Детализация климатических трендов температуры и осадков на территории России с использованием квантильной регрессии и кластеризации
DOI:
https://doi.org/10.21513/0207-2564-2024-2-219-243Ключевые слова:
Температура, сумма осадков, климатический тренд, квантиль, квантильная регрессия, кластер, метод К-средних.Аннотация
С использованием метода квантильной регрессии (QR, quantile
regression), дающего детальную картину климатических трендов для любого
из квантилей значений метеовеличин в интервале от 0 до 1, выполнены рас-
четы климатических трендов максимальной суточной температуры и суточ-
ных сумм осадков для территории РФ. Для расчетов используются данные
наблюдений по более чем 1450 метеорологическим станциям РФ за период с
1987 по 2021 годы включительно.
Проведена кластеризация рассчитанных климатических трендов и проа-
нализированы пространственные особенности полученных кластеров метео-
рологических станций и их соответствие квазиоднородным климатическим
регионам, используемым для обобщающих оценок состояния климата в
«Докладах об особенностях климата на территории РФ», ежегодно выпускае-
мых Росгидрометом. Выделены 15 кластеров метеорологических станций на
территории РФ, таких, что входящие в кластеры станции демонстрируют схо-
жие особенности («паттерны») трендов максимальной суточной температуры
и суточных сумм осадков. При этом в процессе кластеризации величины,
определяющие географическое положение метеостанций, не участвовали.
Результаты работы могут быть использованы для уточнений климатиче-
ского районирования территории РФ, учитывающего особенности тенденций
долгопериодных изменений приземного климата.
Библиографические ссылки
Лавров, А.С., Стерин, А.М. (2023) Сравнение результатов кластеризации
квантильных трендов приземной температуры на территории Российской
Федерации с квазиоднородными климатическими регионами России, CITES-
, с. 78-79.
Стерин, А.М., Лавров, А.С. (2021) Тренды температуры в свободной
атмосфере: расчеты с использованием метода квантильной регрессии, Фунда-
ментальная и прикладная климатология, т. 7, № 2, с. 99-114.
Стерин, А.М., Лавров, А.С. (2022а) Использование квантильной регрес-
сии для оценки пространственных особенностей характеристик трендов при-
земной температуры на территории России, Фундаментальная и прикладная
климатология, т. 8, № 2, с. 92-111.
Стерин, А.М., Лавров, А.С. (2022б) Детализация климатических трен-
дов, оцененных методом квантильной регрессии с использованием данных
наблюдений, ENVIROMIS 2022, с. 389-391.
Стерин, А.М., Тимофеев, А.А. (2016) Об оценке трендов приземной тем-
пературы воздуха для территории России методом квантильной регрессии,
Метеорология и гидрология, № 6, с. 17-30.
Bhikhari Tharu, Nirajan Dhakal (2020) On the use of Bayesian quantile
regression method to explore the historical trends in extreme precipitation and their
connections with large-scale climate patterns over the contiguous USA,
Theoretical and Applied Climatology, vol. 139, pp. 1277-1290.
Cannon, A.J., Sobie, S.R., Murdock, T.Q. (2015) Bias correction of GCM
precipitation by quantile mapping: How well do methods preserve changes in
quantiles and extremes? Journal of Climate, vol. 28, pp. 6938-6959.
Fan Lijun (2014) Quantile Trends in Temperature Extremes in China,
Atmospheric and Oceanic Science Letters, vol. 7, no. 4, pp. 304-308.
Gao, M., Franzke, C. (2017) Quantile Regression-based Spatio-temporal
Analysis of Extreme Temperature Change in China, Journal of Climate, vol. 30, pp.
-9914, doi:10.1175/JCLID-17-0356.1.
Haugen, M.A., Michael, L., Stein, M.L. et al. (2019) Future climate
emulations using quantile regressions on large ensembles, Advances in Statistical
Climatology Meteorology and Oceanography, vol. 5, pp. 37-55, URL: https://
doi.org/10.5194/ascmo-5-37-2019.
Koenker, R., Bassett, G.Jr. (1978) Regression Quantiles, Econometrica, vol.
, no. 1, pp. 33-50.
Lausier, A.M., Shaleen J. (2018) Diversity in global patterns of observed
precipitation variability and change on river basin scales A conditional quantile
approach, Climatic Change, vol. 149, pp. 261-275, URL: https://doi.org/10.1007/
s10584-018-2225-z.
Onderka, M., Pecho, J. (2023) On how precipitation temperature coupling
affects drought severity in the western Carpathians and the adjacent northern part
of the Pannonian Plain, Theoretical and Applied Climatology, vol. 152, pp. 681-
Salam, A. Abbas, Yunqing Xuan, Xiaomeng Song (2019) Quantile
Regression Based Methods for Investigating Rainfall Trends Associated with
Flooding and Drought Conditions, Water Resources Management, vol. 33, pp.
-4264.
Sertac Oruc (2021) Quantile trends of subhourly extreme rainfall: Marmara
Region Turkey, Acta Geophysica, vol. 69, pp. 2453-2473, URL: https://doi.org/
1007/s11600-021-00692-5.
Sterin, A.M., Timofeev, A.A. (2016) Estimation of Surface Air Temperature
Trends in Russia Using the Quantile Regression Method, Russian Meteorology and
Hydrology, vol. 41, no. 6, pp. 388-397.
Willems, P., Vrac, M. (2011) Statistical precipitation downscaling for smallscale
hydrological impact investigations of climate change, Journal of Hydrology,
vol. 402, pp. 193-205.
Zarch, M.A.A., Sivakumar, B., Sharma, A. (2015) Droughts in a warming
climate: A global assessment of Standardized Precipitation Index (SPI) and
Reconnaissance Drought Index (RDI), Journal of Hydrology, vol. 526, pp. 183-
Zheng, Y., Ming Xue et al. (2016) Spatial Characteristics of Extreme Rainfall
over China with Hourly through 24-Hour Accumulation Periods Based on
National-Level Hourly Rain Gauge Data, Advances in Atmospheric Sciences, vol.
, pp. 1218-1232.
Ru
En