VTEI/ 2016/ 5
Korekce chyb srážek a teploty z regionálních klimatických modelů – vliv na modelování odtoku MARTIN HANEL, ROMAN KOŽÍN Klíčová slova: korekce chyb – kvantilová metoda – klimatické scénáře – modelování odtoku
SOUHRN Pro odhad vlivu změny klimatu na vodní režim v krajině a sektory vodního hos‑ podářství se zpravidla užívá hydrologického modelování, kde vstupem do hyd‑ rologického modelu jsou scénářové srážky a teploty založené na simulacích kli‑ matických modelů. Tyto simulace jsou zatíženy systematickými chybami, které lze korigovat pomocí řady dostupných metod. Nicméně se ukazuje, že shoda rozdělení korigovaných a pozorovaných vstupních veličin (srážek a teploty) nezaručuje shodu rozdělení simulovaného odtoku. To je způsobeno zejména skutečností, že běžně používané metody korekce systematických chyb klima‑ tických modelů neodstraňují chyby v časové struktuře srážek. Dalším problé‑ mem je, že korekce se zpravidla omezují na časové měřítko, v němž je (hydrolo‑ gický) model provozován – tj. většinou denní. Ukazuje se, že přes uspokojivou korekci veličin v denním časovém kroku jsou měsíční, sezonní a roční agregace srážek zatíženy podstatnou systematickou chybou, což následně vede k chy‑ bám v dlouhodobé hydrologické bilanci a variabilitě simulovaného odtoku.
ÚVOD Jelikož jsou simulace klimatických modelů zatíženy systematickými chybami, nelze simulované časové řady srážek a teploty použít přímo pro hydrologické modelování. Relativně hrubé horizontální rozlišení globálních i regionálních klimatických modelů (RCM) neumožňuje adekvátně popsat orografii terénu, vznik konvektivních srážek atp. V důsledku toho je řada jevů popsána pomocí empirických nebo semi‑empirických vztahů, které jsou často zmiňovány jako jedna z dominantních příčin systematických chyb v simulacích klimatických modelů [1–3]. Existuje řada studií, které se zabývají korekcí chyb klimatických modelů. Korekce simulovaných srážek a teploty spočívá v transformaci simulovaných časových řad takovým způsobem, který zaručí přijatelnou shodu vybraných statistických charakteristik simulovaných a pozorovaných veličin. Byly vyvinuty různé metody korekce systematických chyb, od transformací korigujících prů‑ měr přes nelineární transformace korigující průměr a variabilitu až po pokro‑ čilé metody transformující celé rozdělení pravděpodobnosti uvažovaných veli‑ čin, popř. vztahy mezi proměnnými. Tyto metody představuje např. [4–6]. Řada aspektů korekce systematických chyb je však problematická, viz např. [7, 8]. Simulace RCM jsou zpravidla k dispozici v denním časovém kroku. V tomto časovém měřítku také probíhá korekce simulovaných veličin i hodnocení její účinnosti. Současné metody korekce systematických chyb jsou schopné 26
transformovat simulovaná data tak, že rozdělení korigovaných veličin se per‑ fektně shoduje s rozdělením veličin pozorovaných a navíc rozumně zachovává korelační strukturu mezi veličinami. Shoda rozdělení a vztahů veličin v denním kroku však neznamená shodu v případě delších či kratších časových měřítek, což je způsobeno časovou strukturou simulovaných veličin, která není zpravi‑ dla korekcí ovlivněna. Toto chování bylo popsáno např. v pracích Haerter aj. [9], Johnson a Sharma [10], Ehret aj. [7] a Addor aj. [8], nicméně ve většině praktic‑ kých aplikací je tento problém často přehlížen. Hodnocení metod korekce se navíc často omezuje na veličiny simulované klimatickým modelem (např. srážky a teplota) a neuvažuje výstupy závislé na těchto veličinách (např. odtok). V předkládaném článku jsou proto demonstrovány základní problémy korekce systematických chyb při použití v hydrologických simulacích. Ukazuje se, že rozdělení odtoku simulovaného pomocí hydrologického modelu využí‑ vajícího korigované srážky a teplotu neodpovídá rozdělení odtoku simulova‑ ného na základě pozorovaných časových řad ani v časovém kroku, ve kterém byla korekce provedena. Pro analýzu účinnosti metod korekce systematických chyb na různé veličiny v různých časových měřítcích byl vyvinut balík MUSICA pro R software, viz https://github.com/hanel/musica.
POPIS OBLASTI A DATA Studie byla provedena na povodí Oslavy, které má rozlohu 861 km2 s průměr‑ nou výškou 500 m n. m. Průměrná roční srážka činí 594 mm, průměrná tep‑ lota 7,2 °C a průměrný průtok v ústí je 3,5 m3/s. Povodí je z větší části neregulo‑ vané, pouze na horním toku Oslavy je víceúčelová vodárenská nádrž Mostiště. Nevyskytují se zde vyšší elevace, které by znesnadňovaly použití RCM.
Pozorovaná data Pro studii byla použita hydrometeorologická data (srážky, teplota, průtoky) v denním kroku z období 1970–1999. Časové řady srážek a teploty pocházejí z interpolovaných dat do pravidelné sítě 25 × 25 km [11], průtoky pak z vodo‑ měrné stanice Oslavany.
VTEI/ 2016/ 5
Tabulka 1. Použité RCM simulace; v řádcích jsou uvedeny řídicí simulace globálních klimatických modelů, sloupce odpovídají regionálním klimatickým modelům; v jednotlivých buňkách je v závorkách uveden počet simulací podle RCP2.6 („26“), RCP4.5 („45“) a RCP8.5 („85“) Table 1. Considered RCM simulations; driving GCM simulations are listed in rows whereas columns correspond to RCMs; a number of simulation according to RCP2.6 („26“), RCP4.5 („45“) and RCP8.5 („85“) is listed in brackets in individual cells
SMHI ‑RCA4
N
45(1), 85(1)
2
45(2), 85(2)
9
85(1)
1
26(2), 45(2), 85(2)
12
45(2), 85(2)
7
45(1), 85(1)
2
26(1), 45(2), 85(2)
9
26(1), 45(2), 85(2)
8
NCC‑NorESM1-M
85(1)
1
NOAA‑GFDL ‑GFDL‑ESM2M
85(1)
1
GCM
CLMcom ‑CCLM4-8-17
CNRM ‑ALADIN53
DMIHIRHAM5
HMS ‑ALADIN52
IPSL ‑INERIS ‑WRF331F
KNMI ‑RACMO22E
CCCma‑CanESM2
CNRM‑CERFACS ‑CNRM‑CM5
45(1), 85(1)
85(1)
45(1), 85(1)
CSIRO‑QCCCE ‑CSIRO‑Mk3-6-0 ICHEC‑EC‑EARTH
45(1), 85(1)
45(1), 85(1)
45(1), 85(1)
45(1), 85(2)
IPSL‑IPSL‑CM5A‑MR MIROC‑MIROC5 MOHC‑HadGEM2-ES
45(1), 85(1)
MPI‑M-MPI‑ESM‑LR
45(1), 85(2)
45(1), 85(1)
rcp26
0
0
0
0
0
0
3
3
rcp45
4
1
1
0
1
2
12
21
rcp85
4
1
1
1
2
2
15
26
VŠE
8
2
2
1
3
4
30
50
RCM data
METODIKA
Pro vyhodnocení účinku korekce systematických chyb simulovaných časových řad srážek a teploty na simulovaný odtok bylo uvažováno 52 simulací regio‑ nálních klimatických modelů z projektu CORDEX [12]. Přehled použitých simu‑ lací udává tabulka 1. K dispozici bylo sedm regionálních klimatických modelů k downscalingu simulací deseti globálních klimatických modelů. Z regionál‑ ních klimatických modelů je nejpočetněji zastoupen model RCA4 (30 simulací) a CLM (8 simulací). Simulace nejčastěji využívají koncentrační scénář RCP8.5 předpokládající nejintenzivnější zvyšování radiačního působení (26 simulací) a RCP4.5 (21 simulací), méně pak RCP2.6 předpokládající snižování koncentrací skleníkových plynů (3 simulace). Pro RCP6.0 nebyla dostupná žádná simulace. Simulace jsou většinou dostupné pro období cca 1961–2100, některé 1950–2100. Prostorové rozlišení je 0,11° a 0,44°, což odpovídá cca 12 a 50 km. Všechny simu‑ lace jsou volně dostupné prostřednictvím Earth System Grid Federation.
Pozorované časové řady srážek a teploty byly použity pro kalibraci hydrologic‑ kého modelu Bilan (kap. Hydrologické modelování). Simulované časové řady srážek a teploty byly korigovány standardní a kaskádovou kvantilovou meto‑ dou (kap. Korekce systematických chyb). Vybrané charakteristiky rozdělení kori‑ govaných srážek, teploty a odpovídajícího modelovaného odtoku byly porov‑ nány (kap. Vyhodnocení) s charakteristikami pozorovaných veličin (srážek, teploty a odpovídajícího modelovaného odtoku).
27
VTEI/ 2016/ 5
MEAN
1.05
Q90%
1.2
1.02
SD 2.0
1.1
1.5 PR
0.99
1.0
1.0
0.96 0.9
0.5 0.6
1.0
0.05
0.4 0.5
-0.05 -0.10
TAS
DIFF
0.00
0.2
0.0
0.0
-0.15 2.00
2.5
1.75
3
2.0 RM
2
1.50 1.5
1.25 1.00
1
1.0
D1 Season
D10 DJF
M1
M3 M6 Y1 JJA
MAM
Y5
D1
D10
M1
M3 M6 Y1
Y5
D1
D10
M1
M3 M6 Y1
Y5
SON
Obr. 1. Zbytková chyba (relativní pro srážky a odtok, absolutní pro teplotu [°C]) po korekci standardní kvantilovou metodou pro průměr (vlevo), 90% kvantil (uprostřed) a směrodat‑ nou odchylku (vpravo), pro srážky (nahoře), teplotu (uprostřed) a modelovaný odtok (dole); barvy určují roční období (červená – zima, zelená – jaro, modrá – léto, světle modrá – podzim); vodorovná osa značí časové agregace (D1 – den, D10 – deset dnů, M1 – měsíc, M3 – tři měsíce, M6 – šest měsíců, Y1 – rok, Y5 – pět let); čáry značí průměrnou chybu, zelený pás rozpětí 50 % a modrý pás 90 % ze všech modelů Fig. 1. Residual error (relative for precipitation and runoff, absolute for temperature [°C]) after the standard quantile correction method for mean (left), 90% quantile (middle) and standard deviation (right), for precipitation (top), temperature (middle) and simulated runoff (bottom); colours indicate seasons (red – winter, green – spring, blue – summer, light blue – autumn); horizontal axis shows time aggregation (D1 – a day, D10 – ten days, M1 – a month, M3 – three months, M6 – six months, Y1 – a year, Y5 – five years); the lines repre‑ sent mean residual error in the climate model ensemble, green (blue) area indicates an envelope of 50 (90)% of climate model simulations
Korekce systematických chyb Simulované časové řady srážek a teploty byly korigovány pomocí standardní kvantilové metody popsané např. [13]. Tato metoda zaručuje, že rozdělení prav‑ děpodobnosti srážek a teploty korigovaných dat odpovídá rozdělení pravdě‑ podobnosti pozorovaných veličin. Kvantilová metoda byla použita v denním kroku, zvlášť pro jednotlivé měsíce. Za účelem vyhodnocení vlivu korigovaného časového měřítka na mode‑ lovaný průtok byla kvantilová metoda aplikována také iterativně pro různá časová měřítka (konkrétně denní, měsíční a roční) pomocí přístupu popsa‑ ného Haerterem aj. [9]. Podstatou metody je opakovaná korekce denních časo‑ vých řad na základě rozdělení denních hodnot a měsíčních a ročních agregací. Vzhledem k tomu, že korekce v jednom časovém měřítku ovlivňuje rozdělení v jiných časových měřítcích, je postup iterativně opakován.
Hydrologické modelování Simulace odtoku z povodí Oslavy byla provedena modelem Bilan vyvíjeným ve Výzkumném ústavu vodohospodářském (VÚV). Bilan [14] je konceptuální model 28
hydrologické bilance, který je v denním kroku řízen šesti parametry. Srážky jsou transformovány na odtok pomocí soustavy lineárních a nelineárních nádrží. Kalibrace parametrů modelu probíhá na pozorovaných časových řadách (srážky, teplota a odtok), kdy se sleduje nejlepší shoda mezi pozorovaným a modelovaným odtokem. Nakalibrovaným modelem se dále generuje odtok na základě korigova‑ ných srážek a teploty vycházejících z RCM. Více o modelu lze nalézt na bilan.vuv.cz.
Vyhodnocení K vyhodnocení zbytkové chyby v korigovaných časových řadách srážek, tep‑ loty a modelovaného odtoku byl použit balík MUSICA pro prostředí R [15]. Balík umožňuje pohodlné porovnání libovolných charakteristik rozdělení hodnoce‑ ných veličin pro různá časová měřítka, přičemž tato měřítka je možno uživa‑ telsky definovat. V tomto článku jsou dále uvažována denní (D1), 10denní (D10), měsíční (M1), 3 a 6měsíční (M3 a M6) a roční a pětileté (Y1 a Y5) časové agregace. Pro kratší než půlroční agregace jsou výsledky prezentovány jako průměry pro jednotlivé sezony (MAM – březen, duben, květen; JJA – červen, červenec, srpen; SON – září, říjen, listopad; DJF – prosinec, leden, únor). Primárně se hodnotí chyba korigovaných veličin, která je dále označována jako „zbytková chyba“.
VTEI/ 2016/ 5
MEAN
1.04
1.10
1.00
1.05
0.98
1.00
0.96
0.95
0.05
0.50
SD 1.5 1.0 0.5 0.4 0.2
0.00
0.0
-0.25
-0.10 1.6
TAS
0.25
-0.05
PR
1.02
0.00 DIFF
Q90%
1.15
-0.2
2.0
2.0
1.4
1.5 RM
1.5 1.2
1.0 1.0
1.0 D1 Season
D10 DJF
M1
M3 M6 Y1 JJA
MAM
Y5
0.5 D1
D10
M1
M3 M6 Y1
Y5
D1
D10
M1
M3 M6 Y1
Y5
SON
Obr. 2. Zbytková chyba (relativní pro srážky a odtok, absolutní pro teplotu [°C]) po korekci kaskádovou kvantilovou metodou pro průměr (vlevo), 90% kvantil (uprostřed) a směro‑ datnou odchylku (vpravo), pro srážky (nahoře), teplotu (uprostřed) a modelovaný odtok (dole); barvy určují roční období (červená – zima, zelená – jaro, modrá – léto, světle modrá – podzim); vodorovná osa značí časové agregace (D1 – den, D10 – deset dnů, M1 – měsíc, M3 – tři měsíce, M6 – šest měsíců, Y1 – rok, Y5 – pět let); čáry značí průměrnou chybu, zelený pás rozpětí 50 % a modrý pás 90 % ze všech modelů Fig. 2. Residual error (relative for precipitation and runoff, absolute for temperature [°C]) after the cascade quantile correction method for mean (left), 90% quantile (middle) and standard deviation (right), for precipitation (top), temperature (middle) and simulated runoff (bottom); colours indicate seasons (red – winter, green – spring, blue – summer, light blue – autumn); horizontal axis shows time aggregation (D1 – a day, D10 – ten days, M1 – a month, M3 – three months, M6 – six months, Y1 – a year, Y5 – five years); the lines repre‑ sent mean residual error in the climate model ensemble, green (blue) area indicates an envelope of 50 (90)% of climate model simulations
VÝSLEDKY Z obr. 1 a 2 je patrné, že pro všechny tři prezentované charakteristiky (průměr, 90% kvantil a směrodatná odchylka) jsou zbytkové chyby velmi malé u srážek i tep‑ loty, zejména v D1 měřítku, pro které byly korekce kalibrovány. Nicméně v případě použití těchto srážek a teplot pro modelování odtoku dochází k „zesílení“ zbytko‑ vých chyb nad únosnou mez. Uspokojivé výsledky se nedostavily ani pro měřítko D1, pro které byly korekce kalibrovány. Extrémním případem je podzimní sezona (světle modře) – v absolutním vyjádření se však jedná o velmi malé hodnoty. Korekce kaskádovou kvantilovou metodou (obr. 2) přináší výrazně lepší výsledky. Je vidět, že rozpětí chyb u srážek a teploty je v měřítcích M1 a Y1 pod‑ statně nižší než v případě korekce standardní kvantilovou metodou (obr. 1). Bohužel u agregací D10, M3 a M6 se již tak výrazné zlepšení nevyskytuje, jelikož tyto nebyly zahrnuty do kaskádové korekce. Je zajímavé, že u modelovaného odtoku dochází k podstatnému snížení zbytkové chyby pro prezentované cha‑ rakteristiky ve všech časových měřítcích. Obr. a 4 ukazují míru korelace mezi veličinami přes různá časová měřítka ve čtyřech sezonách. Lze pozorovat, že korelace pro odtok a srážku je pozi‑ tivní, naopak pro teplotu a srážku a odtok a teplotu je korelace spíše negativní. Ve všech případech míra korelace roste s časovým měřítkem. Dále je vidět, že
základní průběh korelace mezi sledovanými veličinami zůstává zachován pro simulovaná i korigovaná data a použití metody korekce systematických chyb má malý vliv na korelační strukturu. Nicméně dochází ke zlepšení v případě použití kaskádové korekce, zejména u korelace mezi srážkou a odtokem, kde lze pozorovat těsnější vztah mezi korigovanými a pozorovanými daty.
DISKUSE A ZÁVĚR Z prezentovaných výsledků je zřejmé, že korekce srážek a teploty pomocí stan‑ dardní kvantilové metody není vhodná pro rutinní využití v hydrologických simulacích, jelikož v některých ročních obdobích vede ke značné zbytkové chybě modelovaného odtoku ve všech časových měřítcích kratších než rok, včetně denních hodnot, na kterých byla korekce kalibrována. Podobné výsledky prezentuje i Teng aj. [16]. Relativně největší zbytkové chyby se vyskytují v období nízkých průtoků (a v absolutním vyjádření se zpravidla jedná o nízké hodnoty). Další výsledky (které nejsou kvůli rozsahu zahrnuty v tomto článku) ukazují, že podobné výsledky lze očekávat i u jiných povodí a při použití jiných hydro‑ logických modelů. Východiskem může být využití nejnovějších (poměrně kom‑ plexních) metod popsaných Mehrotrou a Sharmou [17], které umožňují korigovat 29
VTEI/ 2016/ 5
DJF
1.00
MAM
JJA
SON
0.75 PR x RM
0.50 0.25
0.0
PR x TAS
COREL
0.5
-0.5
0.4 TAS x RM
0.0 -0.4 -0.8 D1
D10 M1 M3 M6 Y1
Legend
COR
OBS
Y5
D1
D10 M1 M3 M6 Y1
Y5
D1
D10 M1 M3 M6 Y1
Y5
D1
D10 M1 M3 M6 Y1
Y5
SIM
Obr. 3. Korelace mezi srážkou a modelovaným odtokem (nahoře), mezi srážkou a teplotou (uprostřed) a mezi teplotou a modelovaným odtokem (dole) pro jednotlivá roční období (DJF – zima, MAM – jaro, JJA – léto, SON – podzim); červeně jsou zobrazena korigovaná data standardní kvantilovou metodou, modře pozorovaná data a zeleně simulovaná data; vodorovná osa značí časová měřítka (D1 – den, D10 – deset dnů, M1 – měsíc, M3 – tři měsíce, M6 – šest měsíců, Y1 – rok, Y5 – pět let); čáry značí průměrnou korelaci, zelený pás rozpětí 50 % a modrý pás 90 % ze všech modelů Fig. 3. Correlation between precipitation and modelled runoff (above), between precipitation and temperature (middle) and between temperature and modelled runoff (below) for seasons of year (DJF – winter, MAM – spring, JJA – summer, SON – autumn); data corrected by the standard quantile method are in red, observed in blue and simulated in green; horizontal axis shows time aggregation (D1 – a day, D10 – ten days, M1 – a month, M3 – three months, M6 – six months, Y1 – a year, Y5 – five years); the lines represent mean corre‑ lation coefficient, green (blue) area indicates an envelope of 50 (90)% of climate model simulations
rozdělení pravděpodobnosti a korelační a autokorelační strukturu pro veličiny v různých časových měřítcích. Úspěšnost těchto metod při hydrologických simu‑ lacích není nicméně zatím známa. Druhou možností je využití kombinací jedno‑ duchých metod (např. přírůstková metoda, popř. aplikovaná v různých časových měřítcích) v kombinaci se stochastickými metodami umožňujícími generování dlouhodobé variability [18].
Poděkování Tento článek vznikl v rámci řešení projektu „Možnosti kompenzace negativních dopadů klimatické změny na zásobování vodou a ekosystémy využitím lokalit vhodných pro akumulaci povrchových vod“ (TA4251), který je spolufinancován Technologickou agenturou České republiky, a projektu „Půdní a hydrologické sucho v měnícím se klimatu“ (161654S) financovaném Grantovou agenturou České republiky.
30
Literatura [1] BROCKHAUS, P., LŰTHI, D., and SCHÄR, C. Aspects of the diurnal cycle in a regional climate model. Meteorol. Z., 2008, 17, p. 433–443, doi: 10.1127/0941‑2948/2008/0316. [2] HOHENEGGER, C., BROCKHAUS, P., a SCHÄR, C. Towards climate simulations at cloud ‑resolving scales. Meteorol. Z., 2008, 17, p. 383–394, doi:10.1127/0941‑2948/2008/0303. [3] KENDON, E.J., ROBERTS, N.M., SENIOR, C.A., and ROBERTS, M.J. Realism of rainfall in a very high‑ ‑resolution regional climate model. J. Climate, 2012, 25, p. 5791–5806, doi:10.1175/JCLI ‑D‑11‑00562. 1. [4] MAURAN, D., WETTERHALL, F., IRESON, A.M., CHANDLER, R.E., et. al. Precipitation downscaling under climate change: recent developments to bridge the gap between dynamical models and the end user. Reviews of Geophysics, 2010, 48(3):RG3003, doi:10.1029/2009RG000314. [5] TEUTSCHBEIN, C. and SEIBERT, J. Bias correction of regional climate model simulations for hydrological climate ‑change impact studies: Review and evaluation of different methods. Journal of Hydrology, 2012, 456–457, p. 12–29, doi:10.1016/j.jhydrol.2012. 05. 052. [6] MAURAN, D., WIDMANN, M., GUTIÉRREZ, J.M., et. al. VALUE: a framework to validate downscaling approaches for climate change studies. Earth’s Future, 2015, 3, p. 1–14, doi: 10.1002/2014EF000259. [7] EHRET, U., ZEHE, E., WULFMEYER, V., et al. Hess opinions „should we apply bias correction to global and regional climate model data?“ Hydrology and Earth System Sciences, 2012, 16, p. 3391–3404. [8] ADDOR, N., ROHRER, M., FURRER, R., and SEIBERT, J. Propagation of biases in climate models from the synoptic to the regional scale: Implications for bias adjustment. Journal of Geophysical Research – Atmospheres, 2016, 121(5),p. 2075–2089, doi:10.1002/2015JD024040.
VTEI/ 2016/ 5
DJF
1.00
MAM
JJA
SON
0.75 PR x RM
0.50 0.25
0.0
PR x TAS
COREL
0.5
-0.5
0.5 TAS x RM
0.0
-0.5
D1 Legend
D10 M1 M3 M6 Y1 COR
OBS
Y5
D1
D10 M1 M3 M6 Y1
Y5
D1
D10 M1 M3 M6 Y1
Y5
D1
D10 M1 M3 M6 Y1
Y5
SIM
Obr. 4. Korelace mezi srážkou a modelovaným odtokem (nahoře), mezi srážkou a teplotou (uprostřed) a mezi teplotou a modelovaným odtokem (dole) pro jednotlivá roční období (DJF – zima, MAM – jaro, JJA – léto, SON – podzim); červeně jsou zobrazena korigovaná data kaskádovou kvantilovou metodou, modře pozorovaná data a zeleně simulovaná data; vodorovná osa značí časová měřítka (D1 – den, D10 – deset dnů, M1 – měsíc, M3 – tři měsíce, M6 – šest měsíců, Y1 – rok, Y5 – pět let); čáry značí průměrnou korelaci, zelený pás rozpětí 50 % a modrý pás 90 % ze všech modelů Fig. 4. Correlation between precipitation and modelled runoff (above), between precipitation and temperature (middle) and between temperature and modelled runoff (below) for seasons of year (DJF – winter, MAM – spring, JJA – summer, SON – autumn); data corrected by the cascade quantile method are in red, observed in blue and simulated in green; horizontal axis shows time aggregation (D1 – a day, D10 – ten days, M1 – a month, M3 – three months, M6 – six months, Y1 – a year, Y5 – five years); the lines represent mean corre‑ lation coefficient, green (blue) area indicates an envelope of 50 (90)% of climate model simulations [9] HAERTER, J., HAGEMANN, S., MOSELEY, C., and PIANI, C. Climate model bias correction and the role of timescales. Hydrology and Earth System Sciences, 2011, 15, p. 1065–1079. [10] JOHNSON, F. and SHARMA, A. A nesting model for bias correction of variability at multiple time scales in general circulation model precipitation simulations. Water Resources Research, 2012, 48. [11] ŠTĚPÁNEK, P., ZAHRADNÍČEK, P., and HUTH, R. Interpolation techniques used for data quality control and calculation of technical series: an example of a Central European daily time series. IDŐJÁRÁS – Quaterly Journal of the Hungarian Meteorological Service, 2011, 115 (1–2), p. 87–98.
[17] MEHROTRA, R. and SHARMA, A. A multivariate quantile ‑matching bias correction approach with auto ‑and cross‑dependence across multiple time scales: Implications for downscaling. Journal of Climate, 2016, 29, p. 3519–3539, doi:10.1175/JCLI ‑D‑15‑0356. 1. [18] KOUTSOYIANNIS, D., EFSTRATIADIS, A., and GEORGAKAKOS, K.P. Uncertainty Assessment of Future Hydroclimatic Predictions: A Comparison of Probabilistic and Scenario ‑Based Approaches. Journal of Hydrometeorology, 2007, 8:3, p. 261–281, doi: 10.1175/JHM576. 1.
[12] JACOB, D., PETERSEN, J., EGGERT, B., et. al. EURO ‑CORDEX: new high ‑resolution climate change projections for European impact research. Regional Environmental Change, 2014, 14(2), p. 563–578, doi:10.1007/s10113‑013‑0499‑2. [13] GUDMUNDSSON, L., BREMNES, J.B., HAUGEN, J.E., and ENGEN ‑SKAUGEN, T. Technical Note: Downscaling RCM precipitation to the station scale using statistical transformations – a comparison of methods. Hydrol. Earth Syst. Sci., 2012, 16, p. 3383–3390, doi: 10.5194/hess‑16‑3383‑2012. [14] VIZINA, A., HORÁČEK, S. a HANEL, M. Nové možnosti modelu BILAN. VTEI, 2015, 57, č. 4–5, ISSN 0322‑8916. [15] HANEL, M. a KOŽÍN, R. Bias and changes in climate model simulations at multiple time scales, 2016, v přípravě. [16] TENG, J., POTTER, N.J., CHIEW, F.H.S., ZHANG, L., et. al. How does bias correction of regional climate model precipitation affect modelled runoff ? Hydrol. Earth Syst. Sci., 2015, 19, p. 711–728, doi:10.5194/ hess‑19‑711‑2015.
31
VTEI/ 2016/ 5
Autoři doc. Ing. Martin Hanel, Ph.D.1,2
[email protected] Ing. Roman Kožín1,2
[email protected] 1
BIAS CORRECTION OF PRECIPITATION AND TEMPERATURE FROM REGIONAL CLIMATE MODELS THE IMPACT ON RUNOFF MODELLING HANEL, M.1,2; KOZIN, R. 1,2
Výzkumný ústav vodohospodářský T. G. Masaryka, v. v. i.
1
Česká zemědělská univerzita v Praze, Fakulta životního prostředí
2
2
TGM Water Research Institute, p. r. i.
Czech University of Life Sciences Prague, Faculty of Environmental Sciences
Příspěvek prošel lektorským řízením. Keywords: bias correction – quantile method – climate scenarios – runoff modelling
Hydrological modelling is often used for assessment of climate change impacts on water resources. Inputs into the hydrological model are represented by pre‑ cipitation and temperature based on simulations of climate models. These models are biased and therefore some of the available bias‑correction meth‑ ods have to be applied on before using the simulated data in hydrological model. However, it is shown that identity of distributions of corrected and observed inputs (precipitation and temperature) does not guarantee identity of distributions of outputs (runoff ). This is especially due to the fact, that gen‑ erally used methods for correction of systematical biases of climate models do not eliminate errors in temporal structure of precipitation. Another issue is, that the corrections are usually focused only on time scale in which the hydrologi‑ cal model is operated, e.g. 1 day. Despite the satisfactory correction of vari‑ ables in daily time step, monthly, seasonal and annual aggregations of precipi‑ tation appear to be biased, which consequently results in errors in long‑term hydrological balance and variablity of simulated runoff.
32
