Tekst / Artykuł

PRZEGLĄD GEOFIZYCZNY
Rocznik LVII
2012
Zeszyt 1
Joanna JĘDRUSZKIEWICZ
Katedra Meteorologii i Klimatologii UŁ – Łódź
METODY UMOŻLIWIAJĄCE TWORZENIE SCENARIUSZY
ZMIAN EKSTREMALNYCH ZJAWISK TERMICZNYCH
NA PODSTAWIE SYMULACJI RCM
METHODS ENABLING CREATION OF THE EXTREME
TEMPERATURE SCENARIO ON THE BASIS OF THE RCM
SIMULATIONS
Ekstremalne zjawiska termiczne, takie jak np. fale upałów w roku 2003, wywierają bardzo duży wpływ na gospodarkę oraz codzienne życie i zdrowie człowieka.
Zmiany w rozkładzie i wartości temperatury istotnie oddziałują na rolnictwo, system energetyczny oraz zasoby wodne. Ekstremalne zdarzenia termiczne są szczególnie groźne dla zdrowia i życia człowieka, jeśli trwają przez dłuższy czas, np.
kilku-, kilkunastodniowe fale upałów czy fale chłodu. W związku z rosnącymi
stratami zarówno materialnymi, jak i zdrowotnymi w społeczeństwie, towarzyszącymi obecnej zmianie klimatu, coraz większą uwagę poświęca się badaniom nad
zmianą częstości i natężenia zjawisk ekstremalnych w przyszłości. W opracowaniu
omówiono metody względne i bezwzględne służące do badań nad zmianami ekstremalnych warunków termicznych, a także ich zalety i wady. Opisane metody
zostały przedstawione na tle wyników symulacji temperatury w wybranych regionalnych modelach klimatu.
Dane
W pracy posłużono się dobowymi wartościami maksymalnej i minimalnej temperatury powietrza z obserwacji i regionalnych modeli klimatu. Dane obserwacyjne
98
J. Jędruszkiewicz
z 40 stacji synoptycznych w Polsce z lat 1971-2000 pozyskano z Instytutu Meteorologii i Gospodarki Wodnej, Państwowego Instytutu Badawczego (rys. 1). Dane
z regionalnych modeli klimatu z lat 1971-2000 oraz 2021-2050 według scenariusza A1B pozyskano z projektu ENSEMBLES (RCA, HIRHAM5, HIRHAM, RegCM3,
RACMO2, HadRM3) i Instytutu Maxa Plancka (CLM).
Rys. 1. Rozmieszczenie stacji synoptycznych
Fig. 1. Spatial distribution of the synoptic station
Weryfikacja modelu
Wyniki symulacji regionalnych modeli klimatu nigdy nie będą się idealnie
zgadzać z obserwacjami. W związku z tym należy przeprowadzić walidację modeli.
W analizie średniej dobowej temperatury powietrza można opierać się na wartościach miesięcznych i sezonowych, w przypadku ekstremów termicznych należy
jednak skorzystać z danych dobowych. D é q u é (2007) odradza porównywanie
wartości z punktów gridowych (które są średnimi obszarowymi) z tymi z konkretnych stacji (będących wartościami punktowymi). Jedną z przesłanek jest dużo
wyższa korelacja szeregów temperatury z dwóch sąsiednich punktów gridowych
Tworzenie scenariuszy zmian ekstremalnych zjawisk termicznych …
99
niż z sąsiadujących w tej samej odległości stacji synoptycznych. Ponadto gęstość
rozmieszczenia badanych stacji jest zróżnicowana, najmniejsza odległość między
sąsiednimi stacjami wynosi ok. 30 km (Lębork – Łeba), największa zaś ok. 100 km
(Białystok – Suwałki), podczas gdy rozdzielczość punktów gridowych w modelu
jest dużo większa i są one rozmieszczone równomiernie. W celu dalszej analizy
dane z obserwacji i regionalnych modeli klimatu sprowadzono do wspólnej siatki
punktów o odstępie 0,2°. Wykorzystano metodę uśredniania wartości modelowanych i obserwowanych w obrębie koła o promieniu 100 km (Déqué, 2007).
W analizie dopasowania temperatury maksymalnej i minimalnej widoczne jest
niedoszacowanie maksimów i przeszacowania minimów w stosunku do wartości
obserwowanych. Jako przykład zamieszczono wykresy średnich sezonowych rozkładów kwantyli „multi-modelu” i obserwacji z Łodzi z okresu 1971-2000 (rys.
2). „Multi-model” jest rozumiany jako średnia arytmetyczna z wyników wybranych
regionalnych modeli klimatu. Badania potwierdzają, że dane z pojedynczych modeli
przedstawiają znacznie mniejszą zgodność niż wynik ze średniej modelowej zawarty
w „multi-modelu” (Knutti i in., 2010).
a)
b)
Rys. 2. Wykresy kwantyli z obserwacji (oś X) i wartości z „multi-modelu” (oś Y): a) temperatura
maksymalna, b) temperatura minimalna (1971-2000.)
Fig. 2. Plots of observation (X axis) vs. “multi-model” (Y axis) quintiles for a) maximum temperature,
b) minimum temperature (1971-2000).
Wykresy zamieszczone na rys. 2a wskazują na lepsze dopasowanie wartości
temperatury maksymalnej w okresie jesienno-zimowym. Największe różnice, wyno-
J. Jędruszkiewicz
100
szącą ponad 1,7°C, zaobserwowano między kwantylem 25-75% latem z maksimum
2,1°C dla kwantyla 50% oraz wiosną 2,6°C dla kwantyla 90%. Zimą, wiosną i jesienią można zaobserwować tendencję do największego niedoszacowania najwyższych
wartości temperatury maksymalnej. Temperatura minimalna w „multi-modelu”
(rys. 2b) przyjmuje wartości wyższe niż obserwowane, maksymalnie o 1,1°C wiosną, latem i jesienią o 1,8-1,9°C oraz zimą 2,6°C w zakresie najniższych wartości.
Do oceny zgodności wartości modelowanych i obserwowanych można posłużyć
się miarami zestawionymi w tab. 1 (Willmott, 1981; Gaile, Willmott, 1984). Średni
błąd oszacowania modelu potwierdza największe niedoszacowanie temperatury
maksymalnej w ciepłym półroczu, a największe przeszacowanie temperatury minimalnej w półroczu chłodnym. Średni błąd absolutny w przypadku temperatury
maksymalnej waha się od 1,7°C w październiku do 3°C w marcu, a temperatury
minimalnej od ok. 1,1-1,4°C w ciepłej porze roku do 2,7-3,2°C w styczniu i lutym.
Najwyższe wartości indeksu zgodności Willmotta (ok. 1) występują w półroczu
ciepłym w przypadku obu badanych zmiennych. Zgodność temperatury maksymalnej najgorzej wypada zimą – 0,61-0,73, minimalnej zaś od listopada do marca –
0,23-0,84.
Tabela 1. Zestawienie średniego oszacowania modelu (MBE), średniego błędu absolutnego (MAE),
indeksu zgodności Willmotta (d) temperatury maksymalnej i minimalnej w Łodzi (1971-2000)
Table 1. Summary of mean bias error (MBE), mean absolute error (MAE), Willmott Index (d)
of maximum and minimum temperature in Łódź (1971-2000.)
Łódź
Tmax
Tmin
I
II
III
IV
V
VI
VII
VIII
IX
X
XI
XII
Rok
MBE
0,07 -0,74 -1,31 -1,28 -1,79 -1,45 -1,10 -2,12 -0,79 -0,94 0,32 0,10 -0,92
MAE
2,06 2,85 3,00 1,83 2,21 1,83 2,11 2,50 2,01 1,70 1,98 2,14 2,19
d
0,62 0,61 0,92 0,99 1,00 1,00 1,00 1,00 0,99 0,99 0,95 0,73 0,97
MBE
1,32 0,44 0,28 0,94 0,82 0,84 1,29 0,94 1,27 1,12 1,46 1,15 0,99
MAE
2,72 3,16 2,35 1,49 1,30 1,15 1,43 1,30 1,53 1,75 1,98 2,37 1,88
d
0,84 0,78 0,23 0,94 0,99 1,00 1,00 1,00 0,99 0,97 0,55 0,68 0,96
Na podstawie przeprowadzonej analizy został wykluczony z dalszych badań
model HadRM3 ze względu na wyraźnie odstające wyniki w porównaniu z pozostałymi modelami. Żaden z pozostałych analizowanych modeli nie prezentuje tak
dużego ocieplenia. Na przykład, model HadRM3 wpływa na podwyższenie temperatury w projekcjach multi-modelowych, nawet o 0,5°C w kwantylu 5% zimą
i kwantylu 95% latem, w porównaniu z wersją wiązki bez modelu HadRM3.
Ponadto model HadRM3 przedstawia dwukrotnie większą liczbę dni upalnych
i o połowę mniejszą liczbę dni mroźnych niż pozostałe modele klimatu. W związku
z tym wszystkie prezentowane obliczenia zostały przeprowadzone po uprzednim
wykluczeniu wartości modelu HadRM3.
Tworzenie scenariuszy zmian ekstremalnych zjawisk termicznych …
101
Z powodu różnic między wartościami modelowymi a obserwowanymi należy
dokonać korekcji wartości symulowanych na przyszłość o błąd z okresu referencyjnego (bias correction). Korekcji danych dokonano na podstawie metody kwantylowej (quintile-quintile method) przedstawionej w pracach D é q u é (2007), P i a n i
i in. (2010), i W i b i g i in. (w druku).
gdzie: S* – scenariusz na lata 2021-2050, S – symulacja w okresie prognostycznym
2021-2050, O – obserwacje 1971-2000, R – symulacja w okresie referencyjnym
1971-2000.
Metoda ta polega na korekcji wartości temperatury danego kwantyla od 1 do
99% o wartość błędu modelu wyznaczonego dla tego kwantyla względem obserwacji w okresie referencyjnym. Jako przykład na rys. 3 zamieszczono symulowane
wartości temperatury minimalnej zimą przed i po korekcji (ciągła pogrubiona linia).
Skorygowane dane są symulowane danymi wyjściowymi do analizy zmian wartości
ekstremów termicznych.
Tmin [C]
Tmin [C]
5
5
0
0
-5
-5
-10
-10
Obserwacje
Multi-model ref
Multi-model sym
-15
-20
Obserwacje
Multi-model ref
Multi-model sym
-15
-20
0
20
40
60
80
kwantyle [%]
0
20
40
60
80
kwantyle [%]
Rys. 3. Rozkład kwantyli temperatury minimalnej w okresie referencyjnym 1971-2000 i wartości
symulowanych na lata 2021-2050: a) przed korekcją, b) po korekcji
Fig. 3. Distribution of minimum temperature quantiles for the reference period 1971-2000 and
simulated data for the period 2021-2050: a) before correction, b) after correction
Metody badań ekstremalnych zjawisk termicznych
Metody względne. Na podstawie poprawionych danych dotyczących temperatury maksymalnej i minimalnej, symulowanych na lata 2021-2050 i obserwacyjnych
102
J. Jędruszkiewicz
z okresu referencyjnego, obliczono wartości poszczególnych kwantyli. Następnie,
w ramach metod względnych, zbadano wieloletnie sezonowe zmiany w kwantylach: 5, 25, 50, 75 i 95% między tymi okresami na obszarze całej Polski. Metoda
ta pozwala na obiektywne oszacowanie kierunku i natężenia zmian warunków
termicznych, co jest szczególnie przydatne w przypadku niestacjonarności danych.
Przestrzenny rozkład zmian w poszczególnych kwantylach pozwolił wywnioskować, że jest prognozowany znaczny wzrost temperatury minimalnej, szczególnie jej najwyższych wartości na południu Polski wiosną i latem (ponad 2,5-3°C).
Wzrost temperatury maksymalnej w tym okresie będzie najmniejszy, zwłaszcza
latem powyżej 75% kwantyla i nie przekroczy 0,5-1,0°C. Skutkiem silnego wzrostu
temperatury minimalnej i bardzo słabego temperatury maksymalnej latem nastąpi
prawdopodobnie zmniejszanie się dobowej amplitudy temperatury, wpływające
niekorzystnie na odczucia termiczne głównie społeczeństwa zamieszkującego duże
aglomeracje miejskie i osiedla blokowe, nie dając wytchnienia po gorących i upalnych dniach. Analiza rozkładu zmian kwantyli wskazuje również na największy
wzrost najniższych wartości temperatury maksymalnej i minimalnej w okresie
zimowym, odpowiednio o 1,5-2,5°C i 3,5-4,5°C, skutkiem czego mogą być coraz
łagodniejsze zimy.
Rys. 4. Wartości różnic 5% (z lewej) i kwantyla 95% (z prawej) między okresami 2021-2050
a 1971-2000
Fig. 4. Changes in 5% (left) and 95% (right) quintiles between 2021-2050 and 1971-2000
Tworzenie scenariuszy zmian ekstremalnych zjawisk termicznych …
103
Metody bezwzględne. Metody te opierają się na wyznaczeniu konkretnej wartości progowej. Wadą tych metod jest ograniczone zastosowanie w przypadku
danych niestacjonarnych. Najpowszechniej wykorzystywanymi metodami bezwzględnymi są wskaźniki klimatyczne, m.in.: liczba dni upalnych (Tmax30°C),
dni gorących (Tmax25°C), nocy tropikalnych (Tmin>20°C), dni przymrozkowych
(Tmin<0°C), dni mroźnych (Tmax<0°C) czy dni bardzo mroźnych (Tmax<-10°C).
Na rysunku 5 przedstawiono wzrost liczby dni gorących (największy na południu
kraju do 6-8 dni) i spadek dni liczby przymrozkowych (średnio o ok. 10-15).
Dni Gorące
Dni Przmrozkowe
(Tmax>=25°C)
50
(Tmin<0°C)
120
Liczba dni
Liczba dni
40
30
20
80
40
10
Multi-model
Obserwacje
Rzeszow
Krakow
Lublin
Wroclaw
Lodz
Warszawa
Torun
Poznan
Suwalki
Elblag
Krakow
Rzeszow
Wroclaw
Lodz
Lublin
Warszawa
Torun
Poznan
Suwalki
Elblag
Szczecin
Obserwacje
Szczecin
0
0
Multi-model
Rys. 5. Liczba dni gorących i dni przymrozkowych na wybranych stacjach: obserwacje (biały), symulacje „multi-modelu” na lata 2021-2050 (czarny)
Fig. 5. Number of summer and frost days in particular stations: observation (white), multi-model
simulation (black)
Inną metodą jest wyznaczanie długości i liczby fal upałów i chłodu, zazwyczaj
rozumianych jako liczba kolejnych dni z temperaturą powyżej bądź poniżej określonej wartości progowej. Jak podaje K y s e l ý (2010), fala upałów może być rozumiana jako ciąg przynajmniej trzech następujących po sobie dni z temperaturą
maksymalną przekraczającą 30°C gdy średnia temperatura maksymalna z danego
okresu jest wyższa niż 25°C bądź gdy temperatura maksymalna nie spada poniżej
25°C. Przykładem wyznaczania fali chłodu jest natomiast ciąg co najmniej trzech
następujących po sobie dni z temperaturą minimalną równą bądź niższą od -12°C,
ze średnią temperaturą minimalną z okresu równą bądź niższą od -12°C bądź gdy
Tmin nie przekracza -5°C (Dubrovsky i in., 2006).
W niniejszej pracy zaproponowano wskaźnik TS28, przedstawiający roczną
sumę skumulowanych wartości temperatury maksymalnej przekraczającej 28°C
w fali upału. Fala upału jest rozumiana jako co najmniej trzy następujące po sobie
dni z Tmax28°C. Wskaźnik został zaproponowany w opracowaniu Kyselýego
(2000) dla Czech z wartością progową 30°C. W przypadku Polski wartość ta jest
J. Jędruszkiewicz
104
a)
b)
Elblag
Suwalki
Szczecin
Szczecin
Torun
Torun
Poznan
Poznan
Warszawa
Warszawa
Wroclaw
Wroclaw
Lodz
Lodz
Lublin
Lublin
Krakow
Krakow
Rzeszow
Rzeszow
0
a)
Elblag
Suwalki
0.5
Obserwacje
1
1.5
2
2.5
0
4
b)
Mulit-model
Obserwacje
8
12
Mulit-model
TS28[°C]
c)
Elblag
Suwalki
Szczecin
Torun
Poznan
Warszawa
Wroclaw
Lodz
Lublin
Krakow
Rzeszow
0
c)
10
Obserwacje
20
30
40
Multi-model
Rys. 6. a) średnia roczna liczba fal upałów, b) średnia liczba dni w fali upałów, c) skumulowane
wartości temperatury maksymalnej TS28 w okresie referencyjnym (biały) w symulacjach „multimodelu” na lata 2021-2050 (czarny)
Fig. 6. a) annual average number of heat wave, b) average number of days in heat wave, c) cumulative value of the maximum temperature TS28 in the reference period (white), in “multi-model”
simulation for the period 2021-2050 (black)
za wysoka, ze względu na wartości często oscylujące wokół 30°C i w związku z tym
zaniżoną liczbę fal upału. Z tego powodu zdecydowano się obniżyć próg do 28°C,
dzięki czemu otrzymane wyniki będą pochodzić z większej, nie zaniżonej próby.
Na rysunku 6, obok indeksu TS28, przedstawiono zmiany średniej rocznej liczby
fal upałów i wyznaczono średnią roczną liczbę dni w fali upału na wybranych stacjach w Polsce. W analizie posłużono się średnią arytmetyczną z czterech punktów
Tworzenie scenariuszy zmian ekstremalnych zjawisk termicznych …
105
gridowych położonych najbliżej danej stacji. Wyniki z „multi-modelu” wskazują
na najsilniejszy średni wzrost temperatury maksymalnej w falach upałów w Polsce
Środkowej i Południowej – o ok. 10°C. Na tym obszarze najbardziej wzrośnie także
średnia roczna liczba fal upałów (0,5-1) i średnia liczba dni w falach upałów (2-4).
Podsumowanie
Pomimo coraz bardziej zaawansowanych i dokładniejszych projekcji regionalnych modeli klimatu, otrzymywane wyniki różnią się od obserwacji. Multi-modelowe projekcje wykazują większą zgodność z obserwacjami niż wyniki z poszczególnych modeli. Jednakże przed oceną przyszłych zmian warunków termicznych
należy w pierwszej kolejności przeprowadzić walidację modeli i korekcję wyników.
W opracowaniu zaproponowano w tym celu metodę kwantylową. Do analizy przyszłych zmian ekstremów termicznych zalecane jest zastosowanie metod względnych, ponieważ wskazują nie tylko kierunek zmian, ale również ich wielkość
w różnych przedziałach. Metody względne dużo lepiej sprawdzają się przy
niestacjonarności danych. Pomimo ograniczonego zastosowania metod
bezwzględnych, nie należy ich wykluczać z badań, gdyż stanowią uzupełnienie
obrazu zmian temperatury minimalnej i maksymalnej, np. długość i częstość
występowania fal upałów i chłodu, szczególnie istotne z punktu widzenia
społeczeństwa zamieszkującego duże aglomeracje miejskie.
Praca naukowa finansowana ze środków na naukę w latach 2011-2013 jako
projekt badawczy Narodowego Centrum Nauki nr N N306 602040. Projekt współfinansowany ze środków Unii Europejskiej w ramach Europejskiego Funduszu
Społecznego. „Człowiek – najlepsza inwestycja”.
Materiały wpłynęły do redakcji 28 IV 2012.
Literatura
D é q u é M., 2007, Frequency of precipitation and temperature extremes over France in an anthropogenic scenario,
Model results and statistical correction according to observed values. Global and Planetary Change, 57,
16-26.
D u b r o v s k y M., Metelka L., Semeradova D., Trnka M., Halasova O., Ruzicka M., Nemesova I.,
Kliegrova S., Zalud Z., 2006, The CaliM&Ro Project, Calibration of Met&Roll Weather Generator for
sites without or with incomplete meteorological observations. [w:] Tveito O.E., Pasqui M. (red.), Weather
Types Classifications. Proc. 5th EMS Annual Meeting, Session AW8, 98-107.
K n u t t i R., Furrer R., Tebaldi C., Cermak J., Gerald A.M., 2010, Challenges in Combining Projections
from Multiple Climate Models. J. Climate, 23, 2739–2758.
K y s e l ý J., 2000, Changes in the occurrence of extreme temperature events. Autoreport on Doctoral Thesis,
Department of Meteorology and Environment Protection, Charles University, Prague, 1-23.
106
J. Jędruszkiewicz
K y s e l ý J., 2010, Recent severe heat waves in central Europe, how to view them in a long-term prospect? Int.
Jour. of Climat., 30, 89-109.
P i a n i C., Haerter J. O., Coppola E., 2010, Statistical bias correction for daily precipitation in regional
climate models over Europe.Theoretical and Applied Climatology, 99, 187-192.
W i b i g J., Jaczewski A., Brzóska B., Konca-Kędzierska K., Pianko-Kluczyńska K., w druku, Mean and
extreme temperature changes over Poland in an anthropogenic scenario for 2011-2030.
W i l l m o t t C. J., 1981, On the validation of models. Physical Geography, 2, 184-194.
W i l l m o t t C. J., 1984, On the evaluation of model performance in physical geography. [w:] Gaile G. L.,
Willmott C. J. (red.), Spatial statistics and models, wyd. Kluwer, 443-460.
Streszczenie
Podstawowym celem pracy jest prezentacja wybranych metod wykorzystywanych w badaniach
nad modelowanymi zmianami ekstremalnych warunków termicznych oraz omówienie ich zalet i wad.
Opisane metody zostały przedstawione na tle wyników symulacji temperatury wybranych regionalnych
modelach klimatu dla obszaru Polski. Dane regionalnych modeli klimatu oraz danych obserwacyjnych
sprowadzono do wspólnej siatki punktów o rozdzielczości 0,2°. Następnie poprawiono symulacje na
lata 2021-2050 o błąd z okresu referencyjnego 1971-2000 za pomocą metody kwantylowej. Pierwszą
z proponowanych jest metoda względna oparta na analizie zmiany między wybranymi okresami dla
5, 25, 50, 75 i 95% kwantyla temperatury maksymalnej i minimalnej. Następnie opisano wybrane
metody bezwzględne wykorzystujące określoną wartość progową, m.in.: liczba dni upalnych, gorących,
przymrozkowych, mroźnych, nocy tropikalnych. Ponadto zastosowano wskaźnik TS28, będący modyfikacją indeksu stosowanego w pracach Kyselý’a dla obszaru Czech. Wyniki regionalnych modeli
klimatu uśredniono i zestawiono w „multi-model”. Wszystkie prezentowane metody wskazują na
wzrost maksymalnej i minimalnej temperatury powietrza. Większy wzrost temperatury minimalnej
niż maksymalnej prowadzi do zmniejszenia średniej dobowej amplitudy temperatury powietrza.
S ł o w a k l u c z o w e : regionalne modele klimatu, multi-model, ekstrema termiczne
Summary
The aim of the paper is presentation of methods used in elaboration of future changes in thermal
extremes based on the regional climate models results. Firstly, simulation data for the period 20212050 were corrected by quintile-quintile method on the basis of the reference period data (1971-2000)
from observation and model. Then all model results were set up into one “multi-model”. In the first
stage the relative method were presented. Seasonal differences in 5, 25, 50, 75 and 95% quantiles
between 2021-2050 and 1971-2000 periods in Poland. Then the absolute methods were described.
These methods rely on particular threshold exceedance like changes in hot days/tropical nights with
maximum/minimum temperature equal or exceeding 30°/above 20°C and 25°C respectively. In the
last part of the paper the changes in average annual cumulative maximum temperature excess of
28°C in the heat wave (TS28) were examined. Projections of extreme temperature changes has been
made on the basis of the 25 km resolution – regional climate model data for A1B scenario obtained
from ENSEMBLES project and Max Planck Institute for 1971-2000 and 2021-2050. The observations
from 40 stations in Poland were obtained from the Institute of Meteorology and Water Management
– National Research Institute.
Tworzenie scenariuszy zmian ekstremalnych zjawisk termicznych …
107
All methods show the increase of the maximum and minimum temperature.
The highest warming is projected for the lowest temperature in winter. On the other hand the lowest increase of the maximum temperature can be seen in higher quintile in summer.
The TS28 index and other climate indices indicate the highest increase of maximum temperature in
South and minimum temperature in Northeast Poland.
K e y w o r d s : regional climate models, multi-model, thermal extremes
Joanna Jędruszkiewicz
[email protected]
Katedra Meteorologii i Klimatologii, Uniwersytet Łódzki