Regionala klimatscenarier

Globala klimatmodeller (GCM) ger oss en bild över framtidens klimat med en rumslig upplösning på några hundra kilometer. Med andra ord ger GCM:en ingen särskild detaljerad beskrivning av exempel den svenska fjällens klimat, hur klimatet varierar i Stockholms skärgård eller runt Vänern. Men det är i den regionala eller lokala skalan, på läns- eller kommunnivå som anpassningen måste ske.

Därför behöver vi veta hur klimatet förändras i den lilla skalan och vilka konsekvenser det får. Bedömningen av vilka åtgärder som bli nödvändiga görs oftast över ett ganska begränsat geografiskt eller administrativt område. Resultaten från globala klimatmodeller behöver alltså bearbetas vidare med hjälp av nedskalning för att komma fram till den detaljerade information som effekt- och anpassningsstudier efterfrågar. Det finns det en uppsjö av olika nedskalningsmetoder. De kan generellt delas in i två grupper, dynamisk nedskalning och statistisk nedskalning. I projektet har båda dessa använts. Här följer en mycket kortfattat introduktion till metoderna och länkar för vidare läsning.

Regional klimatmodellering (dynamisk nedskalning)

I den dynamiska nedskalningen använder man resultat från en global klimatmodell i en regional klimatmodell, som beräknar klimatutveckling över ett mindre område men med högre detaljeringsgrad, det vill säga med gridrutor som endast är 50 x 50 km stora eller mindre. Därmed får man en högre upplösning i rummet och kan på ett mer realistiskt sätt ta hänsyn till hur till exempel topografin, olika typer av markanvändning eller kustlinjens förlopp påverkar det lokala klimatets utveckling. Även regionala klimatmodeller kräver mycket datorkraft p g a den finare rumsliga upplösningen även om de endast modellerar ett specifikt område, t ex Europa.

Vid Rossby Center på SMHI har forskarna sedan 1990-talet utvecklat den regionala klimatmodellen RCA-O med syfte att ta fram högupplösta klimatberäkningar för exempelvis Skandinavien.  Rossby Centers regionala klimatmodellering beskrivs på SMHI:S webbplats.

Trots att regionala klimatmodeller ger en betydligt förbättrad och mer detaljerad beskrivning av klimatet än de storskaliga GCM:en är utdata från regionalklimatmodellerna fortfarande inte tillräckligt bra för att direkt användas till hydrologisk modellering. Anledningen är att det finns systematiska fel i regionalklimatmodellernas utdata som gör att den efterföljande hydrologiska modelleringen inte bli trovärdig utan ytterligare korrigeringar. Ett vanligt ”fel” i modellerna är att det regnar för ofta, men ganska lite.

SMHI har därför utvecklat DBS-metoden som står för” distributionsbaserad skalering” som rättar till systematiska avvikelser i de regionala klimatmodellerna . Genom att använda data från meteorologiska observationer till att justera klimatmodellens resultat kan man ta bort de systematiska felen och på så vis förbättra indata till den hydrologiska modelleringen. De korrigerade data efterliknar observationer och kan användas direkt som indata till en hydrologisk modell. I DBS-metoden tillämpas temperatur- och nederbördsdata från RCM eftersom det är dessa som driver den hydrologiska modelleringen. Skaleringen med DBS-metoden påverkar inte förändringar i medelvärden eller förändringar i klimatets variabilitet som klimatmodellerna har räknat fram.

Statistisk nedskalning

Statistisk nedskalning däremot bygger på en vidare bearbetning av GCM-resultaten med hjälp av avancerad statistik. Kärnan i statistisk nedskalning är principen att det regionala klimatet styrs av det storskaliga klimatets tillstånd i kombination med den lokala eller regionala fysiografin, det vill säga topografi, fördelning mellan land och hav och markanvändning. Det är denna koppling mellan det storskaliga och de regionala /lokala klimatet som ofta nyttjas i statistiskt nedskalning. I många studier har man t exempel kunnat visa att den storskaliga cirkulationen i atmosfären över Atlanten i stor grad styr vårt väder i Sverige. Topografin, avståndet till kusten och vegetationen modifierar det storskaliga förhållanden och ger upphov till det lokala skillnader i temperatur, nederbörd och vind etc.

Dagens GCM kan tillförlitligt simulera det storskaliga, generella dragen i klimatet som t ex lufttrycksmönster och atmosfärscirkulationen. Känner man till i vilken grad dessa storskaliga parametrar styr temperatur och nederbörd lokalt kan man använda detta samband för att ta fram lokal klimatinformation även från GCM med låg rumslig upplösning.

Varför två nedskalningsspår?

Det finns fördelar och nackdelar med både, dynamisk och statistisk nedskalning, vilket motiverar att båda metoderna tillämpas, utvärderas och vidareutvecklas.

Fördelen med dynamisk nedskalning är bland annat att det ger heltäckande information över det område som simuleras och att man kan få information om många olika klimatvariablernas framtida utveckling samtidigt. Utvecklingen av regionala klimatmodeller eller anpassning av en befintlig modell till ett nytt geografisk område är dock mycket krävande, vilket i praktiken innebär att regionala klimatscenarier bara finns för områden, för vilka en regional klimatmodell har utvecklats. Trots simuleringar över mindre områden (jämfört med en global klimatmodell) är regionalklimatmodelleringen mycket beräkningsintensivt.

Statistisk nedskalning däremot behöver betydlig mindre datorresurser och det är enklare att ta fram en statistisk nedskalningsmodell för ett nytt geografisk område. Ofta tar man fram en skräddarsydd nedskalningsmodell för ett visst geografisk området för att ta fram indata för en specifik klimatkonsekvensanalys. Då statistisk nedskalning bygger på att man kvantifiera kopplingen mellan det storskaliga och det lokala klimatet, måste man ha tillgång till tillförlitliga observationer av dagens klimat för att kunna bygga den statistiska modellen. Principen utgår också ifrån att sambandet mellan det storskaliga och det lokala klimatet inte ändras över tiden och att den fortsätter gälla även för det framtida klimatet.

En mer utförligt beskrivning av nedskalningen finns i FN panelens tredje ”Assessment Report ” TAR kapitel 10.2.3 och 10.2.4.