Método eficaz para la actualización de las curvas IDF a las proyecciones futuras del clima

Jonathan B. Butcher, M.ASCE, Ph.D., PH 1; Tan Zi, Ph.D., PE 2

1. Hidrólogo, Tetra Tech, Inc., Research Triangle Park, NC 27709 (autor correspondiente).

Email: jon.butcher@tetratech.com .

2. Ingeniero Ambiental, Tetra Tech, Inc., Fairfax, VA 22030

Resumen

Si estacionariedad climático está muerto, ¿cómo deberían modificarse las normas de diseño de ingeniería para tener en cuenta

para los posibles cambios en las precipitaciones extremas? Muchas de las normas se basan en la precipitación intensidad-

duración-frecuencia (FDI) curvas proporcionadas en Atlas 14 de la NOAA. Circulación general modelos

(MCG) predecir aumentos en la temperatura media a lo largo de los EE.UU., pero son menos claros en

cambios en la precipitación. En muchas áreas MCG predicen cambios relativamente pequeños en total

el volumen de las precipitaciones, sino que también sugieren una mayor magnitud de los eventos extremos como el aire más cálido puede

retener más agua. Por desgracia, los MCG han limitado la habilidad para predecir las tormentas individuales.

Esta investigación ha desarrollado un método eficaz para resolver este problema que se replica Atlas 14

métodos, que se ajustan a una distribución de valores extremos generalizada a la serie anual máximo.

sesgos GCM se abordan a través del mapeo cuantil equidistantes, la cartografía de un GCM

simulación histórica con las predicciones futuras, a continuación, la aplicación de esta asignación a partir del ajuste a los datos utilizados

Atlas 14. El enfoque es eficaz, ya que sólo requiere los máximos anuales, lo que permite una rápida

examen de los resultados a través de la gama de proyecciones GCM.

Introducción

diseño de ingeniería para la gestión de las aguas pluviales se basa en gran medida en la evidencia empírica obtenida

a partir de los datos anteriores con la suposición de que la frecuencia de los eventos extremos que es probable que sea visto

en el futuro puede ser deducido de los registros históricos. Esto implica que el clima es estacionaria.

Sin embargo, los cambios previstos en el clima futuro implican el final de la suposición de estacionariedad que

ha proporcionado la base de la gestión del agua durante décadas, como fue anunciado por Milly et al.

(2008). Al comentar sobre la “muerte de la estacionalidad”, Galloway (2011) señaló que “también hay una gran

necesitará proporcionar aquellos en el campo de la información que necesitan ahora para planificar, diseñar y operar

proyectos de hoy en día “.

Intensidad-Duración-Frecuencia (IDF) curvas resumen gráficamente la relación entre

intensidad de la precipitación y la duración de los eventos de precipitación para una frecuencia dada o

intervalo de recurrencia. curvas IDF proporcionan información importante para el diseño de ingeniería y

fines de planificación. Desde una perspectiva, la actualización de las curvas IDF para el clima futuro es simple -

condicionada a las estimaciones de la distribución de los futuros eventos de precipitación. Desafortunadamente, el

habilidad de MCG en la predicción de los eventos de precipitación individuales es limitada, especialmente convectivo

tormentas que proporcionan las tormentas más intensas, sin embargo, se producen a escalas espaciales más pequeñas que el

resolución de los MCG. Sun et al. (2006) resumieron los estudios de reanálisis de los MCG de la siguiente manera: “Para

precipitación ligera, la mayoría de los modelos sobreestiman enormemente la frecuencia, sino reproducir el

patrones observados de intensidad relativamente bien. Para la precipitación pesada, la mayoría de los modelos

aproximadamente reproducir la frecuencia observada, pero subestimar la intensidad.”Algunos de los sesgos

inherente a MCG se resuelven mediante la reducción de escala resultados a una más fina, a escala local, a menudo con un sesgo

paso de corrección. Sin embargo, Maraun et al. (2010) concluyen que las deficiencias graves permanecen en el
capacidad de los métodos de reducción de escala para generar series precipitación local con el temporal correcta

variabilidad.

En los EE.UU., las estimaciones oficiales de la frecuencia de la precipitación para ubicaciones geográficas específicas son

proporcionado como curvas IDF y tablas en Atlas 14 de la NOAA (Perica et al., 2013). Lo especifico

objetivo de este trabajo es proporcionar un método para actualizar el atlas 14 curvas IDF para reflejar el potencial

futuros cambios en el clima local. Para satisfacer este objetivo, es importante entender la forma en

que se crearon las estimaciones Atlas 14. En concreto, las estimaciones de frecuencia en el Atlas son

basado en el ajuste de una distribución de valores extremos generalizada (GEV) a la serie de tiempo de anual

máxima precipitación (AMP) asciende en una estación durante diecisiete duraciones que van desde 15

minuto a 60 días. La serie AMP consiste en una medición al año, y no tiene en cuenta

la posibilidad de más de un evento en un año superior a un umbral de interés. La verdad

probabilidad de ocurrencia de eventos de una intensidad y duración dada debe derivarse de la

serie de duración parcial, que incluye todos los eventos de una duración especificada y por encima de un pre-definido

umbral de volumen. estimaciones de frecuencia para la serie de duración parcial fueron desarrollados por la NOAA para

Atlas 14 de la serie de AMP usando fórmula de conversión de Langbein, que transforma una

duración parcial basada en la serie intervalo de recurrencia media (ARI) a una excedencia anual

probabilidad (AEP):

= 1
exp ••• 1 •
AEP • • [1]
• ARI •

duración parcial seleccionada IRA se convierten primero a AEPs usando esta fórmula, y la frecuencia

las estimaciones se calcularon entonces para la AEP mediante el ajuste GEV a máximos anuales.

NOAA encaja en el GEV para cada estación usando el método de L-momentos (Hosking y Wallis, 1997),

la incorporación de regionalización a través de aproximadamente las 10 estaciones más cercanas para orden superior L-
momentos. NOAA no libera los coeficientes ajustados de la distribución GEV, aunque el

serie anual máxima se proporcionan a través del servidor FTP. Es importante tener en cuenta que la NOAA

método se basa en última instancia, sólo en máximos anuales (la serie AMP). Esto significa que sólo el

Se necesita serie de máximas anuales para las futuras condiciones climáticas y no completa o parcial

serie de duración. Esto tiene importantes implicaciones para el enfoque matemático a la actualización del

curvas IDF, como se describe a continuación.

La actualización de las curvas IDF en Atlas 14 para el clima futuro requiere una comprensión de cómo la extrema

distribución de valores de ajuste a la serie de precipitación máxima anual puede cambiar. Los investigadores tienen

propuesto una variedad de métodos estadísticos paramétricos y para la actualización de las curvas IDF basado en GCM

de salida (por ejemplo, Prodanovic y Simonovic, 2007;. Huard et al, 2010; Arnbjerg-Nielsen, 2013).

Estos métodos generalmente se han caracterizado por un alto nivel de complejidad y

intensidad computacional, y han trabajado con futuro completa a escala reducida series de precipitaciones,

a pesar de las curvas IDF 14 Atlas dependen sólo de la serie AMP.

Un enfoque simple, más directo y eficiente computacionalmente a la actualización de las curvas IDF era

recientemente propuesto por Srivastav et al. (2014A, 2014b). Su visión era que la esencia de la

problema era la necesidad de actualizar las distribuciones de valores extremos para las condiciones futuras, y que esta

se podría hacer a través de un análisis directo de las distribuciones. El concepto general del enfoque

de Srivastav et al. (2014A) se describe como sigue: “... funciones cuantil de mapeo pueden ser directamente

aplicado para establecer la relación estadística entre los amperios de un MCG y sub-diario

los datos observados en lugar de utilizar los registros completos. Además, el FID es una función de distribución;

Por lo tanto, sería fácil para derivar las relaciones funcionales entre las distribuciones de las

GCM amplificadores y los datos observados sub-diarias. Una forma de obtener dicha relación es mediante el uso de

funciones cuantil de mapeo “.

mapeo de cuantiles (QM) métodos, también conocida como función de distribución acumulativa (CDF)

búsqueda de métodos, han sido utilizados como un método para corregir los sesgos locales en salida GCM.

El método establece primero una relación estadística o función de transferencia entre los resultados del modelo

y observaciones históricas, a continuación, se aplica la función de transferencia a las futuras proyecciones de los modelos

(Panofsky y Brier, 1968) y ha sido utilizado con éxito como método de reducción de escala en varios

estudios de impacto climático (por ejemplo, Hayhoe et al., 2004).

Usando la notación de Li et al. (2010), para una variable climática X, el método QM para encontrar el

valor futuro sesgo ajustados de una variable climática se puede escribir como:

• •-•.•••••. = • •-• -• ( • •-• ( • •-•)) [2]

dónde F es la CDF de cualquiera de las observaciones (o) o modelo (m) para el clima actual observado (c)

o en el futuro proyecta climático (p), y F- 1 es la inversa de la función de distribución acumulativa. los

corrección de sesgo para un período futuro De este modo se realiza la búsqueda de los valores de los percentiles correspondientes para

estos futuros puntos de proyección en la CDF del modelo para las observaciones actuales, a continuación, la localización de la

los valores observados para los mismos valores de CDF de las observaciones.

Una debilidad importante del método de gestión de la calidad es que asume que el CDF climático no hace

cambiar mucho con el tiempo, y que, como los cambios de la media, la varianza y sesgo no cambie,

que es probable que no es verdad (por ejemplo, Milly et al., 2008). Para abordar estas cuestiones, Li et al. (2010)

propuesto el mapeo cuantil equidistante método (EQM), que incorpora adicional

información de la CDF de la proyección del modelo. El método supone que la diferencia

entre el modelo y valor observado durante el período de calibración actual también se aplica a la

periodo futuro; Sin embargo, la diferencia entre la forma de las CDF para el futuro e histórico

períodos también se tiene en cuenta. Esto se escribe como:

 • •-•.•••••. = • •-• + • •-• -• ( • •-• ( • •-•)) - • •-• -• ( • •-• ( • •-•)), [3]

donde todavía no se especifican la forma y los parámetros de la CDF. Srivastav et al. (2014A) argumentar

para el uso de EQM para actualizar las curvas IDF; No obstante, el método específico de Srivastav et al. (2014b) es

no es directamente aplicable a la actualización de las curvas 14 Atlas de la FID en los EE.UU. por varias razones:

• El Canadá supone que la serie AMP sigue un Gumbel, en lugar de una distribución GEV.

• estadísticamente downscaled salida del modelo climático sesgo corregido no está ampliamente disponible para

Canadá, por lo tanto, el método Srivastav también debe incorporar una etapa de reducción de escala espacial

de la escala gruesa de MCG, mientras que la producción que ya está escala reducida espacialmente a una

resolución de malla fina está fácilmente disponible para los EE.UU..

• El método de la Srivastav et al. justifica el uso de EQM, pero en gran parte se compone de un multi-paso

procedimiento de gestión de calidad, sin las correcciones adicionales EQM.

Para abordar estas cuestiones este documento re-deriva un método EQM que es consistente con el diseño de EE.UU.

directrices y hace uso de los datos climáticos a escala reducida estadísticamente fácilmente disponibles de GCM

salida.

métodos

Una combinación de enfoques EQM y QM se utiliza para actualizar las curvas IDF para cualquier ubicación

condicionada a la salida de los MCG para las futuras condiciones climáticas, implementados en código Python. Dos

Se necesitan medidas de mapeo de distribución para actualizar las curvas IDF. El proceso comienza con GCM

salida que ya ha sido objeto de corrección de sesgo espacial y reducción de escala a un km 4x4

escala espacial y el paso de tiempo diario. La primera etapa de cálculo consiste en espacial adicional

reducción de escala de la cuadrícula de 4x4 km a la ubicación específica de la estación meteorológica de primer orden utilizado

por Atlas 14 junto con corrección de sesgo para la serie AMP (a diferencia de la tendencia general
corrección de la serie de la precipitación completa) usando el método EQM. el segundo paso

implica la reducción de escala temporal de diaria a duraciones de sub-diariamente utilizando el método QM (EQM es

no es necesario para este paso, ya que no implica la corrección de sesgo).

•••).
Para el primer paso, los datos históricos son la serie histórica AMP utilizado por Atlas 14 ( • •••

Los datos del modelo incluyen la serie AMP previsto para el mismo período histórico ( • •••
•••) y para el

••• •••). Una distribución GEV es apto para cada una de estas series, usando la L-
futuro período de interés ( • •••

momentos método (Hosking y Wallis, 1997; implementados en Python en lmoments v 0.2.3 a.

https://pypi.org/pypi/lmoments/), consistente con Atlas 14 métodos:

•••)
•••• (•••) = • (θ •••, • ••• [4]

•••)
•••• (•••) = • (θ •••, • ••• [5]

••• •••) [ 6]
•••• (••• •••) = • (θ ••• •••, • •••

dónde F( ) es la función de densidad de probabilidad, y θ representa el vector de parámetros de la

distribución ajustada (GEV para este caso).

Para aplicar el método EQM, cuantiles de futuros modelado de datos diarias extremas se hacen coincidir con el

la distribución de los AMP históricos. Para un percentil determinado, se supone que la diferencia

entre el modelo y el valor observado también se aplica al período futuro. Hay dos EQM

factores. El primero es:

••• ••• | θ ••• •••)) | θ •••_•••••), [ 7]

• ••• •••• = • -• (( • (• •••

••• ••• | θ ••• •••) indica

donde la barra vertical “|” indica la dependencia condicional, es decir, • (• •••

la función de distribución acumulada de las futuras series GCM AMP calculado en el acumulado

••• ••• usando el conjunto de parámetros θ ••• ••• calculado para ese futuro
probabilidad correspondiente a • •••
serie. Para dar cuenta de la diferencia entre el CDF de los resultados del modelo de futuro y

período actual, un segundo factor de ajuste se calcula:

-• ( • •-• ( • •-•)) = • -• (( • (• ••• ••• ••• | θ ••• •••)) | θ •••)

• ••• •••• = • •-• [8]

La serie AMP proyectada se calcula entonces como:

••• ••• + • ••• •••• - • ••• ••••

• ••• ••• •••••••• = • ••• [9]

Una vez que se calcula esta serie, se aplica un ajuste GEV para estimar la distribución total de la 24-hora

eventos de duración.

El segundo paso en el ajuste de las curvas IDF es la reducción de escala temporal para convertir futuro diaria

extremos en extremos sub-diaria. El método de gestión de calidad se utiliza para este propósito: en primer lugar encontrar el

correspondiente valores del percentil de estos futuros puntos de proyección en el CDF del modelo para la

período histórico, a continuación, busque los valores observados para los mismos valores de CDF de la sub-diario

observaciones. Por duración de la lluvia yo:

••• •••••••• | θ ••• •••••) | θ • ••• ••••••••)) [ 10]

• •••, • ••• ••••••••••• = • -• (( • (• •••

Como se señaló en Atlas 14 (Perica et al., 2013), las estimaciones para las duraciones más cortas pueden ser ruidosas debido a

limitada disponibilidad de datos y se mejoran mediante el suavizado. El futuro proyectado sub-diaria extrema

los valores son así suavizan mediante el ajuste a una regresión lineal relativo a la máxima diaria

serie:

••• •••••••• + ••
• ••• ••• ••••••••••• = • • * • ••• [11]
 ••• ••••••••••• es calculado, distribuciones GEV se utilizan para ajustarse a las proyecciones de los extremos.
Después • •••

Entonces cantidades de lluvia en ciertas probabilidades se extraen para crear la serie de precipitaciones con

diferentes periodos de retorno:

••• •••))),
• •••, •, ••• • ••• = • -• ( • - •, (• (• •••, • [12]

dónde pags es el AEP correspondiente al intervalo de repetición deseado.

Una etapa de normalización adicional se aplica para garantizar la coherencia con Atlas 14: El cambio

ratio de los extremos de lluvia entre actual y futura se puede derivar mediante la comparación de la derivada

•••
las precipitaciones extremas históricos en diferentes intervalos de Reaparición en base a los datos de observación • •••, •, •

••• •••:
con el mecanismo generalizado de las precipitaciones extremas datos espaciales y temporales a escala reducida • •••, •, •

••••••, •

• = • •••, •, •
• •, • , [13]
• •••, •, ••• •

dónde j representa el GCM subyacente. El Atlas 14 curvas IDF se actualizan por

multiplicando los resultados publicados por las relaciones apropiadas para los diferentes modelos de circulación general, la preservación de la

representación regional de mayores momentos L incorporados en los originales Atlas 14 cálculos.

Para duraciones de menos de una hora, Atlas 14 (Perica et al., 2013) se refiere a 15 y de 30 minutos duraciones

a la duración de 60 minutos utilizando factores de escala locales:

•••••_••

• = •• , K = 15 minutos o 30 minutos. [14]

• ••-•••••• •••••_••

factores de escala fijos se utilizan en Atlas 14 para derivar de 10 minutos y máximos anuales 5 minutos.

La relación de máxima anual the10-minuto a la máxima anual de 15 minutos se supone que es

0,82 en Atlas 14 y la relación de los máximos anual 5 minutos es 0,57. Estos mismos supuestos

se puede aplicar a las futuras condiciones climáticas.

resultados

Los métodos descritos anteriormente se ensayaron en una aplicación para la ciudad de Grand Rapids, MI. En

2013, un informe climático Resiliencia para Grand Rapids se preparó por el oeste de Michigan

Consejo de Acción Ambiental (WMEAC, 2013). En este informe se utiliza el modelo para el

Evaluación de gases de efecto invernadero provocados por el cambio climático y el generador Escenario regional

(MAGICC / SCENGEN; Wigley, 2008) para predecir los posibles cambios en anual y estacional

temperatura y precipitación en Grand Rapids a través de 2042. Esta herramienta produce resultados en una

escala espacial bastante gruesa de 2,5 ° x2.5 ° (aproximadamente 175 x 175 millas en la latitud de Grand Rapids)

y a una escala temporal estacional. El Informe señala Resiliencia “MAGICC / SCENGEN tiene una

limitación significativa en que se trata de promedios estacionales y no es capaz de predicción

tendencias climáticas extremas.”Tanto la escala espacial y temporal de este producto hacen que sea insuficiente

para la evaluación de los cambios en las curvas IDF para la precipitación.

Dado que la producción de la Memoria Capacidad de recuperación de Grand Rapids, el IPCC (2013) ha publicado el 5 º

Informe de evaluación, la incorporación de los resultados de una nueva ronda de GCM corre (modelo acoplado

Proyecto de intercomparación de 5 o CMIP5). CMIP5 incorpora una serie de mejoras a la

MCG. También utiliza un conjunto diferente de escenarios de concentración de gas de efecto invernadero que el emissions-

escenarios basados ​que se utilizaron en CMIP3. Estos nuevos escenarios de gases de efecto invernadero se denominan

Pathways Concentración Representante (PCR) y se basan en un futuro radiativo objetivo forzando

(Por ejemplo, RCP 4.5 representa forzamiento radiativo de 4,5 W / m 2 en el año 2100) en lugar de inferir la

forzamiento radiativo de las proyecciones inciertas del futuro crecimiento de la población, los patrones de uso de energía, y

asociados emisiones de gases de efecto invernadero.

Se utilizaron los nuevos resultados del modelo CMIP5 con el fin de actualizar el rango potencial de

futuras curvas IDF. Además de incorporar las últimas actualizaciones de modelo, los resultados son CMIP5
ya está disponible en una variedad de repositorios en línea que permiten la detección rápida de la gama de

los posibles resultados futuros predichos por el conjunto de los MCG. También hay un deseo, sin embargo,

mantener la coherencia con el Informe de resiliencia. El análisis en el Grand Rapids Resiliencia

Informe utilizó el escenario de emisiones CMIP3 conocido como A1B, que era un medio-de-la-carretera

escenario de emisiones incorporando “énfasis equilibrado en todas las fuentes de energía.” No hay una

coincidencia exacta con este escenario en CMIP5; sin embargo, la trayectoria del gas de efecto invernadero proyectada bajo

A1B está delimitada por encima y por debajo por RCP 8.5 y RCP 4.5.

RCP 8.5 incluye las concentraciones de gases de efecto invernadero más altos, y así una mayor fuerza radiactiva y

más altas temperaturas atmosféricas globales que RCP 4.5; Sin embargo, la diferencia entre individuo

MCG es generalmente mayor que la diferencia entre RCP 4.5 y 8.5 RCP proyecciones a través

al menos la mitad de la 21 S t siglo. Además, los mayores impactos sobre la precipitación no lo hacen

necesariamente alinearse con aumentos en la temperatura, y para varios MCG el aumento en total

volumen de precipitaciones es mayor con RCP 4.5 que con la RCP 8.5 para el periodo 2050-2070.

No obstante, la relación de Clausius-Clapeyron establece que la densidad potencial de la plena

aumentos de vapor de agua saturado con el aumento de temperatura, lo que lleva a la posibilidad de más

extremos intensa precipitación (Trenberth et al., 2003; Kao y Ganguly, 2011). ilustrativo

los propósitos de este trabajo se presentan los resultados de cerca de los extremos de la mediana de la distribución de los disponibles

MCG.

Selección GCM

proyecciones climáticas futuros son inciertos y se utilizan mejor para describir un sobre probabilidad de

posibles condiciones futuras (un “conjunto de oportunidad”; ​Mote et al., 2011) a los que la adaptación

puede ser necesaria. Específicamente, escenarios climáticos que se aproximan más pequeña, mediana y grande

se seleccionaron gama de posibles cambios en la intensidad de precipitación para este análisis, utilizando conjuntos de
dos escenarios (uno de RCP 4.5 y uno de RCP 8.5) que aparecen a estar cerca de la 10 º, 50 º, y

90 º percentiles de la distribución entre los modelos de circulación general de las precipitaciones extremas anual en el Gran

área Rapids. Clasificación se evaluó basándose tanto en el diario de mayor extrema y media diaria

extrema en todo el intervalo de tiempo de 30 años. El análisis utiliza la 10 º y 90 º percentiles, en vez

que los modelos más extremos, ya que es bien sabido que algunos MCG individuales pueden proporcionar

resultados poco realistas para un área determinada. Es una práctica estándar, por tanto, hacer caso omiso de los más extremos

los valores atípicos y utilizar un modelo en aproximadamente el 90 º percentil de la serie completa de modelos como una

razonable límite superior. El uso de un percentil tales superior se considera generalmente adecuado para

Ingeniería / fines de planificación de diseño hidrológicos; sin embargo, la gama completa también puede ser de

interesar.

Para períodos de tiempo futuros análisis examinó la mitad de 21 S t siglo y el final del siglo.

proyecciones del modelo CMIP5 corren a través de 2100; Sin embargo, también incorporan decenal cíclico

los conductores de la variabilidad del clima, por lo que las evaluaciones de cambio no puede basarse en un solo año. Por lo tanto,

intervalos de tiempo de 30 años centradas en 2050 y 2085 se utilizan para representar a medio y de finales del siglo

condiciones.

Se necesitaba un método eficiente para el cribado inicial a través de 30 MCG y 2 los PCR. A medida que la

interés principal estaba en las tasas de precipitación máxima, no la precipitación mensual o anual total

volumen, la selección inicial se basa en los resultados no escala reducida GCM para máximo 1-día

precipitación (por año y la ubicación geográfica) extraído por el Equipo de expertos sobre el Cambio Climático

Detección e índices (Sillmann et al, 2013a;. 2013b) y sirvió como ClimDex por Environment

Canadá ( http://www.cccma.ec.gc.ca/data/climdex/climdex.shtml ).

Esta selección intencionada no hizo uso de medidas de habilidad o la calidad del desempeño en GCM

replicando el clima del pasado de la región central como criterio principal para la selección del modelo. Además de
el hecho de que el rendimiento en el clima del pasado no es necesariamente un buen predictor del futuro

rendimiento, Mote et al. (2011) han demostrado que el intento de seleccionar en base a modelos de circulación general

el rendimiento no parece reducir la incertidumbre en las proyecciones. Algunos criterios adicionales fueron,

sin embargo, se usa para seleccionar entre el conjunto de modelos cerca de cada uno de los objetivos de percentiles.

Específicamente, la selección favorecida, cuando estén disponibles, los MCG que utilizan una resolución espacial más fina o están

entre los que tienen un ajuste más claramente de manifiesto en la predicción de la precipitación de verano (Toreti et al., 2013),

ambos de los cuales son susceptibles de ser asociados con una mejor predicción de tormentas convectivas de verano.

Algunos preferencia también fue concedida a MCG demostrado tener bajo Bias mundial (0,9 <b <

1.1) y un índice de éxito de alta volumétrico (VHI> 0,7) para la precipitación mensual media (Mehran et al.,

2014). Los MCG seleccionados se muestran en la Tabla 1.

Tabla 1. MCG seleccionados para el análisis detallado en Grand Rapids, MI

percentil RCP 8.5 Modelos RCP 4.5 Modelos

90% RCP8.5 MIROC5 (a) RCP4.5 IPSL-CM5B-LR

50% RCP8.5 CNRM-CM5 (a, b) RCP4.5 CNRM-CM5 (a, b)

10% RCP8.5 bcc-csm1-1 (b) RCP4.5 bcc-csm1-1 (b)

Notas: a. De alta resolución (Toreti et al, 2013.); si. Low sesgo, de alta volumétrica golpeado índice (Mehran et al., 2014)

Cabe señalar que graduaciones en análisis final de la magnitud de las tormentas de una intensidad dada

y la duración de la salida GCM escala reducida puede no seguir el mismo orden como se muestra en la

cribado ClimDex de MCG no a escala reducida. Esto ocurre porque la salida GCM es

sujetos a corrección de sesgo local durante el proceso de reducción de escala. Como resultado de esto, un MCG que

tiene precipitaciones de intensidad pico más bajo en la salida en bruto realmente podría producir la intensidad del pico más alto en

salida de escala reducida si el factor de corrección de sesgo es mayor que la de otros modelos de la competencia.
Sin embargo, el muestreo a través de una gama de comportamientos GCM es útil para ayudar a asegurar un conjunto de datos incluido

conjunto. Esto sugiere que las futuras curvas finales de las FDI para su aplicación deben ser seleccionados de la más grande

respuestas observadas en el conjunto de muestras de seis modelo descrito anteriormente, independientemente de la clasificación de la

ONU-GCM escala reducida, para proporcionar estándares de diseño razonable de protección.

Espacialmente a escala reducida de datos climáticos

MCG generar una salida en una escala espacial grande (típicamente alrededor de 1 ° x1 ° o más grueso) que no hace

tomar en cuenta detalles de la geografía y la topografía locales. Para que sea útil a escala local es

necesaria para llevar a cabo la reducción de escala espacial. La reducción de escala se puede hacer mediante el uso de

un modelo de pequeña escala clima regional (RCM) o por medio de métodos estadísticos. MCR son

computacionalmente caro de mantener, por lo que sólo un número limitado de modelos de circulación general han sido en escala reducida

de esta manera. Por el contrario, hay muchas variedades diferentes de productos a escala reducida estadísticamente ahora

disponible. La mayor parte de estos trabajos con el diseño general de usar correcciones estadísticas espaciales de

GCM salida mensual a escalas espaciales locales con corrección de sesgo basado en el análisis de GCM

capacidad de replicar la climatología histórica, seguido de la reducción de escala temporal a un paso de tiempo diario.

Una recomendación reciente del Servicio de Pesca y Vida Silvestre de Estados Unidos (Patte, 2014) es el uso de la

Multivariado Adaptive análogos construidos (MACA) datos estadísticamente a escala reducida (a una 4 km x 4

km escala) creado por la Universidad de Idaho. El método MACA (Abatzoglou y Brown,

2012) tiene dos ventajas que lo hacen ligeramente preferible a otros métodos de reducción de escala: (1) se

proporciona la reducción de escala simultánea de precipitación, temperatura, humedad, viento, y la radiación

(En lugar de sólo la precipitación y la temperatura), ayudando a garantizar la coherencia física en el

salidas, y (2) el método utiliza una biblioteca histórica de observaciones para la construcción de la reducción de escala

en los análogos construidos enfoque de este tipo que proyecciones climáticas futuras se distribuyen desde el

mensual a la escala diaria en comparación con los meses que presentan características similares en el
récord histórico. Por lo tanto, el enfoque recuperada de salida GCM a escala reducida para la ubicación de

Aeropuerto Internacional de Grand Rapids (la estación de observación desde el que Atlas 14 resultados para el

se calculan) desde el sitio web MACA ( http://maca.northwestknowledge.net/ ). A partir de estos

Los resultados se extrae la serie AMP para el cálculo de las curvas IDF actualizados.

Resultados para Grand Rapids, MI

Los métodos descritos anteriormente fueron aplicados a un caso de prueba para la ciudad de Grand Rapids, MI a

estimar el rango potencial futuro de las curvas IDF para los períodos de tiempo alrededor de 2050 y 2085.

curvas IDF se calcularon para 2, 5, 10, 25, 50, 100, 200, 500, y los acontecimientos de 1000 años en variedad de

duraciones que van hasta 24 horas. Resultados para el caso de recurrencia de 25 años por el tiempo 2085

horizonte se muestra por ejemplo en la Figura 1. La incertidumbre en futuras predicciones climáticas es

obvio como los resultados van desde un aumento de 25 por ciento en el caso de 25 años (BCC-CSM-1-1,

RCP 4.5) a una casi duplicación del evento de 24 horas (MIROC5, RCP 8.5).

Para comprobar los cálculos, Kao y Ganguly (2011) sugieren que el cambio en la precipitación

extremos deben reflejar el cambio en el potencial saturada contenido de agua de la atmósfera en

respuesta al cambio de temperatura. Sobre la base de la ley de los gases ideales y la ecuación de Clausius-Clapeyron

de relación, de contenido de agua saturado y precipitación extremos de tiempo de 1 a tiempo 2 debería

escalar como:

• 1+ 273
- 17.27 • 1 ] [15]
• 2+ 273 • ••• [ 17.27 • 237.3+
2 •2 237.3+ • 1

dónde T yo es la temperatura del aire en grados Celsius en el momento yo.

El Nacional de Cambio Climático Visor de datos del USGS (Alder y Hostetler, 2013;

http://www.usgs.gov/climate_landuse/clu_rd/apps/nccv_viewer.asp ) Proporciona resúmenes de

GCM salida mensual a partir de una serie completa de CMIP5 MCG enfocada al área de Grand Rapids (Kent

Co., MI) en base a intervalos de tiempo de 25 años. Para el 2075 - 2099 período de tiempo, las predicciones de

temperatura máxima mensual promedio bajo RCP 8.5 gama 31,4-39,8 ° C, con un modelo

media de 34,8 ° C, en comparación con el (2050 - 2005) histórico promedio mensual máximo de 28,2

° C. la temperatura mensual es probablemente la medida más relevante para el pronóstico de eventos extremos como

precipitación rara vez ocurre en el día más caliente individuo en un mes. Esto sugiere que el potencial

precipitaciones extremas deberían aumentar por un factor que varía desde 1,18 hasta 1,83, con una media modelo

de 1,42. Los cálculos estadísticos se describen en este documento para la porción de tiempo centradas a 2085

proyectar un aumento en la precipitación en 24 horas con la recurrencia de 25 años por RCP con un 8,5

mediana de 1,47 y un rango de 1,42 a 1,62 veces el reciente récord histórico, en buen acuerdo

con el aumento teórico.

 250

200

Precipitaciones (mm)

150

100

50

Duración precipitaciones
0
5 minutos 10 minutos 15 minutos 30 minutos 1-hr 2-hr 3-hr 6-hr 12-hr 24-hr

NOAA Atlas 14 16.3 23.6 29.0 43.2 56.9 70.6 78.2 91.4 104.9 118,4

MIROC5, RCP8.5 30.1 43.3 52.8 78.7 103.9 124,4 132,3 156,8 166,6 191,8

CNRM-CM5, RCP 8.5 26.1 37.6 45.8 68.4 90.2 108,0 115,3 136,8 146,8 168,5

BCC-CSM-1-1, RCP 8.5 26.0 37.4 45.6 68.0 89.7 109,9 119,0 139,3 152,5 174,2

IPSL-CM5B-LR, RCP 4.5 20.6 29.6 36.1 53.9 71.0 87.8 96.4 112,4 126,3 143,3

CNRM-CM5, RCP 4.5 25.8 37.1 45.2 67.4 89.0 107.1 114,9 135,8 146,8 168,2

BCC-CSM-1-1, RCP 4.5 20.9 30.1 36.7 54.7 72.1 89.8 99,0 114,9 129,9 147,2
1

2 Figura 1. Actualización 2085 curvas IDF de 25 años Recurrencia Precipitación en Grand Rapids, MI
3 Discusión

Los diferentes modelos de circulación general predicen una gama de futuros regímenes de precipitación para Grand Rapids. Dependiendo de 4

el modelo, la precipitación total puede aumentar o disminuir. Está claro, sin embargo, que el calentamiento de aire 5

temperaturas proporcionan energía adicional que es probable que aumente la intensidad de las tormentas. 6

Este estudio proporciona métodos para el cálculo eficiente de los futuros curvas IDF basados ​en la transformada 7

a partir de simulaciones de MCG histórica a la serie anual máxima clima futuro. El método es 8

se ilustra mediante la evaluación de una serie de escenarios climáticos proyectados para Grand Rapids, MI que abarcan 9

Del bajo a alto extremo de la futura intensidad de la precipitación como una forma de identificar la gama de 10

condiciones a las que pueden ser necesarias adaptación. Para 2050 condiciones, un escenario (BCC-CSM- 11

1-1, RCP 4.5) proyecta pocos cambios, y en algunos casos una disminución de la intensidad de la lluvia; sin embargo, 12

los escenarios restantes muestran aumentos - de hasta 24% para el caso de 24-hr 2-años y hasta el 80% para 13

el 24-hr evento 100 años. Los modelos que predicen los mayores incrementos en la intensidad para un determinado 14

la duración puede muy bien ser sobre-estimaciones para las condiciones futuras, pero esto no puede ser comprobada en el 15

avanzar. Es criterio de precaución razonable utilizar los límites superiores de las FDI estima que el 16

Las curvas de 2050 como normas de diseño de protección para las condiciones futuras. Los cambios adicionales son 17

proyectada para 2085. 18

Los resultados calculados incluyen intervalos de recurrencia de hasta 1.000 años de coherencia con 19

NOAA Atlas 14. Las estimaciones de eventos probabilidad extremadamente baja de este tipo son siempre sujeto 20

a altos niveles de incertidumbre. Para las futuras condiciones climáticas de esta incertidumbre es amplificada por 21

preguntas sobre la capacidad de los modelos climáticos para resolver este tipo de eventos raros. El más largo 22

resultados de recurrencia son importantes en un sentido cualitativo para mostrar cómo el riesgo de inundaciones extremas 23

podría aumentar, pero puede ser preferible basar el diseño y la gestión cuantitativa 24

recomendaciones a los resultados de los 100 años o menor intervalo de recurrencia. 25

 Los métodos descritos anteriormente pueden ser altamente automatizadas a través de código Python y se aplicaron a 26

lugares de los EE.UU. Otros criterios de diseño, tales como la 90 º percentil 24 horas 27

evento de precipitación, se puede analizar de una manera similar. La principal diferencia es que el 28

distribución de la 90 º evento percentil puede ser descrita por una Peaks-over-Threshold (POT) 29

enfoque, que caracteriza a la frecuencia de los eventos más grandes que una magnitud especificada 30

(Serinaldi y Kilsby, 2014). A medida que el valor del umbral ( u) aumenta, la distribución de la 31

POT (prob Y: = (Xu) | X> u) converge a una distribución de Pareto generalizada (GPD; Pickands, 32

1985; Balkema y de Haan, 1974): 33

-• ξ
/,[ dieciséis]
34 • (•) = • - (• + ξ •
σ)

35 en el cual { y: y > 0 y 1 + ξ •
σ> 0} y σ = σ + ξ (• - μ), μ es el parámetro de ubicación, σ > 0 es

el parámetro de escala, y ξ es el parámetro de forma. Un procedimiento de actualización para el PIB, similar al 36

la descrita anteriormente para la distribución GEV, puede ser aplicado fácilmente para estimar la distribución 37

de futuro 90 º eventos de percentiles. 38

39 Expresiones de gratitud

La financiación de este trabajo fue proporcionado por la Ciudad de Grand Rapids, MI, para lo cual ofrecemos gracias. 40

41 Lista de notación

42 Los siguientes símbolos se usan en este documento:

probabilidad de excedencia AEP Anual 43

AMP máxima anual serie precipitación 44

ARI intervalo de recurrencia media de 45

CDF función de distribución acumulativa 46

47 C El subíndice de resultados actuales del clima

EQM equidistante enfoque coincidente cuantil 48

F( ) función de distribución acumulativa 49

F( ) - 1 Inverse función de distribución acumulativa 50

51 F( ) Función de distribución

GCM modelo de circulación general (alternativamente, modelo climático global) 52

GEV distribución de valores extremos generalizada 53

distribución GPD Pareto Generalizada 54

H ( ) Acumulativa de distribución generalizada de Pareto 55

56 metro El subíndice de los resultados del modelo

57 o El subíndice de los datos observados

58 pags El subíndice de resultados climáticos previstos

enfoque coincidente QM cuantil 59

•
60 • •, • Proporción de las precipitaciones extremas entre las condiciones actuales y futuras de GCM j, lluvia

61 duración yo, y AEP de intervalo de repetición deseado pags.

62 S intervalo de recurrencia para duraciones de menos de una hora

• •••••• AMP serie GCM-63 predicho

• •••••• Histórica serie AMP 64

sesenta yXcinco variable climática genérica

 Y máx futuro series climáticas sesgo corregido de máximos de precipitación anual 66

67 θ Parámetros de la distribución GEV equipada (forma, ubicación, escala)

68 μ parámetro de localización de la distribución generalizada de Pareto

69 ξ Forma parámetro de distribución de Pareto generalizada

70 referencias

Abatzoglou, JT, y Brown, TJ (2012). “Una comparación de los métodos de reducción de escala estadística 71

adecuado para aplicaciones de incendios forestales “. Revista Internacional de Climatología, 32: 772-780, 72

doi: 10.1002 / joc.2312. 73

Alder, JR, y Hostetler, SW (2014). “US Geological Survey - Nacional de Cambio Climático 74

Espectador, tutorial y la documentación “doi: 10.5066. / F7W9575T. 75

76 ( http://www.usgs.gov/climate_landuse/clu_rd/apps/nex-dcp30_tutorial.asp)

Arnbjerg-Nielsen, K. (2012). “Cuantificación de los efectos del cambio climático en las precipitaciones extremas 77

utilizado para el diseño hidrológico alta resolución “. Diario urbana de agua, 9: 2, 57-65. 78

79 Balkema, AA, y de Haan, L. (1974). “Tiempo de vida residual en gran edad.” anales de

Probabilidad, 2 (5): 792-804. 80

81 Galloway, GE (2011). “Si estacionariedad está muerto, ¿qué hacemos ahora?” Revista de la American

Asociación de los recursos hídricos, 47 (3): 563-570, doi: 10.1111 / j.1752-1688.2011.00550.x. 82

Hayhoe, K., Cayan, D., Field, CB, Frumhoff, PC, Maurer, EP, Miller, NL, Moser, SC, 83

Schneider, SH, Cahill, KN, Cleland, EE, Dale, L., Drapek, R., Hanemann, RM, Kalkstein, 84

85 LS, Lenihan, J., almuerzo, CK, Neilson, RP, Sheridan, SC, y Verville, JH (2004).
 86 “Vías de emisiones, el cambio climático y los impactos en California.” Proceedings of the Nacional

Academia de Ciencias de los EE.UU., 101: 12,422-12,427, doi: 10.1073 / pnas.0404500101. 87

88 Hosking, JRM, y Wallis, JR (1997). Análisis de frecuencia regional, un enfoque basado en

L-momentos. Cambridge University Press, Cambridge, Reino Unido. 89

Huard, D., Mailhot, A., y Duchesne, S. (2010). “Estimación bayesiana de la intensidad-duración- 90

91 curvas de frecuencia y del período de retorno asociado a un determinado evento de lluvia “. estocástico

Evaluación de riesgos medioambientales, 24: 337-347. 92

93 IPCC. (2013). Cambio climático 2013: La base científica física. Contribución de Trabajo

94 Grupo I del Quinto Informe de Evaluación del Grupo Intergubernamental sobre el Cambio Climático.

[Stocker, TF, D. Qin, G.-K. Plattner, M. Tignor, SK Allen, J. Boschung, A. Nauels, Y. Xia, V. 95

Bex y PM Midgley (eds.)]. Cambridge University Press, Cambridge, Reino Unido. 96

97 http://www.ipcc.ch/report/ar5/wg1/ .

Kao, S.-C. y Ganguly, AR (2011). “Intensidad, duración y frecuencia de precipitación 98

extremos menores de 21 S t- escenarios de calentamiento del siglo “. Journal of Geophysical Research, 116: 99

D16119, doi: 10.1029 / 2010JD015529. 100

101 Li, H., Sheffield, J., y Wood, EF (2010). “Corrección de sesgo de precipitación mensual y

campos de temperatura de Grupo Intergubernamental sobre los modelos de cambio climático AR4 utilizando 102

coincidente cuantil equidistantes.” Journal of Geophysical Research: Atmósferas, 115: D10101, 103

doi: 10.1029 / 2009JD012882. 104

Maraun, D., Wetterhall, F., Ireson, AM, Chandler, RE, Kendon, EJ, Widmann, M., Brienen, 105

106 S., Rust, HW, Sauter, T., Themessl, M., Venema, VKC, Chen, KP, Goodess, CM, Jones,

107 RG, ONOF, C., Vrac, M., y Thiele-Eich, I .. (2010). “Precipitación de reducción de escala bajo el clima
 cambio: desarrollos recientes para cerrar la brecha entre los modelos dinámicos y el usuario final “108.

109 Reviews of Geophysics, 48, RG3003, doi: 10.1029 / 2009RG000314.

Mehran, A., AghaKouchak, A., y Phillips, TJ (2014). “Evaluación de CMIP5 continental 110

111 simulaciones de precipitación con respecto a las observaciones de calibre ajustada basados ​en satélites “. Diario de

Geophysical Research: Atmósferas, 119: 1695-1707, doi: 10.1002 / 2013JD021152. 112

Milly, PCD, Betancourt, J., Falkenmark, M., Hirsch, RM, Kundzewicz, ZW, Lettenmaier, 113

114 DP y Stouffer, RJ (2008). “Estacionariedad ha muerto: ¿A dónde la gestión del agua?” Ciencias,

319: 573-574, doi: 10.1126 / science.1151915. 115

Mote, P., Brekke, L., Duffy, PB y Maurer, E. (2011). “Pautas para crear climático 116

escenarios “. EOS, Transacciones de la American Geophysical Union, 92 (31): 257-258. 117

118 Panofsky, HA y Brier, GW (1968). Algunas aplicaciones de la estadística a la meteorología.

Pennsylvania State University, University Park, PA 119

Patte, D. 2014. “Tendencias y proyecciones del clima -. Una guía de información y referencias” 120

121 US Fish and Wildlife Service Región del Pacífico.

Perica, S., Martin, D., Pavlovic, S., Roy, I., St. Laurent, M., Trypaluk, C., Unruh, D., Yekta, M., 122

y Bonnin, G. (2013). Precipitación-Frequency Atlas de los Estados Unidos. NOAA Atlas No. 123

124 14, Volumen 8 Versión 2.0: Medio Oeste de los Estados (Colorado, Iowa, Kansas, Michigan, Minnesota,

Missouri, Nebraska, Dakota del Norte, Oklahoma, Dakota del Sur, Wisconsin). Nacional Oceánica y 125

Atmospheric Administration, Silver Spring, MD. 126

127 http://www.nws.noaa.gov/oh/hdsc/currentpf.htm .

128 Pickands, J. III. (1975). “La inferencia estadística usando estadísticas de orden extremas.” anales de

Estadística, 3 (1): 119-131. 129

130 Prodanovic, P., y Simonovic, SP (2007). Desarrollo de precipitaciones de intensidad Duración

Curvas de frecuencia para la ciudad de Londres en el marco del cambio climático. Recursos de agua 131

Informe de Investigación Nº 058. La Universidad de Ontario Occidental, Departamento de Ingeniería Civil y Ambiental 132

Ingeniería, Londres, Ontario. 133

Serinaldi, F., y Kilsby, CG (2014). “Precipitaciones extremas: Hacia la reconciliación después de la 134

batalla de las distribuciones “. Water Resources Research, 50: 336-352, doi: 10.1102 / 2013WR014211. 135

Sillmann, J., Kharin, VV, Zwiers, FW, Zhang, X., y Bronaugh, D. (2013a). “136 Clima

Extremos de índices en el conjunto de múltiples modelos CMIP5. Parte 1: Modelo de evaluación en el presente 137

clima." Journal of Geophysical Research, 118: 1716-1733, doi: 10.1002 / jgrd.50203. 138

Sillmann, J., Kharin, VV, Zwiers, FW, Zhang, X., y Bronaugh, D. (2013b). “139 Clima

140 Extremos de índices en el conjunto de múltiples modelos CMIP5. Parte 1: Las proyecciones futuras “. Diario de

Geophysical Research, 118: 2473-2493, doi: 10.1002 / jgrd.50188. 141

Srivastav, RK, Schardong, A., y Simonovic, SP (2014A). “Equidistancia cuantil a juego 142

143 Método para la actualización de las curvas IDF bajo el cambio climático “. Los recursos hídricos

Administración, doi: 10.1007 / s11269-014-0626-y. 144

145 Srivastav, RK, Schardong, A., y Simonovic, SP (2014b). Herramienta informática para la

Desarrollo de curvas de intensidad-duración-frecuencia bajo un clima cambiante. agua 146

Informe de Investigación de Recursos 089, Universidad de Ontario Occidental, Departamento de Ingeniería Civil y 147

Ingeniería Ambiental, Londres, Ontario. 148

149 Sun, Y., Solomon, S., Dai, A., y Portmann, R. (2006). “¿Con qué frecuencia qué llueve?” Diario de

150 Clima, 19, 916-934, doi: 10.1175 / JCLI3672.1.

 Toreti, A., Naveau, P., Zampieri, M., Schindler, A., Scoccimarro, E., Xoplaki, E., Dijkstra, HA, 151

Gualdi, S., y Luterbacher, J. (2013). “Las proyecciones de los cambios globales en las precipitaciones extremas 152

153 Acoplados del Modelo de intercomparación Fase del Proyecto 5 modelos “. Geophysical Research Letters,

40: 4.887-4.892, doi: 10.1002 / grl.50940. 154

Trenberth, KE, Dai, A., Rasmussen, RM, y Parsons, DB (2003). “El carácter cambiante 155

de precipitación “. Boletín de la Sociedad Americana de Meteorología, ( Septiembre de 2003): 1205- 156

157 1217.

Wigley, T. (2008). MAGICC / SCENGEN 5.3: Manual del usuario (versión 2). Centro Nacional para la 158

Investigación Atmosférica en Boulder, CO. 159

160 http://www.cgd.ucar.edu/cas/wigley/magicc/UserMan5.3.v2.pdf .

WMEAC. (2013). Informe resiliencia climática Grand Rapids. Preparado para la ciudad de Grand Rapids 161

Comisión de Michigan Occidental Consejo de Acción Ambiental, Grand Rapids, MI. 162