Dépôt numérique
RECHERCHER

Stochastic Post-Processing of CFSR Daily Precipitation across Canada.

Khedhaouiria, Dikra; Mailhot, Alain; Favre, Anne-Catherine (2018). Stochastic Post-Processing of CFSR Daily Precipitation across Canada. Atmosphere-Ocean , vol. 56 , nº 2. p. 104-116. DOI: 10.1080/07055900.2018.1434122.

Ce document n'est pas hébergé sur EspaceINRS.

Résumé

[Traduit par la rédaction] Les réanalyses, fondées sur des méthodes de prévision numérique du temps qui assimilent les observations existantes, fournissent des champs continus de données de précipitations et représentent une option intéressante pour évaluer la climatologie des régions où les stations de mesures restent rares (p. ex., le nord du Canada). Cependant, nous ne pouvons utiliser directement les données de réanalyses en raison de biais éventuels et d’incompatibilité entre leurs résolutions spatiale et temporelle et celles qui conviennent aux applications locales. Pour résoudre ces problèmes, nous avons choisi des statistiques de sortie de modèles stochastiques (SMOS), afin de traiter a posteriori les précipitations simulées par le système de réanalyse Climate Forecast System Reanalysis (CFSR), pour l’ensemble du Canada. Cette méthode utilise les précipitations de la CFSR comme covariable et s’appuie sur deux modèles de régression. Le premier est une régression logistique qui analyse l’occurrence des précipitations et le second est un modèle vectoriel généralisé de régression linéaire de l’intensité des précipitations. Des séries de données de précipitations quotidiennes sont générées aléatoirement aux sites, et ce, à l’aide de la méthode SMOS et d’indicateurs de climat provenant de l’Équipe d’experts pour la détection et la surveillance des changements climatiques et les indices de changements climatiques, que financent conjointement la Commission de climatologie de l’Organisation météorologique mondiale (OMM) dans le cadre du Programme mondial de recherche sur le climat, le projet de variabilité et prévisibilité du climat du Programme mondial de recherche sur le climat, et la Commission technique mixte OMM/COI d’océanographie et de météorologie maritime, puis elles sont estimées et comparées avec les données correspondantes, observées et issues de la CFSR. Les deux modèles de la méthode des SMOS, en plus de corriger adéquatement les biais systématiques, produisent de meilleures prévisions que la climatologie des jours pluvieux et secs, et de l’intensité des précipitations. De plus, les SMOS produisent généralement des indices climatologiques cohérents par rapport à ceux des CFSR sans post-traitement, bien que certains indices restent ā améliorer (p. ex. le nombre maximal annuel de jours pluvieux).

Abstract

Reanalyses, based on numerical weather prediction methods assimilating past observations, provide continuous precipitation datasets and represent interesting options for assessing the climatology of regions with sparse station networks (e.g., northern Canada). However, reanalysis series cannot be used directly because of possible biases and mismatch between their spatial and temporal resolutions with that needed for local applications. To address these issues, a Stochastic Model Output Statistics (SMOS) approach was selected to post-process precipitation series simulated by the Climate Forecast System Reanalysis (CFSR) across Canada. This approach uses CFSR precipitation as a covariate and is based on two regression models: the first one is a logistic regression that deals with precipitation occurrence, and the second is a vector generalized linear model for precipitation intensity. At-site post-processed daily precipitation series are randomly generated using the SMOS approach, and selected climate indicators from the Expert Team on Climate Change Detection and Indices, which is jointly sponsored by the Commission for Climatology of the World Meteorological Organization's (WMO) World Climate Data and Monitoring Programme, the Climate Variability and Predictability Programme of the World Climate Research Programme, and the Joint WMO-IOC Technical Commission for Oceanography and Marine Meteorology (CCI/CLIVAR/JCOMM) are estimated and compared with corresponding observed and CFSR values. The two models in the SMOS approach, in addition to adequately correcting systematic biases, produced better predictions than the climatology of the wet and dry and intensity sequences. Additionally, the SMOS generally yields consistent climate indices when compared with those from CFSR without post-processing, though there is still room for improvement for specific indices (e.g., annual maximum of cumulative wet days).

Type de document: Article
Mots-clés libres: reanalysis; daily precipitation; precipitation modelling; stochastic post-processing
Centre: Centre Eau Terre Environnement
Date de dépôt: 25 oct. 2018 19:40
Dernière modification: 25 oct. 2018 19:40
URI: http://espace.inrs.ca/id/eprint/7716

Actions (Identification requise)

Modifier la notice Modifier la notice