[6] The RCCI is calculated using we

[6] The RCCI is calculated using wet season (WS) and dry season (DS) (Table 2) [as defined by Giorgi and Bi, 2005a, hereinafter referred to as GB05a] temperature and precipitation over 26 land regions of the world (see Figure 1) from 20 global model simulations (some including multiple realizations) of 20th and 21st climate under forcing from 3 IPCC emission scenarios, A1B, B1 and A2 [Intergovernmental Panel on Climate Change, 2000]. Note that these scenarios almost encompass the entire IPCC scenario range, the A2 being close to the high end of the range, the B1 close to the low end and the A1B lying toward the middle of the range. The model data are obtained from the PCMDI site and are interpolated onto a common 1 degree grid to facilitate intercomparison. More details on the data, models, simulations and definitions of regions are given by GB05a. The RCCI is defined as


where n is an integer varying from 0 to 4 as described in Table 1. Note that small changes below a certain threshold do not contribute to the index (n = 0) and that larger changes are weighted more heavily (i.e., the factor n doubles from each category to the next). As an illustrative example, ΔP is the change (2080–2099 minus 1960–1979) in average precipitation for a given region in Figure 1, (where only land points are included in the regional average, see GB05a) and is obtained via the following steps: 1) Calculate ΔP for each individual region and model simulation; 2) Average over the different realizations for the same model (if available); 3) Ensemble average over the different available models; 4) Average over the three scenarios (A1B, A2, B1). The same procedure is used to calculate the average regional values of RWAF, ΔσT and ΔσP.


Figure 1.

Open in figure viewer
Regional Climate Change Index (RCCI) over 26 land regions of the World calculated from 20 coupled AOGCMs and 3 IPCC emission scenarios (A1B, A2, B1). The models used are BCCR-BCM2-0, CCMA-3-T47, CNRM-CM3, CSIRO-MK3, GFDL-CM2-0, GFDL-CM2-1, GISS-AOM, GISS-EH, GISS-ER, IAP-FGOALS, INMCM3, IPSL-CM4, MIROC3-2H, MIROC3-2M, MIUB-ECHO-G, MPI-ECHAM5, MRI-CGCM2, NCAR-CCSM3, NCAR-PCM1, UKMO-HADCM3. See also Table 1 of GB05a and http://www-pcmdi.llnl.gov.

Table 1. Value of the Factor n in the Definition of the RCCIa
n ΔP ΔσP RWAF ΔσT
a See equation (1).
0 15%
3. Results

[7] Figure 1 shows the RCCI for the different regions, while Table 2 presents the regional changes of relevant variables and the contributions of the different terms to the RCCI. The two most prominent Hot-Spots emerging from the RCCI analysis are the Mediterranean (MED) and North Eastern Europe (NEE) regions. The greatest contribution to the MED RCCI is given by a large decrease in mean precipitation and an increase in precipitation variability during the dry (warm) season. This summer drying signal, which makes the Mediterranean one of the most responsive regions to global change, has been consistently observed in different generations of model projections [Giorgi et al., 2001; GB05a]. The main contributions to the NEE Hot-Spot are from a large increase in dry (cold) season precipitation, a large RWAF and an increase in precipitation interannual variability (Table 2). Note that, in agreement with previous studies [Räisänen, 2002; Giorgi and Bi, 2005b], Table 2 shows an increase in precipitation interannual variability over most regions, an increase in temperature variability over warm climate regions and a decrease in temperature variability over mid- and high latitude cold climate regions.

Table 2. Values of ΔP, ΔσP, RWAF and ΔσT over the 26 Regions of Figure 1a
Region Season ΔP, % ΔσP, % RWAF ΔσT, % Season ΔP, % ΔσP, % RWAF ΔσT, %
a See text for further information on values. WS is the wet season and DS is the dry season. The changes are calculated for the period 2080–2099 compared to 1960–1979 and are averaged over the A1B, A2, and B1 scenarios. The corresponding value of n in equation (1) is shown in parentheses.
NEU WS (May–Oct) 0.85 (0) 17.39 (2) 1.13 (1) 15.09 (4) DS (Nov–Apr) 14.40 (2) 6.69 (1) 1.43 (2) −19.45 (4)
MED WS (Oct–Mar) −9.73 (1) 24.94 (4) 1.09 (0) −3.43 (0) DS (Apr–Sep) −21.58 (4) 39.99 (4) 1.47 (2) 15.25 (4)
NEE WS (May–Oct) 6.02 (1) 23.23 (4) 1.34 (2) 4.19 (0) DS (Nov–Apr) 20.07 (4) 16.71 (2) 1.93 (4) −12.40 (2)
NAS WS (May–Oct) 11.40 (2) 14.69 (2) 1.39 (2) 3.39 (0) DS (Nov–Apr) 27.27 (4) 9.41 (1) 1.96 (4) 5.28 (1)
CAS WS (Nov–Apr) −2.08 (0) 21.89 (4) 1.29 (1) 2.02 (0) DS (May–Oct) −9.26 (1) 16.13 (2) 1.55 (4) 4.31 (0)
TIB WS (Apr–Sep) 7.94 (1) 3.15 (0) 1.42 (2) 3.00 (0) DS (May–Oct) 15.93 (4) 12.62 (2) 1.54 (4) 3.61 (0)
EAS WS (Apr–Sep) 8.20 (1) 9.81 (1) 1.20 (1) 3.03 (0) DS (Oct–Mar) 6,87 (1) 1753 (2) 1.29 (1) 2.09 (0)
SAS WS (May–Oct) 11.16 (2) 2.23 (0) 1.09 (0) 4.89 (0) DS (Nov–Apr) −2.28 (0) 8.82 (1) 1.31 (2) 9.99 (1)
SEA WS (Apr–Sep) 6.84 (1) 12.24 (2) 0.95 (0) −2.95 (0) DS (Oct–Mar) 5.84

ผลลัพธ์ (ไทย) 1:

[6] The RCCI is calculated using wet season (WS) and dry season (DS) (Table 2) [as defined by Giorgi and Bi, 2005a, hereinafter referred to as GB05a] temperature and precipitation over 26 land regions of the world (see Figure 1) from 20 global model simulations (some including multiple realizations) of 20th and 21st climate under forcing from 3 IPCC emission scenarios, A1B, B1 and A2 [Intergovernmental Panel on Climate Change, 2000]. Note that these scenarios almost encompass the entire IPCC scenario range, the A2 being close to the high end of the range, the B1 close to the low end and the A1B lying toward the middle of the range. The model data are obtained from the PCMDI site and are interpolated onto a common 1 degree grid to facilitate intercomparison. More details on the data, models, simulations and definitions of regions are given by GB05a. The RCCI is defined aswhere n is an integer varying from 0 to 4 as described in Table 1. Note that small changes below a certain threshold do not contribute to the index (n = 0) and that larger changes are weighted more heavily (i.e., the factor n doubles from each category to the next). As an illustrative example, ΔP is the change (2080–2099 minus 1960–1979) in average precipitation for a given region in Figure 1, (where only land points are included in the regional average, see GB05a) and is obtained via the following steps: 1) Calculate ΔP for each individual region and model simulation; 2) Average over the different realizations for the same model (if available); 3) Ensemble average over the different available models; 4) Average over the three scenarios (A1B, A2, B1). The same procedure is used to calculate the average regional values of RWAF, ΔσT and ΔσP.Figure 1.Open in figure viewerRegional Climate Change Index (RCCI) over 26 land regions of the World calculated from 20 coupled AOGCMs and 3 IPCC emission scenarios (A1B, A2, B1). The models used are BCCR-BCM2-0, CCMA-3-T47, CNRM-CM3, CSIRO-MK3, GFDL-CM2-0, GFDL-CM2-1, GISS-AOM, GISS-EH, GISS-ER, IAP-FGOALS, INMCM3, IPSL-CM4, MIROC3-2H, MIROC3-2M, MIUB-ECHO-G, MPI-ECHAM5, MRI-CGCM2, NCAR-CCSM3, NCAR-PCM1, UKMO-HADCM3. See also Table 1 of GB05a and http://www-pcmdi.llnl.gov.Table 1. Value of the Factor n in the Definition of the RCCIan ΔP ΔσP RWAF ΔσTa See equation (1).0 <5% <5% <1.1 <5%1 5–10% 5–10% 1.1–1.3 5–10%2 10–15% 10–20% 1.3–1.5 10–15%4 >15% >20% >1.5 >15%3. Results[7] Figure 1 shows the RCCI for the different regions, while Table 2 presents the regional changes of relevant variables and the contributions of the different terms to the RCCI. The two most prominent Hot-Spots emerging from the RCCI analysis are the Mediterranean (MED) and North Eastern Europe (NEE) regions. The greatest contribution to the MED RCCI is given by a large decrease in mean precipitation and an increase in precipitation variability during the dry (warm) season. This summer drying signal, which makes the Mediterranean one of the most responsive regions to global change, has been consistently observed in different generations of model projections [Giorgi et al., 2001; GB05a]. The main contributions to the NEE Hot-Spot are from a large increase in dry (cold) season precipitation, a large RWAF and an increase in precipitation interannual variability (Table 2). Note that, in agreement with previous studies [Räisänen, 2002; Giorgi and Bi, 2005b], Table 2 shows an increase in precipitation interannual variability over most regions, an increase in temperature variability over warm climate regions and a decrease in temperature variability over mid- and high latitude cold climate regions.Table 2. Values of ΔP, ΔσP, RWAF and ΔσT over the 26 Regions of Figure 1aRegion Season ΔP, % ΔσP, % RWAF ΔσT, % Season ΔP, % ΔσP, % RWAF ΔσT, %a See text for further information on values. WS is the wet season and DS is the dry season. The changes are calculated for the period 2080–2099 compared to 1960–1979 and are averaged over the A1B, A2, and B1 scenarios. The corresponding value of n in equation (1) is shown in parentheses.NEU WS (May–Oct) 0.85 (0) 17.39 (2) 1.13 (1) 15.09 (4) DS (Nov–Apr) 14.40 (2) 6.69 (1) 1.43 (2) −19.45 (4)MED WS (Oct–Mar) −9.73 (1) 24.94 (4) 1.09 (0) −3.43 (0) DS (Apr–Sep) −21.58 (4) 39.99 (4) 1.47 (2) 15.25 (4)NEE WS (May–Oct) 6.02 (1) 23.23 (4) 1.34 (2) 4.19 (0) DS (Nov–Apr) 20.07 (4) 16.71 (2) 1.93 (4) −12.40 (2)NAS WS (May–Oct) 11.40 (2) 14.69 (2) 1.39 (2) 3.39 (0) DS (Nov–Apr) 27.27 (4) 9.41 (1) 1.96 (4) 5.28 (1)CAS WS (Nov–Apr) −2.08 (0) 21.89 (4) 1.29 (1) 2.02 (0) DS (May–Oct) −9.26 (1) 16.13 (2) 1.55 (4) 4.31 (0)TIB WS (Apr–Sep) 7.94 (1) 3.15 (0) 1.42 (2) 3.00 (0) DS (May–Oct) 15.93 (4) 12.62 (2) 1.54 (4) 3.61 (0)EAS WS (Apr–Sep) 8.20 (1) 9.81 (1) 1.20 (1) 3.03 (0) DS (Oct–Mar) 6,87 (1) 1753 (2) 1.29 (1) 2.09 (0)SAS WS (May–Oct) 11.16 (2) 2.23 (0) 1.09 (0) 4.89 (0) DS (Nov–Apr) −2.28 (0) 8.82 (1) 1.31 (2) 9.99 (1)SEA WS (Apr–Sep) 6.84 (1) 12.24 (2) 0.95 (0) −2.95 (0) DS (Oct–Mar) 5.84

ผลลัพธ์ (ไทย) 3:

[ 6 ] rcci คำนวณโดยใช้ฤดูฝน ( WS ) และฤดูแล้ง ( DS ) ( ตารางที่ 2 ) [ นิยามโดย Giorgi และ บี , 2005a , ต่อไปนี้เรียกว่า gb05a ] อุณหภูมิและปริมาณน้ำฝนมากกว่า 26 ที่ดิน ภูมิภาคของโลก ( ดูรูปที่ 1 ) จาก 20 แบบจำลองเชิงทั่วโลก ( รวมทั้งรับรู้หลาย 20 และ 21 ) ของอากาศภายใต้บังคับจาก 3 สถานการณ์ เล็ด IPCC a1b , B1 และแผงระหว่างรัฐบาลว่าด้วยการเปลี่ยนแปลงภูมิอากาศ A2 [ 2000 ] ทราบว่าสถานการณ์เหล่านี้จะครอบคลุมช่วงสถานการณ์รุนแรงทั้ง A2 อยู่ใกล้กับปลายสูงของช่วงที่ B1 ใกล้สิ้นสุดต่ำและ a1b โกหกต่อตรงกลางของช่วง ข้อมูล นายแบบที่ได้รับจาก pcmdi เว็บไซต์และขัดลงบนตารางเพื่ออำนวยความสะดวกทั่วไป 1 องศา intercomparison . รายละเอียดเพิ่มเติมเกี่ยวกับข้อมูลแบบจำลอง , จำลองและคำจำกัดความของภูมิภาค จะได้รับ โดย gb05a . rcci หมายถึงเมื่อ n เป็นจำนวนเต็มที่แตกต่างจาก 0 ถึง 4 ตามที่อธิบายไว้ใน ตารางที่ 1 หมายเหตุ การเปลี่ยนแปลงเล็ก ๆด้านล่างเกณฑ์บางอย่างไม่สนับสนุนดัชนี ( n = 0 ) และการเปลี่ยนแปลงขนาดใหญ่หนักหนัก ( เช่น ปัจจัย N คู่จากแต่ละประเภทให้ต่อไป ) เป็นตัวอย่างΔ , P คือเปลี่ยน ( 2080 ) 923 ลบ 1960 – 1979 ) ปริมาณน้ำฝนเฉลี่ยในภูมิภาคให้ 1 รูป ( ที่จุดที่ดินจะรวมอยู่ในค่าเฉลี่ยของภูมิภาคเห็น gb05a ) และได้ผ่านขั้นตอนต่อไปนี้ : 1 ) การคำนวณΔ p สำหรับแต่ละภูมิภาค และแบบจำลอง รุ่น 2 ) เฉลี่ยมากกว่า realizations ที่แตกต่างกันสำหรับรุ่นเดียวกัน ( ถ้ามี ) ; 3 ) ensemble เฉลี่ยมากกว่าที่แตกต่างกันของรูปแบบ ; 4 ) เฉลี่ยมากกว่าสามสถานการณ์ ( a1b A2 , B1 ) ขั้นตอนเดียวกันจะใช้ในการคำนวณค่าเฉลี่ยของภูมิภาค และΔσ rwaf Δσ T , Pรูปที่ 1เปิดดูรูปในดัชนีการเปลี่ยนแปลงภูมิอากาศระดับภูมิภาค ( rcci ) กว่า 26 ที่ดินภูมิภาคของโลกที่คำนวณจาก 20 คู่ aogcms 3 ครั้งต่อสถานการณ์ ( a1b A2 , B1 ) รุ่นที่ใช้เป็น bccr-bcm2-0 ccma-3-t47 cnrm-cm3 csiro-mk3 , , , , gfdl-cm2-1 gfdl-cm2-0 giss-aom giss-eh , , , , iap-fgoals giss-er inmcm3 ipsl-cm4 , , , , miroc3-2h miroc3-2m miub-echo-g mpi-echam5 , , , , mri-cgcm2 ncar-ccsm3 ncar-pcm1 ukmo-hadcm3 , , , . เห็นตารางที่ 1 และ gb05a http://www-pcmdi.llnl.gov .ตารางที่ 1 . ค่าของปัจจัยในความหมายของ rcciaN Δ P Δσ P rwaf Δσ Tดูสมการที่ ( 1 )0 < 5 % < < < 5 % 5 % สำหรับ1 5 – 10% 5 – 10% 1.1 – 1.3 5 – 10%2 10 – 15% 10 – 20% 1.3 - 1.5 10 – 15%4 > 15% > > > 15% 20% สำหรับ3 . ผลลัพธ์[ 7 ] รูปที่ 1 แสดง rcci สำหรับภูมิภาคต่างๆ ส่วนตารางที่ 2 แสดงการเปลี่ยนแปลงของตัวแปรที่เกี่ยวข้องในภูมิภาค และเงินสมทบของเงื่อนไขที่แตกต่างกันไป rcci . สองที่โดดเด่นที่สุดจุดร้อนที่เกิดขึ้นจากการวิเคราะห์ rcci เป็นทะเลเมดิเตอร์เรเนียน ( Med ) และภาคตะวันออกเฉียงเหนือยุโรป ( ไม่ ) ภูมิภาค ผลงานที่ยิ่งใหญ่ที่สุดที่แพทย์ให้ rcci ขนาดใหญ่ลดลงในการตกตะกอนและการตกตะกอนของค่าเฉลี่ยเพิ่มขึ้นในบริการ ( อุ่น ) ฤดู ฤดูร้อนนี้สัญญาณแห้ง ซึ่งจะทำให้หนึ่งในภูมิภาคเมดิเตอร์เรเนียนที่ตอบสนองมากที่สุดในการเปลี่ยนแปลงโลกได้เสมอ พบในรุ่นที่แตกต่างกันของรูปแบบประมาณการ [ Giorgi et al . , 2001 ; gb05a ] ผลงานหลักที่จะไม่ร้อนจากการเพิ่มขนาดใหญ่ในบริการ ( เย็น ) ฝนฤดู , rwaf ขนาดใหญ่และมีการเพิ่มอัตราการตกตะกอน ( ตารางที่ 2 ) หมายเหตุ ที่สอดคล้องกับการศึกษาก่อนหน้านี้ [ R และเป็นและเณร , 2002 ; Giorgi และ บี , 2005b ) ตารางที่ 2 แสดงการเพิ่มขึ้นในอัตราการตกตะกอนมากกว่าภูมิภาคมากที่สุด การเพิ่มของอุณหภูมิกว่าเขตภูมิอากาศอบอุ่น และลดอุณหภูมิของอากาศหนาวเหนือกลางและบริเวณละติจูดสูงตารางที่ 2 คุณค่าของΔ p , Δσ P และ T rwaf Δσกว่า 26 ภูมิภาคของรูป 1aฤดูเขตΔ P , % Δσ P , % rwaf Δσ T , ในฤดูกาลΔ P , % Δσ P , % rwaf Δσ t , %ดูข้อความ สำหรับข้อมูลเพิ่มเติมเกี่ยวกับค่า มันเป็นฤดูฝนและ DS เป็นฤดูแล้ง การเปลี่ยนแปลงค่าสำหรับช่วง 2080 – 2099 เทียบกับ 1960 – 2522 และมีการเฉลี่ยมากกว่า a1b A2 และ B1 สถานการณ์ ที่ค่าของ n ในสมการ ( 1 ) จะแสดงอยู่ในวงเล็บ .หรือ WS ( พฤษภาคม–ตุลาคม ) 0.85 ( 0 ) การละลาย ( 2 ) 1.13 ( 1 ) 15.09 ( 4 ) DS ( พ.ย. - เม.ย. ) 14.40 ( 2 ) 6.69 ( 1 ) 1.43 ( 2 ) −คอน ( 1 )ด้วย WS ( ต.ค. – มี.ค. ) − 9.73 ( 1 ) 24.94 ( 4 ) 1.09 ( 0 ) − 3.43 ( 0 ) DS ( เม.ย. – ก.ย. ) บริษัท เวสเทิร์น 21.58 39.99 ( 4 ) ( 4 ) 1.47 ( 2 ) ตรวจ ( 1 )นี่มัน ( พฤษภาคม–ตุลาคม ) 6.02 ( 1 ) 23.23 ( 4 ) 1.34 ( 2 ) 4.19 ( 0 ) DS ( พ.ย. - เม.ย. ) 20.07 ( 4 ) 16.71 ( 2 ) 1.93 ( 4 ) − 12.40 ( 2 )NAS คือ ( พฤษภาคม–ตุลาคม ) 11.40 ( 2 ) 14.69 ( 2 ) ประเทศ ( 2 ) 3.39 ( 0 ) DS ( พ.ย. - เม.ย. ) 27.27 ( 4 ) 9.41 ( 1 ) 1.96 ( 4 ) ตลาดหลักทรัพย์ ( 1 )CAS WS ( พ.ย. - เม.ย. ) − ( 0 ) คิดเป็นร้อยละ 2.08 ( 4 ) 1.29 ( 1 ) 2.02 ( 0 ) DS ( พฤษภาคม–ตุลาคม ) − 9.26 ( 1 ) ตุลาคม 2551 ( 2 ) 1.55 ( 4 ) 4.31 ( 0 )ทิป WS ( เม.ย. – ก.ย. ) 7.94 ( 1 ) 3.15 ( 0 ) - ( 2 ) - ( 0 ) DS ( พฤษภาคม–ตุลาคม ) 15.93 ( 4 ) 12.62 ( 2 ) 154 ( 4 ) 3.61 ( 0 )EAS ( เม.ย. - ก.ย. ) คือ 8.20 ( 1 ) 9.81 ( 1 ) 1.20 ( 1 ) 3.03 ( 0 ) DS ( ต.ค. - มี.ค. ) 6,87 ( 1 ) 1144 ( 2 ) 1.29 ( 1 ) 2.09 ( 0 )SAS WS ( พฤษภาคม–ตุลาคม ) 11.16 ( 2 ) 2.23 ( 0 ) 1.09 ( 0 ) และ DS ( 0 )