Luiz Rodrigo Lins Tozzi
Título
Calibração e Combinação de Simulações Climáticas em Conjuntos Multi-Modelo para a Bacia do Prata Usando Regressão Fuzzy
Resumo
Um método de regressão linear fuzzy é utilizado para calibrar e combinar projeções de temperaturas de modelos climáticos em um conjunto multi-modelo. O estudo de caso aplica valores médios anuais assim como médias sazonais de temperatura do ar coletados ao longo do século XX na Bacia do Prata e simulações provenientes de cinco modelos climáticos para projetar a temperatura do século XXI em três regiões distintas da bacia. A entrada de dados no modelo fuzzy intervalar é o valor central, ou seja, o valor médio de cada modelo climático e os limites superiores e inferiores contendo 90% das observações dentro de cada região. A sua resposta representa a incerteza em uma função de pertinência de formato trapezoidal, onde seu núcleo engloba todos os valores centrais de observação e seu suporte engloba 90% dos valores observados. Os parâmetros do modelo são então calculados de forma a minimizar a incerteza global. O estudo também utiliza um modelo de regressão linear convencional para avaliar e validar os resultados. O método se mostrou muito útil e estável para casos onde não é possível garantir a estabilidade das estatísticas tradicionais.
Abstract
A fuzzy interval linear regression method is used to calibrate and combine climate temperature models in a multi-model ensemble of climate model temperature projections. The study is carried out using air temperature data recorded yearly and seasonally during the 20th century in the La Plata Basin. The objective of the study is to provide realistic projections of air temperature in the 21st century, taking into account five climate models to envelope the projections data for three distinct regions. The input to the fuzzy interval model is the central value (i.e. the ensemble mean) for each climate model projection. The output data is the central temperature value, the lower and upper limits, representing 90% of the dataset within a region. The output to the fuzzy interval regression model represents the uncertainty in a trapezoid shaped membership function, in which the core interval envelop all the observed central data values and the support interval envelopes 90% of the observed data. The fuzzy regression parameters are computed such that the global uncertainty is minimized. A standard linear regression model is also be used for comparison and validation. The method has shown to be useful to handle uncertainty in climate model projections better than the linear regression model, especially in cases where it’s not possible to guarantee the normality assumption.
