1. GCM vs RCM
Carlos Navarro
Julian Ramirez
Andy Jarvis

2. 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

3. • Agricultura demanda:
– Múltiples variables
– Muy alta resolución
espacial.
– Alta resolución temporal
(i.e. mensual, diaria).
– Previsiones precisas del
tiempo y las proyecciones
climáticas.
– Alta certidumbre.
• Tanto para presente como
para futuro.

4. Calibrados desde el pasado (usando
serie de tiempo CRU-UEA), y
proyectados hacia el futuro
Los GCMs son la única manera en que podemos predecir el clima a
futuro…

5. Características Principales
• Resolución horizontal de
unos 100 a 300 km
• 18 y 56 niveles
verticales.
 Escala global
Pero..  Escala regional o local

6. Model Country Atmosphere Ocean
BCCR-BCM2.0 Norway T63, L31 1.5x0.5, L35
CCCMA-CGCM3.1 (T47) Canada T47 (3.75x3.75), L31 1.85x1.85, L29
CCCMA-CGCM3.1 (T63) Canada T63 (2.8x2.8), L31 1.4x0.94, L29
CNRM-CM3 France T63 (2.8x2.8), L45 1.875x(0.5-2), L31
CSIRO-Mk3.0 Australia T63, L18 1.875x0.84, L31
CSIRO-Mk3.5 Australia T63, L18 1.875x0.84, L31
GFDL-CM2.0 USA 2.5x2.0, L24 1.0x(1/3-1), L50
GFDL-CM2.1 USA 2.5x2.0, L24 1.0x(1/3-1), L50
GISS-AOM USA 4x3, L12 4x3, L16
GISS-MODEL-EH USA 5x4, L20 5x4, L13
GISS-MODEL-ER USA 5x4, L20 5x4, L13
IAP-FGOALS1.0-G China 2.8x2.8, L26 1x1, L16
INGV-ECHAM4 Italy T42, L19 2x(0.5-2), L31
INM-CM3.0 Russia 5x4, L21 2.5x2, L33
IPSL-CM4 France 2.5x3.75, L19 2x(1-2), L30
MIROC3.2-HIRES Japan T106, L56 0.28x0.19, L47
MIROC3.2-MEDRES Japan T42, L20 1.4x(0.5-1.4), L43
MIUB-ECHO-G Germany/Korea T30, L19 T42, L20
MPI-ECHAM5 Germany T63, L32 1x1, L41
MRI-CGCM2.3.2A Japan T42, L30 2.5x(0.5-2.0)
NCAR-CCSM3.0 USA T85L26, 1.4x1.4 1x(0.27-1), L40
NCAR-PCM1 USA T42 (2.8x2.8), L18 1x(0.27-1), L40
UKMO-HADCM3 UK 3.75x2.5, L19 1.25x1.25, L20
UKMO-HADGEM1 UK 1.875x1.25, L38 1.25x1.25, L20
Incertidumbres!

7. • Primero: mezcla de resoluciones

8. • Segundo: disponibilidad de datos (via IPCC)
WCRP CMIP3 A1B-P A1B-T A1B-Tx A1B-Tn A2-P A2-T A2-Tx A2-Tn B1-P B1-T B1-Tx B1-Tn
BCCR-BCM2.0 OK OK OK OK OK OK OK OK OK OK OK OK
CCCMA-CGCM3.1-T63 OK OK NO NO NO NO NO NO OK OK NO NO
CCCMA-CGCM3.1-T47 OK OK NO NO OK OK NO NO OK OK NO NO
CNRM-CM3 OK OK NO NO OK OK NO NO OK OK NO NO
CSIRO-MK3.0 OK OK OK OK OK OK OK OK OK OK OK OK
CSIRO-MK3.5 OK OK OK OK OK OK OK OK OK OK OK OK
GFDL-CM2.0 OK OK OK OK OK OK OK OK OK OK OK OK
GFDL-CM2.1 OK OK OK OK OK OK OK OK OK OK OK OK
GISS-AOM OK OK OK OK NO NO NO NO OK OK OK OK
GISS-MODEL-EH OK OK NO NO NO NO NO NO NO NO NO NO
GISS-MODEL-ER OK OK NO NO OK OK NO NO OK OK NO NO
IAP-FGOALS1.0-G OK OK NO NO NO NO NO NO OK OK NO NO
INGV-ECHAM4 OK OK NO NO OK OK NO NO NO NO NO NO
INM-CM3.0 OK OK OK OK OK OK OK OK OK OK OK OK
IPSL-CM4 OK OK NO NO OK OK NO NO OK OK NO NO
MIROC3.2.3-HIRES OK OK OK OK NO NO NO NO OK OK OK OK
MIROC3.2.3-MEDRES OK OK OK OK OK OK OK OK OK OK OK OK
MIUB-ECHO-G OK OK NO NO OK OK NO NO OK OK NO NO
MPI-ECHAM5 OK OK NO NO OK OK NO NO OK OK NO NO
MRI-CGCM2.3.2A OK OK NO NO OK OK NO NO OK OK NO NO
NCAR-CCSM3.0 OK OK OK OK OK OK OK OK OK OK OK OK
NCAR-PCM1 OK OK OK OK OK OK OK OK OK OK OK OK
UKMO-HADCM3 OK OK NO NO OK OK NO NO OK OK NO NO
UKMO-HADGEM1 OK OK NO NO OK OK NO NO NO NO NO NO

9. • Tercero: habilidad limitada de representar clima presente.

10. • Aún el GCM más preciso es demasiado
grueso (100km)
• Aumentar resolución, uniformizar…
proveer datos de alta
resolución, contextualizados
• Diversos métodos desde interpolación
directa hasta redes neuronales, y RCMs
– DELTA (empírico-estadístico)
– RCMs (dinámico)

11. • Delta (Hay et al. 2007)
– Base climatológica: WORLDCLIM
– Usado en mayoría de estudios de CC.
– Tomar superficies GCM originales (series de
tiempo)
– Calcular promedios para línea base y
períodos específicos
– Calcular anomalías
– Interpolar anomalías
– Sumar anomalías a WORLDCLIM

13. • Similar a DELTA pero sin interpolacion
– Base climatologica: CRU, WorldClim
– Calcular anomalias para periodos requeridos para
celdas GCM
– Sumar anomalias a climatologia base

14. • RCMs (Giorgi 1990)
– Usar resultados de GCMs
– Son de área limitada.. Necesitan
condiciones de frontera.
– Realiza cálculos de la dinámica
atmosférica y resuelve ecuaciones
para cada grilla.
– Tiene en cuenta el ciclo del sulfuro y parametrizaciones físicas.
– Resolucion varia entre 25-50km
– Esperar muchos meses mientras todo procesa
– Validar datos del pasado usando datos de estaciones

15. ¿Downscaling estadístico o dinámico??
Necesidades y recursos..
•Tiempos? Resultados rápidos?
•Capacidades de procesamiento?
•Disponibilidad??

16. Disponibilidad de datos GCM (AR4)
Model
BCCR-BCM2.0
20C3M
o
SRES-A1B
o
SRES-A2
o
SRES-B1
o
• Rango:
CCCMA-CGCM3.1-T63 o o x o – 2000- 2100
CCCMA-CGCM3.1-T47 o o o o
CNRM-CM3
CSIRO-MK3.0
o
o
o
o
o
o
o
o
• 30yr averages
CSIRO-MK3.5
GFDL-CM2.0
o
o
o
o
o
o
o
o
(siete periodos
GFDL-CM2.1 o o o o futuros)
GISS-AOM o o x o
GISS-MODEL-EH o o x x – 2010-2039
GISS-MODEL-ER
IAP-FGOALS1.0-G
o
o
o
o
o
x
o
o
– 2020-2049
INGV-ECHAM4 o o o x – 2030-2059
INM-CM3.0 o o o o
IPSL-CM4 o o o o – 2040-2069
MIROC3.2.3-HIRES
MIROC3.2.3-MEDRES
o
o
o
o
x
o
o
o
– 2050-2079
MIUB-ECHO-G o o o o – 2060-2089
MPI-ECHAM5 o o o o
MRI-CGCM2.3.2A o o o o – 2070-2099
• Baseline
NCAR-CCSM3.0 o o o o
NCAR-PCM1 o o o x
UKMO-HADCM3 o o o o
UKMO-HADGEM1 o o o x – 1960-1990
Total 24 24 19 20

17. Disponibilidad de 1950 1970 1990 2010 2030 2050 2070 2090
ERA15
datos RCM
Baseline
ERA40
ERA-Interim
NCEP_R2
• Rango variable. HadAM3P
ECHAM5
• Pocos modelos HadCM3Q0
HadCM3Q1
disponibles para HadCM3Q2
HadCM3Q3
SRES_A2 y B2 HadCM3Q4
HadCM3Q5
• Habilidad limitada
SRES A1B
HadCM3Q6
HadCM3Q7
de representar HadCM3Q8
HadCM3Q9
condiciones HadCM3Q10
HadCM3Q11
presentes. No HadCM3Q12
HadCM3Q13
todos disponen del HadCM3Q14
HadCM3Q15
Baseline 1960-1990 HadCM3Q16
ECHAM4
A2 B2
HadAM3P
HadAM3P
ECHAM4

18. Resoluciones
Espacial
RCM GCM Downscaled
25-50km ~ 1km
Temporal
6 horas, diarios, mensuales, anuales, 30yr Avg (mensuales)
30 yr avg (mensuales)

19. Variables de salida
• GCM Downscaled Stash Code
2204
Variable
Total Cloud Amount (0 ≤ X ≤ 1)
Type
Mean
• Prec mensual 3297
3510
Evaporation Rate From Canopy
Potential Evapotranspiration Factor1
Sum
Sum
• Tmean mensual 3511
3312
Potential Evapotranspiration Factor2
Potential Evaporation Rate
Sum
Sum
• Tmin mensual 3296
5216
Evaporation Rate From Soil Surface
Total Precipitation Rate
Sum
Sum
• Tmax mensual 16222
3245
Pressure At Mean Sea Level
Relative Humidity At 1.5 Metres
Mean
Mean
• Bioclimáticos 3237
3234
Specific Humidity At 1.5 Metres
Surface Latent Heat Flux
Mean
Mean
3313 Soil Moisture Availability Factor Mean
• RCM > 160 8208
3298
Available Soil Moisture Content In Root Zone
Sublimation Rate At Surface
Sum
Sum
03236.max Temperature At 1.5 Metres Mean
variables 3236 Temperature At 1.5 Metres Mean
03236.min Temperature At 1.5 Metres Mean
Más representativas 3299
00024.max
Transpiration
Surface (Skin) Temperature
Sum
Mean
para agricultura 24
00024.min
Surface (Skin) Temperature
Surface (Skin) Temperature
Mean
Mean
03249.max Wind Speed At 10 Metres (Wind Grid) Mean
3249 Wind Speed At 10 Metres (Wind Grid) Mean

20. Tiempos de procesamiento
Un cálculo rápido… 1 corrida de PRECIS (1 década)
= 2 semanas
1 interpolación GCM (37 pasos) x 15 periodos
= 1 semana x 1 GCM
x 7 periodos x 1 escenario
x 20 GCMs
x 3 escenarios 30 semanas
÷ 2 procesos
210 semanas ÷ 3 servidores
÷ 4 procesos
= 5 semanas
÷ 4 servidores
x 20 GCM
Hipotéticamente..
= 26 semanas x 3 escenario
= 6 meses!! = 300 semanas = 6 años!!

21. Otras consideraciones
GCM Delta Method RCMs
*Rápido de implementar * Robusto
> resoluciones < resoluciones
*Aplicable a GCMs dependiendo de
*Aplicable a TODOS los GCMs
disponibilidad de datos
< variables > variables
* Variables no cambian sus relaciones en * Variables cambian sus relaciones en
tiempo tiempo
* Aplicable en varias plataformas *Pocas plataformas (PRECIS)
< procesamiento > procesamiento
>> almacenamiento < almacenamiento
*En una mejor etapa de desarrollo *Aun falta mucho desarrollo
*Más fácilmente comparable.
*Incertidumbre difíciles de cuantificar
Incertidumbre más fáciles de cuantificar
*Depende de la línea base de cada GCM y
*Depende de la calidad de datos históricos
de los reanálisis.
*No tiene en cuenta fuerzas regionales *Tiene en cuenta fuerzas regionales

22. • Nuestra capacidad en casa:
– 4 servidores de procesamiento Windows 8-cores
(downscaling empírico)
– 3 servidores de procesamiento de 24-cores y 1
servidor 8-cores Linux (PRECIS)
– ~100TB almacenamiento.
• Compresiones y publicación son procesos más
largos y requieren almacenamiento masivo y
alta capacidad de (esp. 1km global datasets)

23. • Downscalados
empíricamente, disaggregados para todo el
mundo de 1 a 20 km.
• Downscalados dinámicamente (PRECIS)
para Sur América.
• 20 GCM para 2050, 9 para 2020 (Datos
Stanford) dowscalados a 20km, 5km, 1km
• 7 GCMs con información Tyndall.

24. Representative Concentration Pathways (RCP)
Caminos representativos de concentración
Próxima Generación de Escenarios Climáticos (IPCC, AR5)
RCP 4.5
BCC_csm1-1 MIROC_esm-chem
BNU_esm MIROC_miroc4h
CCCMA_cancm4 MIROC_miroc5
CCCMA_canesm2 MOHC_hadcm3
CNRM_cm5 MOHC_hadgem2-cc
CSIRO_access1_0 MOHC_hadgem2-es
CSIRO_mk3-6-0 MPI-M_mpi-esm-lr
ICHEC_ec_earth MPI-M_mpi-esm-mr
INM_inmcm4 MRI_mri-cgcm3
IPSL_ipsl_cm5a_lr NCAR_ccsm4
IPSL_ipsl_cm5a_mr NCC_noresm1-m
IPSL_ipsl_cm5b_lr NOAA_gfld_esm2g
MIROC_esm NOAA_gfld_esm2m
• Proyecciones AR5 … más modelos, mayor
resolución.
• Evaluar y validar incertidumbres.

25. El Modelo EcoCrop
• Un algoritmo sencillo para mirar el nicho de cada especie
basado sólo en los datos del clima
Evalúa si hay las condiciones
climáticas adecuadas … y calcula la adaptabiliad
, dentro de un periodo de climática de la interacción
crecimiento para T° y Prec…. resultante entre la prec y la T°

26. http://gisweb.ciat.cgiar.org/Climate
Change/EcoCropFB/

27. MaxEnt (Maximum Entropy Modelling)
• Modelo de predicción de la
distribución potencial de una
especie
• Maxent utilizar el principio de la
máxima entropía
• Usa puntos de presencia de
determinadas especies y las
variables ambientales
• Uno de el modelo más precisos
para la predicción cambios en los
rangos en los que la especie
puede adaptarse.

28. http://gismap.ciat.cgiar.org/analogues/

29. http://ccafs-climate.org

30. http://amkn.org

31. http://www.ipcc-data.org/ddc_climscen.html

32. https://esg.llnl.gov:8443/index.jsp

33. http://pcmdi3.llnl.gov

34. http://www.worldclim.org/

35. http://srtm.csi.cgiar.org/

36. http://www.cru.uea.ac.uk/

37. http://dapa.ciat.cgiar.org/

38. http://ccafs.cgiar.org/