考虑预测技能的结合作物气候建模系统raybet雷竞技最新

之间的一个中间步骤使用作物气候观测和GCM输出预测气候再分析数据的使用raybet雷竞技最新。再分析数据模型的输出与天气数据同化到气候模型。raybet雷竞技最新他们可以被视为最准确描述天气的决议GCM的典型,因此代表了一个上限预测能力结合气候/影响建模系统(Chraybet雷竞技最新allinor et al . 2003年)。Challinor et al。(2005)使用欧洲中期天气预报中心四十再分析作为输入为印度迷惑作物模型运行。作物模型模拟月(ERA40)天气和收益率之间的相关性的地区的气候信号强。raybet雷竞技最新作物产量提高预测的偏差纠正sub-seasonal网格细胞分布的降雨在ERA40降雨观测匹配很好。然而,作物预测地区的技能ERA40没有捕获均值或季节性降雨周期是穷人,即使偏差纠正(Challinor et al . 2005年)。因此,sub-seasonal的良好预测气候变化的气候模型,并且能够捕捉sub-seasonal变异性的影响作物模raybet雷竞技最新型中都是至关重要的巧妙结合罪气候建模预测的系统。

大多数作物模拟模型是确定的。也就是说,一组模型输入用于推导出一组输出。然而,气候对季节性raybet雷竞技最新时间尺度本质上是不可预测的。多模型的输出天气集合体可以代表一些不可预测性和提供概率输出(例如,得墨忒耳乐团,帕默et al . 2004年)。作物模拟研究Challinor et al . (2005 b)产量从63年的每一个得墨忒耳乐团成员作为魅力作物模型模拟的输入在印度西部花生的产量。离开-

图3.3。sub-seasonal分布的降雨1975(上)和1981(底部)在古吉拉特邦,印度从花生播种的作物

因此把作物模型的模拟是一个概率分布的作物产量在一年而不是一个平均值。考虑一年作为一个例子,意味着模型预测1998年古吉拉特邦,印度,农业是713公斤。这是接近773公斤农业的产量。然而,作物模型输出还提供了一个关于这个的意思是,概率分布,很明显,有一个非零的概率非常好和非常贫穷的季节性农作物的产量预测(图3.4)。概率追显示良好技能的预测作物歉收(定义为收益率的阈值,例如,400公斤农业,Challinor et al . 2005 b)。Cantelaube和特雷斯(2005)产生的概率预测小麦产量在欧洲使用的输出的得墨忒耳集合体WOFOST作物模型。他们得出结论的可靠预测收益率可以在本赛季早些时候获得得墨忒耳的预测比当前的操作系统。因此,似乎有很多的概率预测作物产量潜力。

一个集成Climate-Crop建模方法raybet雷竞技最新

作物模拟的传统方法使用单向流动来自气候模型输出作物模型输入的信息。raybet雷竞技最新然而,越来越多的认可

图3.4。使用得墨忒耳多模型概率作物产量预测花生作物生长在古吉拉特邦的合奏,印度在1998年。固体和破灭竖线模型并观察平均产量,分别

图3.4。使用得墨忒耳多模型概率作物产量预测花生作物生长在古吉拉特邦的合奏,印度在1998年。固体和破灭竖线模型并观察平均产量,分别

地表植被影响气候(例如,考克斯et al . 1999;raybet雷竞技最新皮特曼et al . 1993;奥斯本et al . 2004年)。作物占大约12%的地表植被(Ramankutty和福利1998)。他们可以修改自己的环境水循环和表面温度。因此,年代际预测气候变化影响评估中使用的农作物产量可能需要考虑作物与气候的相互作用在这些长时间尺度。raybet雷竞技最新这可以通过整合生物和物理建模工作在公共空间尺度上通过作物与气候和完全耦合模型。raybet雷竞技最新

作物生长和发展例程从迷惑的地表计划纳入GCM(奥斯本et al . 2005年)。在新罪气候模型,按照模拟作物生长raybet雷竞技最新环境(土壤和大气的状态)的气候模型,同时改变地表特征等重要表面能量平衡的决心反照率和表面粗糙度(图3.5)。当被迫与观察到的海洋表面温度的变化,耦合模型的作物生长季节和最终产量是在良好的协议与观测。然而,模型来准确地再现的能力观察作物生产能力密切相关的气候模型再现观测天气和气候模式。raybet雷竞技最新

作物模型耦合到GCM可能减少作物模拟的不确定性通过捕获剪裁区域气候的影响,通过直接使用GCM输出。raybet雷竞技最新然而,很难精确耦合的影响,作物模型的测试GCM因为耦合(在线)和独立(离线)模型不容易以类似的方式运行。然而,我们试图初步比较作物产量和线下的作物模型模拟。花生作物的产量在印度(30网格细胞)模拟了1979 - 1989年使用魅力(离线;Challinor et al . 2004年)和GLAM-MOSES(在线;奥斯本et al . 2007年)和输出与观察到的收益率。为此,线上和线下的运行设计尽可能相似。然而,需要注意的是,仍有一些差异模型的数据输入和模型建立特征的两种不同的方法,所以没有改变(表3.1)。所以,我们的比较

图3.5。示意图说明同步耦合的大气状态,降水、土壤水分、作物生长和表面通量在奥斯本的罪气候模型et al . (2007)。raybet雷竞技最新蓝色和红色箭头表示潜在和显热通量,分别

表3.1。总结之间的差异和离线模拟花生产量在印度

	离线GLAMa	在线GLAM-MOSES9
天气数据	HTM和CRU datasetsb	HadAM3
土壤数据	粮农组织datasetc	HadAM3
宠物和Td	计算在迷惑	计算从MOSESe
时间步长VPD和清华同方	每天	昼夜循环解决
收益差额parameter9	不同的空间	0.5
越来越多的地区	从观察到的规定	从作物maskh

一般大面积模型作物模型(Challinor et al . 2004年)。b印度热带气象研究所和气候研究中心。联合国粮食和农业组织。d潜在蒸散和作物蒸腾。e气象局表面交换计划(考克斯et al . 1999年)。

蒸汽压力不足和热作物发展的时候了。9反映出农产品产量与作物产量潜力。h看到奥斯本等等。(2007)。

由耦合的影响作物生长气氛和差异表3.1所示。

追算的在线模型模拟的年际变化的观察相当不错(图3.6),按照时间系列追算报道Challinor et al。(2004)。平均产量预测的在线作物模型(平均17%)比离线模式。的可变性

图3.6。追算印度各地花生产量;从线上和线下的作物模型;b从在线模型没有作物面具和离线作物模型。观察来自印度国家产量统计

在线模拟类似于观察到的数据,除了观察到的高收益率在1988年并没有捕捉到。进一步追算在线模型是通过删除生成的网格细胞排斥的作物面具(但实际上有一些花生种植)从印度加权平均数的计算收益。这种变化带来的平均响应模拟在线模型更接近离线仿真和观测,和复制1988年的高收益(图3.6 b)。

继续阅读:机构倾向和演化

这篇文章有用吗?

0 0