Advances for statistical downscaling of climate change precipitation scenarios based on machine learning techniques

Abstract

A pesar de ser la principal herramienta para estudiar el cambio climático, los modelos globales de clima (GCM) siguen teniendo una resolución espacial limitada y presentan errores sistemáticos considerables con respecto al clima observado. La regionalización estadística pretende resolver este problema aprendiendo relaciones empíricas entre variables de larga escala, bien reproducidas por los GCM (por ejemplo, los vientos sinópticos o el geopotencial), y observaciones locales de la variable en superficie de interés, como la precipitación, objeto de esta tesis. Proponemos una serie de desarrollos novedosos que permiten mejorar la consistencia de los campos regionalizados y producir escenarios regionales plausibles de cambio climático. Los resultados de esta tesis tienen importantes implicaciones para los diferentes sectores que necesitan información fiable de precipitación para llevar a cabo sus evaluaciones de impactos.

Even though they are the main tool to study climate change, global climate models (GCMs) still have a limited spatial resolution and exhibit considerable systematic errors with respect to the observed climate. Statistical downscaling aims to solve this issue by learning empirical relationships between large-scale variables, well reproduced by GCMs (such as synoptic winds or geopotential), and local observations of the target surface variable, such as precipitation, the focus of this thesis. We propose a series of novel developments which allow for improving the consistency of the downscaled fields and producing plausible local-to-regional climate change scenarios. The results of this thesis have important implications for the different sectors in need of reliable precipitation information to undertake their impact assessments.