Download Time-space distribution of the impact of initial and boundary
Document related concepts
Transcript
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 -