文摘

我们执行偏差纠正在未来的气候变化情况下提供更好的通过适应未来气候变化模型的准确性。该组合的变化因子(CF)和分位数映射(QM)方法结合了两种方法的个人优势在全球环流模型调整偏差(GCMs)和地区环流模型(rcm)。我们选择Songwol-dong研究网站,首尔,韩国,测试和评估我们的方法。我们的研究结果表明,联合CF + QM方法提供了更好的性能而言,纠正偏差模型/ rcm比单独应用这两种方法。特别是,我们建议的方法大大提高了bias-corrected降水通过捕获高峰和大量的降水比从CF-only和QM-only方法。因此,我们提出的方法可以提供高精度bias-corrected降水数据,这可能会被证明是非常有用的跨学科研究世界各地。

1。介绍

与世界各地的工业化的增长,人类的生活质量改善了通过科学技术的进步,在各方面专业的职业,消费水平等等。然而,这些改进造成的过度使用化石燃料(煤、石油、天然气等)(1)和增加全球温度上升引发的温室气体(二氧化碳、二氧化氮等)的对流层(2]。

一般来说,人类活动在农业、工业和商业影响全球生态系统通过气溶胶等因素影响,土地利用变化和森林砍伐。这可能导致负面影响,如增加空气温度和降雨模式的变化3),主要影响全球气候变化(4]。根据第四次评估报告(AR4),政府间气候变化专门委员会(IPCC) (5)的天数与降雨和洪水发生频率稳定并逐步增加由于不寻常的气候变化表明自然灾害会发生更频繁和强烈的未来比以前5]。

韩国在大约70%的山地地区,超过70%的国家的降水发生在夏季(7月至9月)6]。因此,大量的水从降雨通常是排入河流直接径流和土地的地形特点援助这放电。韩国遭受来自频繁的洪水由于夏季的直接径流和干旱缺水造成的由于不平衡在作物生长季节降雨。这些重复的自然灾害造成了巨大的经济损失和不确定性在全国可持续水资源管理计划(每年7]。

由于这些原因,韩国政府一直在努力减少潜在的风险(即。,drought, flood, etc.) of effects from climate change and recently suggested the Four Major Rivers Restoration Project as one solution [8]。为了验证这个项目在字段级别的影响,各种因素,如动态气象和水文过程之间的相互作用在地表,降雨径流过程,季节性的天气预测,生态系统动力学和变更、和地区特点,需要研究。

在韩国,韩国气象局(KMA)提供天气预测,根据不同的气候变化情景(3]。金等。9和李et al。10)使用KMA-based气候预测洪水在空间尺度脆弱性评估。Kwon et al。11]探索亚热带气候区域的边界变化(韩国)使用aib排放情况。公园等。12)评估气候变化对河流水质的影响在Chungju-dam分水岭使用土壤水分评估工具(SWAT) [13)模型。这些研究表明,气候变化场景被用来预测和评估长期、可持续发展和水资源的管理。

使用天气预报一直在稳步增加,但全球环流模型(GCMs) /区域范围内模型(rcm) KMA还有限制应用程序提供的地方/区域尺度之间由于规模差异模型/ rcm和油田规模(或模型)决议(14]。这些缺陷可能会导致大的不确定性在规划为未来可持续水资源管理。由于这些原因,必须纠正偏见在全球大气环流模型/ rcm通过比较当地的天气历史地区。

目前,一些偏差纠正计划,如变化因素(CF) [15),分位数映射(QM) (16),和多元线性回归17),已经开发和改进自几十年前,存在。CF是一个简单的降尺度方法,利用观测和预测的平均值。该方法由简单的比例平均每天变化的因素(18]。由于其简单,这个概念被用于许多气候相关的偏差纠正应用程序(19- - - - - -23]。QM方案纠正模型/ rcm基于累积分布函数(CDF)统计好匹配(24]。QM方法已被广泛用来纠正偏差的模型/ rcm(例如,18,25- - - - - -27])。CF和QM的主要优势的统计偏差修正方法具有更好的计算效率比其他physical-based方法(18,23]。然而,偏差纠正使用CF方法只有平均变化,最大值,最小值的气候指数场景,而所有其他属性,如干/湿的天数和方差的温度,保持不变(28,29日]。QM有限制在捕捉极端值超出范围的观察(例如,24,30.])。由于CF和QM偏差纠正都有他们的优势/劣势,CF和量子力学的方法,可以克服他们的缺点可能表现得更好在纠正GCM / RCM数据让他们更接近历史的观察。

因此,我们研究了一个增强的偏差纠正的方法提高模型的适用性和rcm当地区域。本研究的目标是双重的:提出一个增强的偏差纠正方法链接CF和QM现场评估我们的方法的性能水平。我们建议的方法可以大幅度提高用于提供现实bias-corrected GCM / RCM接近的预测天气为创建和实现可持续的长期历史和水资源管理未来的计划。

2。实验部分

2.1。文献综述

2.1.1。偏差纠正方法

变化因素(CF)方法被广泛用于偏差修正,因为它简化方法。方程(1)描述了如何观察和预测之间的CF纠正偏差: 在哪里是未来转换后的沉淀,是预测未来降水,是观察到的平均降水,是历史aib的平均降水。

CF方法计算每月/每年的平均值观察和预测。然后,CF估计偏差纠正系数表明观察和预测之间的差异和变化的预测结果观测数据的基础上,计算系数(图1)。

提出的分位数映射(QM)方法,Panofsy和Brire16],最小化之间的差异观察/预测数据基于经验概率分布。图2显示了QM预测数据转移到观察nonexceedance相同的概率。在这里,我们使用了一对一的映射方案的次序统计量观测模拟数据,而不是基于累积分布函数拟合的数学模型: 在哪里是观察到的每日数据的累积分布函数的一天,的累积分布函数模拟历史数据模拟,然后呢和模拟转换(bias-corrected)数据,分别为一天(2)。

转换后的预测有相同的概率分布与观测,但QM限制每月生成分布由于可用少量的数据点31日- - - - - -34]。

2.1.2。气候变化的场景

政府间气候变化专门委员会(IPCC)提供过去和未来天气情况根据不同的气象、社会经济和环境数据,评估气候变化的影响(5]。基于这些场景从IPCC, KMA产生了全球环流模型(GCM)和区域气候模型(RCM)输出。RCM预测相对finer-scale决议(27公里×27公里)相比,这个模型(即。大约3.75°×3.75°,~ 400公里)。特殊报告排放场景(sr,第三次评估报告)由联合国政府间气候变化专门委员会提供了四种不同的故事情节(A1、A2、B1和B2)基于不同的人口、社会、经济、技术和环境的发展。达到(平衡强调所有能源)场景是其中一个最现实的未来气候情景由KMA提供。

KMA使用aib场景作为输入数据来GCM (ECHO-G),包括耦合气候模型组成的大气模型(ECHAM4) Thawing-Ocean模型(HOPE-G)和海洋大气耦合模型(绿洲)生成GCM场景。此外,高分辨率气候变化提供的场景在韩国使用MM5 KMA(第五代中尺度模式)35区域气候模型(图)3)。KMA气候场景用GCM (ECHO-G) / RCM (MM5)反映了韩国气候特性好(36]。出于这个原因,KMA建议使用和集成场景作为国家标准的科学信息的政策、项目和研究在韩国与气候变化有关。在这方面,大量研究气候变化KMA场景中使用应用程序在韩国37- - - - - -44]。因此,我们选择了KMA气候变化场景使用aib场景来评估我们建议的方法。

2.2。材料和方法

2.2.1。增强了CF和QM方法偏差纠正方法链接

CF和QM方法都有他们的优点和缺点偏差纠正的过程。Bias-corrected(转换)降水的未来取决于选择CF或QM。一般而言,降水数量/洪水和干旱的发生频率显著影响。就像前面提到的1,强降雨事件/数量,如941.5毫米降水从2004年7月到9月23),在夏天期间已经生成,表明小的不确定性(特别是对于降雨量)偏差纠正方法和固有的病态GCM数据可能导致灾难性的损失。因此,这些不确定性需要减少有效的水资源管理的政策决策者。虽然与CF和QM方法有助于减少不确定性偏差纠正的方法(CF或QM),固有的不确定性引起的缺点在GCM / RCM IPCC提供的数据/ KMA是不可避免的。到目前为止,纠正日常GCM全球/ RCM数据仍然是一个挑战。因此,我们纠正偏差的月度(降水)预测使用CF,然后使用QM计划,改变了CF-based bias-corrected预测历史的观察,如图4。

2.2.2。应用CF、QM和CF + QM偏差纠正

在这项研究中,Songwol-dong站点在首尔,韩国,如图5,选择评估的偏差纠正aib降水情况使用三种方法(CF、QM和CF + QM)对基线期间观察到的降水数据。偏差纠正系数(变化因素对CF方法和CDF QM方法)得到的偏差校正基线时期被应用于aib降水情况。十二个变化因素,每个月一个估计,CDF实验组的估计是基于观测降水之间的关系数据和基线时期aib降水情况。

为评价偏差纠正的三种方法,我们把观察期间(1983 - 2012)分成两组:基线期(1983 - 1997)和验证(1998 - 2012)时期。我们获得的偏差纠正系数CF和QM aib降水情况(1983 - 1997)和观察到的降水数据通过偏差纠正一个基线时期(1983 - 1997)。然后,偏差纠正系数应用于aib降水情况(1998 - 2012)与观察到的降水(1998 - 2012)进行验证。

韩国的天气显示由于季风气候的季节性变化。由于这个原因,我们每月平均降水分为四类(1,4 - 6月、7 - 9月和10)和评估bias-corrected数据使用确定系数()、Nash-Sutcliffe效率(研究)和均方根误差(RMSE)。然后,我们估计的偏差纠正系数aib降水情况相对于观察到的降水数据使用另一个基线期(1983年至2012年)的偏差纠正未来气候变化情景。我们纠正aib降水对未来的预测(2016 - 2100)的基础上,推导出偏差纠正系数从1983年到2012年,和他们的特点/统计数据进行了分析。

的措施之间的共线性程度,观察和模拟: 在哪里是th观察,是th模拟,的意思是观察,是模拟的均值,是观察的总数。

了无是标准化的统计,给出了相对剩余方差的大小相比,观察到的方差(45),如图所示 在分析了无值为- 1指示完美的观测和模拟之间的协议。

RMSE是常用的错误索引统计数据的观察和模拟数据(46),如图所示 哪里的RMSE 0表示完全观测和模拟之间的协议。

3所示。结果与讨论

3.1。使用三种方法评估偏差纠正

在韩国,60 - 70%的年降水总量(47)通常是生成的夏季期间(7月至9月)。准备好自然灾害(干旱、洪水等),确保水资源的可持续发展,需要制定有效的水资源管理计划的强降雨。精确的选择偏差纠正方法可以帮助获得可靠的预测降水的变化在朝鲜半岛夏季的未来,这可以帮助减轻自然灾害的潜在风险。

表1介绍了bias-corrected降水的统计分析使用三种方法。bias-corrected降水的结果结合CF + QM方法大大提高了基线期(1983 - 1997)和验证(1998 - 2012)时期的相比CF-only或QM-only方法;然而,没有明显差异的结果CF, QM, CF + QM方法旱季(1月至3月,4月到6月,10月至12月)。CF方法高估了bias-corrected aib降水场景与基线相比虽然bias-corrected降水的降水数据QM基线和验证时间计划被低估了。的CF + QM方法更好地执行纠正aib降水方案相对于基线降水数据偏差校正和验证的夏季(7月至9月)支持我们提出的鲁棒性偏差纠正方法(结合CF + QM)应用于暴雨季节。尽管不确定性存在偏差纠正/验证时间,bias-corrected结果CF + QM方法更接近观测比CF-only或QM-only方法,如图6和7。

3.2。偏差修正的aib降水预测未来

自从CF + QM方法显示,验证好的结果,我们纠正aib降水情况相同的地区从1983年到2100年。注意,我们使用的三种方法进行偏差纠正使用基线比较降水营力(1983 - 2012),然后偏差纠正系数应用于降水预测从2016年到2100年。

图8显示的比较观察和转换(bias-corrected)预测基于三种方法。比较的结果CF, QM和CF + QM方法显示的月度分布改变日常降水(5 / 25日/ 50 / 75 /第95百分位数和意思)从QM大大不同于观察。这些结果暗示QM有限在纠正季风气候预测暴雨期间因为密集降雨频率/量可能会导致高估或低估纠正偏差。

CF和CF + QM方法的结果有相似的分布如图8。CF方法表现更好纠正偏差的月降水数据,但CF有限制,它是高度依赖于预测降水的分布数据。

表2显示每月的比较最大降水观测的数据和转换数据使用CF和CF + QM方法。对每月的观察1131 .0毫米(每月最大降水)7月,CF方法生成一个数量的1540。3毫米(36.2%),而CF + QM方法生成1319。4 mm, CF偏差低于16.7%。然而,观察和转换降水数据的月度平均在425毫米(图7月都是相同的8)。今年8月,使用CF方法的最大降水1535。6毫米(24.1%的差异与观察到的最大降水1237。8毫米)。相反,CF + QM方法生成一个月最大降水1271毫米,比上年的差异只有2.7%,相比之下,观测数据(表2)。

表3统计数据显示的天数(最大和最小、金额、平均和标准偏差)的天气历史和bias-corrected /未修正的预测。每日最大改变降水基于CF方法823.1毫米(2004年7月),而最大程度上的每日降水的观测数据是332.8毫米。2004年总降水量1020毫米,年平均降水量大约20%不到的在韩国。长时间使用校正因子,而且在干旱年偏差纠正可能高估每日降水。这些结果表明CF方法可以产生错误当用于干年因为校正因素可能有其局限性反映了年降水的变化数据。CF方法纠正每月/每年的降水数量以及预测降水事件的数量与基线相比降水数据。然而,这种方法显示匹配的高不确定性统计每日输出如图所示(最大,平均和标准偏差,见下表2)。然而,拟议的CF + QM bias-corrected预测方法提供了优于其他人,因为它减少了CF和QM方法的局限性。

bias-uncorrected预测生成的68528毫米的降水总额为未来时期(2016 - 2100),但bias-corrected CF的结果,QM,和CF + QM方法是141613毫米,146637毫米和140665毫米。虽然bias-corrected降水的总数量在整个时期相似,改变了未来降水的时间分布数据显示如图大差异9,10,11。每年降雨雪有极高的频率从2050年到2070年为QM CF和2070年到2090年。然而,高频率的程度纠正了CF + QM方法相对低于CF-only和QM-only方法,所示bias-corrected偏差纠正和验证的结果。这表明CF + QM方法可以提高个人的局限性CF和质量管理方法。图12显示每年的降水预测的范围改变了CF, QM和CF + QM五年的间隔。图12表明bias-corrected预测基于CF + QM通常位于中心附近,CF和QM之间。因此,使用一个偏差纠正方法(CF或QM)有较高的不确定性提供精确的未来降水预测和CF + QM方法相结合。此外,在偏差纠正错误合并方法可能会传播到未来的预测可能由决策者使用。因此,适当的偏差纠正方法,减少错误在未来应该使用降水的预测。我们的结果表明,CF + QM方法,可提高CF和质量管理方法的局限性,可以适合生成转换降水数据使用不同的气候变化情景。

4所示。结论

准备和适应气候变化计划或正在进行的世界各地。这项研究表明总偏差纠正(CF + QM)方法,结合现有的CF和QM方法来帮助准备气候变化的负面影响。

评估方法的性能偏差纠正的长时间,偏差修正进行了研究时期(1983 - 2012)在韩国Songwol-dong站点。最初的15年里(1983 - 1997)被用作一个基线估计偏差纠正期限系数,我们验证了三种方法对后者15年(1998 - 2012)。我们分类研究期间为四类(1,4 - 6月、7 - 9月和10)评估的特点,季节性改稿时预计降水偏见。然后,我们测试/ CF-only的性能相比,QM-only, CF + QM方法偏差校正和验证时间。尽管CF + QM方法修正预计降水偏见基线降水数据略优于其他人,没有/没有显著差异存在的干旱期(1,4 - 6月,10)。然而,CF + QM方法(R²:0.990/0.990,分析了无:0.920/0.916偏差纠正/验证)大大提高了bias-corrected在暴雨季节降水(7 - 9月)CF-only相比(R²:0.958/0.859,了无:0.887/0.703偏差纠正/验证)和QM-only (R²:0.916/0.852,分析了无:0.860/0.700偏差纠正/验证)的方法。

比较三种方法的偏差纠正后,我们使用CF-only派生偏差纠正系数,QM-only和CF + QM方法为整个时期(1983 - 2012)。然后,我们修正了aib降水情况的基础上,对未来的估计系数时期(2016 - 2100)。CF + QM方法给出更好的bias-corrected预测对统计数据。特别是,建议CF + QM方法适合季风气候条件在雨季暴雨降水发生时。此外,我们建议的方法有助于减少天气预报不确定性和建立可持续水资源管理计划,减轻自然灾害造成的未来气候变化。我们计划扩展建议方法的适用性和可访问性网络,这将大大有助于准备和适应不确定的气候变化。

利益冲突

作者宣称没有利益冲突有关的出版。

承认

这项研究得到了(盖亚)项目(没有Geo-Advanced创新行动。RE201402074,表层土壤资源库存&集成:SSORII研究集团)在韩国。