Bias Correction of Climate Models using a Bayesian Hierarchical Model
- 1. Lancaster University
- 2. National University of Engineering
Description
Abstract. Climate models, derived from process understanding, are essential tools in the study of climate change and its wide-ranging impacts on the biosphere. Hindcast and future simulations provide comprehensive spatiotemporal estimates of climatology that are frequently employed within the environmental sciences community, although the output can be afflicted with bias that impedes direct interpretation. Bias correction approaches using observational data aim to address this challenge. However, approaches are typically criticised for not being physically justified and not considering uncertainty in the correction. These aspects are particularly important in cases where observations are sparse, such as for weather station data over Antarctica. This paper attempts to address both of these issues through the development of a novel Bayesian hierarchical model for bias prediction. The model propagates uncertainty robustly and uses latent Gaussian process distributions to capture underlying spatial covariance patterns, partially preserving the covariance structure from the climate model which is based on well-established physical laws. The Bayesian framework can handle complex modelling structures and provides an approach that is flexible and adaptable to specific areas of application, even increasing the scope of the work to data assimilation tasks more generally. Results in this paper are presented for one-dimensional simulated examples for clarity, although the method implementation has been developed to also work on multidimensional data as found in most real applications. Performance under different simulated scenarios is examined, with the method providing most value added over alternative approaches in the case of sparse observations and smooth underlying bias. A major benefit of the model is the robust propagation of uncertainty, which is of key importance to a range of stakeholders, from climate scientists engaged in impact studies, decision makers trying to understand the likelihood of particular scenarios and individuals involved in climate change adaption strategies where accurate risk assessment is required for optimal resource allocation.
Translated Descriptions
Translated Description (Arabic)
الخلاصة: النماذج المناخية، المستمدة من فهم العملية، هي أدوات أساسية في دراسة تغير المناخ وآثاره واسعة النطاق على المحيط الحيوي. توفر المحاكاة الخلفية والمستقبلية تقديرات مكانية زمانية شاملة لعلم المناخ التي يتم استخدامها بشكل متكرر داخل مجتمع العلوم البيئية، على الرغم من أن المخرجات يمكن أن تعاني من التحيز الذي يعوق التفسير المباشر. تهدف مناهج تصحيح التحيز باستخدام بيانات الملاحظة إلى مواجهة هذا التحدي. ومع ذلك، عادة ما يتم انتقاد الأساليب لعدم تبريرها جسديًا وعدم النظر في عدم اليقين في التصحيح. هذه الجوانب مهمة بشكل خاص في الحالات التي تكون فيها الملاحظات متفرقة، مثل بيانات محطة الأرصاد الجوية فوق القارة القطبية الجنوبية. تحاول هذه الورقة معالجة هاتين القضيتين من خلال تطوير نموذج هرمي بايزي جديد للتنبؤ بالتحيز. ينشر النموذج عدم اليقين بقوة ويستخدم توزيعات العملية الغاوسية الكامنة لالتقاط أنماط التباين المكاني الكامنة، مما يحافظ جزئيًا على بنية التباين المشترك من النموذج المناخي الذي يعتمد على قوانين فيزيائية راسخة. يمكن للإطار البايزي التعامل مع هياكل النمذجة المعقدة ويوفر نهجًا مرنًا وقابلًا للتكيف مع مجالات تطبيق محددة، حتى أنه يزيد من نطاق العمل لمهام استيعاب البيانات بشكل عام. يتم تقديم النتائج في هذه الورقة لأمثلة محاكاة أحادية البعد للوضوح، على الرغم من أن تنفيذ الطريقة قد تم تطويره للعمل أيضًا على البيانات متعددة الأبعاد كما هو موجود في معظم التطبيقات الحقيقية. يتم فحص الأداء في ظل سيناريوهات محاكاة مختلفة، حيث توفر الطريقة معظم القيمة المضافة على النهج البديلة في حالة الملاحظات المتفرقة والتحيز الأساسي السلس. وتتمثل إحدى الفوائد الرئيسية للنموذج في الانتشار القوي لعدم اليقين، وهو أمر ذو أهمية رئيسية لمجموعة من أصحاب المصلحة، من علماء المناخ المشاركين في دراسات الأثر، وصناع القرار الذين يحاولون فهم احتمال سيناريوهات معينة والأفراد المشاركين في استراتيجيات التكيف مع تغير المناخ حيث يلزم إجراء تقييم دقيق للمخاطر من أجل التخصيص الأمثل للموارد.Translated Description (French)
Résumé. Les modèles climatiques, issus de la compréhension des processus, sont des outils essentiels dans l'étude du changement climatique et de ses impacts étendus sur la biosphère. Les simulations rétrospectives et futures fournissent des estimations spatio-temporelles complètes de la climatologie qui sont fréquemment utilisées au sein de la communauté des sciences de l'environnement, bien que les résultats puissent être affectés par des biais qui entravent l'interprétation directe. Les approches de correction des biais utilisant des données d'observation visent à relever ce défi. Cependant, les approches sont généralement critiquées pour ne pas être physiquement justifiées et ne pas tenir compte de l'incertitude dans la correction. Ces aspects sont particulièrement importants dans les cas où les observations sont rares, comme pour les données des stations météorologiques au-dessus de l'Antarctique. Cet article tente de résoudre ces deux problèmes en développant un nouveau modèle hiérarchique bayésien pour la prédiction des biais. Le modèle propage l'incertitude de manière robuste et utilise des distributions de processus gaussiennes latentes pour capturer les modèles de covariance spatiale sous-jacents, préservant partiellement la structure de covariance du modèle climatique qui est basé sur des lois physiques bien établies. Le cadre bayésien peut gérer des structures de modélisation complexes et fournit une approche flexible et adaptable à des domaines d'application spécifiques, augmentant même la portée du travail aux tâches d'assimilation de données plus généralement. Les résultats de cet article sont présentés pour des exemples simulés unidimensionnels pour plus de clarté, bien que la mise en œuvre de la méthode ait été développée pour travailler également sur des données multidimensionnelles comme on le trouve dans la plupart des applications réelles. La performance dans différents scénarios simulés est examinée, la méthode fournissant la plus grande valeur ajoutée par rapport aux approches alternatives dans le cas d'observations éparses et de biais sous-jacents lisses. Un avantage majeur du modèle est la propagation robuste de l'incertitude, qui est d'une importance clé pour un éventail de parties prenantes, des climatologues engagés dans des études d'impact, des décideurs essayant de comprendre la probabilité de scénarios particuliers et des individus impliqués dans des stratégies d'adaptation au changement climatique où une évaluation précise des risques est nécessaire pour une allocation optimale des ressources.Translated Description (Spanish)
Resumen Los modelos climáticos, derivados de la comprensión de procesos, son herramientas esenciales en el estudio del cambio climático y sus amplios impactos en la biosfera. El Hindcast y las simulaciones futuras proporcionan estimaciones espaciotemporales integrales de la climatología que se emplean con frecuencia dentro de la comunidad de ciencias ambientales, aunque el resultado puede estar afectado por un sesgo que impide la interpretación directa. Los enfoques de corrección de sesgos que utilizan datos observacionales tienen como objetivo abordar este desafío. Sin embargo, los enfoques suelen ser criticados por no estar justificados físicamente y no considerar la incertidumbre en la corrección. Estos aspectos son particularmente importantes en los casos en que las observaciones son escasas, como en el caso de los datos de las estaciones meteorológicas sobre la Antártida. Este documento intenta abordar ambos problemas mediante el desarrollo de un nuevo modelo jerárquico bayesiano para la predicción de sesgos. El modelo propaga la incertidumbre de manera robusta y utiliza distribuciones de procesos gaussianos latentes para capturar patrones de covarianza espacial subyacentes, preservando parcialmente la estructura de covarianza del modelo climático que se basa en leyes físicas bien establecidas. El marco bayesiano puede manejar estructuras de modelado complejas y proporciona un enfoque que es flexible y adaptable a áreas específicas de aplicación, incluso aumentando el alcance del trabajo a las tareas de asimilación de datos de manera más general. Los resultados en este documento se presentan para ejemplos simulados unidimensionales para mayor claridad, aunque la implementación del método se ha desarrollado para trabajar también con datos multidimensionales como se encuentra en la mayoría de las aplicaciones reales. Se examina el rendimiento en diferentes escenarios simulados, y el método proporciona el mayor valor agregado sobre los enfoques alternativos en el caso de observaciones escasas y sesgos subyacentes suaves. Un beneficio importante del modelo es la sólida propagación de la incertidumbre, que es de importancia clave para una variedad de partes interesadas, desde científicos del clima involucrados en estudios de impacto, tomadores de decisiones que intentan comprender la probabilidad de escenarios particulares e individuos involucrados en estrategias de adaptación al cambio climático donde se requiere una evaluación de riesgos precisa para una asignación óptima de recursos.Additional details
Additional titles
- Translated title (Arabic)
- تصحيح التحيز للنماذج المناخية باستخدام نموذج بايزي الهرمي
- Translated title (French)
- Correction des biais des modèles climatiques à l'aide d'un modèle hiérarchique bayésien
- Translated title (Spanish)
- Corrección de sesgos de modelos climáticos utilizando un modelo jerárquico bayesiano
Identifiers
- Other
- https://openalex.org/W4390506513
- DOI
- 10.5194/egusphere-2023-2536