Inspección visual

series AWS-CON● Test SNHT y cghseg

sobre el AR1● Soporte con

metadatos● Decisión de HSPs

finales mediante jucio experto


TEST

ABSOLUTOS(ROJO = peligro)

RELATIVOS

SEGMENTACIÓNJERÁRQUICA

SEGMENTACIÓNMULTIPLE

REFERENCIASCOMPUESTAS

COMP.EMPAREJADAS

CORRELACIÓN

AUTOMATICO

SEMIAUTOMATICO

MANUAL


AJUSTESMENSUALES

DIARIOSOTROS MOMENTOS

MEDIA

APPLICACIÓN DE FACTORES ANUALES, ESTAC. O MENS.

INTERPOLACIÓN FACTORESMENSUALES A DATO DIARIO

ESTUDIO DE MEDIDAS EMPAREJADAS

AJUSTES DEPENDIENTES TIEMPO

AJUSTE DE DISTRIBUCIONESDE VALORES EXTREMOS

EMPAREJAMIENTO DE QUANTILES EMPÍRICOS

DIFERENCIAS/RATIOS ENTRE MEDIAS DE

HSPs

AJUSTE DE MOD. REG. NO LINEAL(CUBIC SPLINES)

CÁLCULO Y APLICACIÓN DE FACTORES DIARIOS


WP1 SURVEY (COST-HOME, 2007)

● Pocas aproximaciones usaban correcciones especiales para datos diarios.

● La mayoría– No hacían nada

(descartaban los datos inhomogéneos)

– Aplicaban factores anuales, estacionales o mensuales

– Interpolaban los factores mensuales al ciclo diario


MODELO CORRECIÓN DATOS DIARIOS

HSP1HSP2

HSP1 HSP2


MODELO CORRECCIÓNDATOS DIARIOS

HSP1HSP2

● Se necesitan estaciones vecinas con: ● Alta correlación (>0.8 or >0.9)● Ausencia de puntos de cambio solapados● Datos solapados para todo el periodo de la estación candidata

● Se ha evaluado su aplicación para temperatura. Para precipitación resulta inviable o de dudosa aplicación


EFECTOS RELOCALIZACIÓN. PERCENTILES. AUSTRALIA

Trewin, 2012


EL EXPERIMENTO DE SPLIDHOM ● Mestre et al. (2011) re-

muestrean la estación de Tolouse station creando pares de estaciones correlacionadas (r controlada) y añadiendo inhomogeneidades con distintas formas a una estación de cada par


r = 0.8

● La interpolación de Vincent supera al resto de métodos excepto para Q05 y temperatura máxima absoluta.


R = 0.9 (!)● SPLIDHOM supera al

resto de métodos


EL EXPERIMENTO DE MADRID

8 ESTACIONES

Casi completasBuena correlación

6 estaciones

1 COMPUESTA(Madrid + Getafe =

“MAGETA” )BREAK en 31/12/1999


DETECCIÓN SOBRE DATOS ANUALES Y ESTACIONALES

APLICACIÓN DE HOMER

00024620 BREAK 1980 10 n NAVACERRADA00024620 BREAK 2008 12 n NAVACERRADA00031290 BREAK 1999 3 n AEROPUERTO00031290 BREAK 2004 11 n AEROPUERTO00031680 BREAK 2005 12 N GUADALAJARA00031750 BREAK 1990 2 n TORREJON00031750 BREAK 1993 1 n TORREJON0003191E BREAK 1986 12 n COLMENAR_VIEJO0003191E BREAK 1987 9 n COLMENAR_VIEJO0003191E BREAK 1995 1 n COLMENAR_VIEJO99932000 BREAK 2000 1 n MAGETA


AJUSTES DE TEMPERATURA ENSAYADOS

RHTESTV4 ABSOLUTE (QM and MEAN)

RHTESTV4 WHITH REF(QM AND MEAN)

HOM (SEASONAL AND MONTHLY)

INTERPOLATION OF MONTHLY FACTORS

SPLIDHOM(SEASONAL AND MONTHLY)

PM TREWIN 2012

COMPOSITE MAGETA


¿SE PARECE MÁS LA SERIE AJUSTADA A LA ORIGINAL QUE LA ARTIFICIALMENTE COMPUESTA?

RAWRMSE AND RATIO TO RAW (> 1 = GAIN)

Red: RHTESTBlue: HOMSPLIDHOMGreen: InterpolMagenta: Trewin

SÍ, CON CUALQUIER MÉTODO


¿SON TODAS LAS CORRECCIONES IGUALES?


EFECTO SOBRE ÍNDICESETCCDI. TX90p

<---Original

Interpol--->

<--- Raw

Trewin--->


ÍNDICES ETCCDI. TX10P.

<---Original

Interpol--->

<--- Raw

Trewin--->


ÍNDICES ETCCDI. TENDENCIAS


CORRECCIONES BASADAS SITUACIÓN METEOROLÓGICA

Auchmann and Brönnimann (2012)


INVESTIGACIÓN CON MEDIDAS PARALELAS

Es necesario recoger y mantener una base de datos de medidas paralelas lo más amplia posible

oNos debe permitir estudiar las propiedades estadísticas de los distintos tipos de inhomogeneidades

oDesarrollar métodos de correción más eficientesoGenerar bancos de datos sintéticos para

actividades de benchmarkingo Estudiar la incertidumbre asociada con distintos

métodos de ajuste


CORRECCIÓN SCREEN.


NETWORK CRMSE (ADJ-AWS/CON-AWS)

< 1 = MEJORA


BANCOS DE DATOS NO HOMOG. European Climate Assessment

& Dataset– Homogeneity assessed (useful,

doubtful, suspect) Global Historical Climatology

Network – Daily

Introduction: Klein Tank, et al. Daily dataset of 20th-century surface air temperature and precipitation series for the European Climate Assessment. Int. J. Climatol., 22: pp. 1441–1453. doi: 10.1002/joc.773, 2002.

Update: Kolk, E.J. and A.M.G. Klein Tank. Updated and extended European dataset of daily climate observations. Int. J. Climatol., 29, pp. 1182-1191, doi: 10.1002/joc.1779, 2009.

Homogeneity assessment: Wijngaard, J.B., A.M.G. Klein Tank, and G.P. Können. Homogeneity of 20th century European daily temperature and precipitation series. Int. J. Climatol., 23, pp. 679-692, 2003.

Dataset: Menne, M.J., I. Durre, R.S. Vose, B.E. Gleason, and T.G. Houston. An Overview of the Global Historical Climatology Network-Daily Database. J. Atmos. Oc. Technol., 29, pp. 997-910, 2012.

Quality control: Durre, I., M.J. Menne, B.E. Gleason, T.G. Houston, R.S. Vose. Comprehensive Automated Quality Assurance of Daily Surface Observations. J. Appl. Meteor. Climatol., 49, 1615–1633, 2010.


SDATS, SDAPS(22 SERIES LARGAS EN ESPAÑA)

● SDATS: temperatura; corrección de screen (p) + SNHT+Interpolación factores mensuales

● SDAPS: precipitación, aplicación factores estacionales


SDATS, SDAPS(22 SERIES LARGAS EN ESPAÑA)

● SDATS: temperatura, SNHT+Interpolación de factores mensuales

● SDAPS: Precipitación, aplicación de factores estacionales

No es posible encontrar series con r > 0.8 y sin puntos

de cambio solapados


Skansi et al, 2013, Sudamérica

SNHT (temp), RHTEST precip, Vincent dato diario temp.


HOMOGENEIZACIÓN DISTRIB. Austria: 1948-2009, 57 Tmin & 54 Tmax Detección: PRODIGE, metadata

– Anual, invierno, verano Correccioón: SPLIDHOM

Description dataset: Nemec, J., Ch. Gruber, B. Chimani, I. Auer. Trends in extreme temperature indices in Austria based on a new homogenised dataset. Int. J. Climatol., doi: 10.1002/joc.3532, 2012.

Download dataset: http://www.zamg.ac.at QC: Schöner W, Auer I, Böhm R, Thaler S. 2003. Qualitätskontrolle und statistische Eigenschaften ausgewählter

Klimaparameter aus Tageswertbasis im Hinblick auf Extremwertanalysen. StartClim Endbericht. Available from http://www.boku.ac.at/austroclim/startclim/ bericht2003/StCl01.pdf

Ho

mogenised


CONCLUSIONES Y RETOS DE LA HOMOGENEIZACIÓN (I)

● Datos homogeneizados: – La interacción entre DARE, QC, y HOMOGENEIZACIÓN es necesaria para crear

productos climáticos de calidad que permitan cumplir con la GFCS y sus implementaciones nacionales y regionales y facilitar información para la investigación de la variabilidad y el cambio climático

– Los datos homogenizados son necesarios para los análisis locales, regionales y globales

● Inhomogeneidades aleatorias● Inhomogeneidades con sesgo

– Conocer la incertidumbre asociada a los datos climáticos y a los datos climáticos homogenizados

● Es menor la segunda?

– La mayor parte de métodos están diseñados para variables gausianas como la temperatura. Se necesita estudiar como homogenizar otras variables (como la precipitación)


CONCLUSIONES Y RETOS DE LA HOMOGENEIZACIÓN

●Métodos:

– Escala óptima para la detección (señal/ruido vs. precisión): ●La mayoría de homogeneizadores prefieren anual/estacional

●Otros usan mensuales desestacionalizadas

●Los menos intentan detectar sobre datos diarios

–Directa, relativa, absoluta?●La homogeneización directa es la aproximación más potente, aunque requiere medidas emparejadas y aproximaciones específicas para cada problema

●La homogeneización relativa es la mejor opción. En tiempos recientes, las aproximaciones pairwise están siendo preponderantes

●Los métodos absolutos son el último recurso

–Ajustes a datos diarios:●Media: si se puede homogeneizar los datos mensuales, se puede homogeneizar la media de los datos diarios

●Otros momentos: solo si la red de estaciones cumple las premisas necesarias

– Métodos automáticos o manuales: ●Los automáticos son imprescindibles para redes globales o muy exentesas (por ejemplo, la aproximacioń de Menne and Williams en USA)

●Los métodos semi-automáticos son la mejor opción para redes de tamaño medio

●La homogeneización manual puede ser necesaria para estaciones aisladas espacial y/o temporalmente

RETOS ACTUALES Y APROXIMACIONES EN HOMOGENEIZACIÓN · ajustes mensuales diarios otros momentos...

Documents

Transcript of RETOS ACTUALES Y APROXIMACIONES EN HOMOGENEIZACIÓN · ajustes mensuales diarios otros momentos...