Scénáře změny klimatu pro agroklimatologické impaktové studie Martin Dubrovský (ÚFA AVR), Miroslav Trnka (MZLU Brno) seminář ČMeS, Šumava, 16-18.9.2008 poděkování: GAAV (projekt IAA300420806, Pravděpodobnostní scénáře klimatu pro Českou republiku ) 1. Úvod impaktové studie v Česku: vzestup zájmu o zmnu klimatu a moné dopady díky Country Studies (1995) od té doby i moje spolupráce s lidmi z MZLU (alud, Trnka, a spol.) požadavky na meteo data pro zemědělské impaktové studie (*růstové modely, *půdní model, *model škůdců, *model pro agroklim. indexy): ady reprezentující souasné i budoucí klima pro rstové (a jiné zemdlské) modely: jednostaniní denní ady prvky: SRAD, TMAX, TMIN, PREC, VAPO, WIND Meteo ady by mly mít vrohodnou stochastickou strukturu! zohlednny nejistoty konstrukce klimatických scéná (emisní scéná, klimatická citlivost, rozdíly mezi GCM modely, vnitní variabilita GCM tento příspěvek: metodika - konstrukce asových ad - konstrukce scéná zmny klimatu analýza nejistot souasný stav - analýza databáze IPCC-AR4 - projekt PraSce scénáe pro R v rzných fázích vývoje databáze IPCC-DDC (bonus.1) ukázka impaktové studie (bonus.2) 2. metodika analýza dopadů změny klimatu konstrukce časových řad přímá modifikace stochastický meteorologický generátor (WG) porovnání výsledků ziskaných oběma metodami validace WG metoda konstrukce scénářů z GCM simulací pattern scaling pozn: mnohaleté simulace dovolují vyhodnotit PDF analyzované charakteristiky) 2 approaches to multi-year simulations preparing daily weather series for changed climate a) direct modification of observed series: 1) Direct Modification approach: - present climate weather series: observed weather series - changed climate: observed series directly modified according to the climate change scenario. 2) Weather Generator approach: - present climate: arbitrarily long synthetic weather series is created by the stochastic weather generator; parameters of the generator are derived from the observed series - changed climate: parameters of the generator are modified in accordance with climate change scenario to generate series representing changed climate 1
preparing daily weather series for changed climate b) stochastic weather generator stochastic weather generator Met&Roll model for 4+2 daily variables: PREC: - occurrence ~ Markov chain (order: 1-3; parameters: trans.prob.) - amount ~ Gamma distribution (parameters: α, β /~ shape, scale/) SRAD, TMAX, TMIN: standardised deviations from their mean annual cycle are modelled using AR(1) model (parameters: A, B, avg(x i), std(x i),) - all parameters are assumed to vary during the year - daily WG is linked to monthly weather generator, which is based on AR(1) model and improves interannual variability additional variables (VAPO, WIND): nearest neighbours resampling WG validation should precede its application: - direct validation - indirect validation A) 4-variate 6-variate: 4-variate series: @DATE SRAD TMAX TMIN RAIN 99001 1.9-2.7-6.3 0.3 99002 2.1-3.6-3.7 0.7 99003 1.5 0.1-1.3 2.4 99004 2.4 0.3-2.7 0.6 99005 1.4-1.4-5.1 0.1 6-variate series: @DATE SRAD TMAX TMIN RAIN VAPO WIND 99001 1.9-2.7-6.3 0.3 0.34 3.0 99002 2.1-3.6-3.7 0.7 0.28 3.0 learning sample: @DATE SRAD TMAX TMIN RAIN VAPO WIND xx001 1.6 1.3-1.5 3.3 0.63 1.0 xx002 1.6-0.8-3.8 0.3 0.53 1.7 xx003 3.9-2.3-9.9 0.0 0.23 2.0 xx004 4.5-2.3-11.4 0.0 0.38 1.0 xx005 1.6-6.1-12.9 0.0 0.33 1.3 xx006 1.6-1.8-12.4 1.1 0.23 3.3 xx007 3.8 1.2-2.3 0.0 0.52 4.7 xx008 1.7-0.1-4.3 0.0 0.39 1.3 xx009 1.7-1.8-6.7 0.4 0.42 4.0 xx010 1.7-3.8-8.0 1.0 0.36 2.0 xx011 1.7 0.0-3.9 8.3 0.46 2.0 xx012 2.9 3.7-0.3 2.8 0.57 1.7 xx013 1.8 2.6-0.8 1.0 0.62 2.0 xx014 4.0 2.9-3.3 0.0 0.45 2.7 xx015 4.0 2.4-5.9 0.0 0.37 1.3 99003 1.5 0.1-1.3 2.4 0.61 3.0 99004 2.4 0.3-2.7 0.6 0.57 3.0 99005 1.4-1.4-5.1 0.1 0.47 3.0 nearest neighbours resampling aplikace stochastického generátoru výhody libovoln dlouhá ada monosti modifikace vybraných parametr v rámci citlivostní analýzy v rámci scénáové studie monost pouití interpolovaného generátoru (tedy i pro stanice bez meteorologických pozorování) předpoklad: syntetické ady jsou statisticky podobné s reálnými adami výstupy z impaktového modelu získané s pomocí synt.ad jsou statisticky podobné s výstupy získanými s pomocí reálných ad indirect validation of Met&Roll using crop model AVGs and STDs of wheat yields (17 stations x 3 versions of WG) NE application of interpolated weather generator Mean model [STICS] wheat yields [soil = Chernozem (CZ_01)] interpolation of yields yields simulated with interpolated WG crop model = CERES-Wheat; 30-y simulations for 17 Czech stations; WG-BAS: basic WG; WG-A3: improved WG; WG-A3M: best WG (Dubrovsky et al, 2004, Climatic Change) 2
konstrukce regionálních scénářů ZK (z výstupů z modelů GCM) konstrukce regionálních scénářů - kaskáda nejistot (modely GCM jsou jen jedním článkem řetězce vedoucího k regionálnímu scénáři) GCM: přímý výstup je nepoužitelný (jak roční chody, tak časové řady), nutný post-processing výstupu z GCM: porovnání pízemních charakteristik pro budoucí (nap. (2070-2099) vs. (1961-1990). teploty: rozdíly, sráky: podíly produkt: scéná změny klimatu, který se pite k souasným kivkám, k sou. pozorovaným adám, nebo k modifikaci WG statistický downscaling (> R.Huth) produkt: asové ady, z nich lze odvodit sc.zmny klimatu dynamický downscaling (RCM) ( > projekt Cecilia): produkt: asové ady, z nich lze odvodit sc.zmny klimatu 1. emission scenario carbon cycle & chemist ry model 2. concentration of GHG and aerosols >> radiation forcing GCM 3. large-scale patterns of climatic characteristics regionalizace / downscaling 4..site-specific climate scenario chceme-li pravděpodobnostní odhad impaktů, pak optimálním řešením by bylo: více emisních scénářů jene X mnoho GCM simulací (GCM: různé počáteční podmínky, různá nastavení, ) GCM simulace jsou velice náročné na VT, provádí se jen pro omezený poet emisních scéná (které jsou vak jedním z hlavních zdroj nejistoty). Chceme-li postihnout výe uvedené nejistoty, nabízí se: metoda pattern scaling, která umouje separovat nejistotu globální a regionální * a to tedy Mirek rozhodně chce! pattern scaling technique assumption: pattern (spatial and temporal /annual cycle/) is constant, only magnitude changes proportionally to the change in global mean temperature: X(t) = X S x T G (t) where X S = standardised scenario ( = scenario related to ΔT G = 1 C ) a) X S = X [ta-tb] / T G [ta-tb] b) linear regression [x = T G ; y = X] going through zero T G = change in global mean temperature!! ΔT G may be estimated by other means than GCMs!! (e.g. simple climate models /~ MAGICC/) validity of the pattern scaling technique - TEMP validity of the pattern scaling technique - PREC T G X regrese ΔX S (ΔX=ΔX S *ΔT G ) 3
validity of the pattern scaling technique: TEMP validity of the pattern scaling technique: PREC -0.2-0.2 0.0 0.0 0.2 0.2 0.4 0.4 0.6 0.6 0.8 0.8 1.0 1.0-0.2-0.2 0.0 0.0 0.2 0.2 0.4 0.4 0.6 0.6 0.8 0.8 1.0 1.0 Variance of grid-specific precipitation changes explained by the pattern scaling technique #months in which the standardised change of TAVG does not significantly differ from zero at 0.01 level Variance of grid-specific precipitation changes explained by the pattern scaling technique #months in which the standardised change of PREC does not significantly differ from zero at 0.01 level validity of pattern scaling předpoklad metody dobře platí pro teploty omezená platnost pro PREC, DTR, SRAD, VAPO, WIND statistická nevýznamnost regresních koeficientů analýza nejistot ve scénářích ZK neznamená, že Pattern Scaling nelze použít (nepoužitelnost by však vyplývala ze statisticky významné nelinearity vztahu) spíše znamená, že v časových řadách simulovaných modely GCM dominuje přirozená variabilita, která se dá vhodně simulovat například stochastickým generátorem. regresní vztahy neextrapolovat! ( nebo jen velice opatrně) a) nejistota odhadu standardizovaného scénáře a) nejistota odhadu standardizovaného scénáře b) nejistota odhadu DTG IPCC-AR2: gridová struktura GCM modelů data ~ IPCC-AR2 database: 4 weather elements: TAVG, DTR, PREC, SRAD 7 AOGCMs (1961-2099, series of monthly means) from IPCC-DDC: => 1. inter-model uncertainty CGCM1 (C) [1990-2100: 1% increase of compound CO2] CCSR/NIES (J) [1990-2099: IS92a] CSIRO-Mk2 (A) [1990-2100: IS92a] ECHAM4/OPYC3 (E) [since 1990: IS92a] GFDL-R15-a (G) [1958-2057: 1 % increase of compound CO2] NCAR DOE-PCM (N) [bau (~IS92a) since 2000] HADCM3 (H; 4 runs!!!) [since 1990: 1% increase of compound CO2] => 2. internal GCM uncertainty (natural climatic variability) four exposure units - => 3. spatial uncertainty 4. uncertainty in determining standardised changes (~ std. errors in ΔX = 2.8-7.5º ; ΔY = 2.5-5.6º; Nz = 9-20 (hladin) regression coefficients 4
standardizované scénáře změny klimatu podle GCM z IPCC-AR2 standardizované scénáře ZK :: 4 druhy nejistot reg = std. err. of reg. coeff site = 4 sites in Czechia GCM = inter-gcm uncertainty (~7 GCMs) Had = internal HadCM uncertainty (~ 4 runs) GCM > GCM(internal) > reg > site b) uncertainties in estimating ΔT G :: kaskáda nejistot :: SRES: emissions > concentrations > 1. emission scenario carbon cycle & chemist ry model 2. concentration of GHG and aerosols 4. radiation forcing GCM / MAGICC / 3. change in global temperature.. ΔT G zdroj: IPCC-TAR-WG1-TS > radiative forcing > [ Δtemp, Δ (sea level) ] uncertainties in estimating ΔT G MAGICC model: www.cru.uea.ac.uk/~mikeh/software/magicc_scengen.htm ΔT G = MAGICC (emiss. scenario, climate sensitivity, ) a) choice of emission scenario - IPCC-AR2 scenarios: IS92c, IS92a, IS92e - IPCC-AR3 scenarios (SRES series): B1, B2, A1b, A1T, A1FI, A2 b) climate sensitivity: T 2xCO2 = 1.5, 2.6, 4.5 C (different values follow from other studies next slide) c) other parameters (relates to C-cycle climate feedbac ks, aerosol forcing, TH circulation, vertical diffusivity, ice melt) Wigley et al, 2001: PDF(ΔTG) odhadn uta pom ocí vícečetných ansámblových simulací modelu MAGICC s perturbovanými parametry: ΔTG (2100 vs. 1990) = 1.7-4.9 C (90%) zdroj: IPCC-TAR-WG1-TS ΔTglob: uncertainty due to clim.sensitivity ~ uncertainty due to emission scenario 5
uncertainty in climate sensitivity nárůst teploty podle modelů GCM a podle MAGICC (při různé klim.citlivosti); emisní scénář SRES-A2 K= 6.0 4.5 3.0 1.5 rozsah ΔTglob ze všech GCM simulací neodpovídá nejistotě v klimatické citlivosti >> pattern scaling pomůže scenarios derived from different GCMs differ: ((2070-99) vs (1991-2020)) DTEMP DPREC rpdsi CSIRO mezimodelová nejistota vs. prostorová nejistota CGCM ECHAM GFDL data: IPCC AR3 (2001) HadCM CCSR NCAR combining information from 7 GCMs winter DTEMP [(2070-99) vs (1991-2020)] spring year motivation: to show the multi-model mean/median + uncertainty in a single map step1: results obtained with each of 7 GCMs are re-gridded into 1x1º resolution step2: median [med(x)] and std [std(x)] from the 7 values in each grid box are derived step3 (map): the median is represented by a colour, the shape of the symbol represents value of uncertainty factor Q: std(x) Q = med(x) summer autumn interpreting the uncertainty: - squares and circles [ std(x) 0.5 * median(x) ] indicate that medx) differs from 0 at significance level higher than 95% (roughly) - 4-point stars indicate high uncertainty [ std(x) > med(x) ] or: the greater is the proportion of grey (over sea) or black (over land) colour, the lower is the significance, with which the median value differs from 0 best fit betw een GCMs: summer + autum n inter-gcm variability vs. spatial variability: inter-gcm variability is larger than range of values over Czechia 6
DPREC winter 2070-99 drought conditions in Europe in terms of rel. drought indices spring [(2070-99) vs (1991-2020)] Z: spring Z: winter year PDSI: year summer autumn Z: autumn Z: summer when compared to D TEMP, the between-gcm fit is much lower současný stav nejistoty ve scénářích jsou, ale my víme jak na ně: V impaktových studiích je třeba použít více scénářů: - (3 hodnot y ΔTG) X (3-4 scénáře) propojení scénářů s WG zajistí přirozenou variabilitu 1 scénář pro ČR stačí GCM: 24* modelů, 19 institucí, 17 skupin emisní scénáře: A2, A1b, B1; 1% to (2x, 4x) k dispozici denní řady i řady měsíčních průměrů, i když problémy: některé prvky k dispozici jen v denních řadách (vítr, vlhkost) denní výstupy jen z kratších časových úseků objem dat (současný stav) ~1TB verze IPCC-AR2 X přechod na data z IPCC-AR4 projekt PraSce (GAAV) analýza dostupných dat s důrazem na nejistoty selekci podmnožiny GCM modelů další modifikace metodiky high scenario: SRES-A2 + (ΔTG,2xCO2=4.5 K) low scenario: SRES-B1 + (ΔTG,2xCO2=1.5 K) middle scenario: mid.emissions + (ΔTG,2xCO2=2.5 K) otázka do diskuse: Můžeme použít scénář zprůměrovaný z několika různých GCM? PraSce : po 8 měsících stochastický generátor odvození scénářů vývoj pravděpodobnostních scénářů (výsledek by mohl mít podobu generátoru scénářů ) porovnání scénářů odvozených pomocí různých metod (včetně SDS) první výsledky již k dispozici (viz. dále) * Tomáš Halenka napočítal jen 23 AR4: scénáře z denních výstupů (SRES-A2): Praha - TAVG [(2081-2100) - (1961-90)] změny v metodice generátor: Met&Roll > M&Rfi propojení denního a měsíčního generátoru umožňuje zohlednění variability vlhkost a vítru mezi základní proměnné (použití semiparametrické transformace) volitelný počet prvků, volitelná délka časového kroku rozšíření souboru charakteristik zahrnutých ve scénáři ZK: variabilita měsíčních i denních hodnot (má vliv na výskyt extrémů!!!) konstrukce pilotních scénářů scénáře starých prvků + porovnání s předchozími [viz. obr] scénáře variability měsíčních průměrů (zatím jen podle tří modelů) problém: malá statistická významnost zhladit? a jak? scénáře variability denních hod not (podle 8mi GCM) problémy s neúplností databáze : vlhkost jen v základních hladinách vítr jen ve složkách řešeni: starý dobrý resampling (taky to ale neni optimálni reseni) - 8 GCM (3xCGCM2) - correspondenc e with previous scenarios - inter-gcm variability > intra-gcm variability 7
2.4 IPCC AR4 (2007) :: scénáře z měsíčních řad d [ std (*) ] d [ avg (*) ] TAVG PREC SRAD bonus.1: 4 generace scénářů změny klimatu (od konce minul ého tisíciletí) - rovnováná simulace (souasnost, 2xCO2) ECHAM3/T42, denní ady TMAX, TMIN: z GCM SRAD: regression model; PREC: expert approach - nearest GCM grid point (48º50 N, 16º52 E (Nemeová et al., 1999, SGG) scénář v.1999 IPCC-AR2 (1996) IPCC-AR3 (2001) standardizované scénáře ZK (4 generace) PREC v.1999: TEMP - TEMPadditive changes - PREC, SRAD, WIND, HUMID.multiplicative changes - std(x)..multiplicative changes 2002_Beskydy IPCC-AR4 (2007) bonus č.2: MODELOVÁNÍ KLIMATOLOGICKÉ NIKY ZAVÍJEČE KUKUŘIČNÉHO V OČEKÁVANÝCH KLIMATICKÝCH PODMÍNKÁCH příklad impaktové studie 8
ECAMON scénáře změny klimatu Dopady změny klimatu rozšíření 1. generace VARIANTY: HODNOTA ŠKÁLOVACÍHO FAKTORU (ZMĚNA GLOB. TEPLOTY) : Nízký odhad: SRES B1 + nízká citlivost klim. systému (LOW ) Střední odhad: průměr SRES A1/B2 + střední citlivost klim. systému (MID) Vysoký odhad: SRES A2 + vysoká citlivost klimatického systému (HIGH) GCM MODELY: HadCM3, E CHAM, NCAR-PCM, CSIRO ČASOVÉ HORIZONTY: 2010, 2015, 2 020, 20 25, 203 0, 2040, 2050 CELKEM: 12 scénářů pro 7 časových hori zontů Dopady změny klimatu rozšíření 2. generace ZAVÍJEČE KUKUŘIČNÝ - ZÁVĚR: Nástup vývojových fází byl simulován s uspokojivou přesností v bodových i prostorových studiích Trendy očekávané v budoucích klimatických podm ínkách jsou v souladu s chováním populace v obdobích 196 1-1990 a 19 91-2000 První znatelné změny nástupů vývojových fází a dynamiky populace lze očekávat mezi léty 2015-2025 Při naplnění scénářových předpokladů dojde k výraznému nárůstu plochy ohrožené zavíječem z 18% (1961-1990) na 35-100% území v roce 2050 Mezi léty 2020-2050 (v závislosti na scénáři) budou hlavní produkční oblasti (zejména jižní Morava) pravidelně ohrožovány výskytem kompletní 2. generace (podle nejpesimističtějšího scénáře bude zasaženo 40% území v roce 2050) ve 2/3 sezón Podobně dramatické změny lze očekávat u dalších druhů hmyzu i vyšších poikilotermních organismů k o n e c výsledky impaktových studií: www.ufa.cas.cz/dub/crop/crop.htm 9