The assessment of climate change im

The assessment of climate change impacts on future meteorological and/or hydrological regimes usually
requires the downscaling of large-scale climate/weather predictors from GCMs (Wilby et al., 1998,
2002). Depending on the GCM used, the predictors are either available on the monthly or on the daily
scale, where the use of the latter is of particular interest, when studying impacts related to shorter-term
behavior, e.g., storms and/or floods. However, the direct use of daily climate predictions from one GCM
is usually not reliable enough to represent the full variability of the climate variable's time series, namely,
its extreme behavior. Notwithstanding that daily climate predictors are available for some GCM-models,
their reliability is considered lower than that of monthly GCM predictors. For this reason, downscaling of
monthly predictor data may be more recommendable. However, the subsequent step to generate daily series from such a downscaled monthly climate series becomes then a tricky task (Wilks, 1998).
In the present paper a novel or daily weather (climate) -generator (DWG) is presented which regenerates daily from monthly climate data, such that it will render changes in the daily sequencing of an observed series, while still reflecting the intra-month variability of the observed climate event series in a
statistically responsible manner (Maurer and Hidalgo, 2008). The basic technique used in this DWG is
similar to spatial climate downscaling, where finer-scale variables are generated from larger-field data by
following the data sample’s statistical properties. With a DWG low-resolution climate projections can be
rescaled to a broader spectrum of long-term predictions of daily climate and their effects on the hydrology and the water supply in a region be studied than is possible with a regular (monthly-scale) downscaling approach (Wilson et al., 1992, Wilby et al., 1998; Bejranonda, 2014).
Stochastic daily climate generation has been widely used in impact assessments, because of their advantage of easily generating multiple climate ensembles which are useful for statistical risk analysis
(Wilby, 1994; Wilby et al., 2002). In this stochastic approach, also known as weather classification, the
major statistical attributes of the observed climate time series at a particular site are provided to replicate
the persisting climate by multi-realizations of the local weather (Wilby, 1994; Wilks and Wilby, 1999).
The generation of a daily climate series is based on some conditioning of the climate properties and
the weather states, i.e. the occurrence of wet or dry conditions (Katz, 1996; Semenov and Barrow, 1997;
Wilks, 1998; 1999a;b). This approach war originally proposed by Richardson (1981) who used a firstApplication of multi-site stochastic daily climate generation to assess
the impact of climate change in the eastern seaboard of Thailand
W. Bejranonda & M. Koch
Department of Geohydraulics and Engineering Hydrology, University of Kassel, Kassel, Germany
ABSTRACT: In the assessment of climate change impacts on future meteorological regimes, downscaling of large-scale climate/weather variables from GCMs is usually applied. Depending on the GCM, the
predictors are either available on the monthly or on the daily scale, wherefore, for obvious reasons, the
monthly predictions of a GCM are considered to be more reliable for long-term climate impact studies.
Nevertheless, in many instances, it is desirable to have predictors on a daily scale, e.g. for the study of
short-term seasonal climate fluctuations and extreme events. This requires the rescaling of monthly predictor data to a daily series. Here we present a novel daily weather (climate) -generator (DWG) to do
this properly. The new DWG employs various statistic and stochastic techniques to synthesize daily
climate from several ensembles of daily series from different climate sites, respecting the relevant statistical attributes of the various monthly climate series, but also their spatial correlation properties between
the different sites (multi-site approach). This multi-site/-realization of the synthetic daily climate can exhibit a broad spectrum of climate variability that can be useful in a practical climate assessment, as this
approach provides also some uncertainty measure. The DWG proposed here processes the daily precipitation- and temperature- series separately, wherefore for the former both the monthly downscaled rainfall
intensity and the probability of rainfall occurrence are employed. For past observed meteorological data
in the study region, which is the eastern seaboard of Thailand, the stochastic properties of the daily multirealizations are conditioned on the observed time series. The performance of the new DWG is compared
with those of other classical downscaling methods and shows some advantages.
Keywords: Stochastic daily weather generator; multi-site; downscaling; climate impact study
order Markov chain process to define the occurrences of wet and dry states, based on the distributions of
the observed rainfall sequences. In addition, various theoretical statistical distributions, e.g. exponential,
gamma, mixed-exponential and log-normal distributions, have further been applied to fit the observed
precipitation distributions (Liu et al., 2011). Many daily weather generation models developed over the
last few decades, e.g. WGEN (Richardson, 1981), SIMMETEO (Geng, 1988), WXGEN (Hayhoe and
Stewart, 1996; Hayhoe, 2000), MARKSIM (Jones and Thornton, 2000) and MODAWEC (Liu et al.,

Kết quả (Việt) 1:

Đánh giá về biến đổi khí hậu tác động vào trong tương lai chế độ khí tượng và/hoặc thuỷ văn thườngyêu cầu downscaling quy mô lớn khí hậu/thời tiết dự đoán từ GCMs (Nuthall et al., 1998,Năm 2002). tùy thuộc vào GCM được sử dụng, các dự đoán là một trong hai có sẵn trên hàng tháng hoặc trên các hàng ngàyquy mô, nơi mà việc sử dụng của thứ hai là quan tâm đặc biệt, khi nghiên cứu tác động liên quan đến shorter-termhành vi, ví dụ như, cơn bão và/hoặc lũ lụt. Tuy nhiên, chỉ đạo việc sử dụng hàng ngày khí hậu dự đoán từ một GCMthường không phải là đáng tin cậy, đủ để đại diện cho biến đầy đủ của chuỗi thời gian thay đổi khí hậu, cụ thể là,hành vi cực của nó. Tuy nhiên đó hàng ngày khí hậu dự đoán có sẵn cho một số mô hình GCM,độ tin cậy của họ được coi là thấp hơn dự đoán GCM hàng tháng. Vì lý do này, downscaling củadữ liệu dự báo hàng tháng có thể nhiều hơn. Tuy nhiên, bước tiếp theo để tạo ra hàng ngày loạt từ như vậy một downscaled hàng tháng khí hậu loạt trở thành sau đó một nhiệm vụ khó khăn (Jardine, 1998).Trong hiện tại giấy một cuốn tiểu thuyết hoặc hàng ngày thời tiết (khí hậu)-máy phát điện (DWG) được trình bày mà regenerates hàng ngày từ hàng tháng dữ liệu khí hậu, như vậy mà nó sẽ khiến những thay đổi trong trình tự hàng ngày của một loạt quan sát, trong khi vẫn còn phản ánh thay đổi nội-tháng của loạt sự kiện quan sát khí hậu trong mộtchịu trách nhiệm về mặt thống kê cách (Maurer và Hidalgo, 2008). Kỹ thuật cơ bản được sử dụng trong DWG này làtương tự như không gian khí hậu downscaling, nơi tốt hơn quy mô biến được tạo ra từ dữ liệu lớn hơn trường bởitheo mẫu dữ liệu thuộc tính thống kê. Với một DWG phát khí hậu dự có thểrescaled cho một phổ rộng hơn của các dự báo dài hạn của hàng ngày khí hậu và hiệu ứng của họ trên thủy văn và cung cấp nước trong một khu vực được nghiên cứu hơn là có thể với một thường xuyên (hàng tháng quy mô) downscaling phương pháp tiếp cận (Wilson et al., 1992, Nuthall và ctv, 1998; Bejranonda, 2014).Thế hệ khí hậu hàng ngày ngẫu nhiên được sử dụng rộng rãi trong đánh giá tác động, vì lợi ích của họ một cách dễ dàng tạo ra nhiều ensembles khí hậu mà có ích đối với phân tích thống kê rủi ro(Nuthall, 1994; Nuthall et al., 2002). Trong cách tiếp cận ngẫu nhiên này, cũng được gọi là thời tiết phân loại, cácchính thống kê thuộc tính của dòng thời gian quan sát khí hậu tại một trang web cụ thể được cung cấp để nhân rộngkhí hậu persisting bởi đa realizations thời tiết địa phương (Nuthall, 1994; Rùa và Nuthall, 1999).Các thế hệ của một loạt khí hậu hàng ngày dựa trên một số lạnh của các thuộc tính khí hậu vàthời tiết quốc gia, tức là sự xuất hiện của điều kiện ẩm ướt hay khô (Katz, 1996; Semenov và Barrow, 1997;Rùa, 1998; 1999a; b). Cuộc chiến tranh cách tiếp cận này ban đầu được đề xuất bởi Richardson (1981) đã sử dụng một firstApplication thế hệ khí hậu hàng ngày ngẫu nhiên nhiều trang web để đánh giátác động của khí hậu thay đổi ở bờ biển phía đông của Thái LanW. Bejranonda & M. KochDepartment of Geohydraulics and Engineering Hydrology, University of Kassel, Kassel, GermanyABSTRACT: In the assessment of climate change impacts on future meteorological regimes, downscaling of large-scale climate/weather variables from GCMs is usually applied. Depending on the GCM, thepredictors are either available on the monthly or on the daily scale, wherefore, for obvious reasons, themonthly predictions of a GCM are considered to be more reliable for long-term climate impact studies.Nevertheless, in many instances, it is desirable to have predictors on a daily scale, e.g. for the study ofshort-term seasonal climate fluctuations and extreme events. This requires the rescaling of monthly predictor data to a daily series. Here we present a novel daily weather (climate) -generator (DWG) to dothis properly. The new DWG employs various statistic and stochastic techniques to synthesize dailyclimate from several ensembles of daily series from different climate sites, respecting the relevant statistical attributes of the various monthly climate series, but also their spatial correlation properties betweenthe different sites (multi-site approach). This multi-site/-realization of the synthetic daily climate can exhibit a broad spectrum of climate variability that can be useful in a practical climate assessment, as thisapproach provides also some uncertainty measure. The DWG proposed here processes the daily precipitation- and temperature- series separately, wherefore for the former both the monthly downscaled rainfallcường độ và khả năng của lượng mưa xảy ra được tuyển dụng. Cho qua dữ liệu quan sát khí tượngtrong vùng nghiên cứu là bờ biển phía đông của Thái Lan, các thuộc tính ngẫu nhiên của các multirealizations hàng ngày là điều kiện trên dòng thời gian quan sát. Hiệu suất của DWG mới được so sánhvới những người của các cổ điển downscaling phương pháp và cho thấy một số lợi thế.Từ khóa: Hàng ngày ngẫu nhiên thời tiết phát điện; nhiều trang web; downscaling; khí hậu tác động nghiên cứuCác đơn đặt hàng Markov chuỗi quá trình để xác định các mục lặp lại của tiểu bang ẩm ướt và khô, dựa trên các bản phân phối củatrình tự quan sát lượng mưa. Ngoài ra, lý thuyết thống kê phân phối khác nhau, ví dụ như mũ,gamma, hỗn hợp-mũ và đăng nhập bình thường phân phối, có thêm được áp dụng cho phù hợp với các quan sátmưa các phân phối (lưu và ctv., năm 2011). Nhiều thế hệ thời tiết hàng ngày mô hình phát triển trong cácvài thập kỷ qua, ví dụ như WGEN (Richardson, 1981), SIMMETEO (canh, 1988), WXGEN (Hayhoe vàStewart, 1996; Hayhoe, 2000), MARKSIM (Jones và Thornton, 2000) và MODAWEC (lưu et al.,

Kết quả (Việt) 2:

Việc đánh giá tác động biến đổi khí hậu đối với chế độ khí tượng và / hoặc thủy học thường
đòi hỏi phải thu hẹp quy mô lớn dự đoán khí hậu / thời tiết từ GCM (Wilby et al., 1998,
2002). Tùy thuộc vào GCM được sử dụng, các giả định đều hoặc là có sẵn trên hàng tháng hoặc vào các ngày
quy mô, nơi việc sử dụng sau này là đặc biệt quan tâm, khi nghiên cứu tác động liên quan đến ngắn hạn
hành vi, ví dụ như, bão và / hoặc lũ lụt. Tuy nhiên, việc sử dụng trực tiếp của các dự đoán khí hậu hàng ngày từ một GCM
thường là không đủ tin cậy để đại diện cho biến đầy đủ các chuỗi thời gian các biến khí hậu, cụ thể là,
hành vi cực đoan của mình. Dù rằng dự đoán khí hậu hàng ngày có sẵn cho một số GCM-mô hình,
độ tin cậy của họ được coi là thấp hơn so với các nhân tố ảnh GCM hàng tháng. Vì lý do này, thu hẹp các
dữ liệu dự báo hàng tháng có thể recommendable hơn. Tuy nhiên, các bước tiếp theo để tạo ra hàng loạt hằng ngày từ một loạt khí hậu hàng tháng downscaled trở nên sau đó một nhiệm vụ khó khăn (Wilks, 1998).
Trong bài báo trình bày một cuốn tiểu thuyết hay thời tiết hàng ngày (khí hậu) -generator (DWG) được trình bày mà tái sinh hàng ngày từ dữ liệu khí hậu hàng tháng, như vậy mà nó sẽ làm cho những thay đổi trong chuỗi hàng ngày của một loạt quan sát, trong khi vẫn phản ánh sự thay đổi trong nội bộ tháng của loạt sự kiện khí hậu quan sát trong một
cách có trách nhiệm thống kê (Maurer và Hidalgo, 2008). Kỹ thuật cơ bản được sử dụng trong DWG này là
tương tự để thu hẹp khí hậu không gian, nơi mà các biến tốt hơn quy mô được tạo ra từ dữ liệu lĩnh vực lớn hơn bằng cách
sau đây thuộc tính thống kê các mẫu dữ liệu của. Với độ phân giải thấp DWG dự đoán khí hậu có thể được
thay đổi tỷ lệ một phổ rộng của các dự đoán dài hạn của khí hậu hàng ngày và ảnh hưởng của chế độ thủy văn và nguồn nước trong một khu vực được nghiên cứu hơn là có thể với một thường xuyên (hàng tháng quy mô) thu hẹp cách tiếp cận (Wilson et al, 1992, Wilby et al, 1998;.. Bejranonda, 2014).
Stochastic hệ khí hậu hàng ngày đã được sử dụng rộng rãi trong đánh giá tác động, vì lợi thế của họ dễ dàng tạo ra nhiều cụm công trình khí hậu đó là hữu ích cho việc phân tích rủi ro thống kê
(Wilby, 1994;. Wilby et al, 2002). Trong phương pháp này ngẫu nhiên, hay còn gọi là phân loại thời tiết, các
thuộc tính thống kê chủ yếu của chuỗi thời gian khí hậu quan sát thấy tại một trang web đặc biệt được cung cấp để tái tạo
môi trường bền bỉ bởi đa ngộ của thời tiết địa phương (Wilby, 1994; Wilks và Wilby, 1999 .)
Các thế hệ của một loạt khí hậu hàng ngày dựa trên một số điều của các tính chất khí hậu và
các trạng thái thời tiết, tức là sự xuất hiện của điều kiện ẩm ướt hoặc khô (Katz, 1996; Semenov và Barrow, 1997;
Wilks, 1998; 1999a; b) . Điều này chiến tranh cách tiếp cận ban đầu được đề xuất bởi Richardson (1981), người sử dụng một firstApplication của nhiều trang web thế hệ ngẫu nhiên khí hậu hàng ngày để đánh giá
các tác động của biến đổi khí hậu ở vùng ven biển phía đông của Thái Lan
W. Bejranonda & M. Koch
Sở Geohydraulics và Kỹ thuật Thủy văn, Đại học Kassel, Kassel, Đức
TÓM TẮT: Trong việc đánh giá tác động biến đổi khí hậu đối với chế độ khí tượng tương lai, thu hẹp quy mô lớn biến đổi khí hậu / thời tiết từ GCM thường được áp dụng. Tùy thuộc vào GCM, các
giả định đều hoặc là có sẵn trên các tháng hoặc theo quy mô hàng ngày, vậy nên, vì những lý do rõ ràng, các
dự báo hàng tháng của một GCM được coi là đáng tin cậy hơn cho nghiên cứu tác động khí hậu dài hạn.
Tuy nhiên, trong nhiều trường hợp , đó là mong muốn để có những dự báo về một quy mô hàng ngày, ví dụ như cho việc nghiên cứu
ngắn hạn dao động khí hậu theo mùa và thời tiết khắc nghiệt. Điều này đòi hỏi các rescaling dữ liệu dự báo hàng tháng cho một loạt hàng ngày. Dưới đây chúng tôi trình bày một thời tiết hàng ngày (khí hậu) -generator tiểu thuyết (DWG) để làm
điều này đúng. DWG mới sử dụng số liệu thống kê và ngẫu nhiên khác nhau kỹ thuật tổng hợp hàng ngày
khí hậu từ một số cụm công của loạt bài hàng ngày từ các trang web khí hậu khác nhau, tôn trọng các thuộc tính thống kê liên quan của dòng khí hậu hàng tháng khác nhau, nhưng cũng có tính chất tương quan không gian của họ giữa
các trang web khác nhau (multi-site cách tiếp cận). Điều này đa-site / -realization của khí hậu tổng hợp hàng ngày có thể biểu hiện một phổ rộng của biến đổi khí hậu có thể hữu ích trong một đánh giá môi trường thực tế, vì điều này có
cách tiếp cận cũng cung cấp một số biện pháp chắc chắn. DWG đề xuất ở đây xử lý hàng loạt precipitation- và temperature- hàng ngày một cách riêng biệt, sao cho các cựu cả downscaled lượng mưa tháng
cường độ và xác suất của lượng mưa xảy ra được tuyển dụng. Đối với quá khứ quan sát dữ liệu khí tượng
trong khu vực nghiên cứu, đó là các vùng ven biển phía đông của Thái Lan, các tính chất ngẫu nhiên của các multirealizations hàng ngày được điều kiện trên chuỗi thời gian quan sát. Hiệu suất của DWG mới được so sánh
với những phương pháp thu hẹp cổ điển khác và cho thấy một số lợi thế.
Từ khóa: máy phát điện thời tiết hàng ngày Stochastic; multi-site; thu hẹp; Nghiên cứu tác động khí hậu
để trình chuỗi Markov để xác định các lần xuất hiện của các tiểu bang ướt và khô, dựa trên sự phân bố của
các chuỗi lượng mưa quan sát. Ngoài ra, khác nhau phân bố thống kê lý thuyết, ví dụ như mũ,
gamma, trộn theo hàm số mũ và đăng nhập bình thường phân phối, đã tiếp tục được áp dụng cho phù hợp với những quan sát
sự phân bố lượng mưa (Liu et al., 2011). Nhiều mô hình thế hệ thời tiết hàng ngày phát triển trong
vài thập kỷ gần đây, ví dụ như WGEN (Richardson, 1981), SIMMETEO (Geng, 1988), WXGEN (Hayhoe và
Stewart, 1996; Hayhoe, 2000), MARKSIM (Jones và Thornton, 2000) và MODAWEC (Liu et al.,