Модели общей циркуляции атмосферы проекта CMIP-6 для диагноза изменения климатических параметров глобального водообмена

от

С.Г. Добровольский 1, В.П. Юшков 1, 2, И.В. Соломонова 1

 1 ФГБУН Институт водных проблем Российской академии наук (ИВП РАН),

РФ, Москва, ул. Губкина, 3

Е–mail: sgdo@bk.ru

2 Московский государственный университет им. М.В. Ломоносова,

Физический факультет, РФ, Москва, Ленинские горы, 1 с. 2

DOI: 10.33075/2220-5861-2023-3-16-26

УДК 504, 556      

EDN: https://elibrary.ru/enxexw                                                                                                                                

Реферат: 

Проблема диагноза изменений в климатической системе исследуется в статье на основе теории случайных функций. В качестве меры изменений параметров климата принимаются вариации математических ожиданий соответствующих процессов. В свою очередь, соответствующие оценки средних значений предлагается получать в результате осреднения большого количества «реализаций», трактуемых как прогоны различных моделей климатической системы. Указанный подход, в качестве примера, применен для анализа и диагноза многолетних изменений одного из важнейших процессов в климатической системе – глобального гидрологического цикла. С этой целью используются траектории, полученные в результате прогонов различных (от 34 до 43) климатических моделей в рамках «исторических» экспериментов проекта CMIP-6, охватывающих период 1851–2014 г. Исследуются вариации: (1) испарения с поверхности океана, (2) осадков над океаном, (3) «эффективного» испарения с океана (разности «осадки минус испарение», равной конечному потоку влаги с океана на сушу), (4) осадков над сушей, (5) испарения (эвапотранспирации) с поверхности суши, (6) «эффективных» осадков над сушей (разности «осадки минус испарение» или «климатического стока»), (7) речного стока. Показано, что осадки над океаном и испарение с суши в значительной степени подавляют монотонные тренды средних значений соответственно испарения с океана и осадков над сушей в вековых масштабах времени. Вместе с тем, указанное демпфирование не распространяется на тренды последних нескольких десятков лет – связанные, возможно, с сочетанием резкого повышения глобальной температуры и предшествовавшими этому периоду взрывными вулканическими извержениями.

Ключевые слова: диагноз изменений климата, глобальный водообмен, модели CMIP-6.

Для цитирования: Добровольский С.Г., Юшков В.П., Соломонова И.В. Модели общей циркуляции атмосферы проекта CMIP-6 для диагноза изменения климатических параметров глобального водообмена // Системы контроля окружающей среды. 2023. Вып. 3 (53). C. 16-26. DOI: 10.33075/2220-5861-2023-3-16-26

Полный текст в формате PDF

СПИСОК ЛИТЕРАТУРЫ

  1. IPCC, 2022: Climate Change 2022: Impacts, Adaptation, and Vulnerability. Contribution of Working Group II to the Sixth Assessment Report of the Intergovernmental Panel on Climate Change [H.-O. Pörtner, D.C. Roberts, M. Tignor, E.S. Poloczanska, K. Mintenbeck, A. Alegría, M. Craig, S. Langsdorf, S. Löschke, V. Möller, A. Okem, B. Rama (eds.)]. Cambridge; New York: Cambridge University Press, 2022, 63
  2. Hasselmann K. Stochastic climate models. Part I. Theory // Tellus. 1976. Vol. 28. P. 473–485.
  3. Lemke P. Stochastic climate models. Part III. Application to zonally averaged energy models // Tellus. 1977. Vol. 29. № 5. P. 385–392.
  4. Добровольский С.Г. Глобальная гидрология. Процессы и прогнозы. М.: Геос, 2017. 526 с.
  5. Добровольский С.Г., Татаринович Е.В., Юшков В.П. Сток важнейших рек России и его изменчивость в климатических моделях проекта CMIP-5 // Метеорология и гидрология. 2016. № 12. С. 44–62.
  6. Dobrovolski S.G, Yushkov V.P., Istomina M.N. Statistical Modeling of the Global River Runoff Using GCMs: Comparison with the Observational Data and Reanalysis Results // Water Resources. 2019. Vol. 46. Suppl. 2. P. S17–S24.
  7. World Climate Research Programme (WCRP). URL:https://www.wcrp-climate.org/wgcm-cmip/wgcm-cmip6 (дата обращения: 03.02.2021).
  8. Earth System Grid Federation (ESGF). URL: https://esgf–data.dkrz.de/ (дата обращения: 03.02.2021).
  9. Max Planck Institute fur Meteorology (MPI-M). Climate Data Operators. URL:https://code.mpimet.mpg.de/ projects/cdo (дата обращения: 03.02.2021).
  10. Climate Data Operators. User’s Guide. Ver. 1.6.1. URL:http://code.zmaw.de/projects/cdo/ (дата обращения: 03.02.2021).
  11. UCAR Community Programs. URL: https://www. unidata.ucar.edu/software/netcdf/software.html (дата обращения: 03.02.2021).
  12. PCMDI: Program for Climate Model. Diagnosis and Interpretation. URL:http://pcmdi9/llnl.gov/ (дата обращения: 03.02.2021).
  13. Яглом А.М. Введение в теорию стационарных случайных функций // Успехи математических наук. 1952. Т. Вып. 5 (51). С. 3–168.
  14. Яглом А.М. Корреляционная теория стационарных случайных функций. С примерами из метеорологии. Л.: Гидрометеоиздат, 1981. 280 с.
  15. Yaglom A.M. An introduction to the theory of stationary random functions. N.Y.: Prentice-Hall, Englewood Cliffs, 1962. 235 p.
  16. Yaglom A.M. Correlation theory of stationary and related random functions. Berlin: Springer, 1987. Vol. 1. Basic results. 526 p.
  17. Ulrych T.J., Bishop T. Maximum entropy spectral analysis and autoregressive decomposition // Rev. Geophys. Space Phys. 1975. Vol. 13. P. 183– 200.

Loading