Contenido principal del artículo

Carlos Felipe Gaitán Ospina

Se usaron las simulaciones del Reporte Especial sobre Escenarios de Emisiones A2 y A1B del modelo acoplado de circulación global canadiense versión 3.1, y redes neuronales artificiales (RNA) para bajar de escala estadísticamente los valores diarios de temperatura máxima y de temperatura mínima al nivel de la estación meteorológica Alberni Robertson Creek, ubicada en la isla de Vancouver en Canadá. Las series de datos generadas para la estación fueron analizadas, y su medias y varianzas calculadas; adicionalmente se realizaron comparaciones entre los valores para cada escenario en el período base (1961-2000) y las simulaciones del siglo XXI. Los resultados muestran un aumento en los valores de temperatura máxima media y temperatura mínima media, entre 1.16 y 1.47 grados Celsius, en la zona para el siglo XXI. Los modelos desarrollados simularon correctamente los ciclos interanuales de la temperatura, así como la temperatura media de la serie. Sin embargo, la varianza de la serie original es más grande que la del modelo para el período de registro. El método empleado mostró ser flexible y de fácil implementación, con bajos requerimientos computacionales. Dadas estas características, se recomienda su utilización en otras regiones que cuenten con registros confiables de variables macro climáticas.

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Metricas alternativas PLUMX

Gaitán Ospina C. F. (2009). Determinación de cambios en la variabilidad climática bajo diferentes escenarios de cambio climático. Caso de estudio: Ensenada de Alberni Robertson, Isla de Vancouver. Boletín Científico CIOH, (27), 57-65. https://doi.org/10.26640/22159045.201

Carlos Felipe Gaitán Ospina, University of British Columbia

University of British Columbia, 6339 Stores Road, Vancouver BC, V6T 1Z4, Canadá.

1] Nakicenovic N, et al. Emissions Scenarios. ASpecial Report of Working Group III of the Intergovernmental Panel on Climate Change. Cambridge, U.K. and New York, N.Y., U.S.A. : Cambridge University Press, 2000. pág. 599.

[2] Wigley, T.M.L., et al. Obtaining subgrid scale information from coarse resolution general circulation model output. Journal of Geophysical Research 1990;1943-1953.

[3] Temporal neural networks for downscaling climate variability and extremes. Dibike, Y.B. y Coulibaly, P. s.l. : Elsevier, Neural Networks 2006;19:135-144.

[4] Statistical downscaling in central Europe: evaluation of methods and potential predictors. Huth, Radan. s. l. : Cimate Research, Climate Research1999; 13:91-101.

[5] Gachon, P., A. St-Hilaire, T. Ouarda, V.T.V. Nguyen, C. Lin, J. Milton, D. Chaumont, J. Goldstein, M. Hessami, T.D. A first evaluation of the strength and weaknesses of statistical downscaling methods for simulating extremes overvarious regions of eastern Canada. Sub-component. Environment Canada. Montreal, Quebec : Climate Change Action Fund (CCAF), 2005. pág. 209.

[6] The NCAR/NCEP40 year reanalysis project. Kalnay, E., y otros. Bulletin of the American Meteorological Society1996;437-71.

[7] CCCma. CCCma: Models, The Third Generation Coupled Global Climate Model (CGCM3). Canadian Centre for Climate Gaitán: Determinación de cambios en la variabilidad climática bajo diferentes escenarios Modelling and Analysis. [En línea] 27 de april de 2005. [Citado el: 01 de 05 de 2009.]http://www.cccma.bc.ec.gc.ca/models/cgcm3.shtml.

[8] DAI Team. Predictor datasets derived from the CGCM3.1 T47 and NCEP/NCAR reanalysis. 2008.

[9] Some applications of artificial intelligent systems in Hydroinformatics. Obregón-Neira, N y Fragala', F. Acapulco : s.n., 2003. Proceedings of the Workshop on Environmental Decision Support Systems. 18th International Joint Conference on Artificial Intelligence.

[10] Bayesian interpolation. MacKay, D. J. C., Neural Computation 1992; 4(3):415-447.

[11] MathWorks. Matlab: the language of technical computing, 7 edition. Massachussets : MathWorks Inc., 2004.

[12] Bishop, C.M. Neural Networks for Pattern Recognition. Oxford : Clarendon Pr., 1995.

[13] MacKay, D.J.C. Information Theory, Inference and Learning Algorithms. Cambridge : Cambridge Univ. Pr, 2003.

[14] Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessiong average model performance. Willmott, Cort J y Matsuura, Kenji. s.l. : Climate Research 2005; Vol. 30.

[15] IPCC; Solomon, S.; Qin, D.; Manning, M.; Chen, Z.; Marquis, M.; Averyt, K.B.; Tignor, M.; Miller, H.L. (editors). Climate Change 2007: The Physical Science Basis. Contribution of Working Group I to the Fourth Assessment Report of the Intergovernmental Panel on Climate Change. Cambridge, United Kingdom and New York : Cambridge University Press 2007. pág. 996.65Boletín Científico CIOH No. 27, ISSN 0120-0542, (2009)57-65

Detalles del artículo

Artículos similares

También puede {advancedSearchLink} para este artículo.