banner
Centro de Noticias
Articulado y competente en su experiencia.

Un método de reducción de escala y corrección de sesgo para simulaciones de conjuntos de modelos climáticos de

May 19, 2023

Scientific Reports volumen 13, Número de artículo: 9412 (2023) Citar este artículo

Detalles de métricas

Las simulaciones de conjuntos de modelos climáticos se utilizan para evaluar el impacto del cambio climático en la precipitación y requieren una reducción a escala local. Se han utilizado métodos estadísticos de reducción de escala para estimar la precipitación diaria y mensual a partir de datos observados y simulados. La reducción de escala de los datos de precipitación a corto plazo es necesaria para una predicción más precisa de eventos de precipitación extrema y desastres relacionados a nivel regional. En este estudio, desarrollamos e investigamos el rendimiento de un método de reducción de escala para simulaciones de modelos climáticos de precipitación por hora. Nuestro método fue diseñado para reconocer sistemas de precipitación variables en el tiempo que pueden representarse con la misma resolución que el modelo numérico. La reducción de escala mejoró la estimación de la distribución espacial de la frecuencia de precipitación por hora, el promedio mensual y los valores del percentil 99. El cambio climático en la cantidad y frecuencia de las precipitaciones se mostró en casi todas las áreas mediante el uso de 50 promedios conjuntos de precipitación estimada, aunque la variabilidad natural fue demasiado grande para compararla con las observaciones. Los cambios en la precipitación fueron consistentes con las simulaciones. Por lo tanto, nuestro método de reducción de escala mejoró la evaluación de las características climáticas de los eventos de precipitación extrema y representó de manera más completa la influencia de los factores locales, como la topografía, que han sido difíciles de evaluar con los métodos anteriores.

Las predicciones detalladas de las precipitaciones regionales son necesarias para estimar con precisión el riesgo de desastres relacionados con el agua y la disponibilidad de recursos de agua dulce bajo el cambio climático1. Debido a la falta de resolución en los modelos climáticos, se utilizan métodos de reducción de escala dinámicos y estadísticos para estimar los cambios en el clima local utilizando los resultados del modelo climático2. La reducción de escala dinámica aplica los resultados de salida de un modelo climático global a un modelo numérico de alta resolución, que requiere una potencia informática sustancial. Los métodos estadísticos se basan en regresiones lineales observadas entre la precipitación y un rango de variables atmosféricas1,2. Los métodos estadísticos se utilizan a menudo para estimar la precipitación diaria o mensual a partir de datos observados y simulados en lugar de estimar la precipitación por hora en función de simulaciones de modelos climáticos, a diferencia del método de reducción dinámica de escala. En general, la precipitación horaria se asocia con sistemas de precipitación de mesoescala y se forma por interacciones entre factores locales, como la topografía y los campos atmosféricos variables en el tiempo (p. ej., lluvia orográfica)3,4. Sin embargo, los métodos estadísticos suelen ser incapaces de reconocer patrones temporales detallados en los sistemas de precipitación y no son adecuados para estimar las distribuciones espaciales de las frecuencias horarias de precipitación5,6. Sin una estimación correcta, es difícil evaluar con precisión el impacto del cambio climático en los patrones de precipitación regionales5.

Recientemente se han desarrollado métodos de reducción de escala que utilizan aprendizaje automático7,8,9,10,11,12,13,14,15,16,17,18,19. Estos métodos pueden acomodar variables explicativas más complejas y estimar la precipitación con niveles más altos de precisión. Sin embargo, la mayoría de estos métodos no permiten la estimación de la precipitación horaria. Por lo general, es difícil estimar la precipitación por hora porque incluso una pequeña diferencia en los campos atmosféricos puede cambiar la distribución de la precipitación debido a la no linealidad del proceso de precipitación. Por lo tanto, se necesita un método que reconozca diferencias sutiles en los patrones climáticos para estimar la precipitación por hora. Esto podría lograrse con métodos de aprendizaje automático utilizando resultados de modelos de pronóstico y datos de observación, que potencialmente pueden aplicarse a modelos climáticos. Sin embargo, no está claro si los patrones reconocidos por los modelos de pronóstico son aplicables a los modelos climáticos debido a las diferencias en resolución y parámetros entre estos modelos. Por lo tanto, es necesario identificar fenómenos que sean comunes a los modelos climáticos y de predicción y que sean aplicables a los métodos de reducción de escala basados ​​en el aprendizaje automático.

En general, los modelos numéricos pueden reproducir fenómenos meteorológicos entre cinco y ocho veces el espacio de la cuadrícula20,21. Por ejemplo, un modelo con un espaciado de cuadrícula de ≤ 20 km puede reproducir potencialmente fenómenos de más de 100 km2. Los modelos numéricos utilizados para el pronóstico del tiempo pueden reproducir sistemas de precipitación asociados con sistemas de baja presión, como frentes cálidos y fríos, así como los cambios temporales en la precipitación promediada espacialmente22,23. Por otro lado, es imposible evitar el sesgo de estimación asociado, por ejemplo, a la baja resolución de los datos1,5. Este sesgo podría reducirse en función del patrón de relación entre el sistema de precipitación simulado y observado6.

En este estudio, desarrollamos un método de reducción de escala basado en el aprendizaje automático que puede reducir el sesgo del modelo al reconocer los sistemas de precipitación que varían con el tiempo. Nuestro método se basa en la suposición de que un modelo con una resolución equivalente o superior puede reproducir un sistema de precipitación con las mismas características. Por lo tanto, los patrones de la relación entre la distribución de la precipitación observada y simulada producidos por un modelo de pronóstico del tiempo podrían aplicarse a otros modelos, como los modelos climáticos. Investigamos el rendimiento del método aplicando los patrones reconocidos a los productos de modelos climáticos de la Base de datos para la toma de decisiones políticas para el cambio climático futuro (d4PDF)24,25. El proyecto d4PDF se llevó a cabo para dilucidar el impacto en las características del cambio climático, que se basa en una gran cantidad de ejecuciones de conjuntos que reducen la influencia de la variabilidad natural. En este proyecto, las simulaciones climáticas históricas con modelos climáticos globales confirmaron una tendencia al alza en la temperatura desde 1950 hasta 2011, similar a las observaciones. Se llevó a cabo una reducción de escala utilizando un modelo regional de resolución de 20 km para investigar en detalle las características de las precipitaciones alrededor de Japón. Sin embargo, en comparación con las observaciones, es difícil reproducir las características de precipitación correspondientes a la topografía.

En última instancia, nuestro enfoque tiene como objetivo evaluar con precisión el impacto del cambio climático en la precipitación local, aunque también se espera que promueva la predicción de desastres relacionados con el agua y la disponibilidad de agua dulce. En este estudio, aplicamos el método de reducción de escala de aprendizaje automático para estimar la precipitación local en el suroeste de Japón (Fig. 1), que recientemente experimentó muchos desastres relacionados con el agua debido a eventos de precipitación severa26,27,28. En consecuencia, utilizamos datos de 20 km alrededor de Japón a escala reducida desde 60 km ("Métodos" y Fig. S1) y confirmamos la aplicación del modelo de reducción a escala en modelos climáticos. El flujo de trabajo de nuestro método se muestra en la Fig. S2.

Corrección del sesgo de localidad y reducción de escala del estudio. (a) Área requerida para los datos de entrada. (b) Área de evaluación (línea discontinua) y áreas de la variable explicativa (área sombreada con línea discontinua en negrita: cuadrícula de 7 × 7 puntos de simulación). (c) Estructura de cuadrícula para reducción de escala de 0,18° a 0,06°. El punto de la cuadrícula con un área de 0,18° al cuadrado (cuadrícula central de la variable explicativa) se divide en nueve puntos de la cuadrícula (cuadrículas de 3 × 3) con un área de 0,06° al cuadrado (correspondiente a la resolución de la precipitación observada). La precipitación en los puntos de cuadrícula reducidos se estimó mediante la variable explicativa común. Los mapas se crearon utilizando python3-matplotlib (versión 3.7.1, https://matplotlib.org/) y cartopy (versión 0.21.1, https://scitools.org.uk/cartopy). Se utilizaron datos topográficos del Servicio Geológico de EE. UU. (USGS) (http://www.usgs.gov) y la Agencia Meteorológica de Japón (JMA). Hecho con Tierra Natural. Datos vectoriales y de mapas ráster gratuitos @ naturalearthdata.com. (http://www.naturalearthdata.com/about/terms-of-use/).

Para evaluar si se cumple el supuesto del método de reducción de escala basado en el aprendizaje automático, aplicamos los patrones de distribución de precipitaciones pronosticados por el modelo de pronóstico 1 (FM1, espaciado de cuadrícula de 5 km) al modelo de pronóstico 2 (FM2, espaciado de cuadrícula de 20 km) y un clima modelo (CM, d4PDF) ("Métodos"). FM1 y FM2 son modelos de pronóstico desarrollados por la Agencia Meteorológica de Japón (JMA), que proporcionan datos de pronóstico que incluyen valores analíticos como valores iniciales utilizando un modelo no hidrostático de resolución de 5 km y un modelo espectral global de resolución de 20 km, respectivamente. Los datos originales de FM1 se ampliaron a 0,18° para que coincidieran con la resolución de FM2 y el CM. Los datos de precipitación observados, ampliados a 0,06°, se utilizaron como variable objetivo para la eficiencia computacional (Fig. 1). En primer lugar, se utilizó el método de aprendizaje automático para corregir el sesgo en la distribución espacial de la precipitación horaria simulada. Estimamos la precipitación en el año objetivo entrenando la precipitación observada y los datos de FM1 en un área de punto de cuadrícula de 7 × 7 centrada en el punto de cuadrícula, incluida la precipitación observada como variables explicativas, excluyendo el año. En segundo lugar, se aplicó un método de mapeo de cuantiles a las estimaciones de aprendizaje automático para abordar la subestimación y proporcionar correcciones cuantitativas. Las funciones de distribución acumulativa se crearon utilizando estimaciones y observaciones de aprendizaje automático, excepto para el año objetivo, y se utilizó el método de transformación CDF para estimar la precipitación en el año objetivo (MLQM-FM1). Para investigar el rendimiento de los clasificadores creados con los datos de FM1 ampliados, la estimación se repitió utilizando datos de FM2 (MLQM-FM2). Finalmente, las estimaciones obtenidas al aplicar datos de precipitación por hora del modelo climático al discriminador creado en FM1 se aplicaron a la CDF creada con las estimaciones de aprendizaje automático de FM1 y observaciones (MLQM-CM) (Métodos, Figs. S1 y S2).

Nos enfocamos en la distribución espacial a largo plazo de la frecuencia horaria, el promedio mensual y los valores del percentil 99 (correspondientes a la intensidad de la lluvia) de la precipitación horaria. Solo consideramos eventos de precipitación ≥ 1 mm h−1. Las distribuciones espaciales de la frecuencia de precipitación por hora se utilizaron para verificar el rendimiento (corrección de sesgo) del método de reducción de escala basado en el aprendizaje automático. El valor del percentil 99 de la precipitación horaria se utilizó para evaluar los cambios en la intensidad de los eventos de precipitación extrema. La cantidad de precipitación se ve afectada tanto por la frecuencia como por la intensidad de los eventos de precipitación29.

Determinamos las variaciones temporales en la precipitación por hora promedio del área utilizando MLQM-FM1, MLQM-FM2 y observaciones de radar (OBS) en la localidad de estudio de julio de 2008 a 2018 (Fig. S3 y "Métodos"). Las variaciones temporales en MLQM-FM1 y MLQM-FM2 se estimaron bien en comparación con la OBS, mientras que las estimaciones variaron ligeramente entre los modelos. Las distribuciones de la frecuencia de precipitación por hora, la precipitación mensual y los valores del percentil 99 en MLQM-FM1 y MLQM-FM2 fueron comparables a las distribuciones observadas (Fig. S4). Por lo tanto, el método de reducción de escala redujo el sesgo de estimación. La Figura S5 muestra la relación entre las distribuciones espaciales de la frecuencia de precipitación horaria, la precipitación mensual y los valores del percentil 99 de la precipitación horaria entre las observaciones y los valores estimados utilizando los métodos de aprendizaje automático (MLQM-FM1 y MLQM-FM2) o las simulaciones en FM1 y FM2. Aunque hubo una ligera tendencia a subestimar, la precisión de la precipitación estimada (MLQM-FM1 y MLQM-FM2) mejoró considerablemente con el método de reducción de escala, lo que sugiere que el método se puede aplicar a los otros modelos de pronóstico al aumentar la escala del producto de precipitación para ser equivalente a la resolución del modelo.

La Figura 2 muestra las distribuciones espaciales de las frecuencias de precipitación por hora, la precipitación mensual y los valores del percentil 99 de la precipitación por hora de las observaciones, las estimaciones utilizando el método de aprendizaje automático (MLQM-CM) y el modelo climático (CM). En las simulaciones, la frecuencia de precipitación tendió a ser mayor en las llanuras y las zonas montañosas más bajas (Fig. 2d), mientras que tendió a ser mayor en las zonas montañosas más altas. Por otro lado, la distribución de frecuencia estimada por el método de aprendizaje automático fue comparable a la de las observaciones (Fig. 2c). Las distribuciones de precipitación mensual mostraron características similares a las de la distribución espacial de la frecuencia de precipitación por hora, mientras que la cantidad de precipitación en las simulaciones se subestimó en general en comparación con las estimaciones de aprendizaje automático (Fig. 2f, h). El CM subestimó significativamente las distribuciones de los valores del percentil 99 de la precipitación por hora (Fig. 2i), mientras que la distribución espacial de la precipitación se estimó bien mediante el método de reducción de escala basado en el aprendizaje automático (Fig. 2k). La Figura S6 muestra los gráficos Q-Q para la frecuencia de precipitación por hora, la precipitación mensual y los valores del percentil 99 de la precipitación por hora entre OBS y MLQM-CM o CM. Los coeficientes de correlación y los errores cuadráticos medios (RMSE) en el MLQM-CM fueron mayores y menores que los del CM, respectivamente. Este resultado confirmó claramente que la salida del modelo simulado variaba mucho de las observaciones, mientras que la precipitación estimada por nuestro método correspondía bien a la de las observaciones. La Figura 3 muestra los gráficos Q-Q para observaciones en 26 estaciones (estación OBS) durante 30 años (1982 a 2011). La precipitación estimada se seleccionó en el punto de cuadrícula más cercano a cada estación. Los coeficientes de correlación y los RMSE del MLQM-CM fueron mayores y menores que los del CM, respectivamente. Los coeficientes de correlación entre la OBS y la precipitación estimada por el MLQM-CM para todos los experimentos conjuntos (conjunto de datos de 30 años) fue > 0,65, lo que indica que la distribución de la precipitación a largo plazo se estimó correctamente. En comparación con la estación OBS, los valores del percentil 99 mostraron una disminución en el coeficiente de correlación, pero la precipitación mensual y las frecuencias mostraron coeficientes de correlación altos (Fig. S7).

Distribución espacial de la precipitación. (a) Observaciones de estaciones meteorológicas (estación OBS); (b) observaciones de radar (OBS); (c) valores estimados por el método de reducción de escala basado en aprendizaje automático (MLQM-CM); (d) valores simulados por d4PDF con una cuadrícula de 20 km (CM); (e–h) precipitación mensual; y (i–l) valores del percentil 99 de precipitación horaria. Todos los valores, excepto los de OBS, están asociados al período de 1982 a 2011; Los datos de la OBS son de 2007 a 2018, y se ajustó la frecuencia ampliando el plazo 2,5 veces. Los mapas se crearon utilizando python3-matplotlib (versión 3.7.1, https://matplotlib.org/) y cartopy (versión 0.21.1, https://scitools.org.uk/cartopy). Se utilizaron datos topográficos del Servicio Geológico de EE. UU. (USGS) (http://www.usgs.gov) y la Agencia Meteorológica de Japón (JMA). Hecho con Tierra Natural. Datos vectoriales y de mapas ráster gratuitos @ naturalearthdata.com. (http://www.naturalearthdata.com/about/terms-of-use/).

Validación de la precipitación estimada utilizando datos de estaciones meteorológicas durante 30 años. La relación de la frecuencia entre las observaciones en 26 estaciones durante 30 años y (a) MLQM-CM y (b) CM; (c, d) la relación asociada con la precipitación mensual; y (e, f) la relación de los valores del percentil 99 de la precipitación horaria de 1982 a 2011.

Los 60 años de datos históricos de simulación climática de d4PDF se dividieron en los primeros 30 años (1952–1981) y los segundos 30 años (1982–2011), y se estimaron los cambios en la precipitación de los valores climáticos para cada uno de los primeros y segundos 30 años. . Como se muestra en las simulaciones d4PDF, las temperaturas claramente tienden a aumentar en los últimos 30 años en comparación con los primeros 30 años, por lo que examinamos el impacto del aumento de temperatura en los últimos 30 años sobre la precipitación. La Figura 4 muestra el efecto del cambio climático en la precipitación basado en las diferencias en las distribuciones espaciales del percentil 99, el promedio mensual y la frecuencia horaria de la precipitación entre las observaciones y 50 corridas de conjunto en MLQM-CM y CM de 1952 a 1981 y de 1982 a 2011. Bajo el cambio climático, la frecuencia y el promedio mensual de precipitación aumentaron significativamente en casi todas las áreas, y en alrededor del 30% de las áreas para los valores del percentil 99. Sin embargo, el efecto del cambio climático en los patrones de precipitación de la estación OBS no estaba claro. La variación en las proporciones de incremento de las observaciones correspondió aproximadamente a la desviación estándar de 50 conjuntos de MLQM-CM y CM. Aunque las características cuantitativas del MLQM-CM eran algo diferentes de las del CM, la magnitud de las desviaciones estándar era comparable (Fig. S8).

Efectos del cambio climático sobre la precipitación. Diferencias en las distribuciones espaciales del percentil 99, promedio mensual y frecuencia de precipitación entre observaciones y 50 corridas de conjunto en el MLQM-CM y CM para el período 1952 a 1981 y 1982 a 2011. (a, d, g) Precipitación observada en 26 sitios (estación OBS), (b, e, h) MLQM-CM y (c, f, i) CM. Los marcadores circulares muestran diferencias estadísticamente significativas de 50 valores promedio de conjuntos con 95 intervalos de confianza (prueba t de Welch). El porcentaje muestra la proporción de cuadrículas significativamente diferentes del total. Los mapas se crearon utilizando python3-matplotlib (versión 3.7.1, https://matplotlib.org/) y cartopy (versión 0.21.1, https://scitools.org.uk/cartopy). Se utilizaron datos topográficos del Servicio Geológico de EE. UU. (USGS) (http://www.usgs.gov) y la Agencia Meteorológica de Japón (JMA). Hecho con Tierra Natural. Datos vectoriales y de mapas ráster gratuitos @ naturalearthdata.com. (http://www.naturalearthdata.com/about/terms-of-use/).

Las escalas espaciales representativas de los sistemas de precipitación estimados por nuestro método fueron estimadas por las autocorrelaciones espaciales de la precipitación horaria. La figura S9 muestra el número total de puntos de cuadrícula con autocorrelaciones > 0,7, lo que indica fuertes correlaciones. Las escalas espaciales en la OBS correspondieron bien a las de FM1, que fueron ~ 30 km2; las escalas en FM2 y la CM correspondieron a ~100 km2. Las escalas espaciales en MLQM-FM1, MLQM-FM2 y MLQM-CM fueron ligeramente mayores que las de FM2 y CM.

Las características del sistema de precipitación variaron algo entre datos de alta resolución (FM1) y datos de baja resolución (FM2). Para investigar el impacto de los datos ampliados en la estimación de la precipitación, repetimos el análisis utilizando datos FM2 (con aproximadamente la misma resolución que el CM) desde 1982 hasta 2011 en el conjunto número 1 (Fig. S10, Tabla S1 y "Métodos") . La Figura S11 muestra la frecuencia, el promedio mensual y los valores del percentil 99 de la precipitación para MLQM-CM-FM1-ENS1 y MLQM-CM-FM2-ENS1. La distribución espacial de la frecuencia horaria, el promedio mensual y los valores del percentil 99 en MLQM-CM-FM2-ENS1 correspondieron bien a los de MLQM-CM-FM1-ENS1 con coeficientes de correlación altos (Fig. S12), aunque se observaron algunas diferencias cuantitativas. observado.

En comparación con la distribución espacial de la frecuencia de las precipitaciones y el promedio mensual, la distribución de los valores del percentil 99 varió algo. Observamos muchos lugares donde las frecuencias de precipitación y los promedios mensuales eran bajos, pero el percentil 99 era alto. En general, es más probable que el lado de sotavento de las montañas forme un flujo descendente, lo que suprime la precipitación, mientras que la precipitación se promueve en el lado de barlovento de la montaña. Teniendo en cuenta que la dirección del viento cambia y la supresión de la precipitación es más pronunciada en las laderas de sotavento de las montañas, es razonable que la frecuencia de la precipitación sea menor en las zonas montañosas. Por otro lado, se supone que las lluvias intensas están determinadas por las características de la topografía local, independientemente de la frecuencia de las lluvias. La fuerte correlación de los valores del percentil 99 entre el MLQM-CM y la OBS sugiere que este método estima la supresión o el aumento de la precipitación en cada ubicación en función del patrón de distribución espacial de la precipitación. Sin embargo, la correlación de los valores del percentil 99 entre el MLQM-CM y la estación OBS fue relativamente pequeña. Las características regionales fueron tan pronunciadas que la resolución de 5 km fue insuficiente y el número de eventos de lluvia intensa fue pequeño, lo que puede explicar este error. Sin embargo, no existe una discrepancia particularmente grande entre OBS y la estación OBS (Figs. S6e y 3e), lo que puede indicar que el número de sitios fue demasiado bajo para analizar claramente la asociación con la topografía (las estaciones meteorológicas se ubicaron principalmente en las estribaciones de las montañas). montañas, lo que resulta en un sesgo).

La distribución espacial de la precipitación fue comparable con las observaciones de la frecuencia horaria, la media mensual y los valores del percentil 99, lo que indica que nuestro método de reducción de escala estimó la variación temporal (intensidad) de la precipitación local correspondiente al sistema de precipitación reproducido por el modelo climático. El método de mapeo de cuantiles se basa en la aplicación de funciones de distribución acumulativa producidas por las estimaciones de aprendizaje automático (usando un modelo de pronóstico) y las observaciones para el período de 2008 a 2018. Por lo tanto, si el cambio temporal (intensidad) de la precipitación no se estima correctamente por el método de aprendizaje automático, habrá grandes errores en las características de precipitación a largo plazo. El método está diseñado para reconocer patrones en la precipitación considerando sus componentes básicos (distribución espacial de la precipitación por hora). Por lo tanto, los resultados también mostraron que el modelo climático reprodujo efectivamente las características climáticas de la frecuencia y magnitud de los sistemas de precipitación.

La diferencia en las escalas espaciales de autocorrelación entre los modelos indicó que los modelos de cuadrícula de 20 km, como FM2 y CM, fueron menos efectivos para reproducir sistemas de precipitación de menor escala encontrados en las observaciones y FM1. A principios del verano, a menudo se forman líneas de turbonada en el área objetivo, lo que provoca fuertes lluvias localizadas30,31. Las líneas de turbonada se forman por la convección de cúmulos individuales que interactúan con los campos atmosféricos ambientales30,31,32. Por lo tanto, la predicción correcta de la convección de cúmulos individuales permitiría la reproducción precisa de las líneas de turbonada. Por el contrario, los sistemas de precipitación a mayor escala en el rango de 3000 a 20 000 km2, que son representativos de las escalas espaciales utilizadas en nuestro método (MLQM-FM1, MLQM-FM2 y MLQM-CM), se forman bajo la influencia de grandes Campos atmosféricos a gran escala, como monzones, ciclones tropicales, ciclones extratropicales o frentes cuasi estacionarios. Las escalas espaciales de los sistemas de precipitación son equivalentes a las perturbaciones de escala meso-β y meso-α33,34 en asociación con perturbaciones a gran escala, que a menudo se forman a principios del verano. En otras palabras, nuestro método reconoce más claramente los patrones de los sistemas de precipitación más grandes asociados con perturbaciones a gran escala que aquellos con fuertes procesos de autogeneración, como las líneas de turbonada. La escala de autocorrelación representativa de ML-FM1 sugiere que, si bien FM1 reproduce eficazmente las características de los sistemas de precipitación a pequeña escala, la posición, el tiempo y la intensidad de los sistemas de precipitación no siempre se corresponden con las observaciones debido a la no linealidad intrínseca del sistema. En el método de mapeo de cuantiles, la precipitación horaria local se corrigió cuantitativamente correspondiente a la variación temporal de la precipitación estimada. Considerando que la línea de turbonada está formada por un sistema de precipitación más grande, las características de precipitación estimadas se consideran razonables.

Los modelos climáticos no pueden reproducir la distribución espacial de la frecuencia de las precipitaciones. En general, las características de la precipitación difieren entre los lados de las montañas a barlovento y sotavento (precipitación orográfica). Solo con el método de mapeo de cuantiles, la frecuencia de precipitación por hora se correspondía con las simulaciones del modelo climático, lo que puede dar lugar a grandes errores en la cantidad y frecuencia de precipitación6.

El MLQM-CM estimó efectivamente las características a largo plazo de la distribución espacial de la frecuencia de precipitación por hora, el promedio mensual y los valores del percentil 99 (Figs. 2 y S6). Además, no observamos ninguna subestimación o sobreestimación extrema con respecto a la precipitación observada, y la cantidad de precipitación estimada fue comparable a la de las observaciones. Esto sugiere que la frecuencia y la intensidad de los sistemas de precipitación, que fueron reproducidos por el CM con una resolución de 20 km, fueron los principales impulsores de la precipitación local en julio. En otras palabras, nuestro método puede reconocer los patrones de los sistemas de precipitación en 140 km2 y estimar la variabilidad temporal de la precipitación local con gran precisión. Esto también muestra que el modelo climático reprodujo efectivamente los sistemas de precipitación. El método no corrige los sesgos en el campo de la circulación atmosférica a gran escala, como la trayectoria de las tormentas de los ciclones extratropicales, asociados con los modelos climáticos. Por lo tanto, la aplicabilidad del método depende en gran medida de la capacidad del modelo climático para reproducir perturbaciones a gran escala que están fuertemente asociadas con los campos de circulación atmosférica y la precipitación local.

Las características del cambio climático de la precipitación estimada (MLQM-CM) fueron consistentes con la simulación (CM), aunque la distribución espacial de los efectos del cambio climático difería significativamente. Por otro lado, la variabilidad natural era demasiado grande para compararla con los últimos 60 años de observaciones (Fig. S8). Los 50 promedios de conjunto de las estimaciones y simulaciones mostraron aumentos significativos en la frecuencia y los promedios mensuales en casi todas partes, pero los valores del percentil 99 aumentaron solo en aproximadamente el 30% de todas las áreas (Fig. 4). El aumento de la precipitación extrema en los modelos climáticos globales se explica por la relación Clausius-Clapeyron (CC) (aumento del 7% por grado de calentamiento)35,36. Sin embargo, estudios recientes también han indicado que existe una escala super-Clusius-Clapeyron (por encima de la relación CC) y una escala sub-Clusius-Clapeyron (por debajo de la relación CC) para aumentos extremos de precipitación37,38,39. En cuanto a la escala sub-Clausius-Clapeyron, puede estar relacionada con el mecanismo de condensación del vapor de agua en las montañas37. Sin embargo, será necesaria una investigación detallada para tener en cuenta los complejos efectos termodinámicos en las montañas.

En el método QM, la frecuencia de precipitación depende en gran medida de los valores simulados. Si no hay precipitación en la simulación, no se realiza ninguna corrección de precipitación en QM incluso si hay precipitación en la observación. Por lo tanto, si las características de la distribución espacial de la precipitación difieren significativamente debido a diferencias entre el modelo y el terreno real, la corrección puede no ser adecuada6,40. Nuestro método aplica el método QM después de corregir la distribución espacial de la precipitación mediante el aprendizaje automático. Por lo tanto, puede estimar las características de la precipitación sin el problema del método QM descrito anteriormente.

En principio, los métodos de aprendizaje automático no se pueden aplicar a la estimación de la precipitación horaria, que nunca se ha observado. Además, cuanto más raro es el fenómeno, menor es el tamaño de la muestra y mayor el error de estimación, lo que puede dificultar una evaluación precisa. En este estudio, la evaluación se realizó para el valor del percentil 99, pero los límites de aplicabilidad pueden variar mucho según las condiciones. Al hacer una evaluación, es necesario investigar los límites de aplicabilidad a través de comparaciones con datos observados y simulados.

Las características climáticas de la precipitación orográfica dependen en gran medida de la frecuencia y la intensidad de las perturbaciones atmosféricas, que están dominadas por patrones de circulación atmosférica a gran escala41. Los resultados de este estudio indican que nuestro método se puede utilizar para estimar de manera efectiva las características a largo plazo de la precipitación horaria local. Además, esperamos que este método de reducción de escala permita la predicción de desastres relacionados con el agua, como inundaciones, aprovechando las simulaciones de conjuntos de modelos climáticos (d4PDF), que pueden reproducir una variedad de patrones de eventos extremos sin precedentes que involucran múltiples sistemas de precipitación. o estancamiento prolongado de grandes zonas de precipitación o ciclones tropicales42,43.

Este método, al igual que la reducción de escala dinámica, está fuertemente influenciado por los campos atmosféricos reproducidos por el modelo climático. Por lo tanto, se espera que las estimaciones se vean afectadas por las diferencias en los procesos físicos entre los modelos climáticos, como los esquemas de convección de cúmulos. Por lo tanto, al aplicar este método, es necesario seleccionar un modelo climático con un sesgo de campo atmosférico de pequeña escala sinóptica.

En este estudio, desarrollamos un método de reducción de escala basado en el aprendizaje automático para estimar la precipitación regional por hora vinculada a simulaciones de modelos climáticos mediante la identificación de sistemas de precipitación variables en el tiempo representados en modelos numéricos con una resolución de 20 km. Nuestro método estimó bien la distribución espacial de la frecuencia horaria, el promedio mensual y la intensidad (valores del percentil 99) de la precipitación utilizando los resultados de un modelo climático. También encontramos que las características climáticas de los valores estimados correspondían a los resultados simulados en toda la región. En general, encontramos que (1) el modelo climático podría reproducir las características climáticas del sistema de precipitación observado y (2) la reducción de escala y la corrección del sesgo de la precipitación variable temporalmente podría reflejar las condiciones locales, como la topografía. Esto sugiere que las características climáticas de la precipitación local dependen en gran medida del patrón de formación del sistema de precipitación, que cambia a corto plazo. En consecuencia, nuestro método se puede aplicar a la reducción de escala del modelo climático y puede estimar la distribución espacial de la precipitación local a partir de los resultados de los modelos climáticos con una resolución espacial y temporal aproximada, teniendo en cuenta las limitaciones del modelo. En el futuro, planeamos aplicar nuestro método a proyecciones futuras y reconstrucciones climáticas utilizando modelos climáticos para estudiar los efectos del cambio climático local y dilucidar sus mecanismos.

Utilizamos un modelo de regresión de máquina de vectores de soporte (SVM-SVR)44, que se construyó como se describió anteriormente6. SVM es un método de aprendizaje supervisado que utiliza un subconjunto del conjunto de datos para obtener predicciones a partir de vectores de soporte. SVM intenta obtener resultados óptimos encontrando el hiperplano de margen máximo, que se determina maximizando la distancia entre los vectores de soporte. En comparación con otros métodos de ML, como redes neuronales y bosques aleatorios, SVM tiene muchas ventajas45,46,47,48. Por ejemplo, se ha demostrado que SVR funciona bien incluso con un tamaño de muestra pequeño45. SVM se ha adoptado en varios campos, como la meteorología, la hidrología, la gestión de desastres y la gestión de recursos hídricos, entre otros, y ha demostrado ser útil para reconocer eventos de precipitación raros7,49,50. La biblioteca de máquinas de vectores de soporte en el sistema scikit-learn (Regresión de vectores de soporte Epsilon) en el sistema scikit-learn 0.24.251. En el método SVR, configuramos los hiperparámetros gamma, C y epsilon; gamma especifica el ancho del núcleo de la función de base radial gaussiana (RBF), mientras que C es el error de restricción de penalización y epsilon es el ancho de la zona insensible52. La determinación de estos hiperparámetros es muy importante para mejorar la generalidad de la estimación de la precipitación. Los hiperparámetros podrían configurarse en cada punto del método de reducción de escala; sin embargo, determinar los parámetros óptimos requiere considerables recursos computacionales46,53. Para obtener los hiperparámetros óptimos de manera más efectiva, aplicamos los valores de hiperparámetro especificados a todas las celdas de la cuadrícula en el dominio de acuerdo con el siguiente procedimiento: Primero, estimamos los valores de hiperparámetro óptimos mediante una búsqueda aleatoria54 en algunos puntos de la cuadrícula en el dominio. Se encontró que los valores óptimos de gamma, C y épsilon eran aproximadamente 5 × 10–6, 10 y 0,001, respectivamente. Asumimos que los mismos parámetros eran aplicables a todas las celdas de la cuadrícula porque no variaban mucho entre los puntos de la cuadrícula. A continuación, investigamos el rendimiento del método de reducción de escala en la estimación de la precipitación en función de los coeficientes de correlación de 49 celdas de cuadrícula, y los coeficientes se promediaron sobre cada 10 cuadrículas. En primer lugar, se estimó el valor gamma óptimo utilizando valores temporales de C (10) y épsilon (0,001). En segundo lugar, el valor C óptimo se obtuvo utilizando el valor gamma óptimo y un valor épsilon temporal. En tercer lugar, el valor épsilon óptimo se obtuvo utilizando los valores gamma y C óptimos. Finalmente, la gamma óptima se obtuvo utilizando los valores óptimos de C y épsilon. Los parámetros se consideraron óptimos si correspondían a las primeras estimaciones o si los coeficientes de correlación no mejoraban claramente. Los valores óptimos de gamma, C y épsilon fueron aproximadamente 5 × 10–6, 10 y 0,001, respectivamente. Por lo tanto, configuramos todas las celdas de la cuadrícula utilizando los valores de hiperparámetro óptimos.

Se utilizaron como datos de entrada la precipitación observada aumentada a 0,06° y la salida de precipitación del modelo numérico de mesoescala (MSM-GPV) de la Agencia Meteorológica de Japón (JMA) aumentada a 0,18°. En este estudio, se utilizaron los modelos numéricos de MSM-GPV22, GSM-GPV55 y d4PDF_RCM24,25 con diferentes resoluciones espaciales para analizar los datos de entrada; la resolución de las variables explicativas se mantuvo en 0,18°. Se utilizaron MSM-GPV y GSM-GPV como datos de entrenamiento y validación para los modelos de aprendizaje automático como FM1 y FM2, respectivamente. Se utilizó d4PDF_RCM para la corrección del sesgo y la reducción de escala de las simulaciones del modelo climático. La resolución espacial de los datos de observación fue de ~ 1 km, pero se amplió a 0,06° para mejorar la eficiencia computacional. Utilizamos la precipitación por hora de julio de 2007 a 2018 y realizamos un entrenamiento utilizando todos los años excepto el año de prueba (Fig. S1); por ejemplo, para estimar la precipitación para el año 2007, se utilizaron datos de 2008 a 2018 para la capacitación. Para el entrenamiento se utilizó la precipitación acumulada desde el momento del análisis hasta la primera hora de cada 3 h (0, 3, 6, 9, 12, 15, 18 y 21 UTC) considerando la correspondencia con la precipitación observada. Para la inferencia, usamos datos de precipitación horaria simulada para julio. Evaluamos el desempeño de las variables explicativas en la estimación de la precipitación para encontrar el tamaño de cuadrícula óptimo. En consecuencia, se utilizó como variable explicativa (vector de características) la distribución de la precipitación en una región de 7 × 7 puntos de cuadrícula (un área de casi 140 × 140 km2), los puntos de cuadrícula ubicados en el centro de la región se dividieron en 3 × 3 puntos de cuadrícula, y la correspondiente precipitación observada se asignó como variable objetivo. El método de reducción de escala basado en el aprendizaje automático se aplicó a todos los puntos de cuadrícula observados en el área objetivo (Fig. 1). Los hiperparámetros se estandarizaron en toda el área objetivo después de confirmar que el valor estimado por una búsqueda aleatoria no cambió dentro del área objetivo. Además, se realizaron correcciones de sesgo cuantitativo en las estimaciones de aprendizaje automático mediante la aplicación del método de mapeo de cuantiles. Se utilizó otra salida del modelo de pronóstico JMA (GSM-GPV) con una cuadrícula de 20 km para verificar los patrones de precipitación estimados por nuestro método.

La base de datos para la toma de decisiones sobre políticas para el cambio climático futuro (d4PDF) es un proyecto que evalúa el impacto del cambio climático24,25. En este estudio, utilizamos d4PDF_RCM, que es una versión reducida dinámicamente del modelo climático global d4PDF_GCM (resolución de 60 km) con una resolución de 20 km en la región de Japón. En las simulaciones climáticas históricas en d4PDF, la temperatura de la superficie del mar, la concentración de hielo marino y el grosor del hielo marino se prescriben como las condiciones límite inferiores, y las concentraciones medias globales de gases de efecto invernadero y las distribuciones tridimensionales de ozono y aerosoles se prescriben como forzamientos externos. Los cálculos parten de diferentes valores iniciales y se agregan pequeñas perturbaciones al hielo marino y la TSM.

El patrón reconocido de distribuciones de precipitación simulado por el modelo de pronóstico del tiempo (MSM-GPV)22 y la precipitación observada (Radar-AMeDAS)56 se aplicaron a la precipitación horaria de d4PDF para realizar la corrección del sesgo y la reducción de la precipitación. Utilizamos datos de precipitación por hora de 50 experimentos conjuntos de d4PDF_RCM desde julio de 1982 hasta 2011 (Fig. S1). La resolución de la precipitación simulada se ajustó a 0,18° para ser consistente con el patrón reconocido del modelo de pronóstico del tiempo. La precipitación se estimó con una resolución de 0,06° reduciendo la escala a una cuadrícula fina (3 × 3) utilizando los mismos hiperparámetros y rangos de características (7 × 7 puntos de cuadrícula) utilizados en el modelo de pronóstico del tiempo. El método de mapeo de cuantiles de transformada CDF57 se aplicó utilizando la precipitación observada y estimada del método de reducción de escala basado en el aprendizaje automático para 2008 a 2018 y la precipitación estimada de d4PDF utilizando el patrón reconocido.

En el aprendizaje automático, la precisión depende en gran medida del tamaño de la muestra, lo que complica la estimación de eventos de lluvia intensa. Se pueden utilizar métodos como el submuestreo para corregir el muestreo desequilibrado58. En este estudio, se utilizó un método de mapeo de cuantiles (paquete CDFt en R)59 en lugar de un método de submuestreo o sobremuestreo debido a la complejidad del ajuste. El método 'CDFt' supone que existe una transformación T que nos permite traducir la CDF de una variable GCM (como la temperatura, la precipitación o la intensidad del viento) en la CDF que representa la variable a largo plazo a escala local en una estación meteorológica determinada. . FOh corresponde a la CDF de los datos observados en la estación meteorológica durante el último período de calibración, y FGh es la CDF que interpola bilinealmente la salida del GCM en la estación durante el mismo período. FOf y FGf son CDF equivalentes a FOh y FGh, respectivamente, pero para períodos futuros (o simplemente diferentes). Suponiendo que se conoce FGf (que se puede modelar en la salida futura de GCM), la transformación T se puede calcular como:

Para modelar T, reemplazamos x en Gh en la ecuación. (1) con F(u), donde u es [0, 1]. Entonces obtenemos:

Por lo tanto, suponiendo que la relación (4) seguirá siendo válida, la CDF viene dada por:

En el paquete CDFt, Eq. (1) reconstruye FOf a partir de FOh, FGh y FGf, y la ecuación. (2) realiza el mapeo de cuantiles de FOf y FGf para corregir Gf. En la práctica, FOh, FGh y FGf se estiman utilizando la función de distribución acumulativa empírica. Sin embargo, se considera que el método CDFt funciona correctamente solo cuando los valores observados de Oh y Gh tienen un rango similar. En este estudio, usamos los valores de precipitación observados y simulados de 2008 a 2018 en lugar de Oh y Gh. Luego, en lugar de Gf, los valores de precipitación corregidos de d4PDF se estimaron aplicando los datos de d4PDF-org de 1952 a 2011.

Las escalas espaciales promediadas de los sistemas de precipitación estimados por nuestro método de reducción de escala se estimaron utilizando la siguiente ecuación para la autocorrelación espacial60:

donde r es la autocorrelación espacial entre los puntos k y l, n es el número total de puntos de datos de precipitación por hora y x son datos de precipitación por hora. Usamos los datos de precipitación de julio de 2008 a 2018 para OBS, FM1, MLQM-FM1, FM2 y MLQM-FM2, mientras que el conjunto de datos de 30 años de 1982 a 2011 se usó para un experimento conjunto de CM y MLQM-CM. .

Para evaluar el impacto del uso de datos ampliados como variables explicativas en el rendimiento del modelo, se realizó una estimación de la precipitación basada en el aprendizaje automático utilizando datos GSM-GPV con la misma resolución que la de los datos d4PDF. A diferencia del método utilizado para la reducción de escala basada en el aprendizaje automático para el modelo climático, la estimación de la precipitación solo se realizó para el conjunto de datos de 1982 a 2011 del conjunto número 1. Los detalles de cada experimento se muestran en la Tabla S1. Los experimentos se realizaron utilizando 11 años de datos de 2008 a 2018, ya que la Agencia Meteorológica de Japón solo comenzó a proporcionar datos GSM-GPV a partir de 2008.

Los conjuntos de datos de la "Base de datos para la toma de decisiones políticas para el cambio climático futuro" (d4PDF) están disponibles en el Sistema de análisis e integración de datos (DIAS) (https://diasjp.net/service/d4pdf-data-download/). Los conjuntos de datos de Radar-AMeDAS, MSM-GPV y GSM-GPV están disponibles en el Centro de apoyo empresarial meteorológico de Japón (JMBSC) (http://www.jmbsc.or.jp/en/index-e.html). Los conjuntos de datos del punto de datos de superficie (SDP) de JMA están disponibles en el sitio web de JMA (https://www.jma.go.jp/jma/indexe.html). Los otros conjuntos de datos utilizados y/o analizados durante el estudio actual están disponibles del autor correspondiente a pedido razonable.

Xie, SP et al. Hacia una comprensión predictiva del cambio climático regional. Nat. Clima Chang. 5, 921–930 (2015).

Artículo ANUNCIOS Google Académico

Murphy, J. Predicciones del cambio climático en Europa utilizando técnicas de reducción de escala estadísticas y dinámicas. En t. J. Climatol. 20, 489–501 (2000).

3.0.CO;2-6" data-track-action="article reference" href="https://doi.org/10.1002%2F%28SICI%291097-0088%28200004%2920%3A5%3C489%3A%3AAID-JOC484%3E3.0.CO%3B2-6" aria-label="Article reference 2" data-doi="10.1002/(SICI)1097-0088(200004)20:53.0.CO;2-6">Artículo Google Académico

Broucke, SV, Wouters, H., Demuzere, M. & van Lipzig, NP La influencia de los modelos climáticos regionales que permiten la convección en las proyecciones futuras de precipitaciones extremas: dependencia de la topografía y la escala de tiempo. Clima Din. 52, 5303–5324 (2019).

Artículo Google Académico

Grose, MR et al. El papel de la topografía en el cambio de lluvia proyectado en las regiones montañosas de latitudes medias. Clima Din. 53, 3675–3690 (2019).

Artículo Google Académico

Maraun, D. et al. Hacia la corrección del sesgo informada por el proceso de las simulaciones de cambio climático. Nat. Clima Chang. 7, 764–773 (2017).

Artículo Google Académico

Yoshikane, T. & Yoshimura, K. Un método de corrección de sesgo para la precipitación mediante el reconocimiento de sistemas de precipitación de mesoescala correspondientes a las condiciones climáticas. PLO Agua. 1(5), e0000016. https://doi.org/10.1371/journal.pwat.0000016 (2022).

Artículo Google Académico

Sachindra, DA, Ahmed, K., Rashid, MM, Shahid, S. & Perera, BJC Reducción estadística de la precipitación mediante técnicas de aprendizaje automático. atmósfera Res. 212, 240–258 (2018).

Artículo Google Académico

Najafi, MR, Moradkhani, H. & Wherry, SA Reducción estadística de la precipitación mediante aprendizaje automático con selección de predictor óptimo. J. Hydrol. Ing. 16, 650–664 (2011).

Artículo Google Académico

Vandal, T., Kodra, E. & Ganguly, AR Intercomparación de métodos de aprendizaje automático para la reducción de escala estadística: el caso de la precipitación diaria y extrema. teor. aplicación Climatol. 137, 557–570 (2019).

Artículo ANUNCIOS Google Académico

Chen, H., Guo, J., Xiong, W., Guo, S. & Xu, CY Reducción de escala de GCM utilizando el método de máquina de vector de soporte suave para predecir la precipitación diaria en la cuenca de Hanjiang. Adv. atmósfera ciencia 27, 274–284 (2010).

Artículo Google Académico

Nguyen-Le, D., Yamada, TJ y Tran-Anh, D. Clasificación y pronóstico de fuertes lluvias en el norte de Kyushu durante la temporada de Baiu mediante el reconocimiento de patrones climáticos. atmósfera ciencia Letón. 18, 324–329 (2017).

Artículo ANUNCIOS Google Académico

Ahmed, K. et al. Predicciones de conjunto de modelos múltiples de precipitación y temperatura utilizando algoritmos de aprendizaje automático. atmósfera Res. 236, 104806 (2020).

Artículo Google Académico

Li, H., Sheffield, J. & Wood, EF Corrección de sesgo de los campos mensuales de precipitación y temperatura del panel intergubernamental sobre modelos AR4 de cambio climático mediante coincidencia de cuantiles equidistantes. J. Geophys. Res. atmósfera 115, D10 (2010).

Google Académico

Ortiz-García, EG, Salcedo-Sanz, S. & Casanova-Mateo, C. Predicción precisa de la precipitación con clasificadores de vectores de soporte: un estudio que incluye nuevas variables predictivas y datos observacionales. atmósfera Res. 139, 128–136 (2014).

Artículo Google Académico

Raje, D. & Mujumdar, PP Una comparación de tres métodos para reducir la precipitación diaria en la región de Punjab. Hidrol. Proceso. 25(23), 3575–3589 (2011).

Artículo ANUNCIOS Google Académico

Vandal, T., Kodra, E. & Ganguly, AR Intercomparación de métodos de aprendizaje automático para la reducción de escala estadística: el caso de la precipitación diaria y extrema. teor. aplicación Climatol. 137(1), 557–570 (2019).

Artículo ANUNCIOS Google Académico

Wong, G. et al. Estadísticas de salida del modelo estocástico para corregir el sesgo y reducir la precipitación, incluidos los extremos. J. Clim. 27(18), 6940–6959 (2014).

Artículo ANUNCIOS Google Académico

Whan, K. & Schmeits, M. Comparación de pronósticos de probabilidad de área de precipitación local (extrema) utilizando métodos de posprocesamiento estadístico paramétrico y de aprendizaje automático. Lun. Weather Rev. 146(11), 3651–3673 (2018).

Artículo ANUNCIOS Google Académico

Gagne, DJ, McGovern, A. y Xue, M. Mejora del aprendizaje automático de los pronósticos de precipitación cuantitativos probabilísticos de conjuntos a escala de tormentas. Pronóstico del tiempo. 29(4), 1024–1043 (2014).

Artículo ANUNCIOS Google Académico

Abdalla, S., Isaksen, L., Janssen, PAEM y Wedi, N. Resolución espectral efectiva de los modelos de pronóstico atmosférico del ECMWF. Boletín de ECMWF. 137, 19–22 (2013).

Google Académico

Hansen, SBK Guidance on Mesoscale Wind Mapping. Banco Mundial. 132951, 1–53 (2018).

Google Académico

Saito, K. et al. El modelo de mesoescala no hidrostático JMA operativo. Lun. Weather Rev. 134, 1266–1298 (2006).

Artículo ANUNCIOS Google Académico

Michalakes, J. et al. Desarrollo de un modelo de pronóstico e investigación meteorológica regional de próxima generación. En Desarrollos en Teracomputación, 269–276 (2001).

Mizuta, R. et al. Más de 5000 años de conjuntos de simulaciones climáticas futuras mediante modelos atmosféricos globales de 60 km y regionales de 20 km. Toro. Soy. Meteorito. Soc. 98, 1383–1398 (2017).

Artículo ANUNCIOS Google Académico

Fujita, M. et al. Cambios en las precipitaciones en un clima con un calentamiento de la superficie de 2 K a partir de simulaciones de conjuntos grandes que utilizan modelos atmosféricos globales de 60 km y regionales de 20 km. Geofísico. Res. Letón. 46(1), 435–442 (2019).

Artículo ANUNCIOS Google Académico

Nayak, S. & Takemi, T. Mecanismos impulsores atmosféricos de eventos de precipitación extrema en julio de 2017 y 2018 en el oeste de Japón. Din. atmósfera Océanos 93, 101186 (2021).

Artículo Google Académico

Shibuya, R., Takayabu, Y. & Kamahori, H. Dinámica de eventos de precipitación extrema generalizados y el entorno a gran escala asociado utilizando datos de AMeDAS y JRA-55. J. Clim. 34(22), 8955–8970 (2021).

ANUNCIOS Google Académico

Miyajima, J. & Fujibe, F. Climatología de precipitaciones extremas en Japón para diferentes escalas de tiempo. SOLA 7, 157–160 (2011).

Artículo ANUNCIOS Google Académico

Karl, TR & Knight, RW Tendencias seculares de la cantidad, frecuencia e intensidad de las precipitaciones en los Estados Unidos. Toro. Soy. Meteorito. Soc. 79, 231–242 (1998).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0477%281998%29079%3C0231%3ASTOPAF%3E2.0.CO%3B2" aria-label="Article reference 29" data-doi="10.1175/1520-0477(1998)0792.0.CO;2">Artículo ANUNCIOS Google Académico

Kato, T. Estructura del sistema de precipitación en forma de banda que induce las fuertes lluvias observadas en el norte de Kyushu, Japón, el 29 de junio de 1999. J. Meteorol. Soc. Jpn 84, 129–153 (2006).

Artículo ANUNCIOS Google Académico

Bluestein, HB, Marx, GT y Jain, MH Formación de líneas de precipitación de mesoescala: líneas de turbonada no severas en Oklahoma durante la primavera. Lun. Weather Rev. 115(11), 2719–2727 (1987).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281987%29115%3C2719%3AFOMLOP%3E2.0.CO%3B2" aria-label="Article reference 31" data-doi="10.1175/1520-0493(1987)1152.0.CO;2">Artículo ANUNCIOS Google Académico

Browning, KA et al. Estructura de una tormenta de granizo en evolución, parte V: Síntesis e implicaciones para el crecimiento y la supresión del granizo. Lun. Weather Rev. 104 (5), 603–610 (1976).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281976%29104%3C0603%3ASOAEHP%3E2.0.CO%3B2" aria-label="Article reference 32" data-doi="10.1175/1520-0493(1976)1042.0.CO;2">Artículo ANUNCIOS Google Académico

Ninomiya, K. Características a escala grande y meso-α del frente de Meiyu/Baiu asociadas con lluvias intensas del 1 al 10 de julio de 1991. J. Meteorol. Soc. Jpn II 78(2), 141–157 (2000).

Artículo ADS MathSciNet Google Scholar

Davidson, NE, Kurihara, K., Kato, T., Mills, G. y Puri, K. Dinámica y predicción de un evento de lluvia extrema de mesoescala en el frente baiu sobre Kyushu, Japón. Lun. Weather Rev. 126 (6), 1608–1629 (1998).

2.0.CO;2" data-track-action="article reference" href="https://doi.org/10.1175%2F1520-0493%281998%29126%3C1608%3ADAPOAM%3E2.0.CO%3B2" aria-label="Article reference 34" data-doi="10.1175/1520-0493(1998)1262.0.CO;2">Artículo ANUNCIOS Google Académico

Pall, P., Allen, M. & Stone, D. Prueba de la restricción de Clausius-Clapeyron sobre los cambios en la precipitación extrema bajo el calentamiento del CO2. Clima Din. 28, 351–363 (2007).

Artículo Google Académico

Allen, MR & Ingram, WJ Restricciones sobre los cambios futuros en el clima y el ciclo hidrológico. Naturaleza 419, 224–232 (2002).

Artículo ADS CAS PubMed Google Scholar

Payne, AE et al. Respuestas e impactos de los ríos atmosféricos al cambio climático. Nat. Rev. Medio Ambiente. 1(3), 143–157 (2020).

Artículo ANUNCIOS Google Académico

Martinkova, M. & Kysely, J. Descripción general de la escala de precipitaciones extremas observada de Clausius-Clapeyron en latitudes medias. Atmósfera 11(8), 786 (2020).

Artículo ANUNCIOS Google Académico

Drobinski, P., Alonzo, B., Bastin, S., Silva, ND y Muller, C. Escalamiento de extremos de precipitación con temperatura en la región mediterránea francesa: ¿Qué explica la forma de gancho?. J. Geophys. Res. atmósfera 121(7), 3100–3119 (2016).

Artículo ANUNCIOS Google Académico

Yin, G., Yoshikane, T., Yoshimura, K., Yamamoto, K. & Kubota, T. Un método basado en máquinas de vectores de soporte para mejorar el pronóstico de precipitación por hora en tiempo real en Japón. J. Hydrol. 612, 128125. https://doi.org/10.1016/j.jhydrol.2022.128125 (2022).

Artículo Google Académico

Roe, GH Precipitación orográfica. año Rev. Planeta Tierra. ciencia 33(1), 645–671 (2005).

Artículo ADS CAS Google Académico

Chang, J., Tanaka, T. & Tachikawa, Y. Análisis de frecuencia de eventos de lluvias extremas pasadas y futuras en Taiwán usando d4PDF. J. Jpn. Soc. Ing. Civil B 78(2), 457–462 (2022).

Google Académico

Ishii, M. & Mori, N. d4PDF: simulaciones climáticas de gran conjunto y alta resolución para la evaluación del riesgo del calentamiento global. Prog Earth Planet Sci 7(1), 1–22 (2020).

Artículo Google Académico

Smola, AJ & Schölkopf, B. Un tutorial sobre la regresión de vectores de soporte. Estadística computar 14, 199–222 (2004).

Artículo MathSciNet Google Académico

Al-Anazi, AF & Gates, ID Soporte de regresión vectorial para predecir la porosidad y la permeabilidad: efecto del tamaño de la muestra. computar Geosci. 39, 64–76 (2012).

Artículo ANUNCIOS Google Académico

Cherkassky, V. & Ma, Y. Selección práctica de parámetros de SVM y estimación de ruido para la regresión de SVM. Red neuronal 17(1), 113–126. https://doi.org/10.1016/S0893-6080(03)00169-2 (2004).

Artículo PubMed MATEMÁTICAS Google Académico

Liu, P., Choo, KKR, Wang, L. & Huang, F. ¿SVM o aprendizaje profundo? Un estudio comparativo sobre la clasificación de imágenes de teledetección. Suave. computar 21(23), 7053–7065. https://doi.org/10.1007/s00500-016-2247-2 (2017).

Artículo Google Académico

Sivapragasam, C., Liong, SY & Pasha, MFK Pronóstico de lluvia y escorrentía con el enfoque SSA-SVM. J. Hidroinf. 3(3), 141–152. https://doi.org/10.2166/hydro.2001.0014 (2001).

Artículo Google Académico

Chen, H., Chandrasekar, V., Cifelli, R. & Xie, P. Un sistema de aprendizaje automático para la estimación de la precipitación utilizando observaciones de redes de radar terrestres y satelitales. Trans. IEEE. Geosci. Sensores remotos 58(2), 982–994 (2019).

Artículo ANUNCIOS Google Académico

Ventilador, J. et al. Comparación de la máquina de vectores de soporte y el aumento de gradiente extremo para predecir la radiación solar global diaria utilizando la temperatura y la precipitación en climas subtropicales húmedos: un estudio de caso en China. Convertidores de energía. Administrar. 164, 102–111. https://doi.org/10.1016/j.enconman.2018.02.087 (2018).

Artículo Google Académico

Pedregosa, F. et al. Scikit-learn: aprendizaje automático en Python. J. Mach. Aprender. Res. 12, 2825–2830 (2011).

MathSciNet MATEMÁTICAS Google Académico

Smets, K., Verdonk, B. y Jordaan EM Evaluación de medidas de rendimiento para la selección de hiperparámetros SVR. En 2007 Conferencia Internacional Conjunta sobre Redes Neuronales. IEEE, 637–642. (2007). https://doi.org/10.1109/IJCNN.2007.4371031

Anguita, D., Ghio, A., Greco, N., Oneto, L. y Ridella, S. Selección de modelos para máquinas de vectores de soporte: ventajas y desventajas de la teoría del aprendizaje automático. En The 2010 International Joint Conference on Neural Networks (IJCNN), Barcelona, ​​España, 1–8. (2010). https://doi.org/10.1109/IJCNN.2010.5596450

Bergstra, J. & Bengio, Y. Búsqueda aleatoria para la optimización de hiperparámetros. J. Mach. Aprender. Res. 13(2), 281–305 (2012).

MathSciNet MATEMÁTICAS Google Académico

Mizuta, R. et al. Simulaciones climáticas globales de malla de 20 km utilizando estados climáticos medios del modelo JMA-GSM. J. Meteorol. Soc. Jpn. II 84(1), 165–185 (2006).

Artículo ANUNCIOS Google Académico

Makihara, Y., Uekiyo, N., Tabata, A. & Abe, Y. Precisión de la precipitación radar-AMeDAS. Trans. IEEE. común 79, 751–762 (1996).

Google Académico

Lanzante, JR, Nath, MJ, Whitlock, CE, Dixon, KW y Adams-Smith, D. Evaluación y mejora del comportamiento de la cola en el método de reducción de escala de transformación de la función de distribución acumulativa. En t. J. Climatol. 39, 2449–2460 (2019).

Artículo Google Académico

Batuwita, R. & Palade, V. Métodos de aprendizaje de desequilibrio de clases para máquinas de vectores de soporte. En Aprendizaje desequilibrado: fundamentos, algoritmos y aplicaciones. 83. (2013).

Vrac, M. y Michelangeli, PA Paquete 'CDFt'. (2015).

Tomosugi, K. & Tsuji, Y. Un estudio sobre la distribución temporal y espacial de las lluvias torrenciales (2). Análisis de estructuras correlativas a partir de datos de gran esfera de precipitación horaria. desastre Anterior Res. Inst. año 25 (B2), 141–161 (1982).

Google Académico

Descargar referencias

Este estudio fue apoyado por el Fondo de Desarrollo de Tecnología e Investigación Ambiental S-20 de la Agencia de Conservación y Restauración Ambiental de Japón (JPMEERF21S12020); Proyecto de investigación sobre medio ambiente y recursos hídricos en el Centro de Investigación de Observación de la Tierra, Agencia de Exploración Aeroespacial de Japón (JX-PSPC-533980); el Fondo de Desarrollo de Investigación y Tecnología Ambiental (JPMEERF20222002) de la Agencia de Restauración y Conservación Ambiental Proporcionado por el Ministerio de Medio Ambiente de Japón; práctica avanzada de manejo de inundaciones en cuencas usando un sistema de predicción hidrológica superficial, área de misión 'Nuevos Desafíos Sociales', Programa JST-Mirai (JPMJMI21I6); Programa Integrado de Investigación para el Avance de Modelos Climáticos (TOUGOU) (JPMXD0717935457) del MEXT; y Programa de Promoción de la Innovación Estratégica (SIP) interministerial, Oficina del Gabinete, Gobierno de Japón (https://www8.cao.go.jp/cstp/gaiyo/sip/). Los datos GSM-GPV y MSM-GPV se obtuvieron de los archivos de los laboratorios Oki/Kanae y Kitsure-gawa del Instituto de Ciencias Industriales (IIS) de la Universidad de Tokio, respectivamente. Los datos de Radar-AMeDAS, proporcionados por la JMA, están disponibles en línea en el Centro de apoyo empresarial meteorológico de Japón (JMBSC) en http://www.jmbsc.or.jp/en/index-e.html. Las resoluciones originales de los datos eran 0,0125° horizontalmente y 0,008333° meridional. Los datos de MSM-GPV, que también fueron proporcionados por JMA, están disponibles en línea en JMBSC en http://www.jmbsc.or.jp/en/index-e.html. Las resoluciones originales de los datos eran 0,0625° horizontalmente y 0,05° meridional. Los datos de d4PDF se obtuvieron del sitio oficial de d4PDF (http://www.miroc-gcm.jp/~pub/d4PDF/index_en.html) y están disponibles en línea en el Sistema de análisis e integración de datos (DIAS) en https: //diasjp.net/es/.

Instituto de Ciencias Industriales, Universidad de Tokio, 5-1-5, Kashiwanoha, Kashiwa-Shi, Chiba, 277-8574, Japón

Takao Yoshikane y Kei Yoshimura

También puede buscar este autor en PubMed Google Scholar

También puede buscar este autor en PubMed Google Scholar

TY escribió el texto principal del manuscrito y TY preparó todas las figuras. Todos los autores revisaron el manuscrito.

Correspondencia a Takao Yoshikane.

Los autores declaran no tener conflictos de intereses.

Springer Nature se mantiene neutral con respecto a los reclamos jurisdiccionales en mapas publicados y afiliaciones institucionales.

Acceso abierto Este artículo tiene una licencia internacional Creative Commons Attribution 4.0, que permite el uso, el intercambio, la adaptación, la distribución y la reproducción en cualquier medio o formato, siempre que se otorgue el crédito correspondiente al autor o autores originales y a la fuente. proporcionar un enlace a la licencia Creative Commons e indicar si se realizaron cambios. Las imágenes u otro material de terceros en este artículo están incluidos en la licencia Creative Commons del artículo, a menos que se indique lo contrario en una línea de crédito al material. Si el material no está incluido en la licencia Creative Commons del artículo y su uso previsto no está permitido por la regulación legal o excede el uso permitido, deberá obtener el permiso directamente del titular de los derechos de autor. Para ver una copia de esta licencia, visite http://creativecommons.org/licenses/by/4.0/.

Reimpresiones y permisos

Yoshikane, T., Yoshimura, K. Un método de reducción de escala y corrección de sesgo para simulaciones de conjuntos de modelos climáticos de precipitación horaria a escala local. Informe científico 13, 9412 (2023). https://doi.org/10.1038/s41598-023-36489-3

Descargar cita

Recibido: 18 febrero 2023

Aceptado: 05 junio 2023

Publicado: 09 junio 2023

DOI: https://doi.org/10.1038/s41598-023-36489-3

Cualquier persona con la que compartas el siguiente enlace podrá leer este contenido:

Lo sentimos, un enlace para compartir no está disponible actualmente para este artículo.

Proporcionado por la iniciativa de intercambio de contenido Springer Nature SharedIt

Al enviar un comentario, acepta cumplir con nuestros Términos y Pautas de la comunidad. Si encuentra algo abusivo o que no cumple con nuestros términos o pautas, márquelo como inapropiado.