Svep för att se hela sidan   >>

Länsanalyser

Nedskalning av RCP-scenarier

1. Bakgrund

FN:s klimatpanels (IPCC:s) utvärderingsrapport AR5 2013-2014 använder fyra nya scenarier för att beräkna framtida klimatförändringar, så kallade RCP:er ” Representative Concentration Pathways”. Användningen av RCP:erna syftar till att ge information om klimatförändringarna vid olika halter av växthusgaser i atmosfären. SMHI fick 2014 i uppdrag av regeringen att göra en enhetlig studie för Sverige baserad på dessa scenarier. Studien finansierades via det klimatanpassningsanslag som tilldelades Nationellt kunskapscentrum för klimatanpassning vid SMHI. Arbetet resulterade i databasen SCID med statistik i form av klimatindex för Sveriges nutida och framtida klimat. Databasen, tillsammans med en rapport och beskrivande dokument, finns tillgänglig som öppna data på smhi.se data.smhi.se/met/scenariodata/rcp/scid/.

I regleringsbrevet för 2015 gavs SMHI i uppdrag att ta fram länsvisa klimatanalyser i rapportformat baserade på de nya klimatscenarierna. Dessa utgick från databasen SCID och publicerades i november 2015 på smhi.se www.smhi.se/klimat/framtidens-klimat/framtidsklimat-i-sveriges-lan-enligt-rcp-scenarier-1.95384. I följande texter beskrivs metodiken bakom beräkningarna.

2. Metodik

2.1 Antaganden om framtiden

Klimatets utveckling i framtiden beror på hur atmosfärens innehåll av växthusgaser förändras. För att kunna studera framtidens klimat behövs antaganden om hur utsläppen av växthusgaser kommer att bli. Det finns flera möjliga utvecklingsvägar och vilken av dem som slår in beror på människans förmåga att begränsa utsläppen. RCP-scenarierna (Representative Concentration Pathways, Moss m.fl. 2010) beskriver resultatet av utsläppen, den så kallade strålningsbalansen i atmosfären, fram till år 2100. De är inte förutsägelser eller prognoser om framtiden och säger inget om vilka åtgärder som behövs för att följa en RCP. RCP:erna omfattar scenarier med och scenarier utan en aktiv klimatpolitik.

Figur 1 visar global temperaturökning enligt de olika RCP-scenarierna. Namnet på varje scenario anges med en siffra, vilken beskriver den strålningsdrivning som utvecklingsvägen ger upphov till år 2100; strålningsdrivningen uttrycks i enheten W/m2 (t.ex. 4,5 W/m2 för RCP 4,5). RCP-scenarierna startar år 2006 och innan dess baseras alla klimatscenarier på observerad strålningsbalans. RCP 8,5, den röda linjen i figuren, är det mest högintensiva scenariot, vilket innebär att utsläppen på jorden fortsätter att öka, medan de andra scenarierna innefattar någon form av politiska beslut som begränsar utsläppen.

Forskarvärlden har lagt fokus på scenarierna RCP 4,5 och RCP 8,5 då de täcker in en stor variationsbredd avseende framtida utveckling av klimatet. De möjliggör också jämförelser mellan effekterna av en framtid med höga utsläpp och en med utsläppsbegränsningar. SMHI har därför använt dessa två scenarier i de länsvisa klimatanalyser som publicerades 2015 www.smhi.se/klimat/framtidens-klimat/framtidsklimat-i-sveriges-lan-enligt-rcp-scenarier-1.95384). Tabell 1 beskriver vilka antaganden som ligger till grund för scenarierna.


Figur 1. Global uppvärmning relativt perioden 1986-2005 för de fyra olika RCP-scenarierna beskriven av ensembler av flera globala modeller (antalet visas inom parentesen). Från IPCC AR5 WG1 2013.
Tabell 1. Antaganden som ligger till grund för strålningsdrivningsscenarierna RCP4.5 och RCP8.5.
RCP 4,5 RCP 8,5
  • Utsläppen av koldioxid ökar något och kulminerar omkring år 2040
  • Befolkningsmängd något under 9 miljarder i slutet av seklet
  • Lågt arealbehov för jordbruksproduktion, bland annat till följd av större skördar och förändrade konsumtionsmönster
  • Omfattande skogsplanteringsprogram
  • Låg energiintensitet
  • Kraftfull klimatpolitik
  • Koldioxidutsläppen är tre gånger dagens vid år 2100 och metanutsläppen ökar kraftigt
  • Jordens befolkning ökar till 12 miljarder vilket leder till ökade anspråk på betes- och odlingsmark för jordbruksproduktion
  • Teknikutvecklingen mot ökad energieffektivitet fortsätter, men långsamt
  • Stort beroende av fossila bränslen
  • Hög energiintensitet
  • Ingen tillkommande klimatpolitik

2.2 Klimatmodeller

För att studera hur jordens klimatsystem reagerar på en förändrad strålningsbalans i atmosfären används en global klimatmodell (GCM). Den baseras på matematiska ekvationer som beskriver förhållanden mellan till exempel lufttryck, temperatur, fuktighet och vind. Modellen består av ett tredimensionellt rutnät som beskriver jordens atmosfär och dess koppling till land och hav. Upplösningen på varje ruta är ca 100-300 km. Hela jordens klimat simuleras av modellen som drivs av ett strålningsdrivningsscenario.

Efter globala beräkningar används en regional klimatmodell (RCM) för att få ett mer detaljerat resultat. Den regionala modellen har högre upplösning och kan därmed beskriva till exempel effekterna av den Skandinaviska bergskedjan och Östersjön. Figur 2 beskriver dataflödet mellan klimatmodeller.


Figur 2. Illustration av dataflödet mellan en global och regional klimatmodell.

2.3 Ensemble av klimatscenarier

Ett regionalt klimatscenario ges av kombinationen mellan strålningsdrivningsscenario, global klimatmodell och regional klimatmodell. Eftersom alla modeller har olika egenskaper kan resultaten skilja sig åt. Genom att använda så många olika klimatscenarier som möjligt i en s.k. ensemble fås ett robustare resultat och starkare statistiska mått på osäkerheten i resultaten.

Klimatscenarierna som ligger till grund för de länsvisa klimatanalyserna har tagits fram inom nätverket CORDEX (Jones m.fl.). Ensemblen består av data från nio olika globala klimatmodeller från olika institut, se Tabell 2. Dessa globala scenarier har använts i den regionala klimatmodellen RCA4, för de två strålningsdrivningsscenarierna, RCP 4,5 respektive RCP 8,5. Detta ger totalt 18 klimatscenarier med upplösningen 50x50 km.

Tabell 2. Institut som utfört global klimatmodellering, vilka ligger till grund för den regionala nedskalningen med modellen RCA4.
Institut Global klimatmodell
CCCma, Kanada CanESM2
CNRM CERFACS, Frankrike CNRM-CM5
GFDL, USA GFDL-ESM2M
ICHEC, Europeiskt konsortium EC-EARTH
IPSL, Frankrike IPSL-CM5A-MR
MIROC, Japan MIROC5
MPI, Tyskland MPI-EMS-LR
NCC, Norge NorESM1-M
MOHC, Storbritannien HadGEM2-ES

2.4 Klimatdata för effektstudier

Vid lokala effektstudier av framtida klimat är vattenflöden ofta av stort intresse. För att beräkna lokala vattenflöden krävs hydrologisk modellering som drivs av klimatdata. Resultaten från de regionala klimatmodellerna är inte tillräckligt detaljerade för att kunna användas direkt i en hydrologisk modell och ge en trovärdig hydrologisk respons. Regionala klimatdata behöver anpassas så att de kan användas som indata i hydrologisk modellering.

SMHI har utvecklat en metod som möjliggör en sådan anpassning. Metoden heter DBS-metoden (Distribution Based Scaling, Yang m.fl., 2010) och innebär att data från meteorologiska observationer används till att justera klimatmodellens resultat för att minimera systematiska fel. Klimatscenariot blir då statistiskt jämförbart med observationer och kan direkt användas i en hydrologisk modell. Vid användning av DBS-metoden bevaras de förändringar i medelvärden och i klimatets variabilitet, det vill säga extremvärden, som ges av klimatmodellen. Figur 3 visar dataflödet vid DBS-metoden.


Figur 3. Illustration av dataflödet från klimatmodeller till effektstudier via en hydrologisk modell.

I analysen anpassas klimatmodelldata för nederbörd och temperatur med hjälp av DBS-metoden. De nederbörds- och temperaturobservationer som klimatmodellen anpassas mot har hämtats från PTHBV (Johansson, 2000 och Johansson och Chen, 2003 och 2005), den databas, som SMHI byggt upp med särskild inriktning på hydrologisk modellering. I databasen har data från SMHIs meteorologiska stationer bearbetats med optimal interpolation till ett rutnät med upplösningen 4 km. Det innebär att upplösningen hos de 18 klimatscenarierna efter anpassning med DBS-metoden är 4 km.

2.5 Hydrologisk modell

Den hydrologiska modell som använts i analysen, HBV-modellen, började utvecklades vid SMHI under 70-talets början som ett prognosverktyg till hjälp för vattenkraftsaktörer (Bergström, 1995, Lindström m.fl., 1996). HBV-modellen beräknar daglig avrinning byggd på enkel fysikalisk beskrivning och kalibreras specifikt för olika vattendrag. Strukturen är mycket enkel och grunden är tre huvudmoduler, se Figur 4. En för beräkning av snöns ackumulation och avsmältning, en för beräkning av markvatten och en tredje för beräkning av vattnets väg och dess påverkan från fysiska faktorer, så som terräng.

HBV-modellens beräkningsområden baseras på naturliga avrinningsområden som avgörs av terrängen. I områdena fördelas markarean på skog och öppen mark och delas in i höjdzoner. Nederbördsberäkningarna görs separat för varje höjdzon och vegetationstyp. I modellen sker korrektioner av nederbörd och temperatur med avseende på höjd.

I beräkningarna som ligger till grund för de länsvisa klimatanalyserna används HBV-Sverige, som är en generell uppsättning som täcker i stort sett hela Sveriges yta. Uppsättningen delar in Sverige i 1008 avrinningsområden, vilket är en relativt grov upplösning.


Figur 4. Beskrivning av HBV-modellens struktur för ett beräkningsområde.

3. Databaser med statistik

Resultaten från modellerna bearbetas statistiskt för att ge beskrivningar av det framtida klimatet. Årsmedeltemperatur är ett exempel på en sådan beräkning och för att studera klimatförändringen jämförs data från en historisk tidsperiod med en framtida. Resultaten presenteras som medelvärden över respektive ensemble, dvs. varje index beskrivs utifrån de två RCP-scenarierna. Samtliga statistiska beräkningar som gjorts inom uppdraget med länsvisa klimatanalyser har lagrats i två geodatabaser och en databas för hydrologiska tidsserier från ca 200 punkter. De meteorologiska resultaten (de index som berör nederbörd och temperatur) har en upplösning på 4x4 km och hydrologiska resultat (vattenflöden och snö) presenteras på HBV-modellens avrinningsområden. Databaserna, med det gemensamma namnet SCID, finns tillgängliga som öppna data på smhi.se data.smhi.se/met/scenariodata/rcp/scid/.

4. Osäkerheter och tolkning av resultat

Det finns osäkerheter i studier av framtida klimat och de mest fundamentala beskrivs i följande stycken. Det är viktigt att ha dessa i åtanke vid tolkning av analyserna.

4.1 Antaganden om framtiden

Strålningsdrivningsscenarierna beskriver framtida möjliga förändringar i jordens strålningsbalans till följd av växthusgasutsläpp, men de är inte prognoser. Mängden utsläpp beror på oss människor och hur den framtida strålningsdrivningen blir beror på våra nuvarande och framtida utsläpp. Genom att studera flera möjliga framtida utvecklingsvägar fås ett mått på osäkerheten för de olika parametrarna beroende på den framtida utvecklingen. I denna analys ingår två RCP-scenarier, RCP 8,5 motsvarar en fossilintensiv framtid med höga utsläpp och RCP 4,5 innefattar begränsade utsläpp. Resultaten för dessa presenteras separat för varje enskild parameter och det är viktigt att påpeka att inget av de två scenarierna är mer rimligt än det andra, utan att de tillsammans ger en samlad bild av möjliga framtidsutvecklingar.

4.2 Klimatmodeller

Alla klimatmodeller baseras på samma grundläggande kunskap om klimatsystemet och fungerar på ungefär samma sätt. Resultaten skiljer sig ändå. Det beror på att processerna i klimatsystemet kan beskrivas på olika sätt, och att fler eller färre processer inkluderas i modellerna. Ingen modell är perfekt, därför är det bra att jämföra resultaten från olika modeller för att se hur mycket de skiljer sig åt. Det ger ett mått på hur stor betydelse olika modellbeskrivningar har för det simulerade klimatet.

Ett vanligt sätt att hantera dessa skillnader är att använda en mängd resultat från olika klimatmodeller som tillsammans skapar en ensemble, vilken kan beskriva spridningen mellan modellerna. I denna studie används resultat från nio olika globala klimatmodeller, se Tabell 2. För varje parameter har ett medelvärde av ensemblen beräknats, samt min- och maxvärdet för att indikera spridningen i resultaten.

4.3 Naturlig variabilitet

Varje klimatmodell skapar sitt eget klimat och kan därför inte förväntas ligga i fas med det verkliga klimatet på kort tidsskala, på grund av den naturliga variabiliteten som finns i klimatsystemet. Utöver antropogen påverkan på klimatet har klimatsystemet en egen naturlig variabilitet. Dessa naturliga svängningar från år till år, eller från ett årtionde till annat, försvårar analysen av beräknade klimatscenarier. Den naturliga variabiliteten beror inte på utsläppsscenariot, men måste beaktas vid tolkningen av resultaten. Är den naturliga variabiliteten stor, kan det vara svårt att se om klimatet faktiskt förändras. Denna osäkerhet är störst i klimatscenarier för en nära framtid eftersom klimatet inte hunnit förändra sig så mycket då. Man kan säga att klimatförändringen då inte går att skilja ut från den naturliga variationen i klimatet.

En välfungerande klimatmodell ska dock kunna beskriva medelvärden och variabilitet under en längre tidsperiod med tillräcklig precision, t.ex. korrekt antal kalla och varma vintrar under en trettioårsperiod. Därför är det viktigt att tolkningen av tidsserier koncentreras till långsiktiga trender och inte absoluta värden.

4.4 Upplösning

De meteorologiska resultaten i analysen har en upplösning på 4x4 km. Vid studier av medelvärden anses resultaten vara robusta och representativa för varje gridruta. Men vid studier av extremvärden ökar osäkerheten i den geografiska detaljrikedomen och enstaka gridrutor kan ge mycket missvisande resultat. Därför rekommenderas att ta ett antal gridrutor i beaktande vid lokala extremvärdesanalyser, förslagsvis 5-10 stycken. Eftersom modellresultaten representerar ett större område (minst storleken av en gridruta) så kan de inte direkt jämföras med punktobservationer som representerar lokala förhållanden vid en viss punkt.

4.5 DBS-metoden

DBS-metoden är en statistisk metod för skalering av klimatdata med hjälp av observationer. En stor osäkerhet i metoden är antagandet om att den systematiska avvikelsen mellan observerat och simulerat klimat under den historiska perioden gäller även för klimatprojektioner framåt i tiden.

Även om upplösningen ökar hos DBS-bearbetad data, till samma upplösning som i databasen med observerade data, förändras inte upplösningen hos klimatsignalen (skillnaden mellan två tidsperioder hos en variabel), vars upplösning bestäms av den regionala klimatmodellen. Viktigt att ha i åtanke är att inte använda resultat från en enskild gridruta utan göra en bedömning utifrån ett större område.

4.6 HBV-modellen

HBV-modellen är en begreppsmässig avrinningsmodell. Det innebär att processerna som omvandlar nederbörd till avrinning inte beskrivs i detalj, men ändå på ett logiskt sätt. Modellen har ett antal parametrar/koefficienter som ges värden genom kalibrering. Värdena sätts så att observerad och modellberäknad avrinning blir så lika som möjligt.

HBVSverige är en uppsättning av HBV-modellen för hela Sverige som delats in i sju relativt homogena parameterregioner. Inom varje region har modellen kalibrerats mot ett urval av tillgängliga vattenföringsstationer för att i snitt ge så bra resultat som möjligt. Det ger sämre noggrannhet än när modellen anpassas till enskilda stationer, men gör det möjligt att beräkna avrinningen i områden som saknar observationer. Genom att verifiera beräkningarna även mot stationer som inte ingått i kalibreringen fås ett mått på osäkerheten.

HBVSverige verifierades mot observationer vid ca 280 vattenföringsstationer fördelade över landet. Lite fler än hälften av dem hade använts vid kalibreringen. Som kriterium användes felet i medelvattenföring. För drygt hälften av stationerna var felet mindre än 5%. För en tredjedel låg felet mellan 5% och 10%. För de återstående (knappt 15%) var felet större än 10%.

5. Referenser

Bergström, S. 1995. The HBV model. In Singh, V. (Ed.) Computer Models of Watershed Hydrology. Water Resources Publications, Littleton, Colorado.

IPCC (Climate Change 2013: The Physical Science Basis)

Johansson, B. (2000). Areal precipitation and temperature in the Swedish mountains. An evaluation from a hydrological perspective. Nordic Hydrology, 31, 207-228.

Johansson, B., and Chen, D. (2003). The influence of wind and topography on precipitation distribution in Sweden: Statistical analysis and modelling. International Journal of Climatology, 23, 1523-1535.

Johansson, B., and Chen, D. (2005). Estimation of areal precipitation for runoff modelling using wind data: a case study in Sweden. Climate Research, 29, 53-61.

Jones C, F. Giorgi and G. Asrar (2011) The Coordinated Regional Downscaling Experiment: CORDEX, An international downscaling link to CMIP5: CLIVAR Exchanges, No. 56, Vol 16, No.2 pages 34-40.

Lindström, G., Gardelin, M., Johansson, B., Persson, M., och Bergström, S. 1996. HBV-96_en areellt fördelad modell för vattenkrafthydrologin, SMHI RH Nr. 12 April 1996, figur 1, sid.2

Lindström, G., Pers, C., Rosberg, J., Strömqvist, J. & Arheimer, B. 2010, Development and testing of the HYPE (Hydrological Predictions for the Environment) water quality model for different spatial scales. Hydrology Research, 41(3-4): 295-319

Moss, R., et al., 2010: The next generation of scenarios for climate change research and assessment. Nature, 463, 747–756.

Yang W., Andréasson J., Graham L.P., Olsson J., Rosberg J. and Wetterhall F. (2010). Distribution based scaling to improve usability of RCM projections for hydrological climate change impacts studies. Hydrology Research, 41.3-4, 211-229.