Comparando downscaling dinámico y estadístico en aplicaciones paleoclimáticas

Abstract

[ES]La basta resolución espacial de los Modelos de Circulación General (GCM) supone un cuello de botella que limita su aplicabilidad en estudios centrados en escalas regionales o locales, lo que requiere el uso de técnicas de downscaling. En este trabajo utilizamos una simulación de 500 años con un Modelo Climático Regional (RCM) anidado a un GCM para comparar las técnicas de downscaling dinámico y estadístico, evaluando así la capacidad de este último de reproducir las principales características de las variables que se intentan simular. Para llevar a cabo el downscaling estadístico, usamos 40 años de datos para calibrar un modelo basado en redes neuronales artificiales con el fin de reproducir dos variables diarias de interés: temperatura máxima y precipitación. Posteriormente usamos esa calibración para extender esas series hasta cubrir el periodo completo de 500 años. Los resultados muestran una alta correlación temporal entre las variables obtenidas por ambos métodos, así como similar covariabilidad espacial entre localizaciones. Concretamente, para la temperatura máxima, la correlación es de 0.89, apreciándose además un ciclo anual, con valores más altos en verano que en invierno. Para la precipitación el dato desciende a 0.6, lo cual se debe fundamentalmente a limitaciones en la red neuronal para reproducir los eventos más extremos. Estos resultados indican que, si bien el downscaling dinámico no puede ser completamente sustituido por un enfoque estadístico, éste permite obtener una primera aproximación al comportamiento de ciertas variables evitando o minimizando gran parte del coste computacional.

[EN]The coarse spatial resolution of General Circulation Models (GCMs) is a bottleneck that limits its applicability in studies focused on regional to local scales, demanding the implementation of downscaling techniques. In this work, we use a 500-year simulation with a Regional Climate Model (RCM) nested to a GCM to compare dynamical and statistical downscaling, thus evaluating the ability of the latter to mimic the main characteristics of the variables that are being simulated, but at a lower computational cost. To carry out the statistical downscaling, we use 40 years of data to calibrate a model based on Artificial Neural Networks in order to reproduce two daily variables of interest: maximum temperature and precipitation. We then use this calibration to extend the series to span the entire 500-year period. The results show a high temporal correlation between the variables obtained by both methods, as well as a similar spatial covariabilities across locations. Specifically, for the máximum temperature, the correlation is 0.89, albeit with a marked annual cycle and higher values in summer than in winter. For precipitation, correlation diminishes to 0.62, mainly due to limitations in the neural network to reproduce the most extreme events. These results indicate that, although dynamic downscaling can not be completely substituted by a statistical approach, the latter is still useful to obtain a first approximation to the behavior of certain variables, avoiding or minimizing the computational cost that the former entails.