Multisite Downscaling of Precipitation with Bayesian Networks

Abstract

ABSTRACT: This Master’s Thesis aims to apply discrete Bayesian networks to the problem of statistical downscaling of precipitation, that improves the poor representation of precipitation by global climate models in order to provide end-users with more reliable future projections for their application in impact models. Several methodological aspects particular of the precipitation downscaling problem have been analysed, with a main focus on the potential of Bayesian networks for preserving the spatial structure of downscaled predictions, an aspect of paramount importance in multisite climate impact applications, that nevertheless has received little attention in previous studies. In addition, their discrimination ability to differentiate dry/wet days is also addressed. The main findings show that Bayesian networks constitute a promising tool to improve the spatial coherence of multisite downscaling applications. The methodological approach used is quite novel in the statistical downscaling field, and therefore this Thesis is of practical relevance in the design of Bayesian networks for future downscaling studies. All the analyses have been performed using homogenized and quality-controlled observational (weather station records) and climate model (reanalysis) databases publicly available (http://www.value-cost.eu/data). Furthermore, a set of functions has been developed based on the R language for statistical computing, which adapt the bayesian network library Bnlearn (http://www.bnlearn.com/) to the problem of downscaling. This has been achieved by seamlessly integrating the routines developed in this Thesis with already existing tools for climate data handling and analysis, collectively known as the climate4R Bundle (further details are next provided in the next Section, “The thesis into a broader research framework”. This ensures the full reproducibility of the results presented as well as a free accesibility by climate scientists and practitioners interested in the implementation of Bayesian networks for climate data analysis. To help in their implementation, worked examples are provided in the appendix.

RESUMEN: El presente Trabajo de Fin de Máster tiene como objetivo aplicar las redes Bayesianas discretas al problema de la regionalización estadística de la precipitación, para mejorar la pobre representación de ésta por los modelos globales de clima, de manera que se proporcionen mejores prediciones para su aplicación en estudios de impacto. Se han tratado diferentes aspectos del problema de la regionalización de precipitación, con el objetivo principal de analizar la capacidad de las redes Bayesianas para preservar la estructura espacial de las predicciones, un aspecto de mucha importancia en las aplicaciones multivariadas (en el sentido de varias localizaciones) de impacto climático, lo que ha recibido poca atención en estudios previos. Adicionalmente, también se ha analizado la capacidad de discriminación de días secos/lluviosos. Los principales resultados muestran que las redes Bayesianas constituyen una herramienta prometedora para mejorar la coherencia espacial de las aplicaciones de regionalización multivariada. La metodología es particularmente novedosa en este campo, de modo que este trabajo tiene relevancia práctica en el diseño de redes Bayesianas para futuros estudios de regionalización. Todos los análisis se han realizado usando conjuntos de datos homogéneos y con control de calidad, tanto para los modelos climáticos (reanálisis) como para las observaciones (para las estaciones meteorológicas). Todos estos datos son públicos (http://www.value-cost.eu/data). Además, se ha desarrollado un conjunto de funciones basadas en el lenguaje estadístico R que adaptan la librería Bnlearn (http://www.bnlearn.com/) al problema de la regionalización estadística. Esto se ha hecho integrando las rutinas y funciones con las herramientas para la manipulación y análisis del clima, conocidas como climate4R Bundle, del Santander Meteorology Group (http://www.meteo.unican.es), lo que asegura completa reproducibilidad de y accesibilidad a los resultados presentados para científicos interesados en la implementación de redes Bayesianas para el estudio del clima. Se proporciona un ejemplo de implementación en el apéndice.