Sobre a adequação de um emulador RCM baseado em rede neural convolucional para precipitação espacial e temporal fina

Resumo Modelos climáticos regionais (RCM) de alta resolução são necessários para capturar a precipitação local, mas são muito caros para explorar completamente as incertezas associadas às projeções futuras. Para resolver o alto custo dos RCMs, Doury et al. (2023) propuseram um emulador RCM baseado em rede neural para a temperatura perto da superfície, com resolução diária e de 12 km. Ele utiliza simulações RCM existentes para aprender a relação entre preditores de baixa resolução e variáveis de superfície de alta resolução. Quando treinado, o emulador pode ser aplicado a qualquer simulação de baixa resolução para produzir conjuntos de simulações emuladas de alta resolução. Este estudo avalia a adequação da aplicação do emulador RCM para precipitação, graças a uma nova função de perda assimétrica para reproduzir toda a distribuição de precipitação sobre qualquer ponto da grade. Sob um quadro de condições perfeitas, o emulador resultante demonstra uma capacidade impressionante de reproduzir as séries originais do RCM com uma excelente correlação espaço-temporal. Em particular, um comportamento muito bom é obtido para as duas extremidades da distribuição, medido pelo número de dias secos e pelo 99º quantil. Além disso, cria objetos de precipitação consistentes mesmo que os detalhes de alta frequência sejam perdidos. A qualidade do emulador é mantida para todas as simulações do mesmo RCM, com qualquer GCM direcionador, garantindo a transferibilidade da ferramenta para GCMs nunca reduzidos pelo RCM. Uma primeira demonstração de downscaling de simulações de GCM mostrou que o emulador RCM traz um valor agregado significativo em relação ao GCM, pois produz a correta estrutura espacial de alta resolução e intensidade de precipitação intensa. No entanto, mais trabalho é necessário para estabelecer um quadro de avaliação relevante para aplicações de GCM.