Professional Documents
Culture Documents
Presentada por
Mara Rosa Pons Reynes
bajo la direccion de
Dr. Jose Manuel Gutierrez
Universidad de Cantabria.
Bibliografa 40
1
2 INDICE GENERAL
CAPITULO 1
3
4 1. OBJETIVOS Y ESTRUCTURA DE LA TESIS
2.1. Introduccion
El analisis de tendencias en el clima observado se ha convertido en una impor-
tante lnea de investigacion en las dos ultimas decadas, debido principalmente al
interes en el calentamiento global. Para ello se han utilizado distintas fuentes de in-
formacion: observaciones instrumentales, datos proxy, informacion de satelites, etc.,
obteniendose numerosos estudios de tendencias globales y regionales. Sin embargo,
la mayora de dichos estudios analizan la temperatura y/o la precipitacion (ver, por
ejemplo Trenberth et al., 2007), mientras que otras variables de interes, como por
ejemplo la nieve, apenas se han estudiado, principalmente debido a la falta de da-
tos. No obstante, la frecuencia de episodios de nieve y su extension geograca son
parametros clave para el balance hdrico y, por tanto, las posibles tendencias ac-
tuales o futuras de dichas variables son una fuente de informacion importante para
numerosas actividades socioeconomicas.
A escala global, las imagenes de satelite del canal visible proporcionadas por
la National Oceanic and Atmospheric Administration (NOAA) desde principios de
los setenta (Dewey and Heim, 1982; Matson et al., 1986; Robinson, 1993) han si-
do la principal fuente de datos para estudiar la variabilidad del manto de nieve
(Foster et al., 1983; Gutzler and Rosen, 1992; Frei and Robinson, 1999). Las medi-
das de satelite han conrmado que la zona cubierta de nieve en el hemisferio norte
ha disminuido un 10 % de media en los ultimos treinta anos, especialmente en pri-
mavera y verano (Serreze et al., 2000). Esta tendencia coincide con medidas directas
de espesor y extension de nieve en la zona oeste de Norteamerica (Mote et al., 2005)
5
6 2. VARIABILIDAD Y TENDENCIA DE LA OCURRENCIA DE NIEVE
de una base de datos de precipitacion homogenea del periodo 1957-2002 (ver gu-
ra 2.1a). Solo se permite un 7 % de lagunas en el periodo de analisis, denido por
la disponibilidad de datos de ERA40 (de septiembre de 1957 a agosto de 2002),
excluyendo los meses de verano junio, julio y agosto, cuando no se registra nieve
practicamente nunca. Se impone una restriccion mayor de un 5 % de lagunas per-
mitidas anuales, por lo que puede haber un maximo de 14 das sin datos por ano.
Dichos porcentajes se escogieron como un compromiso entre la calidad de las series
temporales resultantes y el numero de estaciones considerado para el estudio. La
region tiene una orografa compleja, con altitudes de las estaciones comprendidas
entre 60 y 1350 metros (ver tabla 2.1 para mas detalles).
4 5 .0 60
(a) (b)
55
4 2 .5
50
4 0 .0
45
40
3 7 .5
35
3 5 .0
-12.5 -1 0 30
-7.5 -5 -2.5 0 2.5 5 -20 -10 0 10 20
Figura 2.1: (a) Distribucion espacial de las estaciones utilizadas en el estudio (ver
tabla 2.1 para los detalles geogracos). (b) Los puntos utilizados del reanalisis para
describir el patron atmosferico (malla de 1.0 1.0 de latitud y longitud.
Tabla 2.1: Nombre, altitud (m), localizacion (latitud y longitud en grados), numero
medio anual de das de nieve (NADN) y el umbral de calibracion probabilstico
para cada estacion. Las ultimas tres columnas muestran los valores de distintos
ndices de vericacion: Hit Rate HIR P (p = 1|o = 1), False Alarm Rate F AR
P (p = 1|o = 0) y false alarm ratio o F AR2 P (o = 0|p = 1). Las estaciones se
han ordenado en altitudes crecientes (aquellas marcadas con un asterisco tambien
cuentan con registros de temperatura).
2.2. AREA DE ESTUDIO Y DATOS DISPONIBLES 9
Al analizar tendencias se debe tener especial cuidado con las lagunas de los
datos y los periodos de solape de las distintas estaciones. La gura 2.2 muestra el
numero de estaciones con datos para cada ano y la altitud media resultante. Ambos
parametros se mantienen aproximadamente constantes desde 1970, incluyendose el
periodo en el que se detecta una tendencia signicativa (de 1975 en adelante, ver
seccion 2.3.1). No se ha realizado un analisis de tendencias en el periodo 1957-1970
ya que el numero de estaciones disponible cada ano vara signicativamente durante
este periodo y, por tanto, los resultados podran estar sesgados (ver, por ejemplo
Weatherhead et al., 1998, para mas informacion sobre los factores que inuyen en
la deteccion de tendencias).
40
(a)
Number of s tations
30
20
10
1960 1965 1970 1975 1980 1985 1990 1995 2000
900
Stations' mean height (m)
(b)
800
700
600
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
Figura 2.2: a) Numero de estaciones utilizadas cada ano para calcular la frecuencia
media anual de das de nieve. b) Altitud media (en metros) de las estaciones previa-
mente mencionadas. Las caractersticas permanecen aproximadamente constantes
de 1970 en adelante.
1400
Station height (m etres)
1200
1000
800
600
400
200
0
0 10 20 30 40 50
Mean NSD
Figura 2.3: Relacion entre el numero medio anual de das de nieve (NADN) y la
altitud de las estaciones. Considerar estaciones con mas de 20 das de nieve al ano
es practicamente equivalente a considerar estaciones por encima de 1000 metros.
2.3. ANALISIS DE LA FRECUENCIA ANUAL DE NIEVE 11
40
All stations (a)
30
NSD
20
10
0 s= -0.480
20 Winter s= -0.304
(b) Spring s= -0.131
Autumn
15
NSD
10
5
0
80 High altitude
(c)
60
NSD
40
20
s= -0.868
0
20 Low altitude
(d)
15
NSD
10
5
s= -0.283
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
Figura 2.4: Frecuencia media del NADN y la lnea de regresion para el periodo
1975-2002 para (a) todas las estaciones, (b) todas las estaciones analizadas estacio-
nalmente, (c) estaciones con una alta ocurrencia (mas de 20 NADN de media en
el periodo ERA40), y (d) estaciones con baja ocurrencia (menos de 20 NADN). El
valor s se corresponde con la pendiente de la regresion, medida en das/anos y solo
se muestra, junto con la lnea de regresion, en aquellos casos en que es signicativa
(con un nivel de conanza del 95 %).
16 2. VARIABILIDAD Y TENDENCIA DE LA OCURRENCIA DE NIEVE
200
180 (a) Precipitation
160
140
120
100
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
13
(b) Temperature
12
11
10
s= 0.056
9
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
Figura 2.5: (a) Frecuencia anual de das de precipitacion y (b) temperatura media
anual. En ambas guras se considera unicamente el subconjunto de 16 estaciones. Se
muestra la pendiente de regresion de la temperatura, medida en C/ano, mientras
que la precipitacion no presenta ninguna tendencia signicativa.
2.3. ANALISIS DE LA FRECUENCIA ANUAL DE NIEVE 17
3
(a) Snow
Standarized annual anomalies
2 Temp.
-1
-2
-3
4
(b) Snow
Standarized annual anomalies
3 Precip.
-1
-2
-3
1960 1965 1970 1975 1980 1985 1990 1995 2000
year
3.1. Introduccion
En la segunda parte de este estudio se ha pretendido evaluar si es posible pre-
decir con cierta pericia la variabilidad y las tendencias observadas de la frecuencia
de nieve. Los modelos de circulacion general atmosferica constituyen en la actuali-
dad la principal herramienta para predecir el tiempo. Dichos modelos determinan
el estado inicial de la atmosfera mediante la asimilacion de todas las observaciones
disponibles en el globo y calculan la evolucion de la misma en el futuro mediante la
resolucion con metodos numericos de las ecuaciones matematicas que describen la
fsica y dinamica de los procesos atmosfericos. Un modelo numerico de prediccion
meteorologica representa la atmosfera a traves de una malla o rejilla tridimensional
en la que se calcula la evolucion de las variables que la describen (presion, temperatu-
ra, velocidad, humedad, etc.). Tiene procesos que es capaz de resolver explcitamente
y procesos parametrizados, de escala inferior a los representados por la rejilla del
modelo, como la turbulencia, o la conveccion, por ejemplo.
Sin embargo, en ocasiones la resolucion de dichos modelos es insuciente para
predecir fenomenos a escala local y se recurre entonces a tecnicas de regionalizacion
o downscaling. Dichas tecnicas introducen los detalles en las escalas no resueltas por
la rejilla de los modelos y existen fundamentalmente dos metodologas:
19
20 3. SIMULACI ON CON TECNICAS DE DOWNSCALING ESTAD ISTICO
500 1000 500 850 850 500 1000 500 850 850
x1224 = (Z12 , Z12 , T12 , T12 , RH12 , Z24 , Z24 , T24 , T24 , RH24 ) (3.1)
Tambien se han desarrollado tecnicas hbridas que combinan varias de las tecnicas
anteriores. Por ejemplo, Fernandez and Saenz (2003) proponen una modicacion
del metodo de analogos utilizando una medida de similitud basada en los patrones
de correlacion canonica (CCA); por otra parte, Cannon (2006) propone un forma
eciente para combinar las ventajas de redes neuronales y el metodo de analogos.
Sin embargo, en estos metodos hbridos es mas difcil cuanticar la incertidumbre,
por la superposicion de modelos, por lo que no suelen utilizarse en regionalizacion
de cambio climatico.
24 3. SIMULACI ON CON TECNICAS DE DOWNSCALING ESTAD ISTICO
se probaron ventanas mayores con resultados similares). Este proceso se repitio para
cada uno de los das, de manera que cada observacion se utilizo una vez como dato
de validacion.
Observado
Si No
Previsto Si u u
No u u
curva (en ingles Area Under ROC Curve, AUC) se utiliza como medida de calidad
de la prediccion probabilstica (ver Jollie and Stephenson, 2003, para una vision
general de la validacion de las predicciones probabilsticas).
Para comparar las ocurrencias observadas con aquellas proyectadas localmente
mediante el metodo de analogos se utilizaron dichos ndices de validacion. La gura
3.1 muestra la curva ROC y los diagramas de abilidad correspondientes (tal y como
aparecen descritos en Wilks, 2006) para las estaciones altas y las bajas. Debido a
que la nieve es un evento raro o de baja probabilidad, se incluye en la gura una
lnea vertical a trazos que indica la probabilidad climatologica (0.028 y 0.087 para
las estaciones bajas y altas respectivamente; tambien se incluye un punto sobre la
curva ROC que se corresponde con valores de HIR y FAR para el umbral prob > 0;
esto se corresponde con una situacion extrema en la que los episodios de nieve se
predicen siempre que la probabilidad proyectada es distinta de cero. Hay que tener
en cuenta tambien que, a pesar de que se pueden obtener valores altos de la tasa
de aciertos considerando los umbrales de probabilidad adecuados, la tasa de falsas
alarmas debera ser inferior a la probabilidad climatologica. Por otro lado, las curvas
de abilidad incluidas en el interior de esta gura indican que el metodo tiende a
subestimar la ocurrencia de nieve en ambos casos; para resolver esta deciencia se
aplico un postproceso de calibracion para obtener las estimaciones de frecuencia
anual de nieve, como se vera mas adelante.
En el ejemplo anterior, las curvas ROC proporcionan una descripcion cualitativa
global del sistema. Sin embargo, en aplicaciones practicas interesa obtener un ndice
numerico para poder comparar unos sistemas con otros. El area encerrada bajo la
curva es un buen ndice global de la pericia del modelo. Un sistema de prediccion
climatologico denira un area de 0.5, asociada a la diagonal. Por ello, se suele
utilizar como ndice de pericia asociado a la curva ROC el valor 2RocArea - 1 (Roc
Skill Area, RSA). As el valor maximo del ndice es 1 (prediccion perfecta) y el valor
cero se alcanza para una prediccion climatologica aleatoria. La gura 3.1b muestra
los valores de RSA de las 33 estaciones mediante un diagrama de cajas y de las
estaciones bajas y altas por separado. Se puede concluir entonces que el metodo se
comporta mejor para las estaciones altas en las que la frecuencia de nieve es mayor.
La tecnica de validacion cruzada antes descrita se usa de forma comun para
determinar la capacidad de un metodo para estimar datos con los que no ha sido
entrenado (Schaer, 1993). Sin embargo, en el campo de la climatologa esta tecnica
solo proporciona una pericia descriptiva o interpolada ya que utiliza los datos de to-
do el periodo. Por tanto, para obtener una pericia realmente predictiva se realizo un
nuevo experimento de validacion dividiendo los datos (16434 das) en un subconjun-
3.4. CALIBRACI ON UTILIZANDO LA FRECUENCIA ANUAL DE NIEVE 27
1 0. 92
Low
High 0. 90
0. 8
0. 88
0. 6
RS A
Reliability Diagram
HI R
1 0. 86
0. 4
0. 84
0. 5
0. 2
0. 82
(a) 0
0 0. 5 1
(b)
0 0. 80
0 0. 2 0. 4 0. 6 0. 8 1 All Low High
FA R Stations
Figura 3.1: (a) Curva ROC y diagrama de abilidad (la probabilidad proyectada de
la ocurrencia de nieve p en el eje x y P (o = 1|p) en el eje y) para las estaciones bajas
y altas. (b) Diagramas de cajas para representar el RSA de todas las estaciones y
de las estaciones altas y bajas por separado.
escoge de forma emprica para que la frecuencia proyectada sea igual a la observada
considerando todo el periodo. Evidentemente, el umbral sera mas alto para aquellas
estaciones en las que la nieve es un fenomeno mas frecuente (la tabla 2.1 muestra
los umbrales obtenidos).
En la gura 3.2 se representa un ejemplo ilustrativo del proceso de calibracion
para 150 das consecutivos en la estacion con la mayor frecuencia de ocurrencia (Ge-
nestoso, ver tabla 2.1). La lneas continuas representan la prediccion probabilstica
obtenida mediante el metodo de analogos y los crculos negros representan las ob-
servaciones binarias de nieve. El umbral de calibracion optimo para esta estacion
considerando todo el periodo 1957-2002 es 0.31. Por tanto, todos aquellos das en
los que la probabilidad prevista fue superior a 0.31 (la curva roja sobre la lnea de
puntos) fueron considerados como das de nieve y aquellos en los que fue inferior a
0.31 como das sin nieve (la curva roja por debajo de la lnea de puntos). Los puntos
grises son la proyeccion de los das de nieve observados sobre la prediccion proba-
bilstica y, por tanto, todos aquellos puntos grises que se encuentren por encima de
la lnea de puntos del umbral son una deteccion correcta de un da de nieve.
1.0 Obs
Occurrence / Probability
P red
0.8
0.6
0.4 U=0.31
0.2
0.0
90%
80%
70%
60%
50%
40%
30%
20% HIR
10% FAR2
0%
0 10 20 30 40 50 60
Annual frequency of snow days
(a) (b)
1 1
0.6 0.6
0.4 0.4
0.2 0.2
0 0
0 0.2 0.4 0.6 0.8 1 0 0.2 0.4 0.6 0.8 1
HIR Analogs 1 Dynamic HIR Analogs 1 Dynamic
(c) 1
HIR Kmeans 529 clus ters
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1
HIR Analogs 1 Dynamic
as una serie temporal de frecuencias anuales previstas de das de nieve para cada
estacion. Estas series anuales se promediaron para todas las estaciones, obteniendose
una simulacion de la frecuencia media anual que se comparo con la frecuencia media
anual observada (ver gura 3.5a). Como se puede observar en dicha gura, el metodo
simula muy bien la frecuencia anual observada (el error cuadratico medio, ECM, es
2.56), no solo la tendencia decreciente observada desde 1975, sino tambien la gran
variabilidad interanual (como por ejemplo, el aumento brusco observado en 1990, en
el que se produjeron 20 das mas de nieve que en el ano anterior). Observese que el
proceso de calibracion solo tiene efecto sobre los valores climatologicos medios de los
das de nieve para todo el periodo 1957-2002 (es decir, produce una traslacion de la
curva prevista) pero no tiene ningun efecto sobre la variabilidad interanual o la ten-
dencia. Se debe tener en cuenta tambien que se esta trabajando en la aproximacion
de prediccion perfecta y, por tanto, se asume que los patrones atmosfericos diarios
para un ano en particular representan adecuadamente las condiciones atmosfericas
que realmente hubo. De este modo, estimar la frecuencia anual de nieve para un ano
en particular es mas facil que estimar correctamente la ocurrencia diaria.
En las guras 3.5b y c se analizan por separado las frecuencias anuales predichas
para las estaciones altas y bajas. El ECM de las estaciones altas y bajas es 3.96 y
2.36 respectivamente, que se corresponde con errores estandarizados de 0.34 y 0.61.
El metodo simula mejor la frecuencia anual de las estaciones altas, especialmente
a la hora de reproducir la variabilidad interanual. Este resultado era de esperar
puesto que en la seccion anterior se vio que el metodo de downscaling reproduca
mejor la ocurrencia diaria de nieve de las estaciones altas. No obstante, la tendencia
decreciente observada se reproduce bien en ambos casos.
Se podra argumentar que se pueden obtener resultados similares utilizando un
patron mucho mas sencillo, considerando solo variaciones de temperatura a gran
escala para inferir las tendencias de nieve. En trabajos anteriores se ha estudiado la
gran inuencia de la temperatura, como Hantel and Hirtl-Wielke (2007) en la cubier-
ta de nieve de los Alpes. En este trabajo se trato de simular el numero anual de das
de nieve utilizando unicamente el campo de temperatura en 850 mb como variable
predictora. A pesar de que se consiguio representar las caractersticas generales de la
variabilidad de la nieve, el metodo simulo claramente peor la tendencia decreciente:
los valores de las pendientes predichas fueron 0.37, 0.59 y 0.24 para todas las
estaciones, las altas y las bajas, respectivamente. Para las estaciones altas, el patron
de temperatura predijo una tendencia decreciente un 30 % inferior a la observada.
Esto esta en consonancia con los resultados obtenidos en la seccion 2.3, en la que se
encontro que para las estaciones altas la correlacion con la temperatura era menos
3.7. VALIDEZ DE LOS M ETODOS DE DOWNSCALING 33
importante que para las bajas e incluso tena valores similares a la correlacion con la
precipitacion. Por tanto, metodos estadsticos mas sencillos basados unicamente en
temperatura no constituyen una tecnica adecuada para simular la frecuencia anual
de nieve en esta region y se requiere el uso de metodos generales de downscaling
estadstico para simular el comportamiento observado.
Finalmente, se realizo el mismo experimento separando los datos en un conjunto
de entrenamiento (1957-1980) y un conjunto de test/validacion (1981-2002), obte-
niendose resultados muy similares para las frecuencias anuales de nieve simuladas y
para las tendencias; en particular el ECM del periodo de validacion para todas las
estaciones fuer de 2.84.
40
Obs (s= -0.48)
(a) All Pred (s= -0.45)
30
Annual Frequency
20
10
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
80
(b) High Obs (s= -0.87)
Pred (s= -0.76)
Annual Frequency
60
40
20
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
15
10
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
Figura 3.5: Frecuencia anual observada de das de nieve (lnea negra con asteriscos),
frecuencia anual predicha (curva roja) y las lneas de regresion correspondientes
para el periodo 1975-2002 para (a) todas las estaciones, (b) estaciones con una gran
ocurrencia de nieve (mas de 20 das al ano en promedio) y (c) estaciones con baja
ocurrencia (menos de 20 das al ano en promedio). En cada panel se muestran los
valores de las pendientes observadas y predichas, en das/ano.
36 3. SIMULACI ON CON TECNICAS DE DOWNSCALING ESTAD ISTICO
20
10
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
O
Obs (s = -0.48)
(b)
Annual Frequency
30 Pred (s = -0.39)
P
20
10
0
1960 1965 1970 1975 1980 1985 1990 1995 2000
Years
Figura 3.6: a) Frecuencia anual observada (lnea negra con asteriscos) y simulada
(lnea roja) de das de nieve promediada sobre todas las estaciones, con sus lneas de
regresion correspondientes (la s representa el valor de la pendiente, en das de nieve
por ano), utilizando distintos periodos de entrenamiento (sombreados en gris): a)
los diez anos consecutivos mas fros de la gura 2.5b), 1970-1980 y b) los diez anos
consecutivos mas calidos, 1992-2002.
CAPITULO 4
37
38 4. CONCLUSIONES Y TRABAJO FUTURO
8th Annual Meeting of the EMS, 7th ECAC, Amsterdam, septiembre de 2008.
Beniston, M., Keller, F., and Goyette, S. (2003). Snow pack in the swiss
alps under changing climatic conditions: an empirical approach for climate impact
studies. Theoretical and Applied Climatology, 74:1931.
Brunet, M., Jones, P. D., Sigro, J., Saladie, O., Aguilar, E., Moberg,
A., Della-Marta, P. M., Lister, D., Walther, A., and Lopez, D. (2007).
Temporal and spatial temperature variability and change over spain during 1850-
2005. J. Geophys. Res., 112:D12117, doi:10.1029/2006JD008249.
41
42 BIBLIOGRAFIA
Foster, J., Owe, M., and Rango, A. (1983). Snow cover and temperature
relationships in north america and eurasia. Journal of Climate and Applied Me-
teorology, 22:460469.
Gutierrez, J., Ancell, R., Cofino, A., and Sordo, C., eds. (2004a). Re-
des Neuronales y Probabilsticas en las Ciencias Atmosfericas. Monografas del
Instituto Nacional de Meteorologa. Ministerio de Medio Ambiente, Spain.
Gutierrez, J. M., Cofino, A. S., Cano, R., and Primo, C. (2005). Analysis
and downscaling multi-model seasonal forecasts using self-organizing maps. Tellus
A, 57:435447.
Hessami, M., Gachon, P., Ouarda, T., and St-Hilaire, A. (2008). Automated
regression-based statistical downscaling tool. Environmental Modelling Software,
23:813834.
BIBLIOGRAFIA 43
Martin, E., Timbal, B., and Brun, E. (1997). Downscaling of general circu-
lation model outputs: Simulation of the snow climatology of the french alps and
sensitivity to climate change. Climate Dynamics, 13:4556.
Mote, P., Hamlet, A., Clark, M., and Lettenmaier, D. (2005). Declining
mountain snowpack in western north america. Bulletin of the American Meteoro-
logical Society, 66:3949.
Serreze, M., Walsh, J., Chapin, F., Osterkamp, T., Dyurgerov, M., Ro-
manovsky, V., Oechel, W., Morison, J., Zhang, T., and Barry, R.
(2000). Observational evidence of recent change in the northern high-latitude
environment. Climatic Change, 46:159207.
Summer, G. N., Romero, R., Homar, V., Ramis, C., Alonso, S., and Zo-
rita, E. (2003). An estimate of the eects of climatic change on the rainfall of
mediterranean spain by the late 21st century. Climate Dynamics, 20:789805.
Trenberth, K. (1984). Some eects of nite sample size and persistence on meteo-
rological statistics. part i: Autocorrelations. Monthly Weather Review , 112:2359
2368.
Trenberth, K., Jones, P., Ambenje, P., Bojariu, R., Easterling, D.,
Klein, A., Parker, D., Rahimzadeh, F., Renwick, J., Rusticucci, M.,
Soden, B., and Zhai, P. (2007). Observations: Surface and Atmospheric Clima-
te Change. In: Climate Change 2007: The Physical Science Basis. Contribution
BIBLIOGRAFIA 45
Weatherhead, E., Reinsel, G., Tiao, G., Meng, X., Choi, D., Cheang, W.,
Keller, T., DeLuisi, J., Wuebbles, D., Kerr, J., Miller, A., Oltmans,
S., and Frederick, J. (1998). Factors aecting the detection of trends: Statisti-
cal considerations and application to environmental data. Journal of Geophysical
Research, 103(D14):149161.
Wilby, R. L., Charles, S. P., Zorita, E., Timbal, B., Whetton, P., and
Mearns, L. O. (2004). Guidelines for use of climate scenarios developed from
statistical downscaling methods. Supporting material of the IPCC (Task Group
on Data and Scenario Support for Impacts and Climate Analysis, TGICA.
Wilby, R. L., Wigley, T. M. L., Conway, D., Jones, P. D., C., H. B., Main,
J., and Wilks, D. S. (1998). Statistical downscaling of general circulation model
output: A comparison of methods. Water Resources Research, 34:29953008.
Zorita, E. and von Storch, H. (1999). The analog method as a simple statistical
downscaling technique: comparison with more complicated methods. Journal of
Climate, 12:24742489.