Stochastické generování srážek pomocí vybraných generátorů počasí

Transkript

1 Vysoké učení technické v Brně Fakulta stavební Studentská vědecká odborná činnost Akademický rok 2015/2016 Stochastické generování srážek pomocí vybraných generátorů počasí Jméno a příjmení, ročník a obor : Konzultant : Katedra : Kateřina Knoppová, 4. ročník V Ing. Daniel Marton, Ph.D. Ústav vodního hospodářství krajiny

2 Anotace: Cílem práce je studium témat změn klimatu, emisních scénářů SRES a globálních GCM klimatických modelů, které jsou nezbytným základem k práci se softwarem LARS WG (Stochastic Weather Generator for Use in Climate Impact Studies). Na základě uvedených znalostí s programem LARS WG a na podkladě měřených dat meteorologické stanice VUT se vygeneruje testovací řada denních úhrnů srážek a teplot pro tři budoucí období. Získaná data budou analyzována a interpretována pro jejich budoucí využití. Klíčová slova: Generátor počasí, klimatické scénáře, LARS WG, změna klimatu Anotation: The objective of thesis is studying topic of climate change, SRES emission scenarios ang global GCM climate models, which are necessary basis for using LARS WG software (Stochastic Weather Generator for Use in Climate Impact Studies). Based on listed knowledge, testing daily time-series of precipitation and temperature data will be generated for three future time periods using LARS WG based od observed weather data from Meteostation VUT. Acquired data will be analysed and interpreted for its future utilization. Keywords: Weather generator, climate change scenarios, LARS WG, climate change

3 Obsah 1. Úvod Současný stav poznání Metody výpočtu Roční průměrné úhrny srážek Měsíční průměrné úhrny srážek Směrodatná odchylka od průměrného denního úhrnu srážek Roční průměrná teplota Měsíční průměrná teplota Praktická aplikace Výsledky Roční průměrný úhrn srážek Měsíční průměrný úhrn srážek Směrodatná odchylka Roční průměrná teplota Měsíční průměrná teplota Shrnutí výsledků Závěr Použitá literatura

4 1. Úvod V současné době zaznamenáváme na našem území prokazatelné změny klimatu. Stále častěji se potýkáme s extrémními jevy počasí, jako jsou povodně, způsobené intenzivními srážkami, a sucha, která vedou k alarmujícímu snížení zásob podzemní i povrchové vody. Z ročního chodu počasí se vytrácí typická sezónnost mírného podnebného pásu. Rok 2015 byl z hlediska meteorologických měření v globálním měřítku extrémní. I v rámci České republiky dosahoval rekordů průměrná roční teplota dosáhla podle ČHMÚ 9,4 C, což je o 1,9 C více, než je dlouhodobý normál teploty. Zaznamenat jsme také mohli rekordně nízký roční úhrn srážek pouze 532 mm, což znamená snížení o 21% oproti dlouhodobému normálu. Tyto jasně viditelné změny klimatu nemůžeme přehlížet a jako společnost na ně musíme reagovat přijetím určitého stanoviskem. Současná politika nahrává možnosti tyto změny přijmout a přizpůsobit se jim. Pokud se na ně ale chceme adaptovat, musíme je nejprve popsat a určit jejich možný vývoj. Existují nástroje, které pracují s projekcemi klimatické změny. Jedna z organizací, která se touto problematikou zabývá je Mezivládní panel pro změnu klimatu (IPCC), který popisuje scénáře možného vývoje klimatu. Na základě těchto scénářů můžeme modelovat budoucí klima. Jedním z prostředků, sloužících k tomuto modelování, jsou generátory počasí. Výstupy modelování změny klimatu jsou meteorologické charakteristiky, které můžeme použít ve vodním hospodářství pro určení možných budoucích průtoků ve vodních tocích, objemu vody ve vodních nádržích, budoucímu režimu podzemních vod a obecně hydrologie v povodí. 2

5 3. Současný stav poznání IPCC (Mezivládní panel pro změnu klimatu) je vědecká organizace, která byla v roce 1988 založena dvěma organizacemi OSN Světovou meteorologickou organizací (WMO) a Programem OSN pro životní prostředí (UNEP). IPCC se zabývá nebezpečím antropogenních klimatických změn v závislosti na možném vývoji společnosti a studuje jejich budoucí důsledky. Mimo jiné zkoumá také možnosti přizpůsobení se těmto změnám a navrhuje chování vhodné k zmírnění jejich účinků. Jednou za několik let vydává IPCC takzvané hodnotící zprávy, ve kterých definuje současný stav klimatu a možné scénáře budoucího vývoje. První zpráva byla vydána v roce 1990 (First Assesment Report FAR), druhá v roce 1995 (SAR), třetí 2001 (TAR), čtvrtá v roce 2007 (AR4) a zatím poslední a aktuální v roce 2014 (AR5). V této práci jsou používána data ze zprávy AR4 (protože scénáře z této zprávy používá program LARS WG), ve které se používají scénáře typu SRES. V aktuální zprávě se používají scénáře typu RCP. IPCC používá klimatické scénáře založené na výstupech z GSMs. GCMs je označení takzvaných globálních klimatickým modelů. Jsou to matematické modely proudění v atmosféře a oceánech planety Země, založené na Navier-Stokesových rovnicích aplikovaných na rotující kouli při daných zdrojích energie. Na základě těchto rovnic jsou vytvořeny složité simulační modely klimatu země, skládající se z dílčích modelů klimatu, oceánů, mořského ledu, zemského povrchu a dalších. GCMs mohou být použity pro projekce změn klimatu. Emisní scénáře jsou klimatické scénáře vydávané IPCC na základě výstupů z GCMs. Klimatický scénář můžeme obecně popsat jako pravděpodobné vyjádření budoucího klimatu, vytvořené pro použití při studiu potenciálních dopadů antropogenní klimatické změny. Musí zahrnovat antropogenně podmíněnou změnu klimatu i jeho změnu přirozenou. Většinou popisuje i současný stav klimatu (Baseline referenční období ) a vlastní scénář je udán jako změny oproti němu. Klimatický scénáře není předpověď, spíše popis alternativ pravděpodobné budoucnosti s ohledem na podmínky, za nichž se může vyskytnout. Klimatické scénáře IPCC se nazývají emisní, protože změnu klimatu i jeho současný stav charakterizují zejména koncentracemi skleníkových plynů v atmosféře. Základní rodiny emisních scénářů jsou 4 A1, A2, B1 a B2, které se liší způsobem budoucího rozvoje společnosti. Čtyři směry vývoje společnosti jsou řešení problémů v globálním měřítku, regionálním měřítku, důraz na rychlý ekonomický růst a technologie nebo důraz na ekologickou rovnováhu a využívání obnovitelných zdrojů. 3

6 Obr. 1 Emisní scénáře IPCC SRES podle vývoje společnosti Generátor počasí je v této práci používán jako nástroj k zjemnění rozlišení GCM tak, abychom byli schopni zkoumat změnu klimatu v konkrétní lokalitě a získali denní hodnoty meteorologických veličin. Na rozdíl od GSMs se neřídí rovnicemi fyzikálních procesů, ale statistickými charakteristikami skutečných řad meteorologických veličin. Na základě reálné měřené řady dat vytvoří řadu syntetickou o libovolné délce pro konkrétní lokalitu. Generátorem počasí používaným v této práci je LARS WG, vytvořený Mikhailem A. Semenovem v rámci Rothamsted Research. Jde o generátor typu serial (Racsko et al.,1991), takže dokáže popisovat mokrá a suchá období a denní hodnoty generovat v závislosti na nich. Statistické charakteristiky zpracovává na principu Fourierových řad. Vstupními daty pro LARS WG jsou denní řady měřených srážek [mm], minimálních a maximálních denních teplot [ C], případně slunečního záření [MJm -2 d -1 ] nebo délky slunečního svitu [h]. Výstupem jsou pak syntetické řady stejných meteorologických veličin o libovolné délce. Po vložení vstupních dat je prvním krokem SITE ANALYSIS kalibrace modelu, kdy jsou analyzovány statistické charakteristiky vstupních dat. Další krok je QTEST - validace, kdy se porovnávají charakteristiky reálné řady dat a umělé řady Baseline. Posledním krokem je GENERATOR, který vytvoří požadovanou syntetickou řadu. Při modelování budoucího klimatu máme na výběr scénáře z 15 klimatických modelů. V této práci jsou používány scénáře klimatického modelu HADCM3. 4

7 4. Metody výpočtu Generováním jsme získali 30 leté syntetické řady pro tři klimatické scénáře ve třech obdobích a Baseline. Tyto denní řady teplot, minimálních a maximálních srážek bylo nutné vhodným způsobem porovnat. Vybráno bylo srovnání ročních průměrných úhrnů srážek a změn v nich, měsíčních průměrných úhrnů srážek a změn v nich, směrodatné odchylky od průměrného denního úhrnu srážek v jednotlivých měsících, roční průměrné teploty a změn v ní a měsíční průměrné teploty a změn v ní. 4.1 Roční průměrné úhrny srážek Pro každý rok (1 30) byl vypočítán celkový úhrn srážek, jako součet všech hodnot denního úhrnů srážek v konkrétním roce. Průměrný roční úhrn srážek je potom průměr z celkových ročních úhrnů srážek z 30 let. V případě měřených dat (DATA) postupujeme obdobně, jen nepočítáme s chybějícími denními hodnotami a průměrný roční úhrn počítáme pouze z kompletních let. Změny v průměrném ročním úhrnu srážek ukazují jeho procentuální změnu oproti Baseline. m Hs, r = Hs, d i i=1 Hs, r roční úhrn srážek v konkrétním roce [mm] Hs, d i denní úhrny srážek v konkrétním roce [mm] m počet dní v roce Hs, r = n i=1 Hs, r i n Hs, r průměrný roční úhrn srážek [mm/rok] Hs, r i roční úhrny srážek v jednotlivých letech [mm] n počet let 4.2 Měsíční průměrné úhrny srážek Pro každý měsíc (1 12) byl vypočítán průměrný měsíční úhrn srážek jako celkový úhrn srážek za 30 let v konkrétním měsíci děleno počtem let. V případě měřených dat (DATA) musíme vzít v úvahu chybějící data. Celkový úhrn srážek za konkrétní měsíc vydělíme počtem měřených dní. Následně vypočítáme průměrný počet měřených dní v konkrétním měsíci, kterým výsledek vynásobíme a získáme tak průměrný měsíční úhrn srážek v konkrétním měsíci. Změny v průměrném měsíčním úhrnu srážek ukazují procentuální změnu oproti Baseline. 5

8 m Hs, m = Hs, d i i=1 Hs, m měsíční úhrn srážek v konkrétním měsíci a roce [mm] Hs, d i denní úhrny srážek v konkrétním měsíci a roce [mm] m počet dní v měsíci Hs, m = n i=1 Hs, m i n Hs, m průměrný měsíční úhrn srážek [mm/měsíc] Hs, m i měsíční úhrny srážek v konkrétním měsíci [mm] n počet let 4.3 Směrodatná odchylka od průměrného denního úhrnu srážek Pro každý měsíc (1 12) byla vypočítána směrodatná odchylka od průměrného denního úhrnu srážek v konkrétním měsíci. V měřených datech (DATA) opět musíme do výpočtu zahrnout i možnost chybějících hodnot. Hs, d = Hs, m m Hs, d průměrný denní úhrn srážek v konkrétním měsíci [mm/den] Hs, m průměrný měsíční úhrn srážek v konkrétním měsíci [mm/den] m počet dní v měsíci Ϭ = 1 m m (Hs, d i Hs, d) 2 i=1 Ϭ směrodatná odchylka průměrného denního úhrnu srážek [mm/den] Hs, d i denní úhrny srážek v konkrétním měsíci [mm] Hs, d průměrný denní úhrn srážek v konkrétním měsíci [mm/den] m počet let x počet dní v konkrétním měsíci 6

9 4.4 Roční průměrná teplota Průměrná denní teplota byla vypočítána jako průměr maximální a minimální teploty v konkrétním dni. Pro každý rok (1 30) byla vypočítána průměrná roční teplotu jako součet průměrných denních teplot v konkrétním roce dělený počtem dní (365). Celková průměrná roční teplota je potom průměr z průměrných ročních teplot z 30 let. V případě měřených dat (DATA) postupujeme obdobně, jen nepočítáme s chybějícími denními hodnotami a průměrnou roční teplotu počítáme pouze z kompletních let. Musíme také vzít v úvahu skutečný počet dní v roce, ze kterých máme správně naměřené hodnoty denních teplot. Změny v průměrné roční teplotě ukazují její rozdíl v C oproti Baseline. T, r = m i=1 T, d i m T, r průměrná roční teplota v konkrétním roce [ C] T, d i průměrné denní teploty v konkrétním roce [ C] m počet dní v roce T, r = n i=1 T, r i n T, r průměrná roční teplota [ C] T, r i průměrné roční teploty v jednotlivých letech [ C] n počet let 4.5 Měsíční průměrná teplota Pro každý měsíc (1 12) byla vypočítána průměrná měsíční teplota jako součet hodnot průměrné denní teploty za 30 let v konkrétním měsíci děleno celkovým počtem dní (30 x počet dní v konkrétním měsíci). V případě měřených dat (DATA) musíme vzít v úvahu chybějící data a počítat se skutečným počtem dní, ze kterých máme správně naměřené hodnoty teplot. Změny v průměrné měsíční teplotě ukazují její rozdíl v C oproti Baseline. T, m = m i=1 T, d i m T, m průměrná měsíční teplota [ C] T, d i průměrné denní teploty v konkrétním měsíci [ C] m počet let x počet dní v konkrétním měsíci 7

10 5. Praktická aplikace Prvním bodem práce bylo zpracování dat měřených Meteorologickou stanicí VUT, umístěnou v areálu Fakulty stavební. Šlo o hodinové záznamy srážek [mm] a teploty [ C] z let 1996 až 2006 a denní záznamy srážek [mm] a teploty [ C] z let 2008 až Data byla zpracována podle požadavků programu LARS WG a použita jako podklad pro generování umělých řad. Byly vygenerovány 30 leté syntetické řady denních úhrnů srážek a teplot pro tři scénáře SRES AR4 A1B, A2 a B1 (klimatický model HADCM3). Pro každý scénář jsem vygenerovala data ze třech období jsou to (dále jen 20), (dále jen 55) a (dále jen 90). Tato období jsem porovnávala s Baseline, což je umělá řada pro referenční období ( ). Scénáře SRES jsou v programu LARS WG charakterizovány změnou oproti Baseline, proto je použito toto srovnání. Pro kompletnost jsou do srovnání přidána i reálná měřená data (dále DATA). Ze syntetických i reálných řad dat byly vypočítány průměrné meteorologické charakteristiky, aby mezi sebou mohly být porovnány. Z hlediska srážek byl pro všechny scénáře a období vypočítán průměrný roční úhrn srážek a změny v něm, průměrné měsíční úhrny srážek pro jednotlivé měsíce a změny v nich a směrodatná odchylka průměrného denního úhrnu srážek v jednotlivých měsících. Z hlediska teplot to byla roční průměrná teplota a změny v ní, měsíční průměrná teplota v jednotlivých měsících a změny v ní. V rámci této práce jsou prezentovány výsledky, které reprezentují výsledky celkové. Generovaná data jsou porovnávána ze dvou hledisek scénáře a období. Srovnání z hlediska scénáře porovnává DATA, Baseline a hodnoty pro konkrétní scénář ve třech budoucích obdobích. Srovnání z hlediska období porovnává DATA, Baseline a všechny tři scénáře v konkrétním období. DATA Base line A1B A2 B Obr. 2 Schéma zpracovávaných dat 8

11 Průměrný roční úhrn srážek [mm/rok] % změny od Baseline Průměrný roční úhrn srážek [mm/rok] 6. Výsledky Z vypočtených meteorologických charakteristik byly pro lepší porovnání vytvořeny grafy. V následujících kapitolách jsou prezentovány grafy, které vystihují výsledky celé práce. 6.1 Roční průměrný úhrn srážek Na Obr. 3 vidíme Průměrný roční úhrn srážek dle scénáře A1B. Můžeme sledovat, že hodnota průměrného ročního úhrnu oproti Baseline s časem klesá. Průměrný roční úhrn srážek dle scénáře B ,8 513,7 487,8 461,5 431, DATA Baseline B1_20 B1_55 B1_90 Obr. 3 Průměrný roční úhrn srážek dle scénáře B1 Obr. 4 nám ukazuje průměrný roční úhrn srážek v období 90. let v mm/rok a v procentuální změně oproti Baseline. Vidíme, že podle všech třech klimatických scénářů dojde ke snížení ročního průměrného úhrnu srážek minimálně o 16 % (B1), v nejhorším případě až o 18,9% (A1B). Průměrný roční úhrn srážek v období ,7 452,8 416,7 425,0 431,3 Změna průměrného ročního úhrnu srážek v období , ,8-15,0-17,3-16, ,9 Obr. 4 Roční úhrn srážek v období a jeho změny 9

12 Půrměrný měsíční úhrn srážek [mm/měsíc] % změny od Baseline Průměrný měsíční úhrn srážek [mm/měsíc] 6.2 Měsíční průměrný úhrn srážek Obr. 5 je graf Průměrných měsíčních úhrnů srážek v období 90. let, na kterém můžeme sledovat rozdělení úhrnu srážek v roce. Vidíme podstatné snížení průměrných úhrnů srážek v letních měsících a mírné zvýšení v měsících zimních. Průměrné měsíční úhrny srážek v období Měsíc Obr. 5 Průměrné měsíční úhrny srážek v období V měsíci září jsou změny oproti Baseline největší (Obr. 6) minimálně o 38,6 % (A1B), v nejhorším případě (A2) o 51,7%. Průměrný měsíční úhrn srážek v Září v období ,1 94,4 58,0 45,6 46,4 Změny v průměrném měsíčním úhrnu srážek v období Září , , ,7-50,8 Obr. 6 Průměrný měsíční úhrn srážek v měsíci Záři v období a jeho změny 10

13 směrodatná odchylka [mm/den] směrodatná odchylka [mm/den] 6.3 Směrodatná odchylka Dalším srovnáním dat je směrodatná odchylka denních hodnot srážek od průměrného denního úhrnu srážek v konkrétním měsíci. V podstatě nám ukazuje výskyt extrémních srážek nejvíce se lišících od průměru. Na Obrázku 6 vidíme směrodatnou odchylku ve 20. letech, kdy jsou její hodnoty velmi podobné hodnotám Baseline a měřených dat. Na Obr. 7 vidíme srovnání v 90. letech, kdy výrazně klesají směrodatné odchylky v letních měsících. Podle tohoto výsledku můžeme očekávat snížení výskytu letních extrémních srážek. Směrodatná odchylka od průměrného denního úhrnu srážek v jednotlivých měsících v období ,0 16,0 14,0 12,0 1 8,0 6,0 4,0 2, měsíc DATA Baseline A1B_20 A2_20 B1_20 Směrodatná odchylka od průměrného denního úhrnu srážek v jednotlivých měsících v období ,0 16,0 14,0 12,0 1 8,0 6,0 4,0 2, měsíc Obr. 7 Směrodatná odchylka od průměrného denního úhrnu srážek v jednotlivých měsících v období a

14 Průměrná roční teplota [ C] Rozdíl prům. roční teploty od Baseline [ C] Průměrná roční teplota [ C] 6.4 Roční průměrná teplota Obr. 8 popisuje průměrnou roční teplotu podle scénáře A2. Vidíme postupný nárůst teploty z 10,4 C (Baseline) až na 14 C v období 90. let. Podle ČHMÚ byla průměrná dlouhodobá teplota v referenčním období ( ) v Jihomoravském kraji 8,3 C, v roce ,5 C a podle těchto výsledků můžeme očekávat zvyšování teploty i do budoucna. Průměrná roční teplota dle scénáře A2 15,0 14,0 12,0 10,1 10,4 10,8 1 5,0 DATA Baseline A2_20 A2_55 A2_90 Obr. 8 Průměrná roční teplota dle scénáře A1B Na Obr. 9 vidíme změny průměrné roční teploty od Baseline v období 90. let. Z grafu zjišťujeme, že nárůst teploty bude v nejlepším případě 2,5 C (B1) a v nejhorším 3,6 C (A2). Průměrná roční teplota v období ,0 1 10,1 10,4 13,9 14,0 12,9 Změny průměrné roční teploty v období ,0 3,0 2,0 3,5 3,6 2,5 5,0 1,0-1,0-0,4 Obr. 9 Průměrná roční teplota v období a její změny 12

15 Změna teploty od Baseline [ C] Průměrná měsíční teplota [ C] 6.5 Měsíční průměrná teplota Na Obr. 10 můžeme vidět měsíční průměrné teploty v období 90. let. Vidíme, že nedochází k přerozdělení teplot v roce, křivka průběhu teploty v roce zůstává téměř stejná. Dochází ale k rovnoměrnému oteplení v rámci všech měsíců. Zejména by nás měla zaujmout teplota v zimních měsících například v Lednu stoupne z nuly na téměř 4 C. Znamená to nárůst teploty v měsíci Lednu o 2,6 až 3,7 C (Obr. 11). 3 25,0 Měsíční průměrné teploty v období ,0 1 5,0-5, Měsíc Obr. 10 Měsíční průměrné teploty v období Změny průměrné měsíční teploty v období Leden 5,0 4,0 3,0 3,7 3,2 2,6 2,0 1,0-1,0-0,4 Obr. 11 Změny průměrné měsíční teploty v měsíci Lednu v období

16 7. Shrnutí výsledků Byly zhodnoceny budoucí meteorologické charakteristiky tří scénářů z klimatického modelu HADCM3, implementovaných v programu LARS WG. Výsledky z období ukazují výraznou změnu oproti Baseline. Podle scénáře A1B dojde ke snížení ročního úhrnu srážek o 18,9 % a roční průměrná teplota se zvýší o 3,5 C tj. na 13,9 C. Podle scénáře A2 se roční úhrn srážek zmenší o 17,3% a roční průměrná teplota se zvýší o 3,6 C na 14,0 C. Scénář B1 vykazuje snížení průměrného ročního úhrnu srážek o 16% a zvýšení roční průměrné teploty na 12,9 C (o 2,5 C). Předpokládaný průměrný roční úhrn srážek v 90. letech se tedy nejvíce sníží podle scénáře A1B (globální, neobnovitelné zdroje) a nejméně podle scénáře B1 (globální, ekologický). Nejvyšší průměrnou roční teplotu v 90. letech projektuje scénář A2 (regionální, neobnovitelné zdroje), nejnižší scénář B1 (globální, ekologický). Z hlediska rozdělení srážek během roku všechny scénáře ukazují na snížení průměrného měsíčního úhrnu v letních měsících. Konkrétně v měsíci Září v období je to snížení o 38,6% podle scénáře A1B, 51,7% podle scénáře A2 a 50,8% podle scénáře B1. Podle všech tří scénářů dojde v letních měsících také ke snížení výskytu extrémních srážek. 8. Závěr Podle emisních scénářů IPCC AR4 z klimatického modelu HADCM3 implementovaných v programu LARS WG je jasné, že do roku 2099 nastane v Brně výrazná klimatická změna. Pokud zjednodušeně shrneme výsledky této práce, zjistíme, že do budoucna můžeme očekávat snížení průměrného ročního úhrnu srážek o více než 18%. V letních měsících můžeme očekávat menší úhrny srážek, ale zároveň také menší pravděpodobnost výskytů extrémních srážkových jevů. Takovéto extrémní srážkové jevy jsou příčinou povodní i sucha. Na první pohled tak může tento poznatek vyznívat tak, že jeho vliv na hydrologickou bilanci krajiny bude pozitivní. Musíme však brát zřetel i na hodnoty budoucích teplot ukazují, že průměrná roční teplota se do roku 2099 zvýší až o 3,6 C a dojde ke zvýšení průměrné měsíční teploty v zimních měsících na téměř 4 C. Z toho můžeme usuzovat, že dojde ke zvýšení hodnot výparu a zhoršení infiltračních vlastností půdy. Měli bychom také počítat s tím, že dojde k omezení doplňování zásob podzemní vody ze sněhové pokrývky. Ve výsledku tedy docházíme k závěru, že vliv na vodní bilanci krajiny bude pravděpodobně spíše negativní. V rámci této práce byly popsány reprezentativní výsledky výzkumu klimatické změny pomocí programu LARS WG s implementovanými klimatickými scénáři IPCC z AR4. V práci bych chtěla dále pokračovat a rozšířit ji o vliv nejistot jednotlivých modelů a výpočtu LARS WG. Dalším krokem bude snaha o popsání vazeb řady průtoků v určeném měrném profilu na řadu denních meteorologických měření a aplikace klimatických scénářů na tyto průtokové řady. Do budoucna by tak bylo možné určit například změny hladiny v konkrétní vodní nádrži podle možného vývoje společnosti, upravovat návrhy objemů nádrží s ohledem na budoucí klima nebo posoudit objemy stávající. 14

17 9. Použitá literatura Český hydrometeorologický ústav [online]. Praha: Český hydrometeorologický ústav, 2008 [cit ]. Dostupné z: Kalvová, J. a kol. (2002): Globální klimatické modely a scénáře změny klimatu pro Českou republiku. In: Národní klimatický program České republiky, č. 32, Praha Intergovernmental Panel on Climate Change [online]. IPCC [cit ]. Dostupné z: SEMENOV, Mikhail A. a Elaine M. BARROW. LARS-WG A Stochastic Weather Generator for Use in Climate Impact Studies developed by Mikhail A. Semenov: Version 3.0 User Manual. In: Rothamsted Research[online] [cit ]. Dostupné z: 15