Региональные климатические характеристики, воздействующие на состояние криосферы на территории России: анализ данных наблюдений за 20 век и прогноз на. - презентация

1 Региональные климатические характеристики, воздействующие на состояние криосферы на территории России: анализ данных наблюдений за 20 век и прогноз на будущее. Анисимов О.А. Кокорев В.А.

2 Сеть метеонаблюдений на территории России и сопредельных государств Анисимов и др., 2011, 2012 Численность станций: Максимум 2297 в 1986, 1627 действующих в 2012, В том числе 744 с длинными рядами наблюдений; Средний ареал станций: Арктика – 25.1×10 3 км 2, По всей России – 10.5×10 3 км 2, Центральный район – 4.6×10 3 км 2.

3 Разделение на регионы с синхронными изменениями Период Сезон Среднерегиональный коэффициент корреляции MinMeanMax Зима Весна Лето Осень Год Зима Весна Лето Осень Год Среднерегиональные коэффициенты корреляции рядов температуры воздуха для различных сезонов и периодов времени

4 Выделение периодов с однотипными изменениями Начальный год Тренды температуры СП за периоды различной продолжительности Распределение станций по годам начала современного потепления Годы начала современного потепления Длина ряда, лет

5 Наблюдаемые региональные изменения температуры воздуха EC

6 Оцениваемые модели CMIP3 (21 модель), CMIP5 (22 модели), Эксперимент Historical 1. Тренды температуры и суммы положительных температур 2. Тренд годовой суммы осадков 3. Индекс сухости Параметры сравнения Название модели Разрешени е Страна 1BCCR-BCM2.01.9°x1.9° Норвегия 2CGCM3.1(T47) (ccc_t47)3.75°x3.75° Канада 3CGCM3.1(T63) (ccc_t63)2.8°x2.8° Канада 4MIROC3.2 (ccsr_hi)2.8°x2.8° Япония 5MIROC3.2 (ccsr_me)2.8°x2.8° Япония 6CNRM-CM31.9°x1.9° Франция 7CSIRO-Mk3.01.9°x1.9° Австралия 8ECHAM5/MPI-OM1.9°x1.9° Германия 9ECHO-G3.9°x3.9° Германия/Корея 10GFDL-CM2.02.0°x2.5° США 11GFDL-CM2.12.0°x2.5° США 12GISS-AOM3.0°x4.0° США 13GISS-EH4.0°x5.0° США 14GISS-ER4.0°x5.0° США 15UKMO-HadCM32.5°x3.8° Великобритания 16UKMO-HadGEM11.25°x1.875° Великобритания 17INM-CM3.04.0°x5.0° Россия 18IPSL-CM42.5°x3.75° Франция 19MRI-CGCM °x2.8° Япония 20CCSM3 (ncar_csm)1.4°x1.4° США 21PCM2.8°x2.8° США

7 CMIP 3: Абсолютная разница между модельным и наблюдённым линейными трендами температуры воздуха, осреднённая по всем регионам, °C/10 лет 7

8 8 CMIP3. Ошибка линейного тренда за период 1970 – 1999 г. Среднегодовой температуры Суммы осадков

9 CMIP3 Ошибка тренда среднегодовой температуры воздуха CMIP5

10 CMIP5. Ошибка тренда среднегодовой температуры воздуха Расчет по этой модели начинается с 1965 г.

11 Отдельные модели Наблюдения Ансамбль всех моделей Рег.1Рег.2Рег.3Рег.4Рег.5 Рег.11Рег.12Рег.13Рег.14Рег.15 Рег.6Рег.7Рег.8Рег.9Рег.10 Тренды температуры за период , °C/100 лет

12 Отдельные модели Наблюдения Ансамбль всех моделей Анс. Моделей 1-го ранга Рег.1Рег.2Рег.3Рег.4Рег.5 Рег.11Рег.12Рег.13Рег.14Рег.15 Рег.6Рег.7Рег.8Рег.9Рег.10 Тренды температуры за период , °C/100 лет Анс. моделей 1÷2 ранга Анс. моделей 1÷4 ранга Анс. моделей 1÷3 ранга

13 где - кумулятивный ранг модели i в регионе j; w i - кумулятивный ранг модели i осредненный по всем регионам; - индивидуальный ранг модели i в регионе j по климатическому параметру k. Построение оптимизированной климатической проекции 1. Ранжирование моделей на основе регионально- и процессов-ориентированных критериев. 2. Расчет кумулятивного ранга моделей (осредненного по всем регионам и оцениваемым климатическим параметрам) и исключение моделей с рангом ниже заданного предела. 3. Ансамблевое осреднение оставшихся моделей с весами, равными кумулятивным рангам, т.е.

14 Оптимизированный ансамбль Индивидуальные модели ОА Кумулятивное приращение сумм температур теплого периода (°С × мес.), проекция по моделям CMIP5 Среднее по всем моделям CMIP5 Модели CMIP5, не вошедшие в ОА

15 Заключение и выводы Модели семейства CMIP5 настроены на современный период, при этом только лучшие модели дают удовлетворительные результаты на всем периоде наблюдений. На региональном уровне ансамбль нескольких моделей лучше воспроизводит наблюдаемые тренды температуры, чем любая индивидуальная модель. Оптимизированный ансамбль дает лучшие результаты, чем ансамбль всех моделей. Для прогноза состояния криосферы целесообразно использовать отбор моделей по параметрам, определяющим ее состояние, таким как градусо-дни таяния.

16 Спасибо за внимание! 16