Support Vector Machine Approach to Downscale Precipitation in Climate Change Scenarios

Concern over changes in global climate has increased in recent years with improvement in understanding of atmospheric dynamics and growth in evidence of climate link to long‐term variability in hydrologic records. Climate impact studies rely on climate change information at fine spatial resolution. Towards this, the past decade has witnessed significant progress in development of downscaling models to cascade the climate information provided by General Circulation Models (GCMs) at coarse spatial resolution to the scale relevant for hydrologic studies. While a plethora of downscaling models have been applied successfully to mid‐latitude regions, a few studies are available on tropical regions where the atmosphere is known to have more complex behavior. In this paper, a support vector machine (SVM) approach is proposed for statistical downscaling to interpret climate change signals provided by GCMs over tropical regions of India. Climate variables affecting spatio‐temporal variation of precipitation at each meteorological sub‐division of India are identified. Following this, cluster analysis is applied on climate data to identify the wet and dry seasons in each year. The data pertaining to climate variables and precipitation of each meteorological sub‐division is then used to develop SVM based downscaling model for each season. Subsequently, the SVM based downscaling model is applied to future climate predictions from the second generation Coupled Global Climate Model (CGCM2) to assess the impact of climate change on hydrological inputs to the meteorological sub‐divisions. The results obtained from the SVM downscaling model are then analyzed to assess the impact of climate change on precipitation over India.

Ranking of global climate models for India using multicriterion analysis

Eleven GCMs (BCCR-BCCM2.0, INGV-ECHAM4, GFDL2.0, GFDL2.1, GISS, IPSL-CM4, MIROC3, MRI-CGCM2, NCAR-PCMI, UKMO-HADCM3 and UKMO-HADGEM1) were evaluated for India (covering 73 grid points of 2.5 degrees x 2.5 degrees) for the climate variable `precipitation rate' using 5 performance indicators. Performance indicators used were the correlation coefficient, normalised root mean square error, absolute normalised mean bias error, average absolute relative error and skill score. We used a nested bias correction methodology to remove the systematic biases in GCM simulations. The Entropy method was employed to obtain weights of these 5 indicators. Ranks of the 11 GCMs were obtained through a multicriterion decision-making outranking method, PROMETHEE-2 (Preference Ranking Organisation Method of Enrichment Evaluation). An equal weight scenario (assigning 0.2 weight for each indicator) was also used to rank the GCMs. An effort was also made to rank GCMs for 4 river basins (Godavari, Krishna, Mahanadi and Cauvery) in peninsular India. The upper Malaprabha catchment in Karnataka, India, was chosen to demonstrate the Entropy and PROMETHEE-2 methods. The Spearman rank correlation coefficient was employed to assess the association between the ranking patterns. Our results suggest that the ensemble of GFDL2.0, MIROC3, BCCR-BCCM2.0, UKMO-HADCM3, MPIECHAM4 and UKMO-HADGEM1 is suitable for India. The methodology proposed can be extended to rank GCMs for any selected region.

Ranking general circulation models for India using TOPSIS

Eleven general circulation models/global climate models (GCMs) - BCCR-BCCM2.0, INGV-ECHAM4, GFDL2.0, GFDL2.1, GISS, IPSL-CM4, MIROC3, MRI-CGCM2, NCAR-PCMI, UKMO-HADCM3 and UKMO-HADGEM1 - are evaluated for Indian climate conditions using the performance indicator, skill score (SS). Two climate variables, temperature T (at three levels, i.e. 500, 700, 850 mb) and precipitation rate (Pr) are considered resulting in four SS-based evaluation criteria (T500, T700, T850, Pr). The multicriterion decision-making method, technique for order preference by similarity to an ideal solution, is applied to rank 11 GCMs. Efforts are made to rank GCMs for the Upper Malaprabha catchment and two river basins, namely, Krishna and Mahanadi (covered by 17 and 15 grids of size 2.5 degrees x 2.5 degrees, respectively). Similar efforts are also made for India (covered by 73 grid points of size 2.5 degrees x 2.5 degrees) for which an ensemble of GFDL2.0, INGV-ECHAM4, UKMO-HADCM3, MIROC3, BCCR-BCCM2.0 and GFDL2.1 is found to be suitable. It is concluded that the proposed methodology can be applied to similar situations with ease.

小兴安岭地区主要树种对气候变暖的响应

小兴安岭是温带和寒温带的过渡地带，属于针阔混交林（阔叶红松林）与北方针叶林（兴安落叶松林）的过渡区域，树种种类众多，是气候变暖的预警区。在CGCM2气候预案下，研究区内，年平均温度增加5.97±0.14℃，年平均降水量减少16.2±6.2mm。本文联合静态模型Logistic和动态模型LANDIS，模拟气候变暖、火干扰、采伐和种植对树种分布的影响。 Logistic回归模型结果显示，在区域尺度上，气候因子（年平均温度和降水量）是影响大部分树种潜在分布的最重要的环境因子，如枫桦、黑桦、红松、冷杉、蒙古栎、山杨和云杉。少数树种对地形因子最为敏感，如落叶松，色木槭、紫椴和白桦。当空间尺度从区域尺度降低到局域尺度时，树种与环境因子之间的关系发生变化，对树种分布最具影响的环境因子发生转移。由气候因子逐渐转移为地形因子，如对红松分布最具影响的年降水量转移为坡向。但有些地区气候因子仍然是树种分布的最重要的环境因子。气候变暖与尺度效应相同，也会改变树种与环境因子间的关系，并且最具影响的环境因子也发生转移。 静态和动态模型的联合模拟结果显示，气候变暖后，红松、蒙古栎、色木槭、枫桦和紫锻北界向北迁移；落叶松、黑桦南界向北迁移；云杉分布基本没有变化，冷杉向高海拔地区迁移。虽然研究区内树种分布发生显著变化，但树种组成没有变化。气候变暖对消退型树种分布的影响最快（30年），对扩展型树种的影响较慢，其中阔叶扩展型树种对气候变暖的反应较快（40~70年），针叶树种对气候变暖的反应较慢（100~150年）。气候变暖和火干扰的作用下，扩展型树种一直增加，只有增长阶段没有消退阶段，而消退型树种，只有消退阶段没有增长阶段。树种分布变化率与树种耐火性之间没有显著相关关系，而与树种萌发力、最小萌发年龄和结实年龄之间存在显著相关关系。最后，火干扰促进耐火性强、萌发力强、最小萌发年龄小、结实年龄小的树种扩展，延缓通过种子传播、耐火性弱、结实年龄大的树种扩展。在树种年龄结构上，幼龄组比例大量增加，最终，所有龄组分布趋向稳定。而采伐使树种年龄结构趋于简单，在商品林区内年龄大于采伐年龄的树木几乎不存在。不过，火干扰和采伐都减少针叶树种的分布，增加阔叶树树种的分布。在气候变暖和采伐的作用下，消退型树种提前消退，扩展型树种扩展阶段提前。火干扰在时间上没有提前或延缓气候变暖对树种分布的影响，而采伐将提前气候变暖对树种分布的影响190年，森林提前70年从演替初期进入演替中期。种植消退型树种（如落叶松）不仅消除因采伐而提前的190年，还能保持一定量的分布，进而阻碍气候变暖对树种分布的影响。 比较两个模型结果发现气候变暖后，火干扰减少红松的迁移速度22m/Yr.，减少枫桦的8m/Yr.，而采伐不影响红松和枫桦迁移速度。种植增加红松迁移速度4~7m/Yr.，减少枫桦迁移速度5~7m/Yr.。干扰对树种迁移速度的影响与树种可通过的廊道有关。 气候变暖、火干扰和采伐的共同作用下，火烧轮回期显著减少4年，而平均火烧面积显著增加13.0hm2。种植显著影响火烧轮回期和平均火烧面积，种植红松和多个树种使火烧轮回期有所增加，在种植落叶松预案下，有所减少；种植红松、云杉和多个树种使平均火烧面积显著减少。火干扰减少采伐面积，而气候变暖增加采伐面积。但因过去超量采伐，如今树木年龄小，无法满足采伐条件，从而削弱气候变暖对采伐的影响。今后60年之内气候变暖对采伐面积没有任何影响，相反因火干扰而采伐面积减少。从2080年开始，气候变暖而扩展的阔叶树种达到采伐年龄，采伐面积开始增加；从2110年开始，在采伐迹地上种植的落叶松达到采伐年龄，采伐面积再次增加；从2130年开始，种植的云杉和红松达到采伐年龄，采伐面积再度增加。 最后，对两个模型结果进行了详细分析，讨论了干扰之间的相互关系，干扰与作用区域，树种分布变化与树种生物学特性之间的关系。提出了些有关干扰调控，生物多样性保护，森林管理方面的设想。

气候变化对东北森林主要建群种潜在分布的影响

在过去近百年全球气候迅速变暖的过程中，中国东北地区的气候变化幅度更显突出。各种大气环流模型的预测结果表明，该区在未来百年内的升温将更加急剧。东北地区的森林在过去的百年内已经遭受了气候变暖、自然和人类干扰的三重压力，森林的质量已经急剧下降，数量也大大减少。未来剧烈的气候变化将会对它产生怎样的影响无疑是人们所关注的热点。 本文以整个东北地区的森林为研究对象，以景观生态学原理为基础，结合地理信息系统以及多种数学方法和统计模型，分析过去40年以及未来100年的气候变化特点和趋势，探讨了东北地区目前的森林植被与环境因子的数量关系，探讨了未来气候变化对东北森林建群种以及目前占优势的落叶松属树种潜在分布的影响。以此为东北地区的生态环境保护、林业的持续发展提供一些基础信息。 通过本论文的相关研究，得出以下主要结论： （1）在过去40年中，区域的气候朝温暖和干旱化方向发展。1966-1970是最为寒冷的5年，而1969年是最寒冷的年份；2001-2003是最为炎热的3年。降水的变化具有以下的规律：南部的多雨期出现的比北部早，东部的多雨期比西部的早。而在未来100年，东北的气温会持续上升，2050年气温平均上升2.7℃左右，2100年达到6℃左右。升温具有如下特点：南部增温幅度比北部小，东部的增温幅度比西部小。降水的变化在整体上没有明显的规律，2050年，东部和西部的降水减少，而北部和南部则增加；2100年，东部、东北部和南部的降水减少，而西部的降水增加。 （2）用典范对应分析对目前的植被与环境因子的数量关系进行研究，同时检验了样方大小以及样带的走向对排序结果的影响。结果表明： 在区域尺度上，沿小兴安岭走向设置的样带1是一条海拔和温度的综合梯度带，样带的东南部气温较高，海拔较低，西北部正好相反。寒温带针叶林（兴安落叶松等）分布于样带西北部，温带针阔叶混交林（红松等）分布于东南部。 沿大兴安岭走向设置的样带2是一条降水、温度和海拔的综合梯度带，样带西南部的降水较多，气温较高，海拔也较高，而东北部的环境条件则相反。寒温带针叶林（兴安落叶松林、樟子松林等）分布样带东北部，温带针叶林（油松等）落叶阔叶林（榆树疏林等）分布于海拔较高的样带西南部。 沿长白山脉走向设置的样带3森林类型最为丰富，体现了海拔和温度的综合梯度，海拔梯度的方向与样带走向近于垂直，样带西南部的温度较高。寒温带针叶林（臭冷杉林、鱼鳞云杉林等）分布于样带北部；温带针叶林（油松、赤松等）和阔叶林（辽东栎林、麻栎林等）分布于样带南部。 在景观尺度上，设置于呼中自然保护区的样带是一条海拔、温度和降水的综合样带；设置于丰林自然保护区的样带1是一条海拔和坡度的样带。大尺度上的排序分析有利于我们从整体上把握植被和环境因子之间的数量关系，但是也存在一些问题。例如，样方的大小和样带的走向都会影响到排序的结果。双序图中的物种在环境梯度上的位置是相对的，需要和该样方具体的环境值域结合起来解释物种的环境分布。同一条样带以不同的方式取样时，狭布种的排序结果会发生变化，而广布种的排序的结果变化不大。 （3）在考虑2个气候因子、3个地形因子和6个土壤因子的基础上，用logistic回归模型，模拟预测三种气候变化方案-HADCM2SUL、CGCM1和CGCM2-对东北森林建群种未来潜在空间分布的影响。 （a）HADCM2SUL方案: 气温上升3.5℃，降水增加30.7%； （b）CGCM1方案: 气温上升5.2℃，降水增加25.1%， （c）CGCM2方案: 气温上升3.33~7.17℃，降水变幅-66~115mm， 本文所采用的HADCM2SUL和CGCM1气候变化方案是它们的全球平均值。而CGCM2是针对中国东北地区的，具有空间异质性的气候变化方案。结果表明，除了山杨的潜在分布不受影响之外，其他建群种受气候变暖的影响的方向以及程度依气候变暖方案的不同而不同： HADCM2SUL方案下，兴安落叶松潜在分布面积急剧减少，云杉、冷杉和白桦开始减少，红松、长白落叶松和蒙古栎增加。 CGCM1方案下，兴安落叶松几乎消失，云冷杉急剧减少、白桦，红松减少、长白落叶松和蒙古栎仍然增加。 CGCM2方案下，兴安落叶松、云冷杉和红松完全消失，长白落叶松大量减少，蒙古栎和白桦的存在概率减少。 （4）在考虑2个气候因子和3个地形因子的基础上，用权重证据法（Weight Of Evidence，WOE）和logistic回归模型，对落叶松属三个树种的潜在分布研究表明，兴安落叶松的生境是三者之中最为寒冷和干旱的，长白落叶松倾向于温暖湿润的环境，华北落叶松则趋向于温暖以及较干旱的环境。CGCM2气候变化方案下，兴安落叶松潜在分布区将完全退出东北；长白落叶松潜在分布区将从目前的长白山地区向北迁移到小兴安岭南部以及张广才岭和老爷岭的大部分地区；而目前位于大兴安岭最南端的华北落叶松则可能迁移到大兴安岭中段的乌兰浩特附近山区。

小兴安岭主要树种及林型对气候变化的潜在响应研究

本文采用了国际上可信度高、应用广泛的林窗模型LINKAGES，结合多个气候模式的预测结果，对小兴安岭地区的17个主要树种和4个主要林型对气候变化的潜在响应进行了系统研究。验证结果表明，LINKAGES模型能够较好地跟踪并再现小兴安岭现有林分及各主要林型的演替动态，适用于树种和林型对气候变化响应的预测研究。主要结论如下： 1）以树种为研究对象的模拟结果表明，不同树种均具有各自不同的生存温度临界值，因此对气候变化的敏感性也不同。当温度缓慢上升时，云冷杉、枫桦将面临退化危险，但红松及其他阔叶树种的生长优势均更加明显；当温度快速上升时，大部分树种均显示出不同程度的衰退趋势，仅蒙古栎等耐高温、干旱的阳性树种能够较好地适应未来的高温环境。 2）以整个林分为研究对象的模拟结果表明，在小幅增温情景下，林分中的云冷杉、枫桦趋于退化，而红松及其他伴生阔叶树种的比重则逐渐增加，森林总生物量呈上升趋势；在中幅增温情景下，现存的云冷杉红松阔叶混交林有可能逐渐演化为阔叶混交林，物种多样性明显减少；在大幅增温情景下，小兴安岭现有林分呈显著的退化趋势。 3）林分年龄影响森林的演替方向。不同年龄林分对气候变化的响应程度存在差异。当未来气候条件适于红松生长时，过熟林的恢复能力最强，而中幼林的适应能力最强；当未来气候条件不适于红松生长时，过熟林的恢复能力下降，而中幼林依然具有较强的适应能力。 4）季节增温方式是影响森林演替方向的另一重要因素。当冬季增温幅度大于夏季时，小兴安岭现存林分的演替受气候变暖的影响相对最小，树种组成仍然能够保持较为稳定的针阔混交状态；反之，当冬季增温幅度小于夏季时，现存林分的演替受气候变暖的影响最显著，树种衰退最迅速。小兴安岭针阔混交林的演替与未来的增温方式关系密切，上限温度是现存树种能否继续存活的重要决定因子。 5）以林型为研究对象的模拟结果表明，如果未来气候维持当前的状况不变，云冷杉红松林、枫桦红松林、椴树红松林和蒙古栎红松林四种主要林型的森林组分均将继续维持目前的优势地位，并一直保持较为稳定的动态平衡。 在变暖气候情景下，各林型中的云杉、臭冷杉和枫桦将退出森林演替；目前的云冷杉红松林、枫桦红松林和椴树红松林均将逐渐向椴树、色木槭阔叶红松林演变；蒙古栎红松林林型内部的树种组成基本不变，但蒙古栎所占比例将大幅上升。 6）气候变化幅度决定各林型未来的生物量水平。椴树红松林和蒙古栎红松林100年后的红松生物量和林分总生物量均在小幅增温情景（OSU和GISS模式）下达到最大，云冷杉红松林则在中幅增温情景（CGCM2和HadCM3模式）下达到峰值，而枫桦红松林在现行气候条件下已经为最理想状态，气温的小幅变化也会对其造成影响。在大幅增温情景（UKMO和GFDL模式）下，各林型均难以适应近8℃的增温而全部呈退化趋势。 此外，土壤水分越充足，各林型对高温的耐受范围就相对越大。故从林型角度进行预测分析时，除温度外还应进一步考虑土壤水分与林内的湿度状况。

东北森林净第一性生产力对气候变化的响应

研究森林净第一性生产力（NPP）对全球气候变化的响应，是了解全球气候变化与森林生态系统相互作用关系的关键。本文在分析长白山、丰林、呼中三个研究区气候变化特征的基础上，运用生态系统过程模型PnET-II模型,模拟东北主要森林的NPP过去43年来的动态，并结合动态GCM结果（CGCM2）预测未来一百年东北主要森林NPP的变化趋势。通过与实测数据和文献资料的对比，结合模型敏感性和不确定性分析，验证和探讨了模拟结果的准确性。主要结论如下： （1）近43年的气候变化趋势表明，三个研究区的气温都有上升趋势。丰林和长白山地区20世纪90年代后期增温明显，但降水减少，表现出暖干化趋势。呼中地区90年代后的降水减少趋势并不明显,表明东北的暖干化趋势存在地区差异。未来近100年气候变化趋势预测表明，三个研究区的日最低温和日最高温都有明显的增加趋势，日最低温的增幅大于日最高温。未来100年气温变化可分成两个阶段，21世纪前半叶温度增幅较小，而后半个世纪增速明显加快。与温度的增加趋势相反，21世纪光合有效辐射有明显的下降趋势。三地的降水在21世纪都有增加,但具体年际变化趋势有差异。这些与森林生长密切相关的气候因子的变化，将会给该地区的森林生态系统带来深刻的影响。 （2）模型估算三个地区主要森林NPP值,过去43年来有下降趋势，但不显著，而且存在年代际间波动。未来一百年，随着气候变暖，三地所有森林的NPP值都有不同程度的降低，2050年前NPP变动幅度较小，2050年后有较明显的减少趋势。 （3）模拟CO2浓度增加和气候变化对NPP的双重影响，丰林和长白山的红松林和硬阔林的NPP有不同幅度的增加，而云冷杉林和落叶松的NPP都减少。气候变化对云冷杉和落叶松林的生产力影响较大。 （4）植被参数的敏感性分析表明，与光合作用有关的植被参数对NPP的预测结果影响较大；对气候参数的敏感性分析表明，森林NPP对温度的反应敏感。 （5）通过与实测值的比较，结果表明PnET-II模型能较准确地估算东北森林净第一性生产力；与其它已有文献的比较其结果表现不一，其中一个重要原因可能是PnET-II模拟时未考虑氮碳循环过程导致。

东北落叶松属植物潜在分布对气候变化的响应

为探索气候变化对东北落叶松属植物的影响,采用logistic回归模型方法与地理信息系统,预测东北落叶松属植物目前以及未来潜在分布范围。结果表明:兴安落叶松在2050年将向北退200km,在2100年进一步向北退缩300km;长白落叶松在2050年向西北推进约200km,2100年继续推进约200 km;华北落叶松在2050年向东北方向推进280 km;2100年继续推进470 km左右。气候变化极大地改变了三种落叶松的适宜分布区。在未来气候条件下,长白落叶松和华北落叶松将可能替代目前占主导地位的兴安落叶松。

小兴安岭不同年龄林分对气候变化的潜在响应

应用林窗模型LINKAGES分别对小兴安岭原始林不同年龄林分在5种气候变暖情景下的未来演替动态进行了模拟预测.5种气候变暖情景分别为:OSU、GISS、GFDL、UKMO和CGCM2.不同年龄林分的运行结果均表明:在OSU、GISS情景下,温度升高较平缓,小兴安岭的主要树种分布基本保持现有状态,总生物量有升高趋势;在GFDL、UKMO温度大幅度升高情景下,小兴安岭森林不能适应生态环境的急剧改变,存在全部衰退的可能;而CGCM2情景下,红松生物量先上升后下降,红松针阔混交林将逐渐演替为以色木槭和蒙古栎占优势的阔叶混交林.不同年龄林分间比较发现:当增温幅度未超过红松的耐受范围时,过熟林对气候变化的抗干扰能力显著优于其他林龄类型,但总生物量水平略低;中幼林对气候变化的适应能力最强,能够在气候变化过程中朝着最有利于充分利用光照、养分等环境因子的方向演替,树种组成达到稳定后的总生物量水平通常最高.反之,当超过红松的耐受范围时,过熟林的抗干扰能力和恢复能力均下降,表现为林分的迅速衰退及总生物量的明显波动;中幼林对气候变化的适应能力仍然较强,演替动态最平稳.

Impacts of climate change on in-stream nitrogen in a lowland chalk stream: An appraisal of adaptation strategies

The impacts of climate change on nitrogen (N) in a lowland chalk stream are investigated using a dynamic modelling approach. The INCA-N model is used to simulate transient daily hydrology and water quality in the River Kennet using temperature and precipitation scenarios downscaled from the General Circulation Model (GCM) output for the period 1961-2100. The three GCMs (CGCM2, CSIRO and HadCM3) yield very different river flow regimes with the latter projecting significant periods of drought in the second half of the 21st century. Stream-water N concentrations increase over time as higher temperatures enhance N release from the soil, and lower river flows reduce the dilution capacity of the river. Particular problems are shown to occur following severe droughts when N mineralization is high and the subsequent breaking of the drought releases high nitrate loads into the river system. Possible strategies for reducing climate-driven N loads are explored using INCA-N. The measures include land use change or fertiliser reduction, reduction in atmospheric nitrate and ammonium deposition, and the introduction of water meadows or connected wetlands adjacent to the river. The most effective strategy is to change land use or reduce fertiliser use, followed by water meadow creation, and atmospheric pollution controls. Finally, a combined approach involving all three strategies is investigated and shown to reduce in-stream nitrate concentrations to those pre-1950s even under climate change. (c) 2006 Elsevier B.V. All rights reserved.

Método de elaboração de mapas dos cenários climáticos futuros para o Brasil.

Human activities are altering greenhouse gas concentrations in the atmosphere and causing global climate change. The issue of impacts of human-induced climate change has become increasingly important in recent years. The objective of this work was to develop a database of climate information of the future scenarios using a Geographic Information System (GIS) tools. Future scenarios focused on the decades of the 2020?s, 2050?s, and 2080?s (scenarios A2 and B2) were obtained from the General Circulation Models (GCM) available on Data Distribution Centre from the Third Assessment Report (TAR) of Intergovernmental Panel on Climate Change (IPCC). The TAR is compounded by six GCM with different spatial resolutions (ECHAM4:2.8125×2.8125º, HadCM3: 3.75×2.5º, CGCM2: 3.75×3.75º, CSIROMk2b: 5.625×3.214º, and CCSR/NIES: 5.625×5.625º). The mean monthly of the climate variables was obtained by the average from the available models using the GIS spatial analysis tools (arithmetic operation). Maps of mean monthly variables of mean temperature, minimum temperature, maximum temperature, rainfall, relative humidity, and solar radiation were elaborated adopting the spatial resolution of 0.5° X 0.5° latitude and longitude. The method of elaborating maps using GIS tools allowed to evaluate the spatial and distribution of future climate assessments. Nowadays, this database is being used in studies of impacts of climate change on plant disease of Embrapa projects.