Presentation by Carlos Navarro, performed in a training course for Corpoica

1. Experiencia en CIAT de la modelación climática; escenarios de cambio climático a futuro Carlos Navarro, Julián Ramírez, Andy Jarvis

2. Contenido Intro; Datos Climáticos Qué sabemos? Qué no? Las opciones Los escenarios de emisión Los modelos de predicción GCMs y Resoluciones Dificultades Soluciones Downscaling Interpolación Desagreación RCMs Comparaciones Experiencia en CIAT Cómo procesamos? Qué procesamos? Avances Qué sigue? Las opciones para Colombia Conclusiones

3. Intro Datos climáticos Para qué se necesitan? Quién los necesita? Inconvenientes? Problemas Conocimiento limitado Complejidad del sistema climático Resoluciones de modelos climáticos no adecuadas. Proporcionar los datos del clima futuro a escala fina. Incertidumbres

4. Lo que sabemos Cualquier agro-ecosistemaresponde a variaciones de factoresantropogenicos (sociales), bióticos (plagas, enfermedades) abioticos (clima, suelos) El climaes el factor menospredecible. El climava a cambiar Cadasistemaes un casoespecífico

6. Cuándo, dónde, y qué tipo de cambio se requiere para adaptar?

8. Los Escenarios de Emisión Económico Situación actual podría ser inclusopeorque A2 PESIMISTA Regional Global Prácticamenteirreal OPTIMISTA Ambiental Los escenarios de emisión imponen condiciones para…

10. Sln … Modelos globales de clima GCMs

11. Simulan los procesos terrestres a escala mundial (atmósfera, océano, suelo).

14. 18 y 56 niveles verticales.  Escala global Pero..  Escala regional o local

15. GCMs y Resoluciones Incertidumbres!

16. GCMs y Resoluciones Japoneses y Alemanes- GCMs de altaresolución

17. Primero: mezcla de resoluciones GCMs y Resoluciones Dificultades

18. GCMs y Resoluciones Dificultades Segundo: disponibilidad de datos (via IPCC)

19. GCMs y Resoluciones Dificultades Tercero: cuálesmáspreciso? Quéhacer?

21. Aumentarresolución, uniformizar… proveerdatos de altaresolución, contextualizados

22. Diversosmétodosdesdeinterpolacióndirectahastaredesneuronales, y RCMs

23. DELTA (empírico-estadístico)

24. DELTA-VAR (empírico-estadístico)

25. DELTA-STATION (empírico-estadístico)

27. Interpolación Downscaling

28. Downscaling Interpolación Delta-VAR (Mitchell et al. 2005) Base climatológica: CRU CLIMGEN Tyndall Centre (UK). Datosmensuales y diarios, con series de Fourier de datosobservados. Representa el patrón del GCM y lo reproduce, segúnlasrelaciones entre variables. Calcularanomalías Corrernuevopatrón GCM con mayor resoluciónusandovariabilidadcapturada y anomalías (CLIMGEN) Calcularparaperíodosespecíficosbasado en serie de tiempo

32. Resolucionvaria entre 25-50km

33. Esperarmuchosmesesmientrastodoprocesa

36. Capacidades de procesamiento?

38. Qué tenemos? Bases de Datos Blades Array disk 20 modelos GCM para 2050, 9 para 2020 (datos de Stanford) downscaled a 20km, 5km, 1km 7 GCMs con informaciondecadal de Tyndell Cálculos de anomalías 24 GCMs. Alternate servers

39. Anomalías Precipitación 2020s SRES A1B BCCR−BCM2−0 CCCMA−CGCM3−1−T47 CCCMA−CGCM3−1−T63 CNRM−CM3 CSIRO−MK3−0 CSIRO−MK3−5 GFDL−CM2−0 GFDL−CM2−1 GISS−AOM GISS−MODEL−EH GISS−MODEL−ER IAP−FGOALS1−0−G INGV−ECHAM4 INM−CM3−0 IPSL−CM4 MIROC3−2−HIRES MIROC3−2−MEDRES MIUB−ECHO−G MPI−ECHAM5 MRI−CGCM2−3−2A NCAR−CCSM3−0 NCAR−PCM1 UKMO−HADCM3 UKMO−HADGEM1 Precipitación Total (mm/year)

40. Anomalías Precipitación 2050s SRES A1B BCCR−BCM2−0 CCCMA−CGCM3−1−T47 CCCMA−CGCM3−1−T63 CNRM−CM3 CSIRO−MK3−0 CSIRO−MK3−5 GFDL−CM2−0 GFDL−CM2−1 GISS−AOM GISS−MODEL−EH GISS−MODEL−ER IAP−FGOALS1−0−G INGV−ECHAM4 INM−CM3−0 IPSL−CM4 MIROC3−2−HIRES MIROC3−2−MEDRES MIUB−ECHO−G MPI−ECHAM5 MRI−CGCM2−3−2A NCAR−CCSM3−0 NCAR−PCM1 UKMO−HADCM3 UKMO−HADGEM1 Precipitación Total (mm/year)

41. Anomalías Precipitación 2080s SRES A1B BCCR−BCM2−0 CCCMA−CGCM3−1−T47 CCCMA−CGCM3−1−T63 CNRM−CM3 CSIRO−MK3−0 CSIRO−MK3−5 GFDL−CM2−0 GFDL−CM2−1 GISS−AOM GISS−MODEL−EH GISS−MODEL−ER IAP−FGOALS1−0−G INGV−ECHAM4 INM−CM3−0 IPSL−CM4 MIROC3−2−HIRES MIROC3−2−MEDRES MIUB−ECHO−G MPI−ECHAM5 MRI−CGCM2−3−2A NCAR−CCSM3−0 NCAR−PCM1 UKMO−HADCM3 UKMO−HADGEM1 Precipitación Total (mm/year)

42. Anomalías Precipitación (Media Multimodelo) SRES A1B 2020s 2050s 2080s Precipitación Total (mm/year)

43. Anomalías Precipitación (SD Multimodelo) SRES A1B 2020s 2050s 2080s Precipitación Total (mm/year)

44. Anomalías Temperatura 2020s SRES A2 BCCR−BCM2−0 CCCMA−CGCM3−1−T47 CCCMA−CGCM3−1−T63 CNRM−CM3 CSIRO−MK3−0 CSIRO−MK3−5 GFDL−CM2−0 GFDL−CM2−1 GISS−AOM GISS−MODEL−EH GISS−MODEL−ER IAP−FGOALS1−0−G INGV−ECHAM4 INM−CM3−0 IPSL−CM4 MIROC3−2−HIRES MIROC3−2−MEDRES MIUB−ECHO−G MPI−ECHAM5 MRI−CGCM2−3−2A NCAR−CCSM3−0 NCAR−PCM1 UKMO−HADCM3 UKMO−HADGEM1 Temperatura Media (°C)

45. Anomalías Temperatura 2050s SRES A2 BCCR−BCM2−0 CCCMA−CGCM3−1−T47 CCCMA−CGCM3−1−T63 CNRM−CM3 CSIRO−MK3−0 CSIRO−MK3−5 GFDL−CM2−0 GFDL−CM2−1 GISS−AOM GISS−MODEL−EH GISS−MODEL−ER IAP−FGOALS1−0−G INGV−ECHAM4 INM−CM3−0 IPSL−CM4 MIROC3−2−HIRES MIROC3−2−MEDRES MIUB−ECHO−G MPI−ECHAM5 MRI−CGCM2−3−2A NCAR−CCSM3−0 NCAR−PCM1 UKMO−HADCM3 UKMO−HADGEM1 Temperatura Media (°C)

46. Anomalías Temperatura 2080s SRES A2 BCCR−BCM2−0 CCCMA−CGCM3−1−T47 CCCMA−CGCM3−1−T63 CNRM−CM3 CSIRO−MK3−0 CSIRO−MK3−5 GFDL−CM2−0 GFDL−CM2−1 GISS−AOM GISS−MODEL−EH GISS−MODEL−ER IAP−FGOALS1−0−G INGV−ECHAM4 INM−CM3−0 IPSL−CM4 MIROC3−2−HIRES MIROC3−2−MEDRES MIUB−ECHO−G MPI−ECHAM5 MRI−CGCM2−3−2A NCAR−CCSM3−0 NCAR−PCM1 UKMO−HADCM3 UKMO−HADGEM1 Temperatura Media (°C)

47. Anomalías Temperatura Media (Media Multimodelo) SRES A1B 2020s 2050s 2080s Temperatura Media (°C)

48. Anomalías Temperatura Media (SD Multimodelo) SRES A1B 2020s 2050s 2080s Temperatura Media (°C)

50. Resolución 50 km

51. Grilla de 151 x 153

52. Plataformas:

53. 3 Servidores

54. 8 Núcleos cada uno

56. 1 Modelo de 150 años tarda en promedio 4 meses procesandose, trabajando a 2 corridas de 4 núcleos cada una.

57. Una década de procesamiento representa 2 semanas de procesamiento en tiempo real y 106 GB de espacio (150 años = 1.6 TB).

58. 173 variables… 24 variables de interés. Postprocesamiento, lleva cerca de 1 mes por modelo!.

61. Calcular bioclimáticos y meses consecutivos.

62. Cómo? … caso de estudio Implementation and validation of a Regional ClimateModelfor Bolivia(Seiler 2009)

63. En proceso.. PRECIS

64. En proceso.. PRECIS

65. En proceso.. PRECIS

66. En proceso.. Validación GCMs GCM vs Stations GHCN Metodología Conversión de formatos Histogramas R2, RMSQ, slope R2 Vs. Lat / Alt Promedios/ sumas, mensuales/ anuales Comparación con estaciones GHCN RMSQ vs. Lat / Alt RMSQ vs. Lat / Alt Extracción de datos por estaciones Mapaporceldas R2, RMSQ,slope

68. Inconvenientes:

69. Gran volumen de datos

70. Gran costo de transacción procesos de conversión y extracción.

71. Desarrollo de scripting (Python, aml, R)

72. Revisión y evaluación de métodos de comparación.

73. Correcciones

74. Plataformas:

75. 3 Servidores Windows 8 núcleos c/u.

77. Validación MRI Precipitation Annual 1998 MRI Datasets vs. GHCN Stations Precipitation Annual 1988 MRI Datasets vs. GHCN Stations

79. Corrección de anomalías => reprocesamiento.

80. Plataformas:

81. 4 Servidores Windows

82. 8 núcleoscadauno => 8 procesosamlmáximo al tiempo.

85. Calculandofuturosbasados en worclim. Tiempoestimado = 4 meses.

86. ProcesosDisegregacionespara 7 periodos 63/63 (≈ 20 GCMs x 3 escenarios) = 100%

87. Ejecutando Resample 2.5min, 5min, 10min y conversión a ASCII. Tiempoestimado = 3 meses. Y luego… Publicardatosgisweb.. 1 mesadicional

88. Las opciones para Colombia CIAT pone susdatos y métodos a disposición de cualquierpúblico. Existendiferentesmetodos, requieren: Aplicacion Validacion Escogencia de escenariosmaspertinentespara el contextonacional Flujo de informacionescriticoparanosotroscomoretroalimentacion y para no repetirtrabajoqueotroshanhechoya.

89. Las opciones para Colombia Necesitamos multiples acercamientosparamejorar la base de informacionacerca de escenariosde cambioclimatico Desarollo de RCMs (multiples: PRECIS NO ES SUFICIENTE) Downscaling empirico, metodoshybridos Probamosdiferentesmetodologias Contactos con otrasinstituciones.. i.e. CptecBrasil, modelo ETA.

90. OK Gracias! j.r.villegas@cgiar.org c.e.navarro@cgiar.org