Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Phương pháp Entropy tối đa để kết hợp AOGCMs trong đánh giá biến đổi khí hậu vùng trong năm
Tóm tắt
Bài báo này đề cập đến những phản ứng khác nhau từ các Mô hình Khí hậu Toàn cầu Vùng Khí quyển - Đại dương (AOGCMs) ở quy mô vùng. Việc sử dụng AOGCMs để đánh giá biến đổi khí hậu trong một khu vực cụ thể có thể tối ưu hóa như thế nào? Câu hỏi này trở nên phức tạp hơn bởi sự xem xét độ biến đổi theo tháng giữa các tháng trong năm của một biến khí hậu cụ thể như lượng mưa hoặc nhiệt độ tại một khu vực. Một phương pháp entropy tối đa (MEM), kết hợp thông tin hạn chế với các góc nhìn thực nghiệm, được áp dụng để đánh giá trung bình mô hình đa dạng trọng số xác suất của một biến khí hậu ở quy mô vùng. Phương pháp này được so sánh và kết hợp với hai phương pháp khác: phương pháp tối thiểu sai số bình phương và phương pháp trung bình mô hình đơn giản. Một cơ chế được phát triển để xử lý một phạm vi rộng rãi các bất định của mô hình và xác định sự kết hợp tốt nhất của AOGCMs dựa trên một cân bằng của hai quy tắc: phụ thuộc bình đẳng vào tất cả các mô hình so với ưu tiên cao hơn cho các mô hình được xác minh mạnh mẽ hơn từ quan sát lịch sử. Như một nghiên cứu điển hình, phương pháp này được áp dụng cho một khu vực trung tâm Hoa Kỳ để tính toán sự thay đổi trung bình dựa trên xác suất trong lượng mưa và nhiệt độ hàng tháng được dự báo cho năm 2055, dựa trên đầu ra từ một tập hợp các AOGCMs. Sử dụng dữ liệu AOGCM được chuẩn bị bởi các nhóm nghiên cứu về biến đổi khí hậu quốc tế và dữ liệu quan sát khí hậu địa phương, người ta có thể áp dụng MEM cho lượng mưa hoặc nhiệt độ tại một khu vực cụ thể để tạo ra chu kỳ hàng năm, bao gồm cả các tác động từ cả biến đổi khí hậu toàn cầu và sự biến đổi khí hậu địa phương trong năm.
Từ khóa
#mô hình khí hậu #AOGCMs #phương pháp entropy tối đa #biến đổi khí hậu #dự báo khí hậuTài liệu tham khảo
AchutaRao et al (2004) An appraisal of coupled climate model simulations. In: Bader D (ed) Livermore, California
Brekke L, Miller N, Bashford K, Quinn N, Dracup J (2004) Climate change impacts uncertainty for water resources in the San Joaquin river basin, California. J Am Water Resour Assoc 40(1):149–164
Brooke A, Kendrick D, Meeraus D (1998) GAMS: a user’s guide. Scientific
Changnon S, Hollinger S (2003) Problems in estimating impacts of future climate change on midwestern corn yields. Clim Change 58:109–118
Dessai S, Lu X, Hulme M (2003) Development of a simple probabilistic climate scenario generator for impact and adaptation assessments. Geophys Res Abstr 5(12547)
De Fraiture C (2003) The use of entropy optimization principles in parameter estimation: applications to global water and food modeling. PhD dissertation submitted to the Faculty of the Graduate School of the University of Colorado, Department of Civil Environmental Architectural Engineering, Colorado, p 165
Giorgi F, Mearns L (2002) Calculation of average, uncertainty range, and reliability of regional climate changes from AOGCM simulations via the “Reliability Ensemble Averaging” (REA) method. J Climate 15(10):1141–1158
Giorgi F, Mearns L (2003) Probability of regional climate change based on the Reliability Ensemble Averaging (REA) method. Geophys Res Lett 30(12):1629
Golan A, Judge G, Miller D (1996) Maximum entropy econometrics: robust estimation with limited data. Wiley, New York
Hu Q, Buyanovsky G (2003) Climate effects on corn yield in Missouri. 42:1626–1635
IPCC-ES (2000) Emissions scenarios. Special report of the intergovernmental panel on climate change. Cambridge University Press, Cambridge, England
Jaynes E (1978) Where do we stand on maximum entropy? In: Levine RD, Tribus M (eds) The maximum entropy formalism. MIT, Cambridge, USA, pp 15–118
Jones RN (2000) Analyzing the risk of climate change using an irrigation demand model. Clim Res 14:89–100
Kharin V, Zwiers F (2002) Climate predictions with multimodel ensembles. J Climate 15(7):793–799
Krishnamurti T, Kishtawal C, LaRow T, Bachiochi D, Zhang Z, Williford E, Gadgil S, Surendran S (1999) Improved weather and seasonal climate forecasts from multimodel ensemble. Science 285:1548–1550
Krishnamurti T, Kishtawal C, Zhang Z, LaRow T, Bachiochi D, Williford E (2000) Multimodel ensemble forecasts for weather and seasonal climate. J Climate 13:4196–4216
Kunkel K, Liang X (2005) CMIP simulations of the climate in the central United States. J Climate 18:1016–1031
Manning et al (2004) Describing scientific uncertainties in climate change to support analysis of risk and of options. Workshop report, May 2004, Boulder, Colorado
Miller N, Bashford KE, Strem E (2003) Potential impacts of climate change on California hydrology. J Am Water Resour Assoc 39(4):771–784
New M, Hulme M (2000) Representing uncertainty in climate change scenarios: a Monte-Carlo approach. Integrated Assessment 1:203–213
New M, Hulme M, Jones P (2000) Representing twentieth-century space-time climate variability. Part II. Development of 1901–1996 monthly grids of terrestrial surface climate. J Climate 13:2217–2238
Phillips D, Lee J, Dodson R (1996) Sensitivity of the US corn belt to climate change and elevated CO2. I. Corn and soybean yields. Agric Syst 52:481–502
Pukelsheim F (1994) The three sigma rule. Am Stat 48:88–91
Räisänen J, Palmer T (2001) A probability and decision-model analysis of a multimodel ensemble of climate change simulations. J Climate 14(15):3212–3226
Rosenberg N, Brown R, Izaurralde R, Thomson A (2003) Integrated assessment of Hadley centre (HadCM2) climate change projections on agricultural productivity and irrigation water supply in the conterminous United States I. Climate change scenarios and impacts on irrigation water supply simulated with the HUMUS model. Agric For Meteorol 117:73–96
Shannon C (1948) A mathematical theory of communications, I–IV. Bell Systems Technical Journal 27:379–443 and 623–656
Tan G, Shibasaki R (2003) Global estimation of crop productivity and the impacts of global warming by GIS and EPIC integration. Ecol Model 168:357–370
Vysochanskii DF, Petunin YI (1980) Justification of the 3σ rule for unimodal distributions. Theory Probab Math Stat 21:25–36