估算未来当地气候危害概率

估算未来当地气候危害概率 Theodore Wong 和 Paul Switzer 摘要 CONTENTS Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3政府、私营部门以及民间社会的决策者在制定气候变化应对计划时，如果其决策能够基于对未来气候条件和气象事件的预测以及预测不确定性信息，则能更好地规划。本技术说明文件描述了一种使用降尺度气候模型输出来预测地理定位未来气候灾害事件的概率方法。该方法提供了特定位置在未来规划周期（由用户定义）中经历指定气候灾害事件或指标的频率的概率估计。这一过程的洞察力可以支持农业、基础设施、公共卫生及其他领域的气候适应与减灾规划。 气候模型选择和校准。 5气候危害频率的估计和他们的不确定性........................... 6示例 9应用 20限制.................. 21尾注 22缩写 22参考文献................... 22承认................. 24关于作者....................... 24关于 WRI. 24....................... Background 在涉及土地、建成资产或人类群体的决策过程中，必须面对当地气候如何变化的问题。长期以来，城市和社会制度等传统社会系统已经适应了现有的气候模式。气候变化已经开始扰乱这些系统，破坏性气象条件和事件的频率增加已经引起了粮食安全（Thornton等人，2014）、交通基础设施（Nasr等人，2019；Wang等人，2019）、能源基础设施（Burillo等人，2017）、应急管理和救援（Arnell，2022）、工人安全（Moda等人，2019）、公共卫生（Ngonghala等人，2021；Rocklöv和Tozan，2019）以及其他人类活动领域研究者的关注。 技术说明文档记录了出版物、交互应用或工具背后的研究或分析方法论。 建议引用 ：Wong, T., and P Switzer. 2023."Estimating future local climate hazard probabilities." Technical Note. Washington, DC: World Resources Institute. Available online at:doi. org / 10.46830 / writn.22. 00074. v2. 全球气候模型提供了易于获取的气候变化未来信息，但这些信息对于决策者来说可能难以应用于其特定需求。例如，考虑一位道路工程师，他想知道当前的局部路面设计标准是否能在未来的降水量制度下足够适用。具体而言，了解在未来的降水模式下，特定事件发生的频率可能会很有帮助。 预期“极端”降水事件发生在规划期2050-90年，这里的极端降水事件被定义为累积量超过特定阈值的情况，可能持续四天。气候模型不会输出如四日阈值超越这样的年度事件频率，而是以模拟中多种场景下原始气象变量的小时、日或月度实例形式输出。将这些模拟输出转化为复杂气候灾害事件频率的估计是一项非平凡的任务。 在历史校准期（1980-2014年）与观测数据相匹配的观察数据中最为接近（参见“气候灾害频率估计及其不确定性”）。模型选择将取决于地理位置以及危害定义中涉及的具体气象变量。此外，所选降尺度气候模型的天气时间序列被校准以使校准模型数据与观测数据的统计特性相匹配（参见“气候模型选择与校准”）。 假设的道路工程师还需要有关预测不确定性的信息。一些决策 - 例如 ， 是否投资冗余系统或是否购买保险 - 不仅取决于危险预测 ， 还取决于预测不确定性。 然而，所有气候模型对未来预测都固有地存在不确定性，这种不确定性以概率形式表征。基本而言，一个气候模型未来危险事件的数量被视为随机变量的一个实现，然后使用贝叶斯方法论作为生成可能未来危险事件数量分布的框架，以此表达预测不确定性（关于气候危害频率及其不确定性估计的详细描述见“气候危害频率估计及其不确定性”）。 本文旨在为指定未来时期内的局部气候灾害事件频率提供估计，同时呈现此类估计的不确定性表示，基于可用气候模型提供的信息。气候模型建立于众多假设之上，其输出包含巨大的不确定性。我们的方法并未消除这一不确定性，而是以气候事件发生的概率形式来表达这种不确定性。 项目背景 该方法旨在作为Data Portal for Cities项目（GCoM 2023）的一部分生成气候适应所需的危害信息，该项目是由世界资源研究所（WRI）和全球市长气候与能源联盟（GCoM）合作进行的。全球市长气候与能源联盟（GCoM）成员城市预计将在GCoM的通用报告框架（GCoM 2018）下报告未来的气候危害概率。此方法允许我们估计这些概率以及那些危害的未来平均值。 本研究考虑的气候灾害事件是指那些可以从四个并行的日时间序列中看到或推导出来的事件，即最低温度、最高温度、日降水量和日平均相对湿度。此外，灾害事件也可以根据由上述四个提及的时间序列中的两个或多个计算得到的日时间序列来定义，例如将日温 度和湿度结合起来的热舒适度指数。 现有数据资源提供了气候灾害预测，但缺少了我们方法能提供的有用细节。例如，Climate Change Knowledge Portal（世界银行，具体日期未知）和Intergovernmental Panel on Climate Change Working Group I Atlas（Iturbide等人，2021年）提供了简单的气象变量预测。ThinkHazard!工具基于预定义指标和阈值的概率，提供了等级（即高、中、低和非常低）风险评估。1它不允许用户选择指标或关键阈值。与这些方法不同，我们的方法能够允许数据工具基于由用户提供（并且很可能直接相关于用户需求）的指标和阈值报告超出概率。 以下是危险定义的一些示例 ： ▪ ▪全年降水量超过 1, 800 毫米 ， 连续五天或更长时间 ， 最大湿润 -▪灯泡温度超过 35 ° C ▪作物从播种日期到首次秋霜的累计无降水日达六十天或以上，以及在这段时间内累积的生长度日数达到3000度。 对未来灾害事件频率的估计可以从众多气候模型每日时间序列输出的任意一个获得。这些气候模型之间必然存在分歧，并且当粗尺度全球模型被缩放以估算更高分辨率的气候现象时，可能会引入潜在偏差。我们通过关注那些经过缩放的模型来处理这种分歧， 这种方法已经在与GCoM合作确定的风险定义的基础上，在澳大利亚霍巴特、菲律宾马卡蒂、哥伦比亚托帕加和智利维塔库拉这四个GCoM城市，以及巴西坎皮纳斯市整合气候评估过程中的利益相关者中进行了试点。此外，还在数据方面进行了试点。 一组时间序列用于气候模型校准，覆盖了从1980年至2014年的历史观测数据。为此，我们使用了欧洲中期天气预报中心（ECMWF）的ERA5重新分析数据集（ECMWF 2022），这是一个具有31公里（km）空间分辨率的卫星数据产品。另一组数据集是由全球气候模型（GCMs）生成的每日时间序列输出的集合。这些时间序列包含了观测时间序列覆盖的历史年份以及感兴趣的未来特定年份。我们使用了美国国家航空航天局（NASA）的NEX-GDDP-CMIP6产品（NASA 2022），该产品包含了约25公里空间分辨率的34个耦合模型互相比较项目（CMIP6）阶段6的输出结果。CMIP6是一个协调多个研究机构以标准化模型输出以进行比较的项目（Eyring 2016）。在NEX-GDDP-CMIP6中包含的34个模型中，有30个涵盖了所有感兴趣年份的所有感兴趣变量。这些模型在表1中列出。 面向UrbanShift和Cities4Forests平台的仪表板，由沃尔玛基金会资助的原型AgriAdapt农业气候风险评估工具，以及一个由彭博慈善基金会支持的项目，用于描述全球升温1.5°C和2.0°C情景下的城市气候灾害。 DATA 数据源 本方法需要两种类型的数据：每日气象变量的历史时间序列以及一个模型化的时间序列，该时间序列的时域覆盖了历史序列和感兴趣的未来年份。该方法仅需要一个模型序列，但我们提供了一种从更大模型集合中选择表现最佳模型的方法。本方法不依赖于特定的数据源选择，例如空间或时间范围、空间分辨率或温室气体排放情景。以下是我们在开发方法时使用的数据来源名称。 表1还列出了每个包含模型的模型家族。Kuma等人（2023）发现，在模型比较项目中所包含的许多气候模型共享算法和代码。这是因为研究机构通常会互相分享模块化代码组件，而研究人员在开发新一代模型时也会普遍重用代码。从不同模型合并或对比结果可能低估变异性，如果不考虑共享同一家族的模型之间的内在相似性。正如我们所描述的， 以下是我们的策略，确保我们始终报告来自不同模型家族的模型结果。 （参见Sanderson等人的[2017]文章，了解利用模型集合信息的替代方法。） NEX-GDDP-CMIP6 提供了基于共享经济社会路径（SSPs；Riahi 等人，2017 年）的多个温室气体排放情景。我们采用了 SSP5-8.5，该情景整合了最接近历史排放量并反映了可能的未来排放情景的高排放情景。 在选择最佳模型时，决策将取决于指定的地理位置和与指定灾害事件定义相关的特定天气变量。对于结合了多个天气变量的灾害，我们建议根据针对该灾害计算的RMSE（均方根误差）来选择表现最好的单一模型，而不是针对其组成部分变量中的任何一个。 在CMIP6模型中，仅使用了自2015年开始的排放路径。对于2014年及更早的年份，大气组成由历史上的自然和人为驱动的过程驱动。我们所选择的历史年范围截至2014年，以便我们可以区分历史气候和由排放驱动的气候考虑。 特定灾害事件的发生情况是从相关气象变量的日时间序列中确定的，如日最高近地面气温、日最低温度和日降水量。 气候模型校准 然后我们校准最佳模型以更好地与历史数据对齐；也就是说，我们将气候模型输出数据调整得更接近历史数据分布。为此，对于选定的每个气候模型，相关气象变量数据都会重新校准，使得校准模型数据汇总的每日值的边际频率分布大约与对应的历史时期（1980-2014年）汇总观测数据的边际频率分布相匹配。时间序列数据的边际分布是指将每日气象变量测量值视为一组数字的样本所考虑的频率分布。 气候模型选择和校准 气候模型选择 我们在特定地理区域为特定气象变量选择表现最佳的气候模型。比较模型输出时间序列与1980年至2014年历史期间对应的观测时间序列。我们将35年的历史时期分为140个季度，并找到每个季度对感兴趣气象变量的平均值。计算模型输出的140个季度平均值与对应的历史平均值之间的均方根误差（RMSE）差异。我们对NEX-GDDP-CMIP6中的30个模型进行此操作，并根据其与历史期间观测数据的RMSE对模型进行排名。目标是选择与指定位置观测到的相关气象变量季节气候最匹配的降尺度模型，而非每日观测。我们注意到，对于气象值的平均值表现良好的模型可能在极端值上表现不佳。解决这一潜在缺陷的模型选择方法是未来研究的主题。 我们将模型频率分布与历史数据对齐，通过调整模型分布的百分位数来实现。例如，如果模型百分位数的20% 对应于观测值的30% 百分位数，那么观测值的30% 百分位数则会应用于此场景。已校准模型数据将对应于未校准模型数据的第20百分位 。校准通过百分位-百分位（P-P）图实现。（参见Holmgren [1995] 对P-P图的讨论。）具体来说，P-P图展示了横轴上观察到的日值中，小于或等于模型数据p百分位的值所占的比例（纵轴），对于p介于0%和100%之间的值。以下是P-P校准的算法描述。 百分位校准的灵活性允许模型数据在分布的不同部分既向上又向下移动。尽管将模型数据校准到观察值通常使用参数线性回归方法