Download Time-space distribution of the impact of initial and boundary

DESARROLLO DE ESCENARIOS DE CAMBIO CLIMÁTICO PARA BOLIVIA
BASADOS EN TRES MODELOS CON DOWNSCALING Y LA
CAPACITACIÓN A TÉCNICOS PARA EL USO DE LOS ESCENARIOS
DESARROLLADOS
Thomas Reichler, Universidad de Utah
28 de Febrero 2014 | February 28th 2014
Contenido | Content
A.
Primer Informe | First Progress Report
B.
Segundo Informe | Second Progress Report
C.
Informe Especial | Special Progress Report
D.
Informe Final | Final Progress Report
DESARROLLO DE ESCENARIOS DE CAMBIO CLIMÁTICO PARA BOLIVIA
BASADOS EN TRES MODELOS CON DOWNSCALING Y LA CAPACITACIÓN A
TÉCNICOS PARA EL USO DE LOS ESCENARIOS DESARROLLADOS
PART A
Primer Informe / First Progress Report
Thomas Reichler, Universidad de Utah
9 de Junio 2013 / June 9th 2013
Antecedentes / Background
Este es el primer informe de avance para el proyecto titulado "DESARROLLO DE
ESCENARIOS DE CAMBIO CLIMÁTICO PARA BOLIVIA BASADOS EN TRES
MODELOS CON DOWNSCALING Y LA CAPACITACIÓN A TÉCNICOS PARA
EL USO DE LOS ESCENARIOS DESARROLLADOS”, dirigida por Thomas Reichler, de la Universidad de Utah / EE.UU. para el Ministerio de Bolivia Medio Ambiente
y Agua (MMAyA). El proyecto se encuentra en su cuarto mes desde su inicio oficial a
finales del mes de febrero de 2013 (fecha de la firma de documentos). El proyecto forma parte de la primera fase del proyecto piloto internacional Programa para la Adaptación al Cambio Climático (PPCR por sus siglas en inglés), uno de los programas del
Climate Investment Funds CIF. Los fondos disponibles para este proyecto como parte
de Bolivia PPCR Fase 1 son administrados a través del Banco Mundial.
This is the first progress report for the project entitled ‘Development of climate change
scenarios for Bolivia based on three models with downscaling and technical training for
use of scenario development’, conducted by Thomas Reichler from the University of
Utah/USA for the Bolivian Ministry of Environment and Water (MMAyA). The project
is now in its fourth months since its official inception at the end of February 2013 (signage of documents). The project is part of the first phase of the international Pilot Program for Climate Resilience (PPCR), one of the programs under the Climate Investment
Funds CIF. The funds available to this project as part of Bolivia PPCR Phase 1 are administered through the World Bank.
El objetivo general de este proyecto es entender cómo el cambio climático afectará a
Bolivia en las próximas décadas y permitir a Bolivia una mejor planificación de los
riesgos potenciales del cambio climático. Este objetivo se logrará mediante una técnica
llamada "reducción de escala dinámica" (o downscaling dinámico). En esta técnica, se
implementa un modelo climático regional de alta resolución sobre el territorio de Bolivia a fin de simular el clima de esta región. Los límites del modelo regional se anidan en
la salida de un modelo climático global, permitiendo así mejorar considerablemente la
gruesa escala espacial de la información climática del modelo global sobre el territorio
de Bolivia.
The overall goal of this project is to understand how climate change will affect Bolivia
in the decades to come and to enable Bolivia better planning against the potential risks
of climate change. This goal will be achieved by a technique called dynamical regional
climate downscaling. In this technique, a high-resolution regional climate model is
placed over Bolivia to simulate its climate. The boundaries of the regional model are
nested into the output of a global climate model, thus considerably refining the coarse
scale climate information of the global model over the territory of Bolivia.
El modelo atmosférico regional usado para este estudio es la versión 3.4.1 de la versión
avanzada para investigación del modelo Weather Research and Forecasting (WRF), un
sistema numérico de mesoescala de predicción de tiempo de última generación desarrollado por diversos centros de investigación de los EE.UU. En esta primera fase, la más
- A2 -
exploratorio de este proyecto, WRF se anida en la salida de reanálisis atmosférico para
simular el clima actual. Las simulaciones del clima actual sirven para probar el sistema
de modelado y quitar sesgos de las simulaciones posteriores con los modelos globales.
El método de anidar WRF a la salida de los diferentes modelos de clima global del
Quinto Informe de Evaluación del Grupo Intergubernamental de Expertos sobre el
Cambio Climático (AR5) es utilizado para simular el cambio climático futuro.
The regional model of this study is the version 3.4.1 Weather and Research Forecast
model (WRF). In this first, more exploratory phase of this project, WRF is nested into
the output of atmospheric reanalysis to simulate current climate. The simulations for
current climate serve to test the modeling system and to de-bias the subsequent simulations with the global models. Nesting WRF into the output of different global climate
models from the Fifth Assessment Report of the Intergovernmental Panel on Climate
Change (AR5) will be used to simulate future climate change.
Tarea A. Configuración de modelo WRF y sus dominios, incluyendo las
condiciones de frontera inferior de alta resolución / Task A. Setting up
WRF model and domains, including high resolution lower boundary conditions
Todas las tareas que se describen en este informe se llevaron a cabo en nuestro cluster
local, que es mantenido por el Centro de Computación de Alto Rendimiento (CHPC) de
la Universidad de Utah. El Investigador Principal (IP) de este proyecto fue capaz de
asegurar una cantidad considerable de tiempo de cálculo y espacio en disco en el nuevo
centro de cómputo en el Laboratorio de Sistemas Computacional y de la Información
(CISL)Yellowstone, EE.UU. Todas las tareas computacionales y análisis futuros se llevarán a cabo por tanto, en este sistema mucho más potente.
All tasks described in this report are carried out on our local computer cluster, which is
maintained by the Center for High Performance Computing (CHPC) of the University
of Utah. The PI of this project was able to secure a considerable amount of computing
time and disk space on the new Yellowstone US computing facility of the Computational and Information Systems Laboratory (CISL). All future computational and data
analytical task will be therefore carried out on this much more powerful system.
Se descargó la versión 3.4.1 del WRF Investigación Avanzada (ARW) de 16 de septiembre 2011 (WRF-model.org) e instalado en nuestro grupo local de. Las condiciones
de frontera inferiores prescritas (por ejemplo, el albedo, uso de la tierra, tipo de suelos,
orografía, etc.) se toman del espectrorradiómetro de imágenes de resolución moderada
(MODIS) y son parte del paquete estándar WRF. Adicionalmente, para representar plenamente la topografía a 1 kilómetro del dominio más interno d04, se descargaron y procesaron datos de alta resolución (30 m) de ASTER (Advanced Spaceborne Thermal
Emission and Reflection Radiometer ), Modelo Global de Elevación de Superficie Versión 2 (GDEM V2) (ver: www.yale.edu / ceo / Documentation / dem.html). Los datos se
descargan de re-verb.echo.nasa.gov. Los procesos superficiales en el WRF se simulan
- A3 -
con el modelo de superficie Noah. Condiciones de borde superficiales sobre el océano
se toman del reanálisis (SST).
Version 3.4.1 of the Advanced Research WRF (ARW) from September 16, 2011 is
downloaded (wrf-model.org) and installed on our local computer cluster. The prescribed
lower boundary conditions (e.g., albedo, landuse, soiltype, orography, etc.) are taken
from the Moderate Resolution Imaging Spectroradiometer (MODIS) instrument and are
part of the standard WRF package. In order to fully represent the 1 km topography of
the most inner domain d04, we additionally download and process high resolution (30
m) terrain data from the Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) Global Digital Elevation Model Version 2 (GDEM V2) (see:
www.yale.edu/ceo/Documentation/dem.html). The data are downloaded from reverb.echo.nasa.gov. Surface processes in WRF are simulated using the Noah land surface model. Lower boundary conditions over ocean are taken from reanalysis SSTs.
Las simulaciones del clima se llevaran a cabo en una resolución espacial adecuada para
resolver la compleja topografía de Bolivia, con sus altas montañas andinas. Como se
muestra en la figura 1, usaremos un esquema básico de triple dominio anidado. Se usarán dos dominios adicionales sobre dos cuencas que son de particular interés para este
proyecto. El dominio exterior, el número de dominio 1, tiene una resolución espacial de
~38 km y cubre una gran parte de América del Sur y sus mares adyacentes. El dominio
externo se anida en la red de reanálisis atmosférico y de predicciones GCM seleccionadas para proporcionar las condiciones de borde e iniciales necesarias. El dominio intermedio, número 2, tiene una resolución de ~9,5 km y cubre Bolivia y sus países vecinos.
El dominio número 3 tiene una resolución de punto de malla de ~ 3 km y cubre la mayor parte del territorio boliviano. Este dominio está centrado algo lejos de las tierras bajas amazónicas hacia la Cordillera de los Andes, por encima de las montañas, donde es
más necesaria una alta resolución espacial. La Tabla 1 compara el diseño de los dominios. Los cuatro dominios usan 28 niveles verticales en la atmósfera y cuatro niveles
verticales en tierra, que es la configuración estándar de WRF.
The simulations are carried out at a spatial resolution that adequately resolves the complex Bolivian topography with its high Andean mountains. As shown in Figure 1, for
our experimental test simulations we use a quadruple nested domain layout with the
most inner 1-km resolution domain focused on the Chacaltaya (CHC) observatory close
to La Paz. The outer domain, d01, has a spatial resolution of ~38 km and covers a large
part of South America and its adjacent oceans. It is nested into the grid of atmospheric
reanalysis or selected GCM predictions to provide the necessary lateral boundary and
initial conditions. The intermediate domain, d02, has a resolution of ~9.5 km and covers
Bolivia and its surrounding countries. Domain number d03 has a grid point resolution of
~3 km and covers most of the Bolivian territory. This domain is somewhat centered
away from the Amazonian lowlands towards the Andean mountains because over the
mountains high spatial resolution is most needed. Table 1 compares the design of the
four domains. All four domains use 28 vertical levels in the atmosphere and 4 vertical
levels in the ground, which is the standard WRF configuration.
- A4 -
4
3
1
2
3
4
CHC
Figura 1: Diseño del dominio para el modelo. Los puntos negros indican estaciones de
superficie del servicio meteorológico boliviano; datos de la precipitación de estas estaciones se han utilizado para el trabajo de validación del modelo.
Figure 1: Quadruple nested domain layout of the model. Inner domain d04 has a resolution of ~ 1km. Black dots indicate available surface stations of the Bolivian weather
service; precipitation data from these stations are used for the model validation work.
Tarea B. Adquisición de 6 horas CFSR de condiciones iniciales y de contorno durante 20 años (1991-2010) / Task B. Acquire 6-hourly CFSR initial and boundary conditions for 20 years (1991-2010)
Para la fase de pruebas del sistema de modelado, hemos descargado desde
rda.ucar.edu/datasets/ds093.0 / datos de alta resolución de 6 horas del sistema Climate
Forecast System Reanalysis (CFSR) (Saha et al. 2006) para los años 2003 y 1991 en
nuestro grupo local de ordenadores. Los datos incluidos son los siguientes: u-viento, vviento, temperatura, altura geopotencial, humedad específica, humedad del suelo y la
temperatura del suelo en todos los niveles disponibles, y los campos de 2 dimensiones
de presión en la superficie, la temperatura superficial del mar (SST), y el hielo marino.
En preparación de las simulaciones del clima a largo plazo, también se descargaron y
almacenaron datos de 22 años (1991-2012) de CFSR en el sistema de Yellowstone.
For the testing phase of the modeling system, we downloaded from rda.ucar.edu/ datasets/ds093.0/ high-resolution 6-hourly Climate Forecast System Reanalysis (CFSR)
data (Saha et al. 2006) for the years 2003 and 1991 to our local computer cluster. The
data included are: u-wind, v-wind, temperature, geopotential height, specific humidity,
soil moisture, and soil temperature on all available levels, and 2-dimensional fields of
surface pressure, sea surface temperature (SST), and sea ice. In preparation of the long
term climate simulations, we also downloaded and stored 22 years (1991-2012) of
CFSR data onto the Yellowstone system.
- A5 -
Tabla 1 / Table 1: Los cuatro dominios regionales del modelo. The four regional model domains.
nombre /
name
resolución /
resolution
(km)
d01
d02
d03
d04
38
9.5
3.2
1.1
puntos de la
malla /
gridpoints
(x*y)
118 x 86
253 x 205
274 x 214
100 x 79
parametrización
de cúmulos /
cumulus parameterization
si /yes
si / yes
No
No
Tarea C. Simulaciones de pruebas de configuración en WRF; averiguar
configuración óptima del modelo / Task C. WRF configuration test simulations; find out optimal model configuration
a. WRF configuración/configuration
WRF se puede ejecutar en muchas configuraciones, utilizando diferentes combinaciones
de paquetes de parametrización. Durante la fase de prueba de este proyecto, se llevó a
cabo una serie de experimentos de sensibilidad para determinar qué combinación de parametrizaciones es la más adecuada para nuestro complejo dominio. Con este fin, se realizaron aproximadamente 75 diferentes simulaciones de un mes. Cada simulación se ha
inicializado y forzado (condiciones de contorno) con datos de reanálisis CFSR idénticos, pero se emplearon diferentes combinaciones de parametrizaciones (ver Tabla 2). La
figura 2 muestra una representación gráfica de las simulaciones. Parametrizaciones que
no se muestran en la Tabla 2 se mantienen constantes entre los distintos experimentos, y
en un principio no se utiliza la técnica de nudging.
Tabla 2 / Table 2: Paquetes de parametrización probados / Parameterization packages tested.
parametrización / parameterization
microphysics
longwave radiation
shortwave radiation
boundary layer physics
surface layer physics
cumulus convection parameterization
esquema / scheme
WSM3, WSM5, WSM6 Goddard, Thompson,
WDM5, WDM6
CAM, RRTMG, Goddard
Dudhia, CAM, RRTMG, Goddard
Mellor-Yamada-Janjic, Yonsei University
MM5 similarity, ETA similarity
Kain-Fritsch, Betts-Miller-Janjic, Grell-Devenyi
- A6 -
best
worst
Figura 2: Vista gráfica de las diferentes configuraciones de los modelos ensayados en
este estudio. Los colores en cada fila muestran parametrizaciones para cada modelo, con
el nombre de modelo que se muestra a la izquierda. Las parametrizaciones son: microfísica (MP), la radiación de onda larga (LW), radiación de onda corta (SW), la capa superficial (SFC), la capa límite planetaria (PBL) y convección de cúmulos (CU). Los
modelos se clasifican en función de su capacidad para simular la precipitación mensual
media medida en estaciones (enero de 2003, el dominio d03). El modelo que mejor
(peor) trabajo realiza se muestra en la parte superior izquierda (inferior derecha). Los
rangos representan una combinación de tres medidas diferentes de rendimiento en todos
los rangos de altitud de forma simultánea: el sesgo global, el error-cuadrático-medio
centrado, y la correlación temporal. También se incluyen los rangos de cuatro estimaciones de observación de la precipitación: CMORPH (CMO), CFSR reanálisis (CFS),
TRMM 3B42 (3B4) y TRMM 3A20 (3A2).
Figure 2: Graphical view of the different model configurations tested in this study.
Colors in each row show parameterizations for each model, with model name shown on
- A7 -
the left. The parameterizations are: microphysics (MP), longwave radiation (LW),
shortwave radiation (SW), surface layer (SFC), planetary boundary layer (PBL), and
cumulus convection (CU). Models are ranked according to their ability to simulate
monthly mean station precipitation (January 2003, domain d03). Best (worst) performing model are shown at the top left (bottom right). Ranks represent a combination of
three different measures of performance over all altitude ranges simultaneously: overall
bias, centered root-mean-square error, and temporal correlation. Also included are the
ranks of four observational estimates of precipitation: CMORPH (CMO), CFSR reanalysis (CFS), TRMM 3B42 (3B4), and TRMM 3A20 (3A2).
WRF can be run in many configurations, using different combinations of parameterization packages. During the test phase of this project, we carried out a number of sensitivity experiments to determine which combination of parameterizations is most suitable
for our complex domain. To this end, we performed ~75 different one month long simulations. Each simulation was initialized and boundary forced with identical CFSR reanalysis data, but employed different combinations of parameterizations, shown in Table
2. Figure 2 shows a graphical representation of the simulations. Parameterizations not
shown in Table 2 are kept constant amongst the various experiments, and initially no
nudging is used.
El periodo de simulación de cada experimento es enero / 1 a January/30 de 2003. Enero
es elegido porque este es el mes de máxima precipitación, y 2003 es elegido porque este
es el año del experimento American Low Level Jet Experiment SALJEX Sur (Vera et.
Al 2006b). Presumiblemente durante este periodo el número y la calidad de las observaciones in situ es mayor a otros periodos “normales”.
The simulation period of each experiment is January/1 to January/30 of 2003. January is
chosen because this is the month of maximum precipitation, and 2003 is chosen because
this is the year of the South American Low Level Jet Experiment SALJEX (Vera et al.
2006b) experiment, when presumably the number and quality of in-situ observations is
increased.
b. Los datos de validación / Validation data
La validación de las diferentes ejecuciones de prueba se basan en la simulación de precipitación transiente y mensual promedio. En primer lugar, se probaron una variedad de
diferentes productos de precipitación basados en observaciones que se pueden utilizar
como una referencia. Evaluamos promedios mensuales de los siguientes productos en
malla derivados de datos satelitales: / The validation of the different test runs is based
on the simulation of transient and monthly mean precipitation. We first test a variety of
different observation based precipitation products that can be used as a reference. We
evaluate monthly means of the following, satellite derived, gridded precipitation products:

CMORPH: Precipitación derivada a través de la técnica denominada “morphing” del Centro de Predicción Climática (CPC), a partir de observaciones pasivas de microondas de satélites de órbita baja y satélites geoestacionarios que
producen datos radiación infrarroja IR / Climate Prediction Center (CPC)
- A8 -
MORPHing technique derived precipitation; from passive low-orbiting satellite
microwave observations and from geostationary satellite IR data

CMORPH V1: una nueva versión de CMORPH / a new version of CMORPH

TRMM 3B43: Producto 3B43 del Tropical Rainfall Measuring Mission
(TRMM); combina estimaciones TRMM, otros productos satelitales y datos de
pluviómetros / tropical rainfall measuring mission (TRMM) product 3B43;
combines TRMM estimates, other satellite products, and rain gauge data

TRMM 2A25: precipitación TRMM derivada de radares solamente / pure
TRMM precipitation radar derived rainfall

GPCP: Proyecto de Climatología de Precipitación Global (GPCP); información
fusionada de estaciones pluviométricas, satélites infrarrojos geoestacionarios y
de órbita baja, microondas pasivo, y observaciones de sondas / Global Precipitation Climatology Project (GPCP); merged rain gauge stations, and satellite
geostationary and low-orbit infrared, passive microwave, and soundings

CFSR reanálisis / reanalysis
Decidimos utilizar para nuestro trabajo de validación sobre todo los datos CMORPH ya
que su patrón y magnitud parecen ser más realistas. Los otros productos reticulados se
incluyen sólo con fines informativos. Además de los productos reticulados, también
empleamos mediciones de estaciones pluviométricas diarias del servicio meteorológico
boliviano. La ubicación de las estaciones se indica por los puntos negros en la Figura 1.
Excluimos algunas estaciones que fueron clasificados como menos fiables por el servicio meteorológico boliviano.
We decide to use for our validation work mostly the CMORPH data set since its pattern
and magnitude seem to be most realistic. The other gridded products are included for informational purpose only. In addition to the gridded products, we also employ daily rain
gauge station measurements from the Bolivian weather service. The location of the stations is indicated by the black dots in Figure 1. We exclude some stations that were
classified as less unreliable by the Bolivian weather service.
c. Patrones espaciales de precipitación / Spatial precipitation patterns
La Figura 3 compara, para el dominio d03, la distribución espacial de la precipitación
media mensual para enero del 2003. Las dos filas superiores presentan los diferentes
productos observacionales y también la media climatológica CMORPH de precipitación. La fila inferior muestra simulaciones de tres modelos seleccionados. La capacidad
de los modelos para reproducir los patrones de precipitación CMORPH varía ampliamente: El modelo S1 está mjy cerca de los valores observaciona;es, pero R5 subestima
groseramente la precipitación y Y19 sobreestima las observaciones. Para S1, con respecto a CMORPH, el patrón de correlación es 0,59, el sesgo medio del área es -1.71
mm / día, y el error cuadrático medio (rms) centrado es 5,2 mm / día. Antes de calcular
estas estadísticas, los productos de precipitación en malla basados en observaciones son
interpolados a la red común de WRF del dominio d03.
- A9 -
Figura 3: Precipitación media mensual (enero de 2003 mm/día) sobre el dominio d03
de diversos productos observacionales en rejilla: TRMM 3B43, CFSR reanálisis,
CMORPH (CMO), CMORPH V1 (CMV1) y CMV1 climatología enero 1998-2009
(CMCLIM) Línea blanca denota el contorno topográfico de 3000 m. La línea negra
muestra la frontera de Bolivia con Chile y Perú. Los números en la parte superior indican las estadísticas de errores espaciales en referencia a CMO: (1) Sesgo del área media,
(2) la desviación estándar, (3) la correlación, y (4) el error-cuadrático-medio centrado
(fila inferior) También se muestran tres modelos seleccionados (R5, S1 y Y19).
Figure 3: Monthly mean precipitation (January 2003, mm/d) over domain d03 from
various gridded observational products: TRMM 3B43, CFSR reanalysis, CMORPH
(CMO), CMORPH V1 (CMV1), and CMV1 January 1998-2009 climatology
(CMCLIM).White line denotes the 3000 m topographic contour line. Black line shows
the Bolivian border towards Chile and Peru. Numbers on top indicate spatial error statistics referenced against CMO: (1) area mean bias, (2) standard deviation, (3) correlation, and (4) centered root-mean-square error. (bottom row) Also shown are three selected models (R5, S1, and Y19).
- A10 -
Figure 3 compares, for domain d03, the spatial distribution of January 2003 monthly
mean precipitation. The top two rows present the different observational products and
also the climatological mean CMORPH precipitation. The bottom row shows simulations from three selected models. The ability of the models to reproduce the CMORPH
precipitation patterns varies widely: model S1 is about right, but R5 grossly underestimates and Y19 overestimate the observations. For S1 and with respect to CMORPH, the
pattern correlation is 0.59, the area mean bias is -1.71 mm/day, and the centered rootmean-square (rms) error is 5.2 mm/day. Prior to calculating these statistics, the gridded
observation based precipitation products are interpolated to the common grid of WRF
domain d03.
d. Validación contra precipitacion mensual media CMORPH / Validation against
monthly mean CMORPH precipitation
Muchos conjuntos de datos diferentes, enfoques y criterios estadísticos se utilizan para
validar los modelos, y no hay un enfoque único o datos que sean mejores. Por lo tanto,
utilizamos aquí varios métodos y presentamos sus resultados. Diagramas Taylor (Taylor
2001) son una forma. Estos muestran cuan cerca se encuentra el patrón espacial de los
datos simulados por el modelo (en este caso de la precipitación media mensual) de las
observaciones (en este caso CMORPH). La similitud se cuantifica en términos de correlación espacial, de la diferencia cuadrática media centrada espacialmente, y la amplitud
de las variaciones espaciales (desviaciones estándar). Utilizamos una versión algo modificada de los diagramas originales de Taylor, que también muestra información acerca
de la diferencia del área media (sesgo). La Figura 4 es un ejemplo de diagrama de Taylor para varias observaciones en malla y también para el modelo S1, todo validado contra CMORPH. Al igual que antes, antes de calcular estadísticas, las observaciones se interpolaron a la malla de WRF dominio d03. Curiosamente, S1 es más similar a
CMORPH que CFSR, lo que indica que la precipitación de CFSR y probablemente
también TRMM no son fiables en nuestra región y que no deben ser utilizados para la
validación. En la Figura 4, el tamaño del punto rojo para S1 muestra que en el caso del
área media este simulación del modelo subestima la precipitación derivada por
CMORH.
Many different data sets, approaches, and statistical criteria are used to validate models,
and there is no single approach or data which is best. Therefore, we use here several
methods and present their outcomes. Taylor diagrams (Taylor 2001) are one way. They
depict how closely the spatial pattern of the model simulated data (here: of monthly
mean precipitation) matches observations (here: CMORPH). The similarity is quantified
in terms of spatial correlation, spatial centered root-mean-square difference, and amplitude of the spatial variations (standard deviations). We use a somewhat modified version of the original Taylor diagrams, which also shows information about the area mean
difference (bias) of the two data sets. Figure 4 is a sample Taylor diagram for several
gridded observations and also for model S1, all validated against CMORPH. As before,
prior to calculating statistics, the observations were interpolated to the grid of the WRF
domain d03. Interestingly, S1 is more similar to CMORPH than CFSR, indicating that
- A11 -
Bias
Observation
Figura 4: Diagrama de Taylor para la precipitación media mensual (enero de 2003,
dominio d03) de 5 diferentes productos observacionales y modelo S1, validados contra
CMORPH. Los círculos muestran los resultados individuales, con una superficie de
círculo proporcional al sesgo medio; rojo (azul) indica sesgo negativo (positivo). Véase
el texto para la interpretación de los diagramas de Taylor.
Figure 4: Taylor diagram for monthly mean precipitation (January 2003, domain d03)
for 5 different observational products and model S1, validated against CMORPH. Circles show individual outcomes, with area of circle being proportional to mean bias; red
(blue) indicates negative (positive) bias. See text for interpretation of Taylor diagrams.
precipitation from CFSR and probably also TRMM are not reliable over our region and
that they should not be used for the validation. In Figure 4, the size of the red dot for S1
shows that in the area mean this model simulation somewhat underestimates CMORH
derived precipitation.
La figura 5 presenta un diagrama de Taylor para el dominio d03 de los 75 modelos
comparados contra CMOPRH. Las correlaciones máximas son aproximadamente 0,6.
Esta relativamente baja correlación puede deberse en parte a la diferencia de resolución
- A12 -
entre el dominio d03 (3 km) y CMORPH (ca. 25 km). Además, más modelos están sesgados hacia baja precipitación, seco (círculos rojos) que sesgados a alta precipitación,
húmedos (círculos azul).
Figure 5 presents a Taylor diagram for domain d03 for all 75 models compared against
CMOPRH. The maximum correlations are about 0.6. This relatively low correlation
may be in part due to the resolution difference between domain d03 (3 km) and
CMORPH (ca. 25 km). Also, more models are dry biased (red circles) than wet biased
(blue circles).
Con el fin de determinar con mayor objetividad el rendimiento del modelo, validamos
los 75 modelos y 5 observaciones individualmente contra la precipitación media mensual de CMORPH para los dominios d01 - d03. En cada dominio, se determina el rango
r para cada conjunto de datos, con r = 79 para el mejor y r = 0 para el peor resultado.
Los rangos se determinan individualmente para cada estadístico (sesgo, correlación y
error cuadrático medio), y el rango total en cada dominio es la suma de los tres. A continuación, determinamos un rango medio promediando sobre los tres dominios mediante
la suma de lo tres rangos totales y la asignación de un peso de 0.25 a los rangos de d01
y d02 y un peso de 0.5 al rango de d03. El resultado se muestra en la tabla al pie de la
figura 5. Por definición, CMORPH tiene el más alto rango r = 237 (3 * 79), y algunas
otras observaciones siguen de cerca. Los "mejores" modelos son S1 y S1P3 con r = 191.
La "peor" modelo R5 con r = 13.
In order to more objectively determine model performances, we validate the 75 models
and 5 observations individually against monthly mean CMORPH precipitation for domains d01 – d03. In each domain, we determine the ranks r for each data set, with r =
79 for the best and r = 0 for the worst outcome. Ranks are determined individually for
each statistic (mean bias, correlation, and rms-error), and the overall rank in each domain is the sum of the three. We then determine a mean rank averaged over the three
domains by summing up the three overall ranks and assigning the ranks of d01 and d02
each a weight of 0.25 and the rank of to d03 a weight of 0.5. The outcome is listed in
the table at the bottom of Figure 5. Per definition, CMORPH has the highest rank r =
237 (3*79), and some other observations follow closely. The “best” models are S1 and
S1p3 with r = 191. The “worst” model is R5 with r = 13.
- A13 -
Figura 5: Como en la Figura 4, pero para todos los 75 modelos y 5 observaciones en
malla. La tabla en la parte inferior muestra los rangos combinados de los distintos modelos, con rangos ponderarados según la fórmula dada. Los modelos S1 y S1P3 tienen
el rango más alto (191), y el modelo R5 tiene el rango más bajo (13).
Figure 5: As Figure 4, but for all 75 models and 5 gridded observations. Table at the
bottom shows combined ranks of individual models, with ranks weighted according to
the given formula. Models S1 and S1p3 have highest rank (191), and model R5 has
lowest rank (13).
- A14 -
Aparentemente, S1 es óptima bajo este enfoque de validación. A continuación probamos cuan robustos son los resultados para S1 con respecto a las incertidumbres en las
condiciones iniciales. Para ello, comenzamos tres simulaciones adicionales con S1, pero
añadimos pequeñas perturbaciones arbitrarias y aleatorias al viento-u, al viento-v, y a
las componentes de temperatura de las condiciones iniciales CFSR para el 1 de enero de
2003. Las tres simulaciones adicionales son S1p1, S1p2 y S1p3. En la lista de rangos en
la parte inferior de la figura 5 se puede ver que los resultados de los experimentos perturbados son similares a los del experimento base sin perturbación S1, lo que indica que
los resultados para S1 son bastante robustos.
Apparently, S1 is optimal under this validation approach. We next test how robust the
outcomes for S1 are with respect to uncertainties in the initial conditions. To this end,
we start three additional simulations with S1, but add small arbitrary, random perturbations to the u-wind, v-wind, and temperature components from the CFSR initial conditions for January/1/2003. The three additional simulations are S1p1, S1p2, and S1p3.
From the list of ranks at the bottom of Figure 5 one can see that the outcomes for the
perturbed experiment are similar to the unperturbed base experiment S1, indicating that
the S1 outcomes are quite robust.
También evaluamos cómo los resultados podrían cambiar bajo la técnica denominada
espectral nudging (von Storch et al. 2000). La idea de esta técnica es imponer los estados transitorios atmosféricos a gran escala de los MCG de conducción en el interior del
modelo regional. De esta manera, las simulaciones regionales son mantenidas cerca del
estado de conducción del GCM a gran escala, mientras que el modelo regional sigue
generando sus propias características de menor escala. En WRF, el espectral nudging se
puede activar con la opción fdda. En el modelo S1a probamos el nudging en la atmósfera libre (if_no_pbl_nudging_x = 1) de los cuatro dominios usando coeficientes de nudging de 0,0003. Para el modelo S1a usamos xwavenum = 6 y ywavenum = 4, correspondiente a longitudes de onda de nudging de ~ 800 kilometros hacia arriba. También
realizamos tres simulaciones utilizando condiciones iniciales perturbadas con S1a, que
llamamos S1ap1, S1ap2 y S1ap3. Como se puede ver en la tabla asociada a la figura 5,
nudging conduce a una reducción de los rangos comparado con S1, pero en promedio
S1a sigue siendo uno de los mejores modelos. En la simulación S1b probamos nudging
con xwavenum = 4 y ywavenum = 3, correspondientes a longitudes de onda de nudging
de ~ 1100 kilometros. Los resultados no son muy diferentes a S1a, tal como se representa gráficamente en el panel izquierdo de la Figura 6, en términos de un diagrama de
Taylor.
We also test how the outcomes would change under spectral nudging (von Storch et al.
2000). The idea of spectral nudging is to impose the transient large-scale atmospheric
states from the driving GCMs on the interior of the regional model. This way, the regional simulations are kept close to the driving state of the large scale GCM while the
regional model still generates its own smaller-scale features. In WRF, spectral nudging
can be switched on using the fdda option. In model S1a we test nudging in the free atmosphere (if_no_pbl_nudging_x = 1) of all four domains using nudging coefficients of
- A15 -
spectral nudging
perturbed initial conditions
Figura 6: (izquierda) Resultado de las condiciones iniciales perturbadas (enero de
2003, dominio d03). S1 es el modelo base, índices p1-p3 son corridas iniciadas con diferentes condiciones iniciales perturbadas y S1a (px) es el modelo S1 al que se aplicó
nudging y sus correspondientes perturbaciones. Las elipses rojas indican el rango aproximado de la incertidumbre. (derecha) Resultado del espectral nudging (enero de 2003,
dominio d03). 11 de los mejores modelos (S1, T1, etc) se re-ejecutaron utilizando espectral nudging (S1b, T1b, etc.).
Figure 6: (left) Outcome of perturbed initial conditions (January 2003, domain d03).
S1 is the base model, indices p1-p3 are runs started from different perturbed initial conditions, and S1a(px) is the nudged model S1 and its corresponding perturbations. Red
ellipsis indicates approximate uncertainty range. (right) Outcome of spectral nudging
(January 2003, domain d03). 11 of the best models (S1, T1, etc.) were rerun using spectral nudging (S1b, T1b, etc.).
0.0003. For model S1a we use xwavenum=6 and ywavenum=4, corresponding to nudging wavelengths of ~800 km and upwards. We also perform three perturbed initial condition simulations with S1a, which we name S1ap1, S1ap2, and S1ap3. As one can see
from the table below Figure 5, nudging leads to a reduction in ranks compared to S1,
but on average S1a is still one of the best models. In simulation S1b we test nudging using xwavenum=4 and ywavenum=3, corresponding to nudging wavelengths of ~1100
km. The outcomes are not very different from S1a, as graphically depicted in the left
panel of Figure 6 in terms of a Taylor diagram.
Probamos nudging en modelos adicionales utilizando los mismos parámetros de nudgings como para S1b. Los resultados se muestran en el panel derecho de la Figura 6.
Encontramos que nudging no cambia fundamentalmente el rendimiento de un modelo.
Algunos modelos se desempeñan mejor (R9) y algunos no cambian rangos (R6, Q6). La
mayoría de los modelos nudging, sin embargo, rinden peor con nudging, esto está pro- A16 -
bablemente relacionado con el hecho que sólo los "mejores" modelos fueron seleccionados para los experimentos nudging y que estos buenos rendimientos son en cierta
manera fortuitos, es decir, influenciados por factores no-sistemáticos.
We test nudging in additional models using the same nudging parameters as for S1b.
The outcomes are shown in the right panel of Figure 6. We find that nudging does not
fundamentally change the performance of a model. Some models perform better (R9)
and some do not change ranks (R6, Q6). Most nudged models, however, perform worse
under nudging, which is probably related to the fact that only the very “best” performing models are selected for the nudging experiments and that these good performances
are to some extent fortuitous, i.e., influenced by non-systematic factors.
e. Validación contra datos de estaciones / Validation against station data
También comparamos la evolución temporal de la precipitación simulada con las mediciones pluviométricas en las estaciones disponibles. Para este fin, la precipitación simulada en malla es interpolada bi-linealmente a las ubicaciones de las estaciones. La figura
7 muestra el resultado para el modelo S1. Los cuatro paneles muestran la validación si
se incluyen sólo las estaciones en un determinado rango de altitud. Seleccionamos (1)
todas las estaciones y las estaciones de las (2) tierras altas (> 3.000 m), valles (500 a
3000 m), y las tierras bajas (<500 m). Dentro de cada panel, se comparan (negro) datos
de las estaciones contra (colores) las simulaciones para los tres primeros dominios.
Cuando se incluyen todos los rangos de altura, S1 se encuentra en buen acuerdo con las
observaciones. Los errores son más grandes en las tierras bajas. Esto probablemente se
relaciona con el hecho de que sólo dos estaciones de tierras bajas están disponibles, y
que la precipitación en tierras bajas está dominada por precipitación convectiva muy variable. Por otra parte, los errores son más pequeños sobre las tierras altas, donde la precipitación está fuertemente influenciada por la topografía.
We also compare the temporal evolution of simulated precipitation against rain gauge
measurements at available stations. To this end, the simulated gridded precipitation is
bi-linearly interpolated to the station locations. Figure 7 demonstrates the outcome for
model S1. The four panels show the validation if only stations at a certain altitude range
are included. We select (1) all stations, and stations from the (2) highlands (> 3000 m),
foothills (500-3000 m), and lowlands (< 500 m). Within each panel, we compare (black)
station data against (colors) the simulations for the first three domains. When all height
ranges are included, S1 is in good agreement with the observations. The errors are largest over the lowlands. This is probably related to the fact that only two lowland stations
are available, and that lowland precipitation is dominated by highly variable convective
precipitation. On the other hand, the errors are smallest over the highlands, where precipitation is strongly influenced by topography.
- A17 -
Figura 7: Evolución temporal en enero de 2003 de (negro) precipitación acumulada observada en estaciones (promediada sobre todas las emisoras disponibles) y (color) de
precipitación simulada S1 para la localización de las estaciones. Cada panel es para un
rango de altitud dada. Los números en la parte superior izquierda de cada panel indican
(negro) el número de estaciones (color) error cuadrático medio temporal, la correlación
sin tendencia temporal (%), y el sesgo medio mensual (día 30).
Figure 7: January 2003 evolution of (black) observed accumulated station precipitation
(averaged over all available stations) and (color) S1 simulated precipitation at stations.
Each panel is for a given altitude range. Numbers on the top left of each panel indicate
(black) number of stations and (color) temporal rms-error, temporal detrended correlation (%), and monthly mean bias (day 30).
También validamos los modelos en las estaciones individuales. Por razones de brevedad
sólo se presentan los resultados en términos del modelo S1 (Figura 8). Círculos y sus
colores representan los resultados de las estaciones individuales. Mostramos por separado el error cuadrático medio temporal, la correlación temporal, y el sesgo al final del
mes.
We also validate the models at individual stations. For brevity, we only present the outcome in terms of model S1 (Figure 8). Circles and their colors represent the results at
the individual stations. We show separately the temporal rms-error, the temporal correlation, and the bias at the end of the month.
- A18 -
RMS
COR
BIA
Figura 8: Validación del modelo S1 para la evolución día a día de la precipitación en
las estaciones disponibles (enero de 2003, edominio d03). Se muestra (izquierda) el
error cuadrático medio (RMS) (mm / día), (centro) correlación temporal (%), y (derecha) sesgo de la media mensual (mm / mes). El diferente sombreado gris representa las
tierras altas, valles y las tierras bajas.
Figure 8: Validation of model S1 for day-to-day evolution of precipitation at available
stations (January 2003, domain d03). Shown is (left) temporal rms-error (mm/day),
(middle) temporal correlation (%), and (right) monthly mean bias (mm/month). Different grey shading represents highland, foothill, and lowland areas.
En la figura 9 se resumen los resultados de la validación de datos de la estaciones en
términos de un diagrama de Taylor. Sólo se considera el patrón de precipitación acumulada al final del mes y no su evolución transiente. Comparando con la Figura 5 se observa que los modelos generalmente realizan un peor trabajo (correlaciones más pequeñas) cuando se validan contra datos de la estaciones.
In Figure 9 we summarize the results from the station data validation in terms of a Taylor diagram. Only the pattern of accumulated precipitation at the end of the month is
considered and not its transient evolution. Comparing with Figure 5 we note that the
models generally do less well (smaller correlations) when validated against station data.
- A19 -
Figura 9: Diagrama de Taylor para la precipitación media mensual simulada (enero de
2003, dominio d03) validada contra observaciones de estaciones. Los círculos muestran
los resultados de cada modelo, con la superficie de cada círculo proporcional a sesgo
medio; rojo (azul) indica sesgo negativo (positivo).
Figure 9: Taylor diagram of simulated monthly mean precipitation (January 2003, domain d03) validated against station observations. Circles show individual model outcomes, with area of circle being proportional to mean bias; red (blue) indicates negative
(positive) bias.
Sin embargo, la propagación, el sesgo, y también la variabilidad espacial de los modelos
individuales son similares a la Figura 5. Usamos la misma técnica de clasificación como
en la figura 5 para determinar el rendimiento de los modelos. Los resultados se muestran por el orden de los modelos representados en la Figura 2, con el modelo de mejor
rendimiento (Y14) mostrado en la parte superior izquierda y el de peor rendimiento
(Y19) en la parte inferior derecha. La figura 2 indica que S1 y sus equivalentes aplicando nudging y condiciones perturbadas son clasificados por rango rango entre los mejores modelos.
- A20 -
Tabla 3 / Table 3: Opciones de la física y dinámica del modelo S1b. Esta configuración
se utiliza para el trabajo de modelado climático. / Model S1b physics and dynamics options. This configuration will be used for the climate modeling work.
parametrización / option
microphysics
longwave radiation
shortwave radiation
surface layer
land surface
planetary boundary layer
cumulus convection
spectral nudging
nudging coefficient
xwavenum
ywavenum
esquema / scheme
Goddard
Goddard
Goddard
ETA
Noah
Mellor-Yamada-Janjic
Grell-Devenyi
yes (grid_fdda=2)
0.0003
4
3
However, the spread, bias, and also the spatial variability of the individual models are
similar to Figure 5. We use the same ranking technique as in Figure 5 to determine
model performances. The results are shown by the order of the models depicted in Figure 2, with the best performing model (Y14) shown at the top left and the worst performing (Y19) at the bottom right. Figure 2 indicates that S1 and its nudged and perturbed counterparts rank amongst the best models.
La consistencia de S1 con respecto a (1) las diferentes estrategias de validación, (2) datos, y (3) las condiciones iniciales nos lleva a creer que esta configuración de modelo es
una buena opción. Por lo tanto, decidimos utilizar la configuración S1b con espectral
nudging para nuestro subsecuente trabajo de modelización del clima a largo plazo. La
tabla 3 enumera la física y las opciones de la dinámica de este modelo.
The consistency of S1 with respect to (1) different validation strategies, (2) data, and (3)
initial conditions leads us to believe that this model configuration is a good choice. We
therefore decide to use the S1b configuration with spectral nudging for our subsequent
long term climate modeling work. Table 3 lists the physics and dynamics options for
this model.
- A21 -
WRF S1 D03
GPCP
Figura 10: Precipitación (mm / día) para el modelo S1 (dominio d03) durante las cuatro
estaciones de 1991, junto con la precipitación correspondiente GPCP. Tenga en cuenta
que datos de CMORPH no están disponible para años anteriores a 2002.
Figure 10: Precipitation (mm/day) for model S1 (domain d03) during the four seasons
of 1991 along with corresponding GPCP precipitation. Note that CMORPH data is not
available for years before 2002.
f. Ciclo estacional en el modelo S1 / Seasonal cycle in model S1
Antes de iniciar las simulaciones de largo plazo computacionalmente muy costosas, realizamos una simulación continua con S1 para todo el año de 1991. Esto sirve para comprobar el comportamiento del modelo en el contexto estacional y para estudiar la evolución de la humedad del suelo, la cual es motivo de potencial preocupación en las simulaciones con modelos climáticos regionales. La Figura 10 presenta los patrones de precipitación simulada para las cuatro estaciones del año y se compara contra la precipitación derivada GPCP, que es el único producto en malla disponible para este período. Al
comparar visualmente los patrones simulados y observados y también inspeccionando
los ciclos estacionales concluimos que S1 produce resultados razonables. Por ejemplo,
la principal temporada de lluvias corresponde a JFM (verano) y estación seca ocurre durante JAS (invierno), lo que concuerda bien con la meteorología básica del Monzón de
América del Sur (Vera et. al 2006a).
Before starting the computationally very expensive long term simulations, we perform a
continuous simulation with S1 for the entire year of 1991. This serves to test the behavior of the model in the seasonal context and to study the evolution of soil moisture,
which is of potential concern in climate simulations with regional models. Figure 10
presents the simulated precipitation patterns for the four seasons and compares against
GPCP derived precipitation, which is the only gridded product available for this time
period. By visually comparing the simulated and observed patterns and also by inspecting the seasonal cycles we conclude that S1 produces reasonable results. For example,
the main rainy season is JFM (summer) and it is dry during JAS (winter), which agrees
well with the basic meteorology of the South American monsoon (Vera et al. 2006a).
- A22 -
Figura 11 / Figure 11: Nivel 1 humedad del suelo (%) para el modelo S1 (dominio
d03) durante las cuatro estaciones del año 1991. / Level 1 soil moisture (%) for model
S1 (domain d03) during the four seasons of 1991.
La Figura 11 muestra la evolución estacional de la humedad del suelo S1 simulado sobre el dominio d03. La humedad del suelo se desarrolla más o menos como era de esperase del régimen de precipitaciones que se muestra en la Figura 10, y hay solamente una
leve tendencia seca. Esto también se hace evidente en la Figura 12, que muestra el comportamiento mes a mes de la evolución de la humedad del suelo promediada sobre el
dominio d03. La humedad del suelo es generalmente más baja al final de la simulación
en diciembre de lo que es al comienzo en enero, y tal tendencia seca era de esperar sabiendo que S1 tiene un pequeño sesgo seco cuando se compara con CMORPH (Figura 3
y 4) o datos de estaciones (Figura 7 y 8). Sin embargo, el secado durante el período relativamente largo de un año es sólo moderada, sobre todo porque se esperaría que la
humedad del suelo sea mayor en enero que en diciembre.
Figure 11 shows the seasonal evolution of S1 simulated soil moisture over domain d03.
Soil moisture roughly evolves as one would expect from the precipitation pattern shown
in Figure 10, and there is only a mild drying tendency. This also becomes clear from
Figure 12, which shows a month-to-month break down of the soil moisture evolution
averaged over domain d03. Soil moisture is generally lower at the end of the simulation
in December than it is at the beginning in January, and such a drying tendency is to be
expected from knowing that S1 has a small dry bias when compared against CMORPH
(Figure 3 and 4) or station data (Figure 7 and 8). However, the drying over the relatively
long one year long period is only mild, in particular since soil moisture is expected to be
higher during January than during December.
- A23 -
Lev 0
Lev 1
Lev 2
Lev 3
Figura 12 / Figure 12: Evolución simulada S1 de la humedad del suelo durante 1991 a
diferentes niveles del suelo y para regiones de diferentes alturas (dominio d03). / S1
simulated evolution of soil moisture during 1991 at different soil levels and for regions
of different altitudes (domain d03).
Tarea D. Simulaciones de prueba de resolución en WRF; averiguar si un
kilómetro dominios deben estar incluidos. / Task D. WRF resolution test
simulations; find out whether 1 km domains should be included
Como se explicó anteriormente, todas nuestras simulaciones WRF de prueba se ejecutan
en una esquema de dominios anidados cuádruples, que incluye un dominio interior de
muy alta resolución (~ 1 km) cerca al observatorio de Chacaltaya (Figura 1). Cinco estaciones pluviométricas (El Tejo, Belén, Huarina, Cota-Cota, Central La Paz y El Alto
Aeropuerto) están situadas en este ámbito, lo que permite responder a la pregunta de si
y en qué medida la precipitación simulada mejora a medida que aumenta la resolución
espacial del modelo. Nuestra estrategia para responder a esta pregunta es centrarse únicamente en la precipitación medida en las cinco estaciones e interpolar la precipitación
simulada de los diversos dominios a estas estaciones (Figura 13). Comparamos precipitación transiente simulada por el modelo en las cinco estaciones contra la precipitación
real observada y calculamos la correlación temporal, el error cuadrático medio temporal, y el sesgo del promedio mensual. Los símbolos negros en la Figura 13 muestran la
comparación de forma individual para cada modelo. Nos centramos en el cambio del
rendimiento de las simulaciones entre el dominio d03 y d02 (diamantes), y entre d04 y
d02 (estrellas). Los cambios en el rendimiento varían ampliamente entre los modelos.
Sólo en la media sobre todos los modelos, indicada por los símbolos de color rojo a la
derecha de cada panel, es posible discernir una respuesta sistemática.
- A24 -
COR (%)
RMS (mm/d)
BIAS (mm/d)
Figura 13: Diferencia de rendimiento entre los dominios d03 y d04 en enero de 2003.
Se muestran los cambios en el rendimiento del (diamantes) dominio d03 sobre el dominio d02 y (estrellas) del dominio d04 sobre el dominio d02. La validación se lleva a cabo sólo en las estaciones que están en el dominio d04. El eje horizontal es para los modelos individuales, y el eje vertical muestra el cambio en el rendimiento en términos de
(COR) correlación temporal (%), (RMS) error cuadrático medio temporal (mm / d) y
(BIAS) sesgo medio (mm / d ). Los símbolos rojos a la derecha de los tres primeros paneles muestran los promedios sobre todas las simulaciones de los modelos.
Figure 13: Performance difference between domain d03 and d04 during January 2003.
Shown are changes in performance of (diamonds) domain d03 over d02 and (stars) domain d04 over domain d02. Validation takes place only at stations that are over domain
d04. Horizontal axis is for individual models, and vertical axis shows the change in performance in terms of (COR) temporal correlation (%), (RMS) temporal rms-error
(mm/d), and (BIAS) mean bias (mm/d). Red symbols at the right of the first three panels show averages over all model simulations.
As explained earlier, all our WRF test simulations are run in a quadruple nested domain
layout, which includes a very high resolution (~1 km) inner domain near the CHC observatory (Figure 1). Five rain gauge stations (El Tejo, Belen, Huarina, Cota-Cota, Central La Paz, and El Alto Aeropuerto) are located in this domain, allowing answering the
question of whether and by how much simulated precipitation improves as model resolution increases. Our strategy in answering this question is to focus solely on the precipitation measured at the five stations and to interpolate the simulated precipitation from
the various domains to these stations (Figure 13). We compare transient model simulat- A25 -
ed precipitation at the five stations against the actually observed precipitation and calculate temporal correlation, temporal rms-error, and monthly mean bias. The black symbols in Figure 13 show the comparison individually for each model. We focus on the
change in simulation performance between domain d03 and d02 (diamonds), and between d04 and d02 (stars). The changes in performance vary widely amongst the models. Only in the mean over all models, indicated by the red symbols at the right of each
panel, is it possible to discern a systematic response.
El gráfico de barras en la Figura 14 destaca estos resultados promedio obtenidos de los
diferentes modelos. Al moverse a una resolución más alta, y si se incluyen los 76 modelos, la correlación temporal empeora (panel izquierdo), pero tanto el RMS como el sesgo del promedio mensual mejoran. La mejora en estos dos últimos estadísticos es mayor
para d04 que para d03. Si sólo se incluye la familia de modelos S1 (panel derecho), las
tres estadísticas mejoran, pero las mejoras de d04 y d03 no son consistentes. En resumen, estos resultados indican algunas mejoras para d04 comparado con d03.
The bar-plot in Figure 14 highlights these multi-model mean results. As one goes to
higher resolution and if all 76 models are included (left panel), the temporal correlation
becomes worse, but the rms-error and also the monthly mean bias both improve. The
improvement in mean bias and also in rms-error is larger for d04 than for d03. If only
the S1 model family is included (right panel), all three statistics improve, but the improvements for d04 and d03 are not consistent. In summary, these results indicate some
improvements of d04 over d03.
Aunque el resultado es un tanto ambiguo decidimos incluir los dos dominios adicionales
de alta resolución (Cuenca Mizque y Cuenca Piari) en todas nuestras simulaciones climáticas posteriores. Después que las simulaciones se completen probablemente realizaremos pruebas adicionales y determinaremos retrospectivamente si los costes computacionales adicionales asociados con el funcionamiento de d04 y d05 se justificaban o
no.
Although the outcome is somewhat ambiguous we decide to include the two highresolution extra domains (Cuenca Mizque and Cuenca Piari) in all of our subsequent
climate simulations. After the simulations are completed we will probably run additional tests and determine retrospectively whether the extra computational costs associated
with running d04 and d05 were justified or not.
- A26 -
ALL MODELS
S1 MODELS
Figura 14: Cambio (multi-modelo) en el rendimiento al aumentar la resolución espacial
(Figura 13). (izquierda) Todos los modelos (76) están incluidos y (derecha) sólo se incluyen los modelos S1.
Figure 14: Multi-model mean change in performance with increasing spatial model
resolution (as Figure 13). (left) All 76 models are included and (right) only the S1 models are included.
Tarea E. Pruebas de rendimiento de los modelos AR5 para decidir cuáles
modelos AR5 se incluirán / Task E. AR5 models performance tests; decide which AR5 models to include
La última pregunta a ser respondida aquí es cuáles de los MCG del archivo CMIP5 se
deben seleccionar para conducir las simulaciones regionales. Para este fin, primero determinamos el rendimiento general de los modelos CMIP5 analizando cuán bien reproducen los modelos individuales el clima global promedio en una variedad de cantidades
climáticas. La metodología sigue de cerca la usada por Reichler y Kim (2008). Los resultados se muestran en la Figura 15, con los mejores modelos CMIP5 listados por separado en la Tabla 4.
The last question to be answered here is which GCMs from the CMIP5 archive should
be selected to drive the regional simulations. To this end we first determine the general
simulation performance of the CMIP5 models by analyzing how closely the individual
models simulate the mean of observed global climate in a variety of quantities. The
methodology follows closely that of Reichler and Kim (2008). The results are shown in
Figure 15, with the best CMIP5 models listed separately in Table 4.
Dado que estamos más interesados en los rendimientos regionales de las simulaciones
de los modelos de circulación general sobre el continente sudamericano y mares adyacentes. Calculamos un índice de desempeño similar al de Reichler y Kim (2008), pero
ahora consideramos un número mayor (31) de las cantidades observadas y calculamos
para cada modelo el rendimiento de 32 regiones sobre tierra y océano, las cuales fueron
clasificadas de forma similar a Giorgi y Francisco (2000). En la figura 16, los colores
indican el índice de rendimiento regional de un modelo en particular en una región de-
- A27 -
terminada. Siguiendo a Reichler y Kim (2008), los índices regionales se definen mediante
We are further interested in the more regional simulation performances of the GCMs
over the South American continent and its adjacent oceans. We calculate a similar performance index as in Reichler and Kim (2008), but now consider a larger number (31)
of observed quantities and calculate for each model the performance over 32 distinct
land and ocean regions, which were classified similar to Giorgi and Francisco (2000). In
Figure 16, colors indicate the regional performance index I r2 of a particular model in a
given region. Following Reichler and Kim (2008), the regional indices are defined by
,
donde / where
es la varianza normalizada del error. En otras palabras, I r2 mide la capacidad de un modelo dado para simular el clima promedio en la región r con respecto al rendimiento
global del promedio modelo CMIP3. Colores azulados en la Figura 16 indican que el
modelo se está desempeñando mejor que el modelo promedio CMIP3 y colores rojizos
indican lo contrario.
is the normalized error variance. In words, I r2 measures how capable a given model is
in simulating mean climate over region r relative to the global performance of the average CMIP3 model. Bluish colors in Figure 16 indicate that a model is performing better
than the average CMIP3 model, and reddish colors denote the opposite.
Como se indica por los colores rojizos en la figura 16, muchos modelos tienen dificultades para simular el clima sobre los trópicos y en particular sobre América del Sur. Sin
embargo, en general los modelos que simulan mejor el clima global promedio (Tabla 4),
también simulan razonablemente bien el clima sobre la región de América del Sur. Dado que ACESS1-0 es similar a los modelos HadGEM2, y puesto que estamos interesados en la inclusión de modelos climáticos que tienen códigos de base muy diferentes,
decidimos utilizar en nuestro trabajo de modelado regional los modelos que están marcados en rojo en la Tabla 4. La cuestión de se usarán tres o cuatro modelos globales para el trabajo de downscaling dependerá del tiempo de cálculo disponible para este propósito y por lo tanto se decidirá posteriormente. En el trabajo subsiguiente se incluirán
al menos tres y posiblemente más simulaciones.
- A28 -
Tabla 4 / Table 4: Rendimiento global de CMIP5. Nombres de los modelos en rojo indican los modelos que serán seleccionados para el trabajo de downscaling. / CMIP5
global performances. Red model names indicate models that will be selected for the
downscaling work.
rango
/ rank
centro / center
modelo / model
1
2
CSIRO
MPI
3
4
5
6
7
GFDL
BCC
CCCma
NCAR
MetOffice Hadley Centre
ACESS1-0
MPI-ESM-MR, MPI-ESM-P,
MPI-ESM-LR
CM3
BCC-CSM1-1
CANESM2, CANCM4
CCSM4
HADGEM2-ES
etiqueta (Figura
14) / label (Figure 14)
A
Z, a, Y
I
B
E, D
F
Q
actuación /
performance
South America
+++ (0.9)
+++ (1.0)
++ (1.16)
+ (1.31)
- (1.81-2.32)
++ (1.17)
+++ (0.86)
As indicated by the reddish colors in Figure 16, many models have difficulties in simulating climate over the tropics and in particular over South America. However, models
that do best in simulating global mean climate (Table 4) generally also do well over the
South American region. Since ACESS1-0 is similar to the HADGEM2 models, and
since we are interested in including climate models that have very different code basis,
we decide to utilize in our regional modeling work the models that are marked in red in
Table 4. The question whether we will regionally downscale the output of four global
models or only three will depend on the computing time available to us and will therefore be decided at a later time. In our subsequent work we will include at least three, but
possibly more simulations.
- A29 -
Figura 15: Clasificación general de CMIP1, CMIP2, CMIP3 y CMIP5 generaciones de
modelos, siguiendo a Reichler y Kim (2008). Se muestra el índice de desempeño I2 para
los modelos individuales (círculos) y generaciones de modelos (filas). Los modelos de
mejor rendimiento tienen valores bajos I2 y se encuentran hacia la izquierda. El tamaño
de los círculos indica un intervalo de confianza del 95%. Los distintos modelos se identifican por letras y los números, los modelos de flujo corregido están marcados en rojo.
Los círculos grises muestran el I2 promedio de todos los modelos para una generación.
Los círculos negros expresan I2 de la media multi-modelo de una generación; en este
caso, la salida de todos los modelos se promedió primero y luego el I2 se calcula a partir
de la media de salida. El círculo verde (REA) indica I2 para el reanálisis de
NCEP/NCAR.
Figure 15: Overall rank of CMIP1, CMIP2, CMIP3, and CMIP5 model generations,
following Reichler and Kim (2008). Shown is performance index I2 for individual models (circles) and model generations (rows). Best performing models have low I2 values
and are located toward the left. Circle size indicates 95% confidence interval. Letters
and numbers identify individual models; flux-corrected models are labeled in red. Grey
circles show the average I2 of all models within one generation. Black circles indicate
the I2 of the multi-model mean of one generation; in this case, the output of all models
was first averaged and then the I2 was calculated from the average output. Green circle
(REA) is I2 of the NCEP/NCAR reanalyses.
- A30 -
best
worst
Figura 16: Índices de error regional de los modelos CMIP5. Se consideran 12 variables
físicas, 9 de océano, 1 de tierra y 9 de dinámica en la validación, utilizando ponderaciones iguales.
Figure 16: Regional error indices of CMIP5 models. 12 physics, 9 ocean, 1 land, and 9
dynamics variables are considered in the validation, using equal weights.
- A31 -
Task F. Adquirir datos de los modelos AR5 RCP4.5 y preparar las condiciones de contorno para las simulaciones de cambio climático / Acquire
AR5 RCP4.5 model data and prepare boundary conditions for climate
change simulations
Para los MCG resaltados en rojo en la Tabla 4, descargamos las salidas de la simulaciones necesarias para conducir el modelo WRF. Para cada GCM, hemos descargado los
datos medios mensuales de las simulaciones históricas (1991-2011) y también para el
escenario RCP4.5 (2040-2059). Como se detalla en el plan de trabajo, los datos son utilizados para construir nuevas condiciones de contorno e iniciales para el modelo WRF
en el marco del procedimiento de acoplamiento de anomalía.
For the GCMs highlighted in red in Table 4, we downloaded the necessary simulation
output to drive the WRF model. For each GCM, we downloaded monthly mean data
from the historical simulations (1991-2011) and also for the RCP4.5 scenario (20402059). As detailed in the work plan, the data are used to construct new boundary and initial conditions for the WRF model under the anomaly coupling method.
Referencias / References
Giorgi, F. and R. Francisco, 2000: Uncertainties in regional climate change prediction:
A regional analysis of ensemble simulations with the HADCM2 coupled AOGCM.
Clim. Dyn., 16, 169-182.
Reichler, T. and J. Kim, 2008: How well do coupled models simulate today's climate?
Bull. Amer. Meteor. Soc., 89, 303-311.
Saha, S., S. Nadiga, C. Thiaw, J. Wang, W. Wang, Q. Zhang, H. M. Van den Dool, H.
L. Pan, S. Moorthi, D. Behringer, D. Stokes, Pe, ntilde, M. a, S. Lord, G. White, W.
Ebisuzaki, P. Peng, and P. Xie, 2006: The NCEP Climate Forecast System. Journal
of Climate, 19, 3483-3517.
Taylor, K. E., 2001: Summarizing multiple aspects of model performance in a single
diagram. J. Geophys. Res., 106, 7183-7192.
Vera, C., W. Higgins, J. Amador, T. Ambrizzi, R. Garreaud, D. Gochis, D. Gutzler, D.
Lettenmaier, J. Marengo, C. R. Mechoso, J. Nogues-Paegle, P. L. S. Dias, and C.
Zhang, 2006a: Toward a Unified View of the American Monsoon Systems. Journal
of Climate, 19, 4977-5000.
Vera, C., J. Baez, M. Douglas, C. B. Emmanuel, J. Marengo, J. Meitin, M. Nicolini, J.
Nogues-Paegle, J. Paegle, O. Penalba, P. Salio, C. Saulo, M. A. Silva Dias, P. Silva
Dias, and E. Zipser, 2006b: The South American Low-Level Jet Experiment.
Bulletin of the American Meteorological Society, 87, 63-77.
von Storch, H., H. Langenberg, and F. Feser, 2000: A Spectral Nudging Technique for
Dynamical Downscaling Purposes. Monthly Weather Review, 128, 3664-3673.
- A32 -
_________________________________
Signed by / Firmado por: Thomas Reichler
- A33 -
DESARROLLO DE ESCENARIOS DE CAMBIO CLIMÁTICO PARA BOLIVIA
BASADOS EN TRES MODELOS CON DOWNSCALING Y LA CAPACITACIÓN A
TÉCNICOS PARA EL USO DE LOS ESCENARIOS DESARROLLADOS
PART B
Segundo Informe / Second Progress Report
Thomas Reichler, Universidad de Utah
17 de Octubre 2013 / October 17th 2013
Antecedentes / Background
Este es el segundo informe de avance para el proyecto titulado "DESARROLLO DE
ESCENARIOS DE CAMBIO CLIMÁTICO PARA BOLIVIA BASADOS EN TRES
MODELOS CON DOWNSCALING Y LA CAPACITACIÓN A TÉCNICOS PARA
EL USO DE LOS ESCENARIOS DESARROLLADOS”, dirigida por Thomas Reichler, de la Universidad de Utah / EE.UU. para el Ministerio de Bolivia Medio Ambiente
y Agua (MMAyA). El proyecto se encuentra a la fecha en su octavo mes desde su inicio
oficial a finales del mes de febrero de 2013 (fecha de la firma de documentos).
This is the second progress report for the project entitled ‘Development of climate
change scenarios for Bolivia based on three models with downscaling and technical
training for use of scenario development’, conducted by Thomas Reichler from the
University of Utah/USA for the Bolivian Ministry of Environment and Water (MMAyA). The project is now in its eighth months since its official inception at the end of
February 2013 (signage of documents).
WRF configuración y diseño dominio/ WRF configuration and domain layout
Como se describe en el primer informe, decidimos usar la configuración "S1b" (Tabla
1) del modelo WRF v3.4.1 para nuestras simulaciones. Implementamos WRF en esta
configuración en el nuevo sistema informático de Yellowstone, EE.UU. del Laboratorio
de Sistemas de Cómputo y de la Información (CISL), donde llevamos a cabo todas las
tareas que se describen en este informe.
As described in the first progress report, we decided to use for our simulations the configuration “S1b” of the WRF model V3.4.1 (Table 1). We implemented the model on
the new Yellowstone US computing facility of the Computational and Information Systems Laboratory (CISL), where we carried out all subsequent tasks described in this report.
- B2 -
Tabla 1 / Table 1: Opciones de la física y dinámica del modelo S1b. Esta configuración
se utiliza para el trabajo de modelado climático. / Model S1b physics and dynamics options. This configuration is used for the climate modeling work.
parametrización / option
Microphysics
longwave radiation
shortwave radiation
Surface layer
land surface
planetary boundary layer
cumulus convection
spectral nudging
nudging coefficient
xwavenum
Ywavenum
esquema / scheme
Goddard
Goddard
Goddard
ETA
Noah
Mellor-Yamada-Janjic
Grell-Devenyi
yes (grid_fdda=2)
0.0003
4
3
En contraste con los experimentos de sensibilidad iniciales descritos en el primer informe, utilizamos ahora un diseño de dominio un tanto diferente tanto para las corridas de
control como para las simulaciones de cambio climático. Como se muestra en la Figura
1, para nuestras simulaciones a largo plazo se utiliza un esquema de dominio anidado
cinco veces con los dos dominios internos de 1-km de resolución centrados en la Cuenca Mizque (d04) y Cuenca Pirai (d05). Al igual que antes, el dominio exterior, d01, tiene una resolución espacial de ~38 km y cubre una gran parte de América del Sur y sus
mares adyacentes. El dominio externo se anida en la red de reanálisis atmosférico y de
predicciones GCM seleccionadas para proporcionar las condiciones iniciales y de borde
necesarias. El dominio intermedio, d02, tiene una resolución de ~9,5 km y cubre Bolivia
y sus países vecinos. El dominio número 3, d03, tiene una resolución de punto de malla
de ~ 3 km y cubre la mayor parte del territorio boliviano. La Tabla 2 compara el diseño
de los dominios. Los cinco dominios usan 28 niveles verticales en la atmósfera y cuatro
niveles verticales en tierra, que es la configuración estándar de WRF.
In contrast to our initial sensitivity experiments described in the first progress report, we
now use for our long-term control and climate change simulations a somewhat different
domain layout. As shown in Figure 1, for our long-term simulations we use a quintuple
nested domain layout with the two most inner 1-km resolution domains focused on the
Cuenca Mizque (d04) and Cuenca Pirai (d05). As before, the outer domain, d01, has a
spatial resolution of ~38 km and covers a large part of South America and its adjacent
oceans. It is nested into the grid of atmospheric reanalysis or selected GCM predictions
to provide the necessary lateral boundary and initial conditions. The intermediate domain, d02, has a resolution of ~9.5 km and covers Bolivia and its surrounding countries.
Domain number d03 has a grid point resolution of ~3 km and covers most of the Bolivian territory. Table 2 compares the design of the five domains. All domains use 28 vertical levels above and 4 vertical levels below the ground.
- B3 -
3
1
4 Cuenca Mizque
2
3
5 Cuenca Piraí
Figura 1: Diseño del dominio anidado cinco veces para el modelo. Los puntos negros
indican estaciones de superficie del servicio meteorológico boliviano.
Figure 1: Quintuple nested domain layout of the model. Inner domains d04 and d05
have a resolution of ~ 1km. Black dots indicate available surface stations of the Bolivian weather service.
Tabla 2 / Table 2: Los cinco dominios regionales del modelo / The five regional model
domains.
nombre /
name
d01
d02
d03
d04
d05
resolución / resolution (km)
38
9.5
3.2
1.1
1.1
puntos de la malla /
gridpoints (x*y)
86 x 86
205 x 205
274 x 274
100 x 79
79 x 118
- B4 -
parametrización de cúmulos /
cumulus parameterization
si /yes
si / yes
No
No
No
Tarea A. Simulación de control: 1990-2010, con las condiciones iniciales y
de contorno CFSR / Task A. Control simulation: 1990-2010, CFSR initial
and boundary conditions
Hemos terminado nuestra simulación de control del clima presente usando los datos de
CFSR como condiciones iniciales y de borde el período de 21 años 1990-2010. Los resultados para el dominio WRF d03 se presentan en términos de unas pocas cantidades
climáticas seleccionadas: precipitación (Figura 2), temperatura a 2m de la superficie
(Figura 3), humedad específica a 2 metros (Figura 4), y presión de superficie (Figura 5).
Se muestran tanto el clima promedio (Figuras Xa) y las desviaciones estándar interanuales (Figuras Xb). En cada figura, el ciclo estacional se compara con las estimaciones basadas en observaciones correspondientes (CMORPH para la precipitación, del
reanálisis ERA-Interim para las otras variables) para el mismo período.
We have completed our control simulation for present-day climate using CFSR initial
and boundary conditions over the 21 year long period 1990-2010. The outcomes for
WRF domain d03 are presented in terms of a few selected climate quantities: precipitation (Figure 2), 2 meter temperature (Figure 3), 2 meter specific humidity (Figure 4),
and surface pressure (Figure 5). Both, mean climate (Figures Xa) and interannual
standard deviations (Figures Xb) are shown. In each Figure, the seasonal cycle is compared against corresponding observation based estimates (CMORPH for precipitation,
else ERA-interim reanalysis) for the same time period.
En general el acuerdo entre las simulaciones y las observaciones es bueno, en particular
en términos de patrones espaciales, ciclo estacional y la variabilidad interanual. Por supuesto, también hay áreas de desacuerdo. Por ejemplo, las simulaciones parecen subestimar la precipitación estimada por CMORPH (Figura 2), en particular sobre las tierras
bajas amazónicas. Durante EFM (enero, febrero, marzo), la precipitación simulada por
el modelo es de alrededor de 5 mm / día, mientras que los valores derivados por
CMORPH dan aproximadamente 7 mm / día. Sesgos negativos similares existen durante las otras estaciones. Sin embargo, el grado de incertidumbre asociado con las estimaciones de precipitación de CMORPH es también alto, por lo que es difícil decir qué tan
grave es el sesgo del modelo. En términos de humedad específica existe también un
sesgo aunque más débil (Figura 4), siendo los datos de humedad específica modelados
que más bajos que en el reanálisis ERA-interim. La consistencia de los resultados de la
precipitación y la humedad específica, usando dos conjuntos de datos observacionales
diferentes, indica que estos sesgos son reales.
The agreement between simulations and observations is generally good, in particular in
terms of spatial patterns, seasonal cycle, and interannual variability. Of course there are
also areas of disagreement. For example, the simulations seem to somewhat underestimate the CMORPH estimated precipitation (Figure 2), in particular over the Amazonian
lowlands. During JFM, the model simulated precipitation is on about 5 mm/day, whereas the CMORPH derived estimate is about 7 mm/day. Similar negative biases exist during the other seasons. However, considerable uncertainties are associated with the
CMORPH precipitation estimates, and it is therefore difficult to say how severe the ac-
- B5 -
tual model bias is. A related but perhaps weaker bias exists for specific humidity (Figure 4), with the model simulating specific humidity values that tend to be lower than in
the ERA-interim reanalysis. The consistency of the outcomes for precipitation and specific humidity, using two different observational data sets, indicates that these biases are
real.
Los sesgos descritos anteriormente son inevitables y, en cierta medida, esperados. Esto
es particularmente cierto para la precipitación, una cantidad que es notoriamente difícil
de simular y observar. Sin embargo, estos sesgos jugarán un papel menos importante ya
que vamos a corregir los mismos al comparar las simulaciones del clima futuro con las
simulaciones de control (clima presente) ya que ambas simulaciones tienen, presumiblemente, sesgos similares.
We note that the above described biases are unavoidable and to some extent expected.
This is particularly true for precipitation, a quantity which is notoriously difficult to
simulate and observe. However, such biases will play less of a role since we will correct
for them by comparing the outcomes of our future climate change simulations against
the control simulations, and since presumably both simulations have similar biases.
- B6 -
Figura 2a: Climatología de la precipitación (mm/día) para el periodo 2003-2010. A la
izquierda valores obtenidos por WRF (dominio d03) forzado por CFSR y a la derecha
los valores de CMORPH.
Figure 2a: Precipitation (mm/day) climatology (2003-2010) from (left) WRF (d03)
forced by CFSR and (right) CMORPH.
- B7 -
Figura 2b: Desviación estándar interanual de la precipitación (mm/día) (2003-2010).
Figure 2b: Precipitation (mm/day) interannual standard deviation (2003-2010).
- B8 -
Figura 3a: Climatología de la temperatura media 2m (K) para el periodo 1990-2010.
Izquierda, WRF (dominio d03) forzado por CFSR y, derecha, ERA-interim.
Figure 3a: 2 m mean temperature (K) climatology (1990-2010) from (left) WRF (d03)
forced by CFSR and (right) ERA-interim.
- B9 -
Figura 3b: Desviación estándar interanual de la temperatura media 2m (K) para el periodo 1990-2010.
Figure 3b: 2 m mean temperature (K) interannual standard deviation (1990-2010).
- B10 -
Figura 4a: Climatología de la humedad específica 2m (g/kg) para el periodo 19902010. Izquierda, WRF (dominio d03) forzado por CFSR y, derecha, ERA-interim.
Figure 4a: 2 m specific humidity (g/kg) climatology (1990-2010) from (left) WRF
(d03) forced by CFSR and (right) ERA-interim.
- B11 -
Figura 4b: Desviación estándar interanual para la humedad específica 2m (g/kg) durante el periodo 1990-2010.
Figure 4b: 2 m specific humidity (g/kg) interannual standard deviation (1990-2010).
- B12 -
Figura 5a: Climatología de la presión en superficie (hPa) para el periodo 1990-2010.
Izquierda, WRF (dominio d03) forzado por CFSR y, derecha, ERA-interim. Nota: los
resultados para las diferentes estaciones del año son casi idénticos por lo que se muestra
resultados para una sola estación.
Figure 5a: Surface pressure (hPa) climatology (1990-2010) from (left) WRF (d03)
forced by CFSR and (right) ERA-interim. Note: outcomes for the different seasons are
nearly identical so that only one season is shown.
- B13 -
Figura 5b: Desviación estándar interanual de la presión en superficie (hPa) para el periodo 1990-2010.
Figure 5b: Surface pressure (hPa) interannual standard deviation (1990-2010).
- B14 -
Tarea B-E. Simulaciones de cambio climático 1-4: 2040-2059 / Task B-E.
Climate change simulations 1-4: 2040-2059
También hemos empezado a preparar y llevar a cabo las simulaciones de cambio climático a largo plazo mediante usando condiciones inciales y de borde perturbadas para los
modelos CSIRO-ACESS1-0, MPI-ESM-MR, GFDL-CM3. Estas simulaciones se encuentran todavía en su estado inicial por lo que no podemos presentar los resultados en
el presente informe. Adicionalmente, todavía estamos decidiendo si nuestros recursos
informáticos son suficientes para llevar a cabo la cuarta simulación de cambio climático, tal vez forzada por el modelo NCAR-CCSM4 o por la media del ensamble multimodelo de varios modelos CMIP5.
We have also begun setting up and performing the long-term climate change simulations using perturbed initial and boundary conditions from the models CSIROACESS1-0, MPI-ESM-MR, GFDL-CM3. These simulations are still in their initial state
so that we are unable to present results in this report. In addition, we are still deciding
whether our computing resources are sufficient to carry out a fourth climate change
simulation, perhaps driven by the NCAR-CCSM4 model or by the multi-model mean
output of many CMIP5 models.
_________________________________
Signed by / Firmado por: Thomas Reichler
- B15 -
DESARROLLO DE ESCENARIOS DE CAMBIO CLIMÁTICO PARA BOLIVIA
BASADOS EN TRES MODELOS CON DOWNSCALING Y LA CAPACITACIÓN A
TÉCNICOS PARA EL USO DE LOS ESCENARIOS DESARROLLADOS
PART C
Informe Especial / Special Progress Report
Thomas Reichler, Universidad de Utah
10 de Diciembre 2013 / December 10th 2013
Antecedentes / Background
Este es un informe especial para el proyecto titulado "DESARROLLO DE ESCENARIOS DE
CAMBIO CLIMÁTICO PARA BOLIVIA BASADOS EN TRES MODELOS CON DOWNSCALING
Y LA CAPACITACIÓN A TÉCNICOS PARA EL USO DE LOS ESCENARIOS DESARROLLADOS”,
dirigida por Thomas Reichler, de la Universidad de Utah / EE.UU. para el Ministerio de
Bolivia Medio Ambiente y Agua (MMAyA). El proyecto se encuentra a la fecha en su
décimo mes desde su inicio oficial a finales del mes de febrero de 2013 (fecha de la
firma de documentos).
This is a special report for the project entitled ‘Development of climate change scenarios for Bolivia based on three models with downscaling and technical training for use
of scenario development’, conducted by Thomas Reichler from the University of
Utah/USA for the Bolivian Ministry of Environment and Water (MMAyA). The project is
now in its tenth months since its official inception at the end of February 2013 (signage
of documents).
Climate Simulation Status
As of 12/10/2013, we have completed three (using: CFSR, GFDL-CM3, ACCESS1-0) of
the four proposed simulations. Each simulation was carried out for five domains, including the two high-resolution domains at 1 km. Simulation number 4 (using: MPIESM-MR) is now in month September, and still has about 3 more months to go. Very
recently, we also started one additional climate change simulation, using the multimodel mean of all available CMIP5 climate models as initial and boundary conditions.
This fifth simulation is now in the month of February. It is for scientific reasons that we
decided to carry out this extra simulation; we believe that its outcomes are most
meaningful and trustworthy.
Change of Emission Scenario
In prior consultation with Marcos Andrade (Universidad Mayor de San Andres) and also with officials from MMAyA, we decided to drive our regional simulations with
CMIP5 climate model output for the higher emission scenario RCP8.5 instead of the
originally proposed scenario RCP4.5. We strongly believe that RCP8.5 is a more realistic
future pathway, and that therefore the outcomes of our regional simulations will be
more informative and realistic.
- C2 -
Request for modification to the contract
We are unable to complete the necessary simulations before the end of the year 2013.
This is due to the fact that our simulations are extremely expensive in terms of computing time. To make this point more clear: since the start of the simulations in June 2013
we used quasi-permanently 2016, and at times even more than 4000, processors of
the Yellowstone computer cluster. But we compete for this time with other users of
the Yellowstone system. In other words, not all necessary computer power is also
available to us at a given time, and it is difficult to predict the corresponding fluctuations. Additionally, we also increased the length of all simulation by one year, and we
decided to start one additional climate change simulation.
Therefore, we would like to apply for a two month extension of the project, meaning
that the final progress report will be submitted by the end of February. If granted, the
total duration of the project would then be exactly one year.
_________________________________
Signed by / Firmado por: Thomas Reichler
- C3 -
DESARROLLO DE ESCENARIOS DE CAMBIO CLIMÁTICO PARA BOLIVIA
BASADOS EN TRES MODELOS CON DOWNSCALING Y LA CAPACITACIÓN A
TÉCNICOS PARA EL USO DE LOS ESCENARIOS DESARROLLADOS
PART D
Informe Final / Final Progress Report
Thomas Reichler, Universidad de Utah
25 de Febrero 2014 / February 25th 2014
Tarea H-K. Simulaciones de Cambio Climático 1 (2040-2059) | Task H-K.
Climate Change Simulations (2040-2059)
Hemos llevado a cabo simulaciones más largas que las propuestas inicialmente. Cada
simulación es ahora de 21 años (propuesta inicial: 20 años) y se compone de los cinco
dominios, incluidos los dos dominios interiores (d04 y d05) en la escala de 1 kilómetro
de la Cuenca del río Piraí y Cuenca Mizque. Se realizó una simulación de control de
clima presente y cuatro (en lugar de tres) simulaciones de cambio climático.
We conducted more simulations than originally proposed. Each simulation is now 21
years long (originally proposed: 20 years) and consists of all five domains, including the
two inner domains (d04 and d05) at the 1 km scale for the Cuenca del río Piraí and
Cuenca Mizque. We performed one control simulation for present-day climate and four
(instead of three) climate change simulations.
Tres simulaciones de cambio climático fueron forzadas en los límites por las salidas de
los modelos climáticos ACCESS1-0, GFDL-CM3 y MPI-ESM-MR para los años 2040
a 2060 bajo el escenario RCP8.5 del protocolo CMIP5. Se realizó una simulación de
cambio climático adicional, que fue forzada por la media multi-modelo (MMM)
(RCP8.5, 2040-2060) de todos los modelos CMIP5 disponibles (es decir, no sólo de los
tres modelos anteriores). La lógica detrás de esta simulación adicional es que diversos
estudios previos demostraron que, debido a la cancelación de los errores aleatorios la
media de muchos modelos diferentes por lo general produce resultados más fiables que
cualquier modelo individual (por ejemplo, Reichler and Kim 2007). Por lo tanto,
suponemos que los resultados de la simulación forzada por el multi-modelo es
particularmente digno de confianza. Las concentraciones de CO2 se mantuvieron
constantes en 337 ppm para la simulación de control y en 630 ppm para las cuatro
simulaciones de cambio climático.
Three climate change simulations were forced at the boundaries by the outputs of the
ACCESS1-0, GFDL-CM3, and MPI-ESM-MR climate models for the years 2040-2060
under the RCP8.5 scenario of the CMIP5 protocol. We performed one additional
climate change simulation, which was forced by the multi-model mean (MMM)
(RCP8.5, 2040-2060) of all (i.e., not just the three above models) available CMIP5
models. The rationale behind this additional simulation is that various previous studies
demonstrated that due to the cancellation of random errors the mean of many different
models usually produces more reliable results than any individual model (e.g., Reichler
and Kim 2007). We therefore assume that the outcomes of the multi-model mean forced
simulation is particularly trustworthy. The CO2 concentrations were held constant at
337 ppm for the control simulation and at 630 ppm for the four climate change
simulations.
1 Metodología | Methodology
Los cambios que se muestran en las siguientes figuras representan las diferencias en los
21 años entre una simulación de cambio climático particular y el control del clima
- D2 -
presente. De este modo, los mapas muestran los posibles cambios en el clima en el año
2050 bajo el escenario RCP8.5. La significación estadística se estableció a través de una
prueba t de dos colas en el nivel de error del 5%, utilizando la desviación estándar
interanual como desviación estándar de la muestra. En el cálculo de los grados de
libertad, simulaciones individuales se consideran como muestras independientes. Se
utiliza un sombreado con puntos en los mapas para mostrar donde, de acuerdo a la
prueba t, los cambios no son significativos. La consistencia de la respuesta entre los
mapas de las diferentes simulaciones es otro buen indicador de la solidez estadística.
The changes shown in the following figures represent differences in the 21 year mean
between a particular climate change simulation and the present-day control. Thus, the
maps show likely changes in climate by the year 2050 under the RCP8.5 scenario.
Statistical significance is established through a two-tailed t-test at the 5% error level,
using the interannual standard deviation as sample standard deviation. In calculating the
degrees of freedom, individual simulation years are considered as independent samples.
Stippling is used in the maps to show where, according to the t-test, changes are not
significant. The consistency of the response amongst the maps for the different
simulations is another good indicator for statistical robustness.
La siguiente discusión sobre el cambio climático prevista para Bolivia se concentra en
la temperatura, la precipitación, y algunas otras cantidades climáticas importantes.
Análisis adicional más detallado de las simulaciones globales y regionales de cambio
climático se puede encontrar en
http://www.inscc.utah.edu/~reichler/BOLIVIA/index.html.
The following discussion of expected climate change for Bolivia is focused on
temperature, precipitation, and a few other key climate quantities. Additional more
detailed analysis of the global and regional climate change simulations can be found at
http://www.inscc.utah.edu/~reichler/BOLIVIA/index.html.
2 Cambio de Temperatura | Temperature Change
La figura 1 presenta un análisis de los cambios de temperatura simulada (2050 menos
2000) para las distintas estaciones, modelos y dominios (d03-d05). Además de los
resultados del modelo regional (Figuras 1a, c, e), los resultados directos de los modelos
globales escala gruesa (Figuras 1b, d, f) se muestran también.
Figure 1 presents an analysis of simulated temperature change (2050 minus 2000) for
the various seasons, models, and domains (d03-d05). In addition to regional model
results (Figures 1a, c, e), direct outcomes from the coarse scale global models (Figures
1b, d, f) are also shown.
Los cambios de temperatura que se muestran en la Figura 1a indican calentamiento
entre 1.0 y 5.9 K. Todos los cambios son estadísticamente significativos, como se
muestra por la ausencia de punteado y por la consistencia de la respuesta producida por
los diferentes modelos. Regionalmente, hay una cierta tendencia a que el calentamiento
es mayor en las tierras bajas de la Amazonía, y el más pequeño en las estribaciones de
los Andes, en la región del Lago Titicaca, y la región de la costa del Pacífico.
- D3 -
The model predicted temperature changes shown in Figure 1a range between 1.0 and
5.9 K warming. All changes are statistically significant, as shown by the absence of
stippling and by the consistency of the response produced by the different models.
Regionally, there is a certain tendency for the warming being largest in the lowlands of
the Amazon, and smallest in the foothills of the Andes, around the region of the Lago
Titicaca, and the Pacific coast region.
Ahora nos centramos en la media espacial del cambio de temperatura pronosticado por
los diferentes modelos en las distintas regiones y estaciones (Figura 2). Lo más notable
es que las temperaturas del modelo GFDL-CM3 son considerablemente más calientes
que la de los otros dos modelos y de la media del multi-modelo. Esto está
probablemente relacionado con la relativa alta sensibilidad climática del modelo GFDLCM3 (Winton et al. 2012). Los resultados de las otras tres simulaciones son bastante
similares entre sí.
We now focus on the area mean temperature change predicted by the different models
for the various regions and seasons (Figure 2). Most noticeable is that temperatures
from the GFDL-CM3 model are considerably warmer than that of the other two models
and the multi-model mean. This is probably related to the relatively high climate
sensitivity of the GFDL-CM3 model (Winton et al. 2012). The outcomes from the other
three simulations are quite similar to each other.
Utilizando los resultados de la media del multi-modelo, el cambio anual promedio de
temperatura para los tres dominios es un calentamiento de entre 2 y 3 K. A nivel
regional, el calentamiento en los tres dominios es bastante similar, pero quizás es un
poco más grande sobre dominio d05. El calentamiento es más grande (~ 2,8 K) durante
OND, que es la temporada de primavera y el final de la estación seca. Por el contrario,
el calentamiento es más pequeño durante EFM (~ 2,2 K), que es la estación de las
lluvias de invierno. Las predicciones del modelo WRF tienden a ser un poco más
caliente que los resultados directos de las simulaciones a escala gruesa del modelo
climático correspondiente. Este calentamiento asciende a unas pocas decenas de grados,
y es más pronunciado en el modelo ACCESS1-0.
Using the results from the multi-model mean, the annual mean area mean temperature
change for the three domains is a warming between 2 and 3 K. Regionally, the warming
over the three domains is quite similar, but perhaps it is somewhat larger over domain
d05. The warming is largest (~2.8 K) during OND, which is the spring season and
denotes the end of the dry season. In contrast, the warming is smallest during JFM (~2.2
K), which is the rainy winter season. Predictions from the WRF model tend to be
somewhat warmer than the direct results from the coarse scale simulations of the
corresponding climate model. This warming amounts to a few tens of degrees, and it is
most pronounced in the ACCESS1-0 model.
- D4 -
Figura | Figure 1a: Cambio en temperatura (K) de la superficie para el dominio d03.
Los números pequeños en la parte superior izquierda de cada panel son la media,
cambio máximo y cambio mínimo. Isolíneas de elevación topográfica se muestran en 1,
400 y 3000 m (Figura 1a y b) y en 1, 400, 1000, 2000, 3000, 4000, y 5000 m (Figura 1c,
d, e y f). Se muestran los resultados del modelo regional para el dominio d03 | Surface
temperature change (K) over domain d03. Small numbers at the top left of each panel
are mean, maximum, and minimum change. Isolines of topographic elevation are shown
at 1, 400 and 3000 m (Figure 1a and b) and at 1, 400, 1000, 2000, 3000, 4000, and 5000
m (Figure 1c, d, e and f). Shown are results from the regional model for domain d03.
- D5 -
Figura | Figure 1b: Como en la Figura 1a, pero para los modelos globales | As Figure
1a but for global models.
- D6 -
Figura | Figure 1c: Como en la Figura 1a, pero para el dominio d04 (Cuenca del Río
Mizque) | As Figure 1a but for domain d04 (Cuenca del Rio Mizque).
- D7 -
Figura | Figure 1d: Como en la Figura 1a, pero para los modelos globales y el dominio
d04 (Cuenca del Río Mizque) | As Figure 1a but for global models and domain d04
(Cuenca del Rio Mizque).
- D8 -
Figura | Figure 1e: Como en la Figura 1a, pero para el dominio d05 (Cuenca del Río
Pirai) | As Figure 1a but domain d05 (Cuenca del Rio Pirai)
- D9 -
Figura | Figure 1f: Como en la Figura 1a, pero para los modelos globales y el dominio
d05 (Cuenca del Río Pirai) | As Figure 1a but for global models and domain d05
(Cuenca del Rio Pirai).
- D10 -
Figura | Figure 2: Cambio de temperatura superficial (K) en el año 2050 para dominios
d03-d05. ACC = ACCESS1-0, GFD = GFDL-CM3, MPI = MPI-ESM-MR, MMM =
media multi-modelo. WRF-XXX son los resultados de WRF forzados por el modelo
climático XXX; XXX son resultados directos (sin downscaling) de ese modelo
climático | Area mean surface temperature change (K) by 2050 for domains d03-d05.
ACC = ACCESS1-0, GFD=GFDL-CM3, MPI = MPI-ESM-MR, MMM = multi-model
mean. WRF-XXX are results from WRF forced by climate model XXX; XXX are nondownscaled results taken from that climate model.
3 Cambio de Precipitación | Precipitation Change
Comenzamos nuestro análisis de cambios de precipitación mostrando las cantidades
absolutas de precipitación simulados por los modelos regionales y globales (Figura 3).
La Figura 3a muestra un fuerte ciclo estacional de las precipitaciones para el dominio
d03, con condiciones secas durante el otoño (AMJ) y el invierno (JAS), y condiciones
de humedad durante la primavera (OND) y verano (EFM). Como era de esperar, la
cantidad total de precipitación es más grande a lo largo de las estribaciones de los
Andes que llevan a las tierras bajas amazónicas. Los modelos globales (las cuatro filas
superiores de la Figura 3a) reproducen el pronunciado ciclo estacional y también, en
cierta medida, los fuertes gradientes espaciales en la precipitación, pero como se
esperaba el detalle espacial es mucho más grande en las simulaciones del modelo
regional (fila inferior de la Figura 3a). En los dominios de alta resolución d04 (Figura
3b) y d05 (Figura 3c) los modelos globales (primeras cuatro filas) son incapaces de
reproducir cualquier detalle espacial ya que en la mayoría de los casos todo el dominio
está cubierto por sólo una o dos celdas de la cuadrícula. Por otro lado, los resultados del
modelo regional (fila inferior) exhiben detalles interesantes con considerables
gradientes espaciales.
We begin our discussion of precipitation changes by showing the absolute amount of
precipitation simulated by the regional and global models (Figure 3). Figure 3a
demonstrates that there is a strong seasonal cycle in precipitation for domain d03, with
dry conditions during fall (AMJ) and winter (JAS), and wet conditions during spring
(OND) and summer (JFM). As expected, the total amount of precipitation is largest
along the Andes foothills facing the Amazonian lowlands. The global models (top four
- D11 -
rows of Figure 3a) are able to reproduce the pronounced seasonal cycle and also the
strong spatial gradients in precipitation to some extent, but as expected, the spatial
details are much smaller than in the regional simulations (bottom row of Figure 3a).
Over the two high resolution domains d04 (Figure 3b) and d05 (Figure 3c) the global
models (top four rows) are unable to reproduce any spatial structure since the entire
domain is covered by one or two grid cells only. On the other hand, the regional model
results (bottom row) exhibit interesting details with considerable spatial gradients.
La figura 4 presenta los mapas de cambio de precipitación simulada (mm/d). El
resultado predominante simulación es una disminución en la precipitación. Esta es una
respuesta sorprendentemente robusta. Es evidente en todas las estaciones, a lo largo de
todas las regiones y de todos los modelos climáticos que actúan de forzante del modelo
regional. La tendencia de disminución de la precipitación es más pronunciada durante la
primavera (OND) y verano (JFM). Regionalmente, las áreas en las que la disminución
de la precipitación es más robusta corresponden los pies de los Andes que llevan al
Amazonas y las tierras bajas de la Amazonía. También hay una tendencia a disminución
de la precipitación sobre el Altiplano, pero es menos pronunciada y no siempre
estadísticamente significativa. La comparación de los patrones de cambio con los de la
precipitación absoluta (Figura 3) pone de manifiesto que los cambios pluviométricos
estacionales y regionales son mayores en las regiones donde las cantidades absolutas
también son grandes. Las diferencias entre los resultados de los diferentes modelos
climáticos son relativamente pequeñas, pero como antes con la temperatura, la respuesta
es más fuerte en la simulación que es impulsada por el modelo GFDL-CM3 (segunda
fila de la Figura 4).
Figure 4 presents maps of simulated precipitation change (mm/d). The predominant
simulation outcome is a decrease in precipitation. This is a surprisingly robust response.
It is evident during all seasons, over all regions, and from all driving climate models.
The tendency of drying is most pronounced during spring (OND) and summer (JFM).
Regionally, areas where the rainfall decrease is most robust are the foothills of the
Andes facing the Amazon and the lowlands of the Amazon. There is also a tendency of
drying over the Altiplano, but there it is less pronounced and not always statistically
significant. Comparing the patterns of change with those of absolute precipitation
(Figure 3) it becomes clear that the seasonal and regional rainfall changes are largest
where the absolute amounts are also large. The differences amongst the outcomes from
the different climate models are relatively small, but as before with temperature, the
response is strongest in the simulation that is driven by the GFDL-CM3 model (second
row of Figure 4).
- D12 -
Figura | Figure 3a: Climatología de la precipitación (mm/d) en el dominio d03. Las
cuatro filas superiores son los resultados de los modelos climáticos globales. La fila
baja titulada "WRF-CFSR" es el modelo WRF impulsado por las condiciones de
contorno CFSR. Ver epígrafe Figura 1 para más detalles | Precipitation climatology
(mm/d) for domain d03. The top four rows are results from the global climate models.
- D13 -
Figura | Figure 3b: Como en la Figura 3a pero para el domino d04 (Cuenca del Río
Mizque) | As Figure 3a but domain d04 (Cuenca del Río Mizque).
_____________________________________________________________________
The bottom row entitled “WRF-CFSR” is the WRF model driven by CFSR boundary
conditions. See caption Figure 1 for more details.
- D14 -
Figura | Figure 3c: Como en la Figura 3a pero para el domino d05 (Cuenca del Río
Pirai) | As Figure 3a but domain d04 (Cuenca del Río Pirai).
- D15 -
Una disminución de las lluvias también es perceptible para los dos dominios de alta
resolución d04 (Figura 4c) y d05 (Figura 4e). Como antes, la disminución es más
significativa durante el verano (JFM), excepto en el sureste del dominio d05 donde la
tendencia a la sequía es principalmente insignificativa.
A decrease in rainfall is also noticeable for the two high-resolution domains d04 (Figure
4c) and d05 (Figure 4e). As before, the drying is most significant during summer (JFM),
except in the southeastern half of domain d05 where the drying trend is mostly
insignificant.
La figura 4a muestra también unas pocas áreas aisladas donde las precipitaciones
aumentan. Estas áreas se concentran a lo largo de la cadena montañosa de los Andes,
siguiendo aproximadamente la isolínea topográfica de 3,000 m. Esto resulta es un
dipolo de cambios en las precipitaciones, con regiones con fuerte incremento y
regiones vecinas con fuerte disminución. Esto sugiere que el patrón de máxima
precipitación sobre la región piedemonte se desplaza un poco hacia el suroeste, es decir,
hacia regiones montañosas de alturas. Tal vez esto se puede explicar desde el
calentamiento global general, en el que el aire tiene que ascender a niveles más altos
para superar el calentamiento antropogénico y producir precipitación. Sin embargo, es
importante señalar que a pesar de estas pequeñas bolsas de aumento de la precipitación,
las zonas de disminución de la precipitación, por mucho, dominan el cuadro general de
cambio de precipitación.
Figure 4a also exhibits a few isolated areas where rainfall increases. These areas are
concentrated along the mountain chain of the Andes, roughly following the 3000 m
topographic isoline. This result in a dipole of precipitation change, with regions of
strong increase neighboring regions of strong decrease. This suggest that the pattern of
maximum rainfall over the foothill region shifts somewhat towards the southwest, i.e.,
towards regions of increasing mountain heights. Perhaps this can be explained from the
overall warming, in which air has to ascend to higher levels to overcome the
anthropogenic warming and to produce precipitation. However, it is important to note
that despite these small pockets of precipitation increase, the areas of precipitation
decrease by far dominate the overall picture of precipitation change.
- D16 -
Figura | Figure 4a: Cambio absoluto de precipitación (mm/d). El punteado indica
cambios que estadísticamente no son significativos (5%). Ver epígrafe de la Figura 1a
para más detalles | Absolute precipitation change (mm/d). Stippling indicates changes
that are statistically not significant (5%). See caption Figure 1a for more details.
- D17 -
Figura | Figure 4b: Como en la Figura 4a, pero para los modelos globales | As Figure
4a but for global models.
- D18 -
Figura | Figure 4c: Como en la Figura 4a, pero para el dominio d04 (Cuenca del Río
Mizque) | As Figure 4a but domain d04 (Cuenca del Rio Mizque).
- D19 -
Figura | Figure 4d: Como en la Figura 4a, pero para los modelos globales y el dominio
d04 (Cuenca del Río Mizque) | As Figure 4a but global models and domain d04
(Cuenca del Rio Mizque).
- D20 -
Figura | Figure 4e: Como en la Figura 4a, pero para el dominio d05 (Cuenca del Río
Pirai) | As Figure 4a but domain d05 (Cuenca del Rio Pirai).
- D21 -
Figura | Figure 4f: Como en la Figura 4a, pero para los modelos globales y el dominio
d05 (Cuenca del Río Pirai) | As Figure 4a but global models and domain d05 (Cuenca
del Rio Pirai).
- D22 -
Dado que las zonas y temporadas con el cambio más fuerte de la precipitación (Figura
4) están estrechamente relacionadas a las zonas y temporadas con mayor precipitación
absoluta (Figura 3), es revelador expresar los cambios en términos relativos. En la
Figura 5 se muestran, por tanto, el cambio porcentual en la precipitación graficando la
cantidad
Since areas and seasons with strongest change in precipitation (Figure 4) are closely
related to areas and seasons with largest absolute precipitation (Figure 3), it is also
informative to express the changes in relative terms. In Figure 5 we therefore present
percentage change in precipitation by plotting the quantity
Pr 
P2050  P2000
x100 .
P2000
Los patrones de cambio relativo de las precipitaciones (Figura 5) muestran una
estructura espacial y estacional algo diferente que los cambios absolutos. En un sentido
relativo, la estacionalidad del periodo seco se reduce, es decir, periodos secos ocurren
todo el año. La disminución de la precipitación es más pronunciada durante otoño e
invierno, cuando la cantidad climatológica de precipitación es pequeña. Los gradientes
espaciales secadote disminución relativa son también más pequeños que antes, con
disminución de precipitación en la región del Altiplano y la cuenca del Amazonas
superior al 40%. Nótese que las áreas de significación estadística no se han modificado
en los mapas del cambio relativo.
The patterns of relative rainfall change (Figure 5) show a somewhat different spatial and
seasonal structure than the absolute changes. In a relative sense, the seasonality of the
drying is reduced, i.e., drying is evident year round. The drying is most pronounced
during fall and winter, when the climatological amount of precipitation is small. The
spatial gradients of relative drying are also smaller than before, with drying in the
Altiplano region and also the Amazon basin exceeding 40%. Note that the areas of
statistical significance are unchanged in the maps of relative change.
- D23 -
Figura | Figure 5a: Cambio relativo de precipitación (%). El punteado indica cambios
que estadísticamente no son significativos (5%). Ver epígrafe de la Figura 1a para más
detalles | Relative precipitation change (%). Stippling indicates changes that are
statistically not significant (5%). See caption Figure 1a for more details.
- D24 -
Figura | Figure 5b: Como en la Figura 5a, pero para el dominio d04 (Cuenca del Río
Mizque) | As Figure 5a but domain d04 (Cuenca del Rio Mizque).
- D25 -
Figura | Figure 5c: Como en la Figura 5a, pero para el dominio d05 (Cuenca del Río
Pirai) | As Figure 5a but domain d05 (Cuenca del Rio Pirai).
- D26 -
Resumimos nuestras conclusiones mediante la presentación de los cambios absolutos y
relativos de precipitación promedio sobre la totalidad de los dominios (Figura 6). En
promedio en toda Bolivia (d03), las reducciones de la precipitación en verano (JFM)
oscilan entre 0,4 y 0,7 mm/d, lo que se traduce en una reducción del 10-14%. Durante el
invierno (JAS), las reducciones equivalen a 0,1-0,2 mm/d que corresponde a un 20-40%
menos precipitación. Las tasas de reducción sobre las dos "Cuencas" (d04 y d05)
tienden a ser aún más grandes, con un máximo de 1,5 mm/día (27%) menos
precipitación en verano sobre la "Cuenca del Río Mizque" (d04).
We summarize our findings by presenting absolute and relative precipitation changes
averaged over the entire domains (Figure 6). Averaged over Bolivia (domain d03), the
rainfall reductions in summer (JFM) range between 0.4 and 0.7 mm/d, which translates
into a reduction of 10-14%. During winter (JAS), the reductions amount to 0.1-0.2
mm/d corresponding to 20-40% less rainfall. The reduction rates over the two
“Cuencas” (d04 and d05) tend to be even larger, with up to 1.5 mm/d (27%) less
summer rainfall over the “Cuenca del Río Mizque” (d04).
Figura | Figure 6: Cambio medio absoluto (arriba) y relativo(abajo) de precipitación.
Sólo se muestran cambios predichos por WRF | Area mean (top) absolute and (bottom)
relative precipitation change. Only WRF predicted changes are shown.
- D27 -
4 Cambio en Otras Cantidades Climáticas | Change in Other Climate Quantities
A continuación se discuten cantidades hidroclimáticas adicionales que están
estrechamente relacionados con los cambios en la precipitación y que son de
importancia clave para la disponibilidad de agua. De esta manera tratamos de entender
mejor las consecuencias y las razones de los cambios negativos previstos en la
precipitación y la consistencia de los cambios a través de los diferentes modelos.
In the following we discuss additional hydroclimatic quantities that are closely related
to changes in precipitation and that are of key importance for water availability. By
doing so we try to better understand the consequences and reasons for the predicted
negative changes in precipitation and the consistency of the changes across the different
models.
Empezamos por presentar cambios en la humedad del suelo, una cantidad que depende
de la precipitación, evaporación y el escurrimiento. Las simulaciones WRF predicen
una fuerte disminución de la humedad del suelo (Figura 7a), consistente con la
disminución de la precipitación. Al igual que con la precipitación, los descensos son
robustos a través de los distintos modelos y ubicuos en el espacio. Los patrones
espaciales de la disminución también son similares a los de la precipitación (Figura 4),
pero las variaciones estacionales son menos pronunciadas dada la naturaleza integradora
de la humedad del suelo. También se prevé disminución de la humedad de la salidas
”crudas” (sin downscaling) de los modelos climáticos globales (Figura 7b), en particular
por la media del multi-modelo (MMM) y por el modelo GFDL-CM3.
We begin by presenting changes in soil moisture, a quantity which is dependent on
precipitation, evaporation, and run off. The WRF simulations predict a strong decrease
in soil moisture (Figure 7a), consistent with the decrease in precipitation. As with
precipitation, the decreases are robust across models and ubiquitous in space. The
spatial patterns of the decrease are also similar to that of precipitation (Figure 4), but the
seasonal variations are less pronounced given the integrative nature of soil moisture.
Soil moisture is also predicted to decrease in the raw (not-downscaled) output from the
global climate models (Figure 7b), in particular by the multi-model mean (MMM) and
the GFDL-CM3 model.
- D28 -
Figura | Figure 7a: Variación relativa de la humedad en la parte superior del suelo (%)
en el dominio d03. El punteado indica cambios que estadísticamente no son
significativos (5%). Ver epígrafe de la Figura 1a para más detalles | Fractional change in
top (0-10 cm) soil moisture (%) for domain d03. Stippling indicates changes that are
statistically not significant (5%). See caption Figure 1a for more details.
- D29 -
Figura | Figure 7b: Como en la Figura 7a pero para la humedad total del suelo (kg/m2)
obtenida de los modelos globales | As Figure 7a but total soil moisture (kg/m2) from
global models.
- D30 -
La humedad relativa es otra cantidad hidrológica importante que es sensible a cambios
de temperatura y vapor de agua atmosférico. Tanto el modelo regional (Figura 8a) como
los modelos globales prevén que la humedad relativa en la superficie disminuya (Figura
8b). La reducción es más pronunciada en el modelo regional que en los modelos
globales, y es más fuerte sobre la llanura amazónica y las estribaciones andinas
adyacentes. Allí, la reducción absoluta de la humedad relativa puede alcanzar e incluso
superar el 10 % en primavera (OND). Una disminución de la humedad relativa es
quizás un tanto sorprendente, dado el concepto popular de que esta cantidad debe
permanecer constante bajo el cambio climático futuro. Pero al parecer, esta suposición
no está integrada en los modelos, con la consecuencia de que el calentamiento de las
temperaturas de la superficie debido al calentamiento global no se ve compensado por
un aumento suficiente de la humedad específica. Una disminución de la humedad
relativa de la superficie puede aumentar la evaporación desde la superficie a la
atmósfera, lo que ayuda a explicar la disminución de la humedad del suelo.
Relative humidity is another important hydrological quantity that is sensitive to changes
in temperature and atmospheric water vapor. Relative humidity at the surface is
predicted to decrease, both by the regional model (Figure 8a) and by the global models
(Figure 8b). The reduction is more pronounced in the regional model than in the global
models, and regionally it is strongest over the Amazonian lowland and the adjacent
Andean foothills. There, the absolute decrease in relative humidity can reach and even
exceed 10% in spring (OND). A decrease in relative humidity is perhaps somewhat
surprising given the popular concept that this quantity should remain constant under
future climate change. But apparently this assumption is not built into the models, with
the consequence that the warming of surface temperatures due to the global warming is
not compensated by a sufficient increase in specific humidity. A decrease in surface
relative humidity may increase evaporation from the surface to the atmosphere, which
helps to explain the decrease in soil moisture.
- D31 -
Figura | Figure 8a: Variación de la humedad relativa de superficie (%) en el dominio
d03. El punteado indica cambios que estadísticamente no son significativas (5%). Ver
epígrafe de la Figura 1a para más detalles | Change in surface relative humidity (%) for
domain d03. Stippling indicates changes that are statistically not significant (5%). See
caption Figure 1a for more details.
- D32 -
Figura | Figure 8b: Como en la Figura 8a pero para los modelos globales | As Figure
8a but from global models.
- D33 -
Como se muestra antes las proyecciones de la precipitación, la humedad relativa, y la
humedad del suelo muestran disminuciones de una manera físicamente consistente. Con
el fin de obtener información adicional sobre los mecanismos físicos subyacentes de los
cambios examinamos a continuación los flujos de humedad atmosférica, cuan bien esta
cantidad es simulada por los modelos globales y regionales, y la forma en que se prevé
que cambie en el futuro. El flujo de humedad F se define por el producto ponderado de
masas integradas verticalmente entre el vector viento v horizontal y q humedad
específica
As shown before, precipitation, relative humidity, and soil moisture are all predicted to
decrease in physically consistent ways. In order to gain additional insight into the
underlying physical mechanisms for the changes we next examine the fluxes of
atmospheric moisture, how well it is simulated by the global and regional models, and
how it is predicted to change in the future. The moisture flux F is defined by the
vertically integrated mass weighted product between the horizontal wind vector v and
specific humidity q
1
F
g
ps
 vqdp ,
0
donde p es la presión, ps es la presión en la superficie, y g es la gravedad. Debido a la
conservación de agua, la divergencia del flujo de humedad está relacionada a la
precipitación P y la evaporación E por
where p is pressure, ps is pressure at the surface, and g is gravity. Due to the
conservation of water, the divergence of the moisture flux is related to precipitation P
and evaporation E by
( P  E )   F .
En otras palabras, las regiones de la convergencia de F (negativo) se caracterizan por un
exceso de humedad y precipitación. Mediante el análisis de F y cómo cambia uno
puede relacionar los cambios en la circulación a gran escala para los cambios locales en
P - E. La Figura 9 presenta F y su divergencia en el dominio d02. La figura 9a muestra
una climatología de F del clima presente obtenida del reanálisis, regional, y los modelos
globales. La dirección y la magnitud de flujo de humedad, su convergencia, y su ciclo
estacional derivado del reanálisis ERA-Interim están bastante bien reproducidos por los
modelos globales y regionales. Futuros cambios en flujo de humedad pronosticados por
el modelo WRF se presentan en la figura 9b. A primer orden, el flujo de humedad
anómala se caracteriza por vectores que apuntan al oeste en la mitad norte del dominio y
de cara hacia el sur en la esquina sureste del dominio. Este patrón de cambio permanece
esencialmente sin cambios entre las diferentes simulaciones y las estaciones. Según lo
indicado por el sombreado de color amarillo y rojo, la divergencia del flujo resultante
conduce a un déficit en la convergencia de humedad a lo largo de las estribaciones de
los Andes y las tierras bajas del Amazonas. Esto ayuda a explicar la reducción en la
precipitación simulada sobre estas regiones. Interesantemente, el patrón de la
divergencia del flujo de humedad se hace más intenso al pasar del dominio d01 a los
dominios de mayor resolución (véase la página Web en línea), lo que sugiere que la
- D34 -
interacción del flujo atmosférico con la superficie, por la representación cada vez más
realista de la topografía, es importante.
In other words, regions of converging F (negative   F ) are characterized by a surplus
of moisture and precipitation. By analyzing F and how it changes one can relate
changes in the large-scale circulation to local changes in P - E. Figure 9 presents F and
its divergence for domain d02. Figure 9a shows a present-day climatology of F from
reanalysis, regional, and global models. The direction and magnitude of moisture flux,
its convergence, and its seasonal cycle derived from the ERA-interim reanalysis are
quite well reproduced by the global and regional models. Future changes in moisture
flux predicted by the WRF model are presented in Figure 9b. To first order, the
anomalous moisture flux is characterized by westward facing vectors in the northern
half of the domain and southward facing vectors in the southeastern corner of the
domain. This pattern of change remains essentially unchanged amongst the different
simulations and seasons. As indicated by the yellow and red shading, the resulting flux
divergence leads to a deficit in moisture convergence along the Andean foothills and the
Amazon lowland. This helps to explain the simulated reduction in precipitation over
these regions. Interestingly, the pattern of moisture flux divergence becomes more
intense as one goes from domain d01 to higher numbered domains of increased
resolution (see online web page), suggesting that interaction of the atmospheric flow
with the surface by the increasingly realistic representation of topography is important.
Los modelos globales (Figura 9c) también muestran la estructura general de los vectores
de anomalías que miran hacia el oeste en el norte y al sur en el cuadrante sureste. La
similitud entre los modelos globales y regionales indica que el flujo anómalo es forzado
por anomalías comunes de circulación a gran escala fuera del dominio de simulación.
Sin embargo, a lo largo de los flancos orientales de los Andes hay poco acuerdo entre el
modelo global si el patrón de flujo conduce a la convergencia o divergencia de flujo de
humedad. Para la media multi-modelo (fila inferior) hay un cuadro persistente de
convergencia de flujo de humedad a lo largo de los Andes, que se traduce en un
aumento de las precipitaciones. Los resultados contradictorios entre los modelos
globales y regionales plantean la cuestión de qué resultado es más realista. La respuesta
depende en gran medida de qué tan realista la interacción del flujo a gran escala con la
topografía local de los Andes está representada por los modelos. Una inspección más
cercana de la Figura 9 indica que las anomalías de flujo en los modelos globales están
orientadas más zonalmente y por lo tanto inciden más directamente en los Andes, lo que
ayuda a explicar el aumento de las precipitaciones. Por otro lado, en el modelo regional
las anomalías de flujo son más paralelas a las montañas, presumiblemente debido a la
representación más realista de la barrera topográfica que no permite flujo transversal
topográfico.
The global models (Figure 9c) also show the general structure of westward facing
anomaly vectors in the north and southward facing vectors in the southeast. The
similarity between the global and regional models indicates that the anomalous flow is
forced by common large-scale circulation anomalies outside of the simulation domain.
However, along the eastern flanks of the Andes there is little agreement amongst the
global model whether the flow pattern leads to convergence or divergence of moisture
- D35 -
flux. For the multi-model mean (bottom row) there is a consistent pattern of moisture
flux convergence along the Andes, translating into increased precipitation. The
contradicting results between global and regional models raises the question of which
result is more realistic. The answer strongly depends on how realistic the interaction of
the large-scale flow with the local topography of the Andes is represented by the
models. Closer inspection of Figure 9 indicates that the flow anomalies in the global
models are more zonally oriented and thus impinge more directly onto the Andes,
helping to explain the increase in precipitation. On the other hand, in the regional model
the flow anomalies are more parallel to the mountains, presumably because the more
realistic representation of the topographic barrier does not allow for cross-topographic
flow.
- D36 -
Figura | Figure 9a: Climatología de flujo de humedad (flechas) (en 2x10-5 kg/m/s) y
divergencia del flujo de humedad (sombreado) (en 2x10-5 kg/m2/s) sobre el dominio
d02, diagnosticado a partir de ERA-Interim reanalysis (parte superior), el modelo WRF
impulsado por CFSR reanálisis(centro), y la media multi-modelo de escala no reducida
(sin downscaling) de todos CMIP5 GCMs (abajo)| Climatology of (arrows) moisture
flux (in 2x10-5 kg/m/s) and (shading) moisture flux divergence (in 2x10-5 kg/m2/s) over
domain d02, diagnosed from (top) ERA-interim reanalysis, (middle) the WRF model
driven by CFSR reanalysis, and (bottom) the non-downscaled multi-model mean of all
CMIP5 GCMs.
- D37 -
Figura | Figure 9b: Como en la Figura 9a pero para el cambio de flujo de humedad de
los modelos regionales | As Figure 9a but change in moisture flux for regional models.
- D38 -
Figura | Figure 9c: Como en la Figura 9b pero para los modelos globales. Nótese el
cambio en el intervalo de sombreado para la convergencia del flujo de humedad | As
Figure 9b but for global models. Note the change in shading interval for the moisture
flux convergence.
- D39 -
5 Resumen y discusión | Summary and discussion
Este proyecto fue dirigido a la simulación, la comprensión y la predicción de los
cambios en el clima y los recursos hídricos para Bolivia durante los próximos 50 años.
De particular interés para este proyecto fueron dos cuencas que son de alto valor agroeconómico. Logramos esto mediante la reducción de la escala espacial de las salidas de
escala gruesa de diferentes modelos climáticos globales. La reducción de escala
dinámica requierió adoptar el modelo atmosférico regional WRF y la realización de
simulaciones numéricas de alta resolución de décadas con el sistema.
This project was targeted towards simulating, understanding, and predicting changes in
climate and water resources over Bolivia during the coming 50 years. Of particular
interest for this project were two river basins that are of high agro-economic value. We
accomplished this by regionally downscaling for the region the coarse-scale output from
different global climate models. The dynamical downscaling required adopting the
WRF regional atmospheric model and performing decade-long high-resolution
numerical simulations with the system.
De nuestras simulaciones climáticas regionales emerge un cuadro robusto de
calentamiento y disminución de precipitación para la región. El rango más probable de
calentamiento en 2050 asciende a 2-3 K, y el calentamiento es mayor durante la
primavera y menor durante el verano. Los cambios en las precipitaciones son negativas
en casi todas partes y oscilan entre la reducción relativa del 10 al 50%. En términos
absolutos, la disminución de la precipitación es mayor durante la primavera y el verano,
y en los pies de los Andes y las tierras bajas del Amazonas. La tendencia a menos
precipitación va acompañada de reducciones notables en la humedad del suelo, la
humedad relativa, y transporte de la humedad. Hay indicios de que parte de estos
cambios están relacionados con el cambio de circulación a gran escala sobre el Océano
Atlántico Sur, que a su vez afecta a la característica de flujo de del Jet de Bajo Nivel
Sudamericano (Vera et al. 2006) y su interacción con las montañas.
From our regional climate simulations emerges a robust picture of warming and drying
for the region. The most likely range of warming in 2050 amounts to 2-3 K, and the
warming is largest during spring and smallest during summer. The changes in
precipitation are negative almost everywhere and range between 10 to 50% relative
reduction. In absolute terms, the decrease in precipitation is largest during spring and
summer, and over the Andean foothills and the Amazon lowland. The trend to less
precipitation is accompanied by noticeable reductions in soil moisture, relative
humidity, and moisture transport. There is indication that part of these changes are
related to large-scale circulation change over the South Atlantic Ocean, which then
affects the flow characteristic of the South American Low Level Jet (Vera et al. 2006)
and its interaction with the mountains.
Los principales resultados de este estudio son muy robustos. En particular, son
independientes del tipo de modelo de clima global que usado para forzar el modelo
regional. Sin embargo, observamos que todos los experimentos se llevaron a cabo con
una sola versión del modelo regional. Con el fin de obtener una mayor certeza sobre los
- D40 -
cambios climáticos previstos, sería necesario crear un ensamble con física perturbada.
Esto se logra mediante la repetición de algunos de los experimentos con modelos
regionales utilizando diferentes combinaciones de parametrizaciones.
The main results from this study are very robust. In particular, they are independent
from the type of global climate model used to force the regional model. However, we
note that all the experiments were performed with only one version of the regional
model. In order to gain more certainty about the expected changes in climate it would
be necessary to create a perturbed physics ensemble. This is accomplished by repeating
some of the regional model experiments using different combinations of
parameterizations.
Los resultados de este estudio no sólo apuntan a una menor disponibilidad de agua en
los pies de las zonas montañosas. En los Andes, un aumento de las temperaturas, menos
nieve y menos precipitación en general probablemente disminuyan la cantidad de la
capa de nieve y de los glaciares de montaña, lo que supone una presión adicional sobre
los recursos hídricos de Bolivia. En futuros trabajos se pretende comprender mejor
cómo cambiará el almacenamiento de agua congelada en las montañas. Esto se logrará
mediante el acoplamiento de la salida del modelo climático regional a un modelo de
nieve/glaciar hidrológico.
The outcomes from this study not only point to a reduced availability of water in the
foothills. In the Andes, increased temperatures, less snow fall, and less overall
precipitation are likely to decrease the amount of snow pack and mountain glaciers,
representing an additional stress on Bolivia’s water resources. In future work we intend
to better understand how the storage of frozen water in the mountains will change. This
will be accomplished by coupling the output from the regional climate model to a
hydrological snow/glacier model.
- D41 -
Tarea L. Página Web Dedicada / Task L. Dedicated Web-page
Hemos preparado más que 11.000 mapas gráficos de los resultados de este proyecto.
Estos mapas se pueden acceder a través de la siguiente página web:
http://www.inscc.utah.edu/~reichler/BOLIVIA/index.html
We prepared more than 11.000 graphical maps from the results of this project. These
maps can be accessed through the following web page:
http://www.inscc.utah.edu/~reichler/BOLIVIA/index.html
Tarea M. Informe Técnico / Task M. Technical Report
El plan de trabajo, los dos informes de avance y el informe final de este proyecto
contienen descripciones detalladas de los métodos y los resultados de nuestro trabajo.
Por lo tanto no hay necesidad de otro informe "técnico", que sería simplemente una
repetición de los informes anteriores.
The work plan, the two progress reports, and the final report of this project contain
detailed descriptions of the methods and outcomes of our work. Therefore there is no
need for an additional “technical” report, which would simply be a repeat of the
previous reports.
Tarea N. Artículos Científico / Task N. Scientific Papers
Hemos realizado muchas presentaciones sobre los resultados de este proyecto en varias
reuniones científicas internacionales (Reichler 2012, 2013, Reichler et al. 2013,
Reichler 2014, Reichler 2014, Reichler et al. 2014). Estas presentaciones, junto con los
escritos de los tres informes oficiales para este proyecto serán compilados en
documentos científicos. Esperamos al menos dos artículos. El primero describirá
nuestros métodos para encontrar la mejor parametrización de WRF y los resultados de
nuestro método. El segundo documento describirá los resultados del trabajo de
reducción dinámica de escala (downscaling).
We have presented many talks on the outcomes of this project at various international
scientific meetings (Reichler 2012, 2013, Reichler et al. 2013, Reichler 2014, Reichler
2014, Reichler et al. 2014). These talks, together with the writings of the three official
reports for this project will be compiled into scientific papers. We expect at least two
papers. The first paper will describe our methods for finding the best WRF
parameterization and the outcomes from our method. The second paper will describe the
results from the dynamical downscaling work.
- D42 -
Referencias / References
Reichler, T., 2014: High-resolution dynamic downscaling of CMIP5 output over the
Bolivian Andes,. Laboratoire de Glaciologie et Géophysique de l’Environnement
(LGGE), Grenoble, France, March 6.
Reichler, T. and J. Kim, 2007: How well do coupled models simulate present-day
climate? 3rd WGNE Workshop on Systematic Errors in Climate and NWP Models,
San Francsico, February 12-16, 2007.
Reichler, T., 2012: High-Resolution Climate Downscaling Over Tropical South
America 12th RSM workshop, La Jolla, Nov. 5-9.
Reichler, T., 2013: High-resolution dynamic downscaling of CMIP5 output over the
Bolivian Andes. CLIVAR/VAMOS and CORDEX workshop, Lima, Perú, September
11-13.
Reichler, T., 2014: Dynamic downscaling of climate over the Bolivian Andes.
VAMOS/CORDEX Workshop on Latin-America and Caribbean, Santo Domingo,
Dominican Republic, April.
Reichler, T., and N. Ohara, 2013: High-resolution climate downscaling over complex
terrain of tropical South America. EGU General Assembly, Vienna, Austria, April
7-12.
Reichler, T., and N. Ohara, 2014: Use of multi-model ensembles for regional climate
downscaling. EGU General Assembly, Vienna, Austria, April 27-May 2.
Vera, C., J. Baez, M. Douglas, C. B. Emmanuel, J. Marengo, J. Meitin, M. Nicolini, J.
Nogues-Paegle, J. Paegle, O. Penalba, P. Salio, C. Saulo, M. A. Silva Dias, P. Silva
Dias, and E. Zipser, 2006: The South American Low-Level Jet Experiment.
Bulletin of the American Meteorological Society, 87, 63-77.
Winton, M., A. Adcroft, S. M. Griffies, R. W. Hallberg, L. W. Horowitz, and R. J.
Stouffer, 2012: Influence of Ocean and Atmosphere Components on Simulated
Climate Sensitivities. J. Clim., 26, 231-245.
_________________________________
Signed by / Firmado por: Thomas Reichler
- D43 -