Εκτιμούμενες κλιματικές αλλαγές στον ελληνικό χώρο κατά τη διάρκεια του 21ου αιώνα με τη χρήση κλιματικών μοντέλων

Abstract

The present PhD thesis is a contribution to the study of downscaling issues, as well as to the development of future scenarios concerning the rainfall conditions over the Greek area. More specifically, the study focuses on the estimation of the future changes of the seasonal rainfall and seasonal raindays in Greece, during the period 2070-2100. For this purpose, the data derived for an atmospheric general circulation model (HadAM3P-Hadley Center), were employed, in addition to a statistical downscaling model, based on artificial neural networks. On a first step, an attempt was made to evaluate the skill of the HadAM3P model to simulate the connections between the predictors, which will be used in the downscaling model, and the predictants (rainfall, raindays). It was found that the atmospheric model was able to capture and reproduce satisfactorily the relationship between the atmospheric circulation at the 500hPa level and precipitation, the links between the 500hPa variability and the precipitation variability, as well as the connections between the precipitation data and the circulation types. On the other hand, the model was found inadequate to reproduce the seasonal precipitation amounts and the seasonal raindays, due to the coarse spatial resolution of its data, which is not able to sufficiently describe the structure of the earth’s surface, especially for Greece, where the topography is complex. So, the need for a downscaling application is crucial, in order to bridge the gap between the large -scale GCM information and local scales. Furthermore, the statistical downscaling model based on an artificial neural network approach was employed, in order to provide empirical transfer functions for the definition and the relation, in a statistical way, of the independent variables (predictors) and the dependent variables (predictants). It was concluded that the configuration of the model, with one hidden layer with 12 nodes, provided the best and most stable results. Also, two sets of predictors, one circulation - based (500hPa) and its combination (scores - 500hPa) with surface specific humidity and raw precipitation data, were found as the most efficient ones in generating seasonal precipitation and raindays. It was found that the statistical model was able to reproduce satisfactorily the observed parameters for winter and spring, while for the other two seasons the results were moderate. Its performance skill in reproducing the time evolution of the series were very high, whilst the downscaling technique was found week in capturing well the natural variability of the observed time series. Generally, the raindays were better reproduced than the seasonal precipitation and the combined predictor improved the results in most of the cases. Finally, the agreement between the indirect and the direct (HadAM3P) future estimations of the selected parameters depend on the scenarios, the season and the predictor. The downscaled climate change signal for both precipitation and raindays, partly for winter and especially for spring is similar to the signal from the HadAM3P direct output: a decrease of the parameters is predicted over the study area. However, the amplitude of the changes is different.

Η παρούσα διδακτορική διατριβή αποτελεί μια συμβολή στη μελέτη θεμάτων υποβιβασμού κλίμακας, καθώς και στην ανάπτυξη σεναρίων που αφορούν στη βροχόπτωση στον ελλαδικό χώρο. Πιο συγκεκριμένα, επιχειρήθηκε η εκτίμηση των αλλαγών που θα λάβουν χώρα στα εποχιακά ύψη βροχής και στις ημέρες βροχής κατά τη μελλοντική περίοδο 2070-2100. Για την επίτευξη του στόχου αυτού, χρησιμοποιήθηκαν τα δεδομένα του ατμοσφαιρικού μοντέλου γενικής κυκλοφορίας HadAM3P-Hadley Center, καθώς και ένα στατιστικό μοντέλο υποβιβασμού κλίμακας, βασισμένο στην τεχνολογία των τεχνητών νευρωνικών δικτύων. Στο πρώτο στάδιο της μελέτης αξιολογήθηκε η ικανότητα του HadAM3P να προσομοιώσει τις σχέσεις ανάμεσα στις ανεξάρτητες μεταβλητές - προγνώστες, που θα χρησιμοποιηθούν για τους σκοπούς του υποβιβασμού κλίμακας, και στις εξαρτημένες μεταβλητές (βροχόπτωση, ημέρες βροχής). Φάνηκε ότι το μοντέλο μπορεί να αναπαράγει σε ικανοποιητικό βαθμό τη σχέση μεταξύ της κυκλοφορίας στη στάθμη των 500hPa και στη βροχόπτωση, τη σχέση ανάμεσα στη μεταβλητότητα της ατμοσφαιρικής κυκλοφορίας και στη μεταβλητότητα της βροχόπτωσης, όπως επίσης και τις σχέσεις ανάμεσα στους τύπους κυκλοφορίας και στη βροχόπτωση. Αντίθετα, το μοντέλο βρέθηκε ανεπαρκές στην αναπαραγωγή των ίδιων των υψών αλλά και των ημερών βροχής, γεγονός που οφείλεται κατά κύριο λόγο στη μεγάλη χωρική ανάλυση του μοντέλου, που δε δίνει τη δυνατότητα να ληφθούν υπόψη τα τοπικά χαρακτηριστικά της περιοχής μελέτης. Κρίθηκε, έτσι, απαραίτητη η εφαρμογή ενός στατιστικού μοντέλου υποβιβασμού κλίμακας, στα δεδομένα του HadAM3P, ώστε να προσαρμοστούν καλύτερα στις τοπικές συνθήκες και στα χαρακτηριστικά του ελληνικού χώρου. Ακολούθως, κατασκευάστηκε το στατιστικό μοντέλο υποβιβασμού κλίμακας τεχνητών νευρωνικών δικτύων, με στόχο να βρεθούν εμπειρικές σχέσεις ανάμεσα στις μεταβλητές μεγάλης κλίμακας και στις εξαρτημένες μεταβλητές. Η καταλληλότερη δομή και αρχιτεκτονική του μοντέλου, που έδωσε τα βέλτιστα και τα σταθερότερα αποτελέσματα, είναι αυτή με ένα εσωτερικό επίπεδο και δώδεκα νευρώνες. Επίσης, ένας προγνώστης κυκλοφορίας (500hPa) καθώς και ο συνδυασμός των scores των γεωδυναμικών στη στάθμη αυτή με την ειδική υγρασία και την ίδια τη βροχόπτωση (ημέρες βροχής) σε συγκεκριμένα σημεία πλέγματος, θεωρήθηκαν, ανάμεσα σε ένα πλήθος προγνωστών, ως οι δύο πιο κατάλληλοι για την περαιτέρω ανάλυση. Το στατιστικό μοντέλο μπόρεσε να αναπαράγει, κατά την περίοδο αξιολόγησης, τα εποχιακά ύψη βροχής και τις ημέρες βροχής, κυρίως του χειμώνα και της άνοιξης, ενώ το καλοκαίρι και το φθινόπωρο η απόδοσή του ήταν χαμηλότερη. Βρέθηκε, επίσης, ότι η ικανότητά του να προσομοιώσει τη χρονική εξέλιξη των χρονοσειρών είναι ιδιαίτερα υψηλή, ενώ αντίθετα δεν μπόρεσε να προσομοιώσει με επιτυχία τη φυσική μεταβλητότητα των πραγματικών χρονοσειρών. Γενικά, οι ημέρες βροχής αναπαράγονται καλύτερα από ότι η εποχιακή βροχόπτωση και ο συνδυασμένος προγνώστης βελτίωσε τα αποτελέσματα στις περισσότερες των περιπτώσεων. Τέλος, οι μελλοντικές προβλέψεις, κατά την έμμεση εφαρμογή του στατιστικού μοντέλου υποβιβασμού κλίμακας, αλλού συμφωνούν και αλλού έρχονται σε αντίθεση με τα άμεσα αποτελέσματα του HadAM3P. Οι διαφοροποιήσεις αυτές ποικίλουν από εποχή σε εποχή, από σενάριο σε σενάριο και από τον ένα προγνώστη στον άλλον. Τα άμεσα και τα έμμεσα αποτελέσματα συμφωνούν κυρίως το χειμώνα και την άνοιξη, όπου εκτιμάται μείωση των εποχιακών υψών βροχής και των ημερών βροχής. Όμως, και σε αυτές τις περιπτώσεις, το μέγεθος των αλλαγών που προβλέπεται είναι διαφορετικό.