ВОЗНИКНОВЕНИЕ ХОЛОДНЫХ ЧАР В АЛЬПАХ, СВЯЗАННЫХ С ИЗМЕНЕНИЕМ КЛИМАТА

Возникновение холодных чар в Альпах, связанных с изменением климата

Изменение климата - это не только вероятная перспектива конца этого века, но и уже происходит. Частично изменения будут включать глобальное потепление и возрастающую изменчивость температуры как в глобальном, так и в региональном масштабе. Эта повышенная изменчивость была исследована в данной статье с точки зрения появления похолоданий в Альпах в будущем климате (2071–2100 гг.) По сравнению с нынешним климатом (1961–1990 гг.). С этой целью была проведена регионализация последствий изменения климата в пределах Альп. Чтобы избежать возможных ошибок в оценке температуры воздуха на расстоянии 2 м, анализ проводился по температуре поверхности почвы. Чтобы получить реалистичные значения для этой переменной, для выбранного домена была запущена схема поверхности земли, UTOPIA, использование результатов моделирования Региональной климатической модели (RegCM3) в качестве движущей силы. Результаты показывают, что в целом количество холодных перерывов в Альпах сокращается из-за повышения температуры. Однако есть определенные зоны, где поведение более сложное. Анализ выходных данных модели также позволил установить связь между количеством холодных перерывов и их продолжительностью. Была оценена значимость этих результатов для всей территории.

Ключевые слова: похолодания ; изменение климата ; ЛСПМ ; УТОПИЯ ; экстремальные климатические условия

1. Введение

В научном сообществе существует общее мнение о важности процессов на поверхности суши как ключевого компонента климатической системы. Почва очень важна из-за ее роли в регулировании атмосферного энергетического и водного баланса и, следовательно, влиянии на ее динамику, обеспечивая как энергию, так и водяной пар. Несколько иные условия по некоторым параметрам, таким как влажность почвы и температура, могут повлиять на стабильность пограничного слоя и, как следствие, всей тропосферы. Стабильность атмосферы является фундаментальным моментом в описании конвективных явлений, которые определяют образование кучевых облаков и, в конечном итоге, выпадение осадков [ 1 ].

Почва, обладающая большей способностью накапливать энергию и воду, имеет большее время отклика, чем атмосфера, на внешние воздействия. Поток энергии, поступающий в почву, обусловлен поступающим чистым излучением от вышеуказанных слоев атмосферы (или от растительности, льда или снега). Этот вход, когда он положительный, увеличивает температуру почвы, передавая энергию от поверхности к более глубоким слоям (кондуктивный тепловой поток). Поверхность почвы теряет часть этого положительного потока энергии, генерируя турбулентные тепловые потоки, направленные в атмосферу: прямое нагревание составляет явный тепловой поток, в то время как скрытая энергия, участвующая в испарении жидкой воды, составляет скрытый тепловой поток [ 1 ].

В последние годы научное сообщество обратило внимание на изменения частоты и интенсивности экстремальных климатических явлений, которые могут сопровождать глобальное потепление [ 2 ]. Как на глобальном, так и на региональном уровне есть убедительные свидетельства таких крайностей [ 3 ]. Согласно сценариям выбросов МГЭИК [ 4 ], многие модели глобального климата (ГКМ) производят моделирование климата, чтобы приблизиться, среди многих других проблем, к изучению возникновения периодов потепления и холода в 21 веке [ 5 ]. Современные вычислительные ресурсы позволяют масштабировать результаты глобального моделирования до регионального масштаба с помощью моделей ограниченной области [ 6 , 7], а исследования климатических экстремальных последовательностей проводятся с более высоким разрешением [ 8 , 9 ].

В данной работе внимание сосредоточено на долине реки По и альпийской области. Целью данной работы является изучение продолжительности и частоты периодов похолодания в температуре почвы в Альпийском регионе в связи с изменением климата. Таким образом, изучаемыми крайностями в данном случае являются частота и продолжительность холодных перерывов. Анализ проводился с учетом температуры почвы, поскольку эта переменная демонстрирует меньше шума, чем температура воздуха в своем временном ряду, из-за того, что удельная теплоемкость почвы больше, чем у воздуха.

Подобные исследования важны, потому что пользователей климатической информации часто беспокоит высокая частота экстремальных погодных явлений, происходящих в конкретном регионе [ 10 ], особенно потому, что климатологи широко согласны с тем, что изменение климата может привести к повышенной изменчивости [10]. 11 ]. Кроме того, Альпийский регион является ключевым регионом для Европы, поскольку он является источником многих важных рек [ 12 ], и изменение климата там может затронуть многих людей. Изменение климата в Альпах вызвало прирост температуры, который почти вдвое превышает тенденции, наблюдаемые в глобальном масштабе, а это означает, что климатическая система в этом регионе обладает большим количеством обратных связей [ 13]. Литература по такого рода исследованиям обширна, и пример исследований можно найти в [ 14 ].

Методика, принятая в контексте этой работы, представляет собой метод временного ряда, при котором рассчитывается количество последовательных дней низкой температуры (определение этого понятия дано в разделе 3 ), и количество таких событий анализируется так, чтобы оно было можно определить различный тип реакции на изменение климата в различных альпийских регионах или глобальную реакцию на всей территории, исследуемой в данном исследовании.

Данные, используемые для использования вышеупомянутой техники, получены в результате цепочки моделирования. Региональная климатическая модель RegCM3, в которой использовались выходные данные глобальной климатической модели HadAMH, поскольку ее входные данные определялись нынешним (1961–1990) и будущими (2071–2100) климатическими сценариями, использовались в качестве источника метеорологических данных в уровень экрана. Впоследствии они использовались для построения схемы земной поверхности, UTOPIA, в каждой точке сетки целевой области, а данные о суточных температурах почвы были извлечены из выходной базы данных.

Раздел 2 подробно описывает модели, использованные в этом исследовании, и конкретные данные, использованные в работе; Раздел 3 дает описание методологии работы; и Раздел 4 перечисляет и обсуждает результаты.

2. Модели, задействованные в исследовании

Только схема поверхности суши UTOPIA (Взаимодействие земельных процессов с атмосферой Университета TOrino), описанная в разделе 2.2 , была непосредственно использована для этого исследования. Однако, как указано в разделе 3 , входные данные, используемые UTOPIA, были получены в результате моделирования, проведенного другими исследователями [ 15 , 16 , 17 ] с использованием региональной климатической модели RegCM3, поэтому эта модель также описана в разделе 2.1 . Другой соответствующий набор данных, используемый UTOPIA и RegCM3, обсуждается в разделе 3 .

2.1. RegCM3

Самая ранняя версия Региональной климатической модели (RegCM) была первоначально предложена [ 6 ] и [ 7 ], чтобы использовать модели ограниченного района в качестве инструмента для региональных исследований климата и в качестве метода увеличения количества деталей в описании. климата, доступного по результатам ГКМ. Очевидно, что для моделирования региональных климатических моделей требуются зависящие от времени граничные условия, которые обычно предоставляются с помощью прогона GCM.

Третья и текущая версия RegCM, далее именуемая RegCM3, основана на гидростатической версии пятой версии NCAR и мезомасштабной модели (MM5) Университета штата Пенсильвания [ 18 ]. RegCM3 - это примитивное уравнение, гидростатическая сжимаемая σ -вертикальная координатная модель.

RegCM3 включает несколько физических пакетов, каждый из которых представляет определенные явления. При обработке осадков учитываются как осадки в масштабе сетки [ 19 ], так и подсеточные процессы, которые имеют решающее значение как источник ошибок при моделировании климата [ 4 ]. Реализованные подсеточные схемы осадков описаны в [ 20 , 21 , 22 , 23 , 24 ]. Физика поверхностных процессов описана в соответствии с Руководством по схеме переноса биосферы в атмосферу (BATS) [ 25 ]. Подсеточные различия как в топографии, так и в землепользовании учитываются с использованием мозаичного подхода [ 26 ].

Более подробную информацию о физике модели и параметризации можно найти в документации MM5 [ 18 ] и в документации текущей версии [ 27 ], а [ 28 ] и [ 29 ] описывают предыдущие версии RegCM.

RegCM3 был запущен и протестирован в различных контекстах, пространственных масштабах и проанализировал широкий круг научных проблем. Примеры его использования можно найти для исследований изменения климата [ 15 , 16 , 17 , 30 ], качества воздуха [ 31 ], водных ресурсов [ 32 ], экстремальных явлений [ 33 ], сельского хозяйства [ 34 ], изменения земного покрова [ 35 ]). и взаимодействия биосферы и атмосферы [ 36 ].

2.2. УТОПИЯ

Модель UTOPIA - это обновленная версия предыдущей модели, которая до 2009 года называлась «Модель наземных процессов на поверхности» (LSPM), разработанная в Туринском университете одним из авторов с 1989 года [ 37 ] и впоследствии обновленная и улучшенная несколько раз. . UTOPIA - это диагностическая одномерная схема SVAT (перенос почвы-растительности-атмосферы), которую можно использовать как автономную модель, так и в сочетании с моделью атмосферной циркуляции, выступая в качестве ее нижнего граничного условия. Все подробности о его использовании и функциях полностью описаны в [ 38 ].

Область UTOPIA можно разделить по вертикали на три основные зоны: почва, растительность и атмосферный слой внутри и над слоем растительного покрова. Переменные в основном диагностируются в слоях почвы и растительности. Сам навес представлен в виде единого равномерного слоя ( большой листприближение), свойства которого описываются растительным покровом и высотой, индексом площади листа, альбедо, минимальным устьичным сопротивлением, размером листа, коэффициентом излучения и глубиной корня. Состояние почвы описывается ее температурой и влажностью. Эти переменные рассчитываются путем интегрирования уравнений сохранения массы тепла и воды с использованием многослойной схемы. Основными параметрами являются: теплопроводность и гидравлическая проводимость, пористость почвы, температура стойкого увядания, сухая теплоемкость, альбедо поверхности и коэффициент излучения. Также учитывается возможное наличие снега, рассматриваемого как один слой.

Подпрограммы UTOPIA оценивают баланс между входящей коротковолновой солнечной радиацией и входящей и исходящей длинноволновой радиацией. Другие учитываемые обмены энергией между почвой и атмосферой включают турбулентные потоки явного (SHF) и скрытого (LHF) тепла, а также турбулентный перенос количества движения и водяного пара (последний пропорционален LHF). Эти потоки вычисляются с использованием формулировки электрического аналога, в которой потоки прямо пропорциональны градиентам связанных скаляров и обратно пропорциональны адекватному сопротивлению.

UTOPIA является диагностической моделью, поэтому некоторые наблюдения в атмосферном слое необходимы в качестве граничных условий. К ним относятся температура воздуха, влажность, давление, скорость ветра, облачность, приходящая длинноволновая и коротковолновая радиация и количество осадков. Обычно, если UTOPIA запускается автономно, эти наблюдения представляют собой измеренные значения с последующим восстановлением недостающих данных с использованием адекватных методов интерполяции. В этой работе ввод UTOPIA напрямую берется из вывода RegCM3. Среди нескольких результатов, оцененных UTOPIA, в этом исследовании особое внимание уделяется температуре почвы.

LSPM, для которого модель UTOPIA представляет собой обновленную преемницу, был протестирован несколько раз с использованием экспериментальных данных, измеренных в полевых кампаниях, или в сочетании с моделями атмосферной циркуляции. Среди нескольких примеров, представленных в литературе, мы резюмируем наиболее важные. [ 39 ] сравнили LSPM и BATS в долине реки По; [ 40 ] изучали его зависимость от инициализации; [ 41 ] использовали LSPM для изучения поверхностной энергии и гидрологического баланса в синоптическом масштабе; [ 42 , 43 ] использовали LSPM для анализа двух экстремальных наводнений в Пьемонте (Италия); в [ 44] LSPM использовался для изучения аномальной жары 2003 г. в Пьемонте; LSPM применялся к другим неевропейским климатам, связанным с очень засушливыми местами [ 45 , 46 ] или с наступлением азиатских муссонов [ 47 ]. Самым последним приложением является объединение модели UTOPIA с моделью исследования и прогноза погоды (WRF) и применение WRF-UTOPIA к внезапному наводнению, вызванному тайфуном на суше, и к исключительно дождливому периоду 2008–2009 годов в Северо-Западном регионе. Италия [ 48 ].

3. Описание работы

Рассмотрены три 30-летних периода. Первый, репрезентативный для нынешнего климата (1961–1990 гг.), Полезен как критерий сравнения характеристик модели при описании будущих климатических сценариев; в дальнейшем он будет называться настоящий климат, или ПК. Два других представляют последние годы 21 века (2071–2100 гг.) Согласно сценариям МГЭИК A2 и B2 [ 4 ]. Здесь мы помним, что сценарий A2 предполагает региональную устойчивость и адаптацию, тогда как сценарий B2 предполагает все еще адаптацию, но местную устойчивость; концентрация углекислого газа выше для сценария A2, чем для сценария B2. Эти два сценария будущего климата в дальнейшем будут обозначаться как A2 и B2, соответственно, и в целом как будущий климат (FC).

Входные данные, используемые в этой работе, являются выходными данными RegCM3, принадлежащими сценариям PC, A2 и B2 [ 15 , 16 , 17 ]. Эти выходные данные были выбраны для этого исследования, потому что они являются одним из существующих наборов данных с самым высоким разрешением, доступным в настоящее время (около 20 км).

Моделирование, выполненное с помощью RegCM3, было основано на результатах моделирования, выполненного с помощью HadAMH (глобальная климатическая модель центра Хэдли) с использованием сетки большого размера. 1 .25∘1.25∘ по широте и 1 .875∘1.875∘по долготе и SST (температура поверхности моря) из прогона HadCM3 [ 15 , 16 ].

Область, выбранная для этого исследования, представляет собой прямоугольную мезомасштабную область с долготами в диапазоне от 6∘6∘ E к 15∘15∘ E и чьи широты варьируются от 43 год∘43 год∘ N к 47∘47∘N. Эта область включает большую часть Альпийского региона и бассейн реки По. В этой области, в результате чего на суше было получено 720 точек сетки, были извлечены следующие выходные данные RegCM3: температура воздуха, влажность, давление и ветер на уровне поверхности RegCM3, осадки, коротковолновое и длинноволновое излучение.

Анализ периодов холода является целью данной статьи, и мы решили использовать температуру почвы вместо температуры воздуха в качестве исходных данных для оценки периодов холода, чтобы иметь возможность анализировать температуру почвы в альпийской зоне. , необходимо было рассчитать их по модели UTOPIA. По этой причине модель UTOPIA использовалась в течение 30 лет для каждой из 720 точек сетки и каждого из трех сценариев (ПК, A2 и B2). Здесь важно подчеркнуть, что для исключения любого возможного источника аномалии, вызванного использованием различных входных данных, неравномерности сетки или отсутствующей интерполяции наблюдений в анализе, компьютерное моделирование также проводилось с использованием той же методологии и модель, используемая для будущего моделирования климата, вместо использования наблюдений.

Чтобы гарантировать численную стабильность модели UTOPIA, все выходные данные RegCM3 (кроме осадков), доступные каждые 3 часа, были интерполированы каждый час с использованием кубического сплайна [ 49 ], в то время как осадки просто перераспределялись с учетом постоянной скорости. Почва была сконфигурирована так, чтобы включать 10 слоев. Толщина каждого слоя начинается с 5 см в верхнем слое, затем постепенно удваивается до самого нижнего слоя глубиной примерно 25 м, который следует интерпретировать как граничную зону релаксации. Характеристики почв взяты из базы данных ECOCLIMAP [ 50 ]. Предполагается, что растительность представляет собой короткую траву повсюду на территории, и схема замораживания почвы не использовалась. Обе эти особенности все еще находятся на экспериментальной стадии, даже если недавние результаты в [ 51] предоставляют допустимые методы для преодоления по крайней мере второго приближения. Исходные значения влажности почвы и температуры устанавливались согласно [ 38 ].

После того, как температура почвы в каждом слое почвы была рассчитана с помощью модели UTOPIA, данные были обработаны следующим образом. Период похолодания определялся как период, в течение которого среднесуточная температура ниже0∘C0∘C. Это определение можно было бы использовать для анализа температуры почвы в каждом слое почвы, рассматриваемом в конфигурации модели UTOPIA, но исследование проводилось с упором только на верхний слой почвы. Чрезвычайно важно еще раз подтвердить здесь, что основная причина, по которой для исследования холодных перерывов была выбрана температура почвы, а не 2-метровая температура или температура на любом другом уровне атмосферы, заключается в том, что первый из них демонстрирует меньший шум во временном ряду. потому что теплоемкость почвы больше, чем у воздуха.

4. Результаты и обсуждение

4.1. Категоризация тенденций частоты перерывов в переохлаждении в зависимости от их продолжительности

Среди точек моделирования, упомянутых в Разделе 3 , для тех, для которых орографическая высота превышает 1500 м над уровнем моря, были построены графики, подобные тем, которые представлены на Рисунке 1 , Рисунке 2 , Рисунке 3 и Рисунке 4 . Эти цифры представляют собой частоту холодных перерывов заданной длины в зависимости от их длины. Частоты были нормализованы путем деления фактического количества событий заданной продолжительности на количество событий продолжительностью один день на ПК (причина такого выбора будет указана в разделе 4.2.). Точки представляют фактическое количество записанных событий, а полосы ошибок представляют собой стандартное отклонение записанных событий согласно статистике Пуассона. Планки погрешностей малы по сравнению с размером рисунка, так как они составляют около 2% относительно данных.

Рисунок 1. Частота похолоданий в зависимости от их продолжительности: случай, ожидаемый, исходя из гипотезы о повышении средней температуры.

Рисунок 2. Частота похолоданий в зависимости от их продолжительности: случай, когда количество событий увеличивается в будущем сценарии.

Рис. 3. Частота похолоданий в зависимости от их продолжительности: случай пересечения кривых А2 и В2.

Рисунок 4. Частота похолоданий в зависимости от их продолжительности: случай отсутствия разницы в климатических сценариях.

Результаты моделирования для различных точек в области исследования показывают несколько вероятных тенденций для графиков зависимости частоты от продолжительности. В сценариях А2 и В2 частота периодов похолодания может уменьшаться ( рисунок 1 ), увеличиваться в будущем сценарии ( рисунок 2 в сценарии А2), показывать дифференциальное увеличение для различной продолжительности в сценариях А2 и В2 ( рисунок 3 ) или указывать на никаких заметных изменений с ПК ( рис. 4 ). Полную схему всех возможных вариантов поведения можно найти в таблице 1 .

Таблица 1. Категоризация набора качественно различных поведений частоты холодных перерывов в зависимости от их продолжительности.

Если рассматривать наиболее очевидное поведение, то есть то , что вследствие глобального потепления повышение средней температуры вызовет уменьшение количества периодов похолодания, ожидается, что все или, по крайней мере, большая часть точки моделирования попадут в красную категорию в таблице 1 . Более подробный анализ данных показывает, что реальная ситуация не так тривиальна, как можно было бы ожидать. На рисунке 5 показано, с использованием цветов, представляющих категории, определенные в таблице 1 , распределение категорий для линий тренда частота-длина.

Рисунок 5. Географическое распределение точек моделирования, характеризуемых линиями тренда, как описано в Таблице 1 (на эту же таблицу можно ссылаться как на легенду для цветов, используемых на этом рисунке).

В частности, хотя около 70% точек моделирования относятся к красной категории, остальные 30% - нет. Более того, очевидна интересная пространственная разбивка этой информации. Есть два кластера синих точек в Савойе (Франция) и в Тауэрне (Австрия). Наличие этих кластеров означает, что в этих регионах, независимо от того, какой сценарий может стать более реалистичным между A2 и B2, изменение климата вызовет увеличение перерывов в переохлаждении в будущем на любой возможной продолжительности. Еще один кластер в Лепонтинских Альпах относится к зеленой категории: согласно его описанию в Таблице 1 и рисунку 3, это означает, что различие в климатическом сценарии повлечет за собой очень большие и непросто понятные различия в наступлении холодов. Для этой категории, на самом деле, сценарий A2 имеет большее количество коротких холодных перерывов по сравнению с B2, в то время как для длинных холодных перерывов B2 имеет большее количество по сравнению с A2.

Свидетельства, исходящие из этих цифр, можно объяснить иными словами. В 70% точек моделирования глобальное потепление приведет к сдвигу температурного распределения в сторону более высоких температур без слишком сильного изменения формы распределения. В оставшихся 30% точек моделирования не только увеличится средняя температура для обоих сценариев, но также и распределения температуры будут изменены таким образом, что экстремумы могут показывать даже более высокие частоты, даже в самой холодной части распределения. хвостик.

Таблица 2. Количество точек моделирования в Альпах выше и ниже 2000 м над уровнем моря для каждой категории, как определено в таблице 1 (общее количество альпийских точек составляет 145).

Кроме того, была проведена четкая классификация точек выше и ниже 2000 м над уровнем моря, представленная в Таблице 2 . Несмотря на то, что общее количество точек ниже 2000 м над ур. С 68 случаев на 34), переходящий из центрального столбца в правый, соответствует категории красного цвета. В заключение отметим, что реакция на изменение климата будет более дифференцированной на больших высотах с последовательными изменениями распределения температуры в FC, в то время как на более низких высотах глобальное потепление в основном приведет к смещению температурного распределения в сторону более высоких температур. .

4.2. Глобальная статистика возникновения перерывов на холоду

Помимо синих и зеленых кластеров, показанных на Рисунке 5 , интересно изучить влияние изменения климата на всей территории на частоту и продолжительность перерывов на холода. Для решения этой задачи необходимо как-то сравнить графики зависимости частоты холодных перерывов от их длины. В Разделе 4.1 было указано, что данные о частоте были нормализованы таким образом, чтобы частота однодневных событий на ПК была равна 1. В этой части этого исследования выбор этой нормализации позволяет легче сравнивать точки моделирования, обладающие различные абсолютные частоты холодных перерывов, в то время как категоризация, описанная в разделе 4.1действительно независимо от абсолютных частот. Чтобы охарактеризовать глобально возникновение холодных перерывов, необходимо изучить, как количество холодных перерывов уменьшается с увеличением их длины.

Чтобы уменьшить информацию, содержащуюся на каждом графике раздела 4.1, до более управляемых значений, было решено подогнать для каждого сценария и точки моделирования точки графиков, выбранных на рис. 1 , рис. 2 , рис. 3 и рис. 4, с двумя точками. кривая параметров. Даже если на данный момент физический смысл этих соответствий не кажется ясным, этот метод предлагает инструмент для сжатия информации по этим двум параметрам.

Наилучшей моделью для соответствия данным оказался следующий экспоненциальный закон:

N= αеβL√Nзнак равноαеβL

(1)

где N - нормализованная частота перерывов на холод, а L - их продолжительность, выраженная в днях. α и β являются свободными параметрами аппроксимации и могут иметь физический смысл. Чем выше α , тем больше количество холодных перерывов, поэтому тем ниже средняя температура. Отрицательный по определению β представляет убывание количества событий по мере увеличения их длины. Следовательно, чем выше| β||β| (по абсолютной величине), тем быстрее распад, и это может быть связано с более частыми колебаниями температуры около 0∘C0∘C.

Выбор аппроксимирующей модели уравнения ( 1 ) был сделан для того, чтобы физический смысл свободных параметров был объяснен выше. Однако, как будет показано ниже, уравнение ( 1 ) также является хорошей моделью для подбора данных и статистически наиболее точно соответствует распределению данных, чем другие модели, которые также были протестированы, например, экспоненциальная модель, проверенная в [ 52 ].

На панелях рисунка 6 показано распределение рассчитанных значенийχ2χ2переменные для подгонки каждой точки моделирования. Каждый из этих графиков показывает очень низкие значенияχ2χ2переменные. Выбор уровня значимостиа = 5 %азнак равно5%, нижнее и верхнее критические значения χ2χ2 тест, с 18 степенями свободы, χ2инф= 8 . 23χинф2знак равно8.23 и χ2Как дела= 31 . 53χКак дела2знак равно31 год.53. Как видно из рисунков 6 , почти все посадки показываютχ2<χ2Как делаχ2<χКак дела2, что означает, что уравнение ( 1 ) на самом деле достаточно хорошо соответствует данным. Для большинства точек моделирования также верно, чтоχ2<χ2инфχ2<χинф2. Это означает, что пуассоновское определение планок ошибок дает стандартные отклонения, которые слишком велики для данных, но не отменяет саму подгоночную модель и, следовательно, физический смысл подгоночных параметров модели α и β , которые являются основным результатом. для этого этапа анализа.

Рисунок 6. Распределение значенийχ2χ2 переменные, вычисляемые при оценке критериев согласия.

После получения пары значений α и β для каждой точки моделирования и каждого климатического сценария их можно использовать для получения некоторых более общих выводов о возникновении перерывов в холодах.

Гистограммы на рисунках 7 и 8 показывают распределения полученных значений для параметров подгонки, соответственно α и β . Из рисунка 7 можно увидеть, что распределения FC различаются как по разбросу, так и по высоте пика. Вспоминая смысл параметра α, это означает, что средняя температура будет по-разному в разных местах. Режим распределения для сценария A2 смещен в сторону несколько меньших значений, чем для пика B2. Это означает, что в среднем сценарий A2 будет более теплым и будет показывать меньше холодных перерывов, чем сценарий B2. Кроме того, высота пика A2 ниже, а его разброс больше, чем у ситуации B2. Это означает, что пространственные эффекты изменения климата покажут большие вариации в A2 по сравнению с B2.

Рис. 7. Распределение значений параметра α уравнения ( 1 ). Все гистограммы были созданы для представления одинакового количества образцов, но гистограмма на панели 8 (а) была вырезана, чтобы упростить сравнение с другими панелями, с использованием той же вертикальной шкалы; он показывает очень высокий пик наα ∼ 1α∼1(до 120) за счет выбора нормализации данных (см. раздел 4.1 ).

Рассматривая рисунок 8 относительно параметра соответствия β , можно заметить, что пик распределений находится более или менее в одном и том же положении для PC и B2, в то время как в сценарии A2 он смещен к более низким значениям. Это означает, что в среднем изменчивость температуры больше для сценария A2, чем для других. Еще одно очевидное отличие - это разброс трех распределений. В ПК большая часть данных находится между пиковым значением и 0, в то время как для FC это не так. Сценарий A2 показывает больший разброс β в сторону малых значений; PC и B2 имеют лишь некоторые выбросы, в то время как A2 по-прежнему имеет распределение данных без пробелов с более высокими значениями в левом хвосте.

Чтобы оценить статистическую значимость этих распределений и их различий, был проведен тест запусков (описанный в [ 53 ]). Этот тест дает вероятность того, что две выборки данных принадлежат одному и тому же основному распределению плотности вероятности. В частности, распределения α и β

Рисунок 8. Распределение значений параметра β уравнения ( 1 ).

Параметры для каждого климатического сценария сравнивались «попарно», и результаты этих тестов показаны в Таблице 3 .

Таблица 3. Резюме результатов прогонов тестов, сравнивающих распределения подходящих параметров α и β.

По сути, почти все наборы данных демонстрируют высокую вероятность (как минимум 90 %90% или даже выше чем 99 %99%) принадлежать к разному распределению плотности вероятности. В переводе на физические слова это означает, что возникновение перерывов на холоду статистически значимо различается для разных сценариев. Эта разница гораздо более очевидна при анализе параметра α , который связан с количеством коротких разрывов и, следовательно, средней температурой. Разница между двумя будущими климатическими сценариями менее очевидна, но все же статистически значима, учитывая параметр β (связанный с изменчивостью температуры во времени), по крайней мере, при сравнении сценария A2 с двумя другими, где в обоих случаях A2 - это самый изменчивый. Разница в β гистограммы параметров ПК и В2 не являются статистически значимыми, так как эти два набора данных имеют 20 %20%вероятность принадлежности к одному и тому же распределению вероятностей. Следовательно, временная изменчивость температуры не считается статистически различающейся для ПК и В2.

5. Выводы

Исследование, представленное в этой статье, направлено на углубление понимания возникновения похолоданий в Альпах в будущем климате. Два 30-летних периода (2071–2100 гг.), Принадлежащие двум сценариям A2 и B2, сравнивались с 30-летним периодом, относящимся к текущему климату (1961–1990 гг.). Результат этого анализа показал, что некоторые виды поведения кажутся нетривиальными. Фактически, в первом приближении можно было предвидеть, что повышение температуры, связанное с глобальным потеплением, может привести к уменьшению количества перерывов на холод, по крайней мере в среднем, во время FC. Напротив, это исследование показывает, что в альпийской области есть некоторые зоны (которые в среднем составляют 30% от общей площади), в которых это не прогнозируется, даже если в целом результаты [ 2 ] подтверждены.

Очевидно, что распределение температуры в этих зонах не просто сместится в сторону более высоких температур, что уменьшит количество одних периодов похолодания, но также изменит свою форму, что в некоторых случаях приведет к увеличению вероятности холодов.

Другой важный результат был получен при проведении глобальных тестов на возникновение холодных разрывов. Они показывают, что изменчивость наступления перерывов на холода сильно зависит от изменения климата. Это апостериори подтверждает, что в альпийской зоне также ожидается увеличение изменчивости температуры. В дополнение к этому уже важному результату была найдена модель, связывающая количество холодных перерывов с их продолжительностью. Эта модель использовалась в качестве инструмента для описания вариации возникновения перерывов на холод, связанных с изменением климата, и оказалась очень хорошей моделью. Лучшая интерпретация этой модели может стать отправной точкой для будущей работы.

Новые результаты, полученные в этом контексте, а также успехи в моделировании климата, мы надеемся, помогут настроить знания научного сообщества в отношении изменений в возникновении экстремальных явлений.