Resumen de Statistical downscaling of precipitation in seasonal forecasting: advantages and limitations of different approaches
- español
Las predicciones estacionales climáticas, cuyo objetivo es estimar con varias meses de antelación las condiciones promedio para la próximas estaciones, tienen un gran número de aplicaciones y pueden ayudar a la toma de decisiones en diversos sectores socioeconómicos importantes tales como la agricultura, la energía, la salud o el turismo, entre otros. Entre las variables de mayor interés para los usuarios finales, temperatura y precipitación, esta Tesis se centra exclusivamente en esta última. Actualmente, las predicciones estacionales son producidas a nivel operativo mediante complejos modelos numéricos que simulan la evolución del sistema climático con un horizonte temporal de hasta un año. Sin embargo, como consecuencia de la naturaleza caótica de dicho sistema, estas predicciones sólo presentan una calidad aceptable para determinadas regiones del mundo y ciertas estaciones del año. Además, como consecuencia de las actuales limitaciones de cómputo, la baja resolución espacial (del orden de los cientos de km) de los modelos utilizados resulta insuficiente para la mayoría de estudios de impacto, por lo que se requiere algún tipo de postproceso que permita llevar sus predicciones a una escala local más útil. Una de las alternativas existentes para tal fin es el downscaling estadístico (SD, por sus siglas en inglés), que se basa en técnicas estadísticas que relacionan las salidas de baja resolución de los modelos con las observaciones meteorológicas disponibles en los puntos de interés. Sin embargo, mientras que estas técnicas han sido ampliamente utilizadas para la modelización del cambio climático, la experiencia hasta la fecha es muy limitada para la predicción estacional.
Por tanto, además de proporcionar una validación exhaustiva de la calidad de las predicciones estacionales de precipitación a nivel mundial, permitiendo así identificar cuáles son las regiones con un mayor potencial para un uso eficaz de las mismas, esta Tesis se centra en adaptar las distintas metodologías y técnicas de SD para su correcta aplicación en el contexto de la predicción estacional, analizando para ello una serie de aspectos que raramente han sido tenidos en cuenta hasta la fecha, como por ejemplo la incertidumbre al reanálisis. Asimismo, las ventajas y limitaciones de las distintas metodologías disponibles para SD se analizan en detalle una región de estudio particularmente interesante que ofrece un gran reto a nivel científico: Filipinas.
Como resultado de esta Tesis se establece un marco metodológico de referencia para futuros estudios de SD en el ámbito de la predicción estacional.
Seasonal climate predictions, which aim to predict the average conditions for the next seasons some months in advance, have a great number of applications and can help decision-making in many important socioeconomic sectors such as agriculture, energy, health or tourism. Among the most interesting variables for the end-user, temperature and precipitation, this Thesis focuses exclusively on the latter. Nowadays, seasonal forecasts are operationally produced by means of complex numerical models which simulate the evolution of the climate system up to one year ahead in time. However, as a consequence of the chaotic nature of this system, these predictions only show acceptable skill for some particular regions and seasons. Moreover, as a result of the limited computational resources available, the low spatial resolution (around hundreds of km) of the models used is insufficient for most of impact applications. Therefore, some kind of post-process is required in order to translate their coarse predictions to the useful, local-scale. One of the existing alternative to this aim is statistical downscaling (SD), which is based on statistical techniques that relate the low resolution outputs from the models with the meteorological observations available for the points of interest. Nevertheless, whereas these techniques have been extensively applied for climate change modeling, there is only limited experience regarding their application for seasonal forecasting.
Therefore, besides providing an exhaustive global validation of seasonal precipitation forecasts worldwide, which allows for identifying the regions with the highest potential for this kind of prediction, this Thesis focuses on adapting the different approaches and techniques for SD for their correct application in the context of seasonal forecasting, analyzing a number of aspects which have been rarely taken into account to-date, such as the effect of reanalysis uncertainty on the downscaled forecasts. Likewise, the advantages and limitations of the different approaches available for SD are analyzed for an especially interesting region of study which poses an important scientific challenge: the Philippines.
As a result of the investigation undertaken, this Thesis establishes a methodological framework of reference for future SD studies in the context of seasonal forecasting.
- English
This Thesis has been developed at the Santander Meteorology Group (http://www.
meteo.unican.es), formed by researchers and professors from the Department of Applied Mathematics and Computer Science of the University of Cantabria (UC) and the Institute of Physics of Cantabria (UC and Spanish National Research Council), in the context of the international research projects EUPORIAS (European Provision Of Regional Impacts Assessments on Seasonal and Decadal Timescales) and SPECS (Seasonal-to-Decadal Climate Prediction for the Improvement of European Climate Services), funded by the EU Commission through grant agreements 308291 and 308378, respectively.
