Penurunan skala dinamis ERA5 yang memungkinkan konveksi untuk Eropa dan cekungan Mediterania

Abstrak
Karena benua Eropa dan Laut Mediterania mengalami tren pemanasan yang cepat dan beragam manifestasi cuaca ekstrem, ada kebutuhan mendesak untuk memahami dan mengurangi dampak perubahan iklim di wilayah-wilayah ini. Studi ini memperkenalkan Computational Hydrometeorology with Advanced Performance to Enhanced Realism (CHAPTER) penurunan skala dinamis resolusi tinggi dari analisis ulang global European Centre for Medium-Range Weather Forecasts Reanalysis v5 (ERA5) yang dibuat dengan model numerik Weather Research and Forecasting. CHAPTER mencakup Eropa dan cekungan Mediterania pada resolusi grid resolusi konveksi 3 km x 3 km. Performa CHAPTER dalam merepresentasikan presipitasi dan suhu dievaluasi dibandingkan dengan kumpulan data mutakhir seperti ERA5-Land. Fokusnya adalah pada distribusi spasial musiman dari bias dan kesalahan akar kuadrat rata-rata, dan teknik verifikasi fuzzy digunakan untuk memvalidasi keluaran presipitasi. Hasilnya menunjukkan bahwa kinerja CHAPTER sangat sesuai dengan penurunan skala ERA5 yang dikenal baik, tetapi juga memiliki keuntungan dalam menyediakan portofolio variabel yang kaya pada resolusi temporal per jam dan di medan yang berbeda, mengikuti level model. Oleh karena itu, CHAPTER merupakan sumber daya yang berharga untuk mempelajari peristiwa cuaca ekstrem, yang menawarkan wawasan penting bagi upaya adaptasi dan mitigasi perubahan iklim di Eropa dan kawasan Mediterania.

1. PENDAHULUAN
Meningkatnya frekuensi dan tingkat keparahan peristiwa cuaca ekstrem dengan pemanasan global (Diffenbaugh et al ., 2017 ) menimbulkan tantangan yang signifikan bagi masyarakat di seluruh dunia, memperkuat kekhawatiran tentang ketahanan infrastruktur dan ekosistem dalam menghadapi perubahan iklim (Calleja-Agius et al ., 2021 ; Cramer et al ., 2018 ). Ketika pemanasan global meningkat, manifestasi cuaca ekstrem, mulai dari curah hujan yang tinggi hingga gelombang panas yang berkepanjangan, menjadi lebih jelas, yang memengaruhi berbagai wilayah dengan dampak yang berbeda-beda. Eropa, khususnya, mengalami tren pemanasan yang cepat, melampaui banyak bagian lain dunia. Selama dekade terakhir, menurut Canadell et al . ( 2021 ), suhu daratan rata-rata di Eropa telah melonjakpersamaan matematikadibandingkan dengan tingkat pra-industri, melampaui kenaikan rata-rata globalpersamaan matematikaKetimpangan peningkatan suhu ini menggarisbawahi urgensi pemahaman dan mitigasi dampak perubahan iklim, khususnya di kawasan-kawasan rentan di Eropa, seperti cekungan Mediterania yang berpenduduk padat, daerah pegunungan, dan wilayah pesisir.

Peristiwa cuaca ekstrem, termasuk gelombang panas, kekeringan, banjir, dan badai, telah menimbulkan kerugian ekonomi yang besar, krisis kesehatan masyarakat, dan degradasi lingkungan di seluruh Eropa (Bakkensen, 2017 ; Weilnhammer et al ., 2021 ). Eropa selatan dan tengah menyaksikan peningkatan kejadian gelombang panas (Rahmstorf & Coumou, 2011 ; Schär et al ., 2004 ), kebakaran hutan (Moriondo et al ., 2006 ), dan kekeringan (Grillakis, 2019 ), sedangkan wilayah utara dan timur laut menghadapi peningkatan risiko curah hujan lebat (Hosseinzadehtalaei et al ., 2020 ; Vautard et al ., 2014 ), banjir (Alfieri et al ., 2015 ; Hendry et al ., 2019 ), dan erosi pantai. Konsekuensi dari peristiwa ini tidak hanya berdampak pada kerusakan langsung, tetapi juga berdampak pada sektor-sektor lain mulai dari pertanian hingga energi (Bonanno et al ., 2019) . ) hingga kesehatan publik dan transportasi.

Menanggapi tantangan yang meningkat akibat cuaca ekstrem, ada kebutuhan yang semakin besar untuk meningkatkan pemahaman kita tentang fenomena ini melalui teknik pemodelan dan analisis tingkat lanjut (Apicella et al ., 2021 ; Fiori et al ., 2017 ; Rossa et al ., 2011 ; Vié et al ., 2012 ). Salah satu pendekatan yang menjanjikan adalah pengembangan dan pemanfaatan model iklim regional yang memungkinkan terjadinya konveksi (CP-RCM), yang menawarkan resolusi spasial yang belum pernah terjadi sebelumnya (biasanya kurang dari 4 km) dan memungkinkan simulasi terperinci dari proses cuaca skala lokal (Kendon et al ., 2021 ). Kemajuan terkini dalam CP-RCM telah menunjukkan hasil yang menjanjikan dalam menangkap karakteristik kejadian presipitasi ekstrem, variabilitas diurnal, distribusi spasial, dan gradien intensitas dengan fidelitas yang lebih baik dibandingkan dengan model iklim tradisional (Lucas-Picher et al ., 2021 ; Pieri et al ., 2015 ; Prein et al ., 2015 ). Selain itu, CP-RCM menunjukkan kemampuan yang ditingkatkan dalam mendeteksi heterogenitas permukaan (Ntagkounakis et al ., 2023 ), seperti pegunungan (Dalla Torre et al ., 2024 ), wilayah pesisir (Vannucchi et al ., 2021 ), dan wilayah perkotaan (Reder et al ., 2022 ), dan secara akurat merepresentasikan interaksi daratan–atmosfer yang penting untuk memahami dan memprediksi fenomena cuaca ekstrem (Coppola et al ., 2020 ; Karki et al ., 2017) . ).

Ketersediaan medan meteorologi ini pada resolusi temporal spasial yang tinggi pada skala benua Eropa, sejauh pengetahuan kami, saat ini unik dalam penelitian klimatologi internasional. Berbagai analisis ulang subkontinental ada, seperti domain CORDEX Eropa (Eksperimen Downscaling Regional Terkoordinasi, https://cordex.org ), COSMO-REA6 (Bollmeyer et al ., 2015 ), analisis ulang berbasis HIRLAM (Dahlgren et al ., 2016 ), kumpulan data Analisis Ulang Regional Eropa Copernicus (Ridal et al ., 2024 ; Schimanke et al ., 2021 ), dan MERIDA yang mencakup semenanjung Italia (Bonanno et al ., 2019 ). Namun, konveksi tetap diparameterisasi dalam analisis ulang regional ini karena biaya komputasi yang signifikan terkait dengan pembuatan kumpulan data pada resolusi grid skala kilometer, terutama untuk domain yang luas. Resolusi yang memungkinkan konveksi sejauh ini hanya dicapai untuk wilayah geografis nasional atau bahkan lebih kecil. Misalnya, MERA (Met Eireann Reanalysis) mencakup Irlandia dan Inggris Raya dengan resolusi horizontal 2,5 km (Gleeson et al ., 2017 ), COSMO-REA2, kumpulan data resolusi 2 km, mencakup Eropa tengah (Wahl et al ., 2017 ), dan, terakhir, SPHERA (Cerenzia et al ., 2022 ; Giordani et al ., 2023 ) dan VHR-REA-IT (Raffa et al ., 2021) ) adalah dua penskalaan ulang resolusi tinggi ERA5 pada tingkat skala grid 2,2 km, tetapi hanya untuk Italia.

Cakupan CHAPTER mencakup dari Samudra Atlantik hingga Laut Hitam dan dari Gurun Sahara hingga wilayah selatan Skandinavia. Dengan kumpulan data yang mencakup 42 tahun data tingkat model yang mengikuti medan, CHAPTER menawarkan sumber daya yang komprehensif untuk menyelidiki evolusi, pendorong, dan dampak peristiwa cuaca ekstrem pada skala lokal dan regional selama beberapa dekade terakhir. Bagian selanjutnya memberikan gambaran umum tentang konfigurasi model dan penilaian kinerja CHAPTER dalam merepresentasikan presipitasi dan suhu secara akurat dibandingkan dengan kumpulan data terkini.

2 BAHAN DAN METODE
2.1 Konfigurasi model
Downscaling dilakukan dengan menggunakan model numerik WRF, dengan data ERA5 digunakan sebagai kondisi awal dan batas. ERA5 adalah kumpulan data analisis ulang iklim global mutakhir yang dikembangkan oleh ECMWF sebagai bagian dari Layanan Perubahan Iklim Copernicus. Kumpulan data ini mewakili generasi kelima produk analisis ulang ECMWF, yang menggantikan ERA-Interim. ERA5 menawarkan kemajuan signifikan atas pendahulunya, ERA-Interim, dengan membanggakan resolusi spasial dan temporal yang lebih tinggi, dengan resolusi grid sekitar 31 km dan resolusi temporal 1 jam. Ini menggabungkan banyak data observasi, termasuk radiasi inframerah yang peka terhadap ozon dan kumpulan data yang diproses ulang yang tidak digunakan dalam versi sebelumnya. Sistem asimilasi data ERA5 didasarkan pada Siklus 41r2 dari Sistem Prakiraan Terpadu, yang beroperasi dalam jendela waktu 12 jam. Dirilis pada tahun 2017, ERA5 memberikan cakupan komprehensif dari tahun 1940 hingga saat ini, terus diperbarui dengan penundaan 2 bulan.

Versi WRF yang digunakan adalah 4.1.1. Set-up fisik model sebagian besar berasal dari studi Pieri et al . ( 2015 ) dan von Hardenberg et al . ( 2015 ) dengan jarak grid yang lebih halus (dari 4 km hingga 3 km), sangat cocok untuk penurunan skala dinamis fenomena cuaca buruk, dan mencakup area yang jauh lebih besar daripada studi sebelumnya. Secara khusus, skema Universitas Yonsei (Hong et al ., 2006 ) dipilih untuk penutupan turbulensi lapisan batas planet; Model Transfer Radiatif Cepat untuk skema gelombang pendek dan gelombang panjang GCM digunakan untuk radiasi (Iacono et al ., 2000 , 2008 ; Mlawer et al ., 1997 ); dan skema Rapid Update Cycle dipilih sebagai model tanah multilevel (enam level) dengan resolusi lebih tinggi di lapisan tanah atas: 0, 5, 20, 40, 160, dan 300 cm (Smirnova et al ., 1997 , 2000 ). Tidak ada skema kumulus yang diaktifkan di domain terdalam (d02) karena jarak grid memungkinkan dinamika konveksi teratasi. Skema konveksi yang digunakan di domain terluar (d01) adalah skema Arakawa–Schubert Sederhana Baru (Han & Pan, 2011 ), yang merupakan skema fluks massa berdasarkan Pan ( 1995 ) dengan revisi yang dibuat pada formulasi entrainment dan detrainment mengikuti studi simulasi eddy besar. Konveksi dalam diperkuat dengan meningkatkan fluks massa maksimum yang dibolehkan di dasar awan.

2.2 Validasi
2.2.1 Kumpulan data observasi dan penurunan skala komparatif
Performa CHAPTER telah dievaluasi pada akumulasi presipitasi 24 jam dan suhu rata-rata harian 2 m. Performa tersebut dibandingkan dengan performa analisis ulang ERA5-Land (Muñoz-Sabater et al ., 2021 ) dan dengan kumpulan data presipitasi resolusi tinggi CHELSA (Karger et al ., 2021 ). Kumpulan data observasi yang digunakan untuk mengonfrontasi keluaran model adalah E-OBS (Cornes et al ., 2018 ), baik untuk suhu maupun presipitasi, dan EURADCLIM (Overeem et al ., 2022) ), hanya untuk presipitasi. Deskripsi setiap kumpulan data disediakan di bawah ini. Semua kumpulan data tersedia untuk umum.

2.2.2 Teknik validasi
Pendekatan verifikasi fuzzy, seperti yang dijelaskan oleh Ebert ( 2008 ), digunakan untuk membandingkan kinerja presipitasi CHAPTER, CHELSA, dan ERA5-Land. Tidak seperti verifikasi titik terdekat tradisional, yang mencari kecocokan persis antara pasangan prakiraan dan observasi, metode verifikasi fuzzy melonggarkan kondisi pencocokan antara model dan observasi. Dalam pendekatan ini, prakiraan harus sesuai dengan observasi, dengan mempertimbangkan faktor-faktor seperti kedekatan dalam ruang, waktu, atau kuantitas lainnya. Ini khususnya bermanfaat untuk model resolusi tinggi, di mana pencocokan observasi dengan presisi absolut merupakan tantangan, karena mengurangi masalah “hukuman ganda” (Rossa et al ., 2008 ), di mana prakiraan yang benar mungkin masih dihukum karena diimbangi dari observasi. Selain itu, karena sifat observasi pengukur hujan yang jarang, agregasi spasial diperlukan untuk menilai kualitas simulasi model secara objektif dan mengompensasi keterbatasan representatif yang memengaruhi observasi titik individual.

Studi ini mengadopsi pendekatan verifikasi fuzzy “anywhere-in-the-window”, seperti yang dijelaskan oleh (Ebert, 2008 ). Ini adalah kasus khusus dari teknik “cakupan minimum”, sebuah contoh dari strategi observasi lingkungan–ramalan lingkungan. Secara khusus, skor keterampilan fraksi (FSS) berfungsi sebagai indeks utama yang merangkum potensi logika verifikasi fuzzy, membandingkan bidang ramalan dan observasi dalam area kejadian yang ditentukan. Hal ini diberikan oleh

Dua skor pelengkap lainnya dipertimbangkan dalam pendekatan verifikasi fuzzy kami: rasio alarm palsu (FAR) dan probabilitas deteksi (POD). FAR menunjukkan tingkat terjadinya deteksi palsu (rentang: 0–1; nilai sempurna: 0). FAR dihitung sebagai berikut:

Rata-rata musiman bias dan RMSE telah dihitung pada setiap titik grid dan di seluruh domain. Teknik bootstrap (Efron, 1992 ) telah diadopsi untuk memperkirakan kesalahan rata-rata musiman global. Setiap rata-rata musiman bias dan RMSE telah dihitung ulang 1.000 kali setiap kali, dengan hanya memperhitungkan 5% dari semua data. Perbedaan antara persentil ke-97,5 dan persentil ke-2,5 dari distribusi rata-rata ini, batas interval kepercayaan 95%, adalah kesalahan akhir yang ada dalam Tabel 1 dan 2 .

TABEL 1. Bias rata-rata suhu rata-rata harian CHAPTER yang ditingkatkan pada 10 km dan suhu ERA5-Daratan untuk setiap musim di seluruh domain (1981–2022).

TABEL 2. Rata-rata kesalahan akar rata-rata kuadrat (RMSE) suhu rata-rata harian CHAPTER yang ditingkatkan pada 10 km dan suhu ERA5-Daratan untuk setiap musim di seluruh domain (1981–2022).

AV merupakan cara untuk menilai di mana CHAPTER menunjukkan peningkatan dibandingkan ERA5, dengan mengambil E-OBS sebagai kebenaran dasar. Pada titik-titik di mana AV negatif, ERA5 lebih sesuai dengan E-OBS daripada CHAPTER. Sebaliknya, pada titik-titik di mana AV positif, CHAPTER telah menghasilkan nilai tambah dibandingkan dengan ERA5. Untuk analisis terakhir ini, baik E-OBS maupun CHAPTER telah ditingkatkan pada resolusi ERA5, 31 km x 31 km.

3 HASIL
3.1 Curah Hujan
3.1.1 Kecenderungan
Gambar 2 menyajikan distribusi spasial musiman dari persentase bias akumulasi presipitasi pada 24 jam ERA5-Land dan CHAPTER yang ditingkatkan pada grid 10 km x 10 km dengan mengasumsikan E-OBS sebagai referensi. Sehubungan dengan ERA5, CHAPTER memiliki bias positif yang lebih tinggi, terutama di musim panas di benua Eropa. Diketahui bahwa simulasi WRF menunjukkan bias presipitasi positif sistematis dan perkiraan yang terlalu tinggi dari frekuensi hari basah (Warrach-Sagi et al ., 2013 ). Dalam hal distribusi spasial, kedua set data meremehkan presipitasi di pantai Afrika di wilayah Mediterania, sedangkan Pegunungan Alpen adalah wilayah utama tempat presipitasi ditaksir terlalu tinggi. Di kedua wilayah, perkiraan yang terlalu rendah dan perkiraan yang terlalu tinggi sebagian disebabkan oleh kepadatan rendah jaringan E-OBS.

3.1.2 Skor verifikasi fuzzy
Untuk memperoleh gambaran yang lebih komprehensif tentang kemampuan model dalam merepresentasikan medan presipitasi, kami menganalisis skor FSS, FAR, dan POD, di mana kinerja yang baik sesuai dengan nilai FSS dan POD yang tinggi tetapi nilai FAR yang rendah. Secara khusus, indeks ditampilkan sebagai fungsi skala spasial (sumbu absis) dan ambang presipitasi (ordinat); yaitu, dimensi sisi kotak verifikasi. Dengan cara ini, dengan melihat sudut kanan bawah bagan ini, dimungkinkan untuk menilai kinerja model untuk kejadian yang dicirikan oleh skala spasial kecil dan intensitas tinggi, yang merupakan hal terpenting dalam mengembangkan kejadian konvektif yang kuat.

 

 

 

3.2 Suhu
Gambar 9 menunjukkan evolusi suhu rata-rata bulanan 2 m di seluruh domain validasi CHAPTER (ditingkatkan pada 10 km), ERA5-Land, dan E-OBS, untuk seluruh periode yang tersedia di CHAPTER (yaitu, 1981–2022). Sementara ERA5-Land menunjukkan bias positif sistematis dibandingkan dengan E-OBS, CHAPTER tampaknya menunjukkan kesesuaian yang lebih dekat dengan kumpulan data observasi, dengan sedikit bias negatif yang dimulai setelah tahun 1995 dan sedikit bias positif sebelumnya. Kedua kumpulan data tersebut dengan sempurna menggambarkan evolusi tren.

Tabel 1 menyajikan bias rata-rata musiman suhu di semua domain, untuk keseluruhan periode. Bias positif di ERA5-Land terutama berasal dari musim panas dan musim gugur, sedangkan CHAPTER menyajikan bias negatif terkuat di musim dingin. CHAPTER memiliki bias positif di musim panas dan bias negatif di musim dingin, sedangkan ERA5-Land hanya memiliki bias positif yang kuat di musim panas, yang dapat menjelaskan mengapa melakukan rata-rata berjalan (Gambar 9 ) CHAPTER tampaknya memiliki kesepakatan yang lebih dekat dengan pengamatan: bias negatif di musim dingin mengimbangi bias positif di musim panas.

Melihat bias rata-rata untuk setiap lokasi (Gambar 10 ), terdapat perkiraan suhu yang terlalu tinggi di atas pantai Afrika. Akan tetapi, kesalahan besar tersebut mungkin lebih berkaitan dengan kelangkaan data di wilayah ini daripada dengan kekurangan intrinsik model tersebut. Di sisi lain, suhu di atas Pegunungan Alpen lebih sering diremehkan. Penting untuk dicatat bahwa, di kedua wilayah ini, kesalahan yang sama diamati baik untuk CHAPTER maupun untuk ERA5-Land baik dalam tanda maupun besaran.

Karena adanya kompensasi, bias hanya memberikan informasi parsial. RMSE yang disajikan pada Gambar 11 secara akurat menggambarkan besarnya kesalahan rata-rata, meskipun memberikan bobot lebih besar pada kesalahan besar. CHAPTER secara umum memiliki RMSE yang lebih tinggi daripada ERA5-Land, dengan RMSE rata-rata tertinggi
di musim dingin (Tabel 2 ). Hal ini menegaskan bahwa CHAPTER cenderung memiliki perbedaan yang sedikit lebih tinggi dengan suhu E-OBS tetapi perbedaan tersebut saling mengimbangi secara spasial dan waktu saat menghitung bias rata-rata. Di sisi lain, ERA5-Land memiliki bias positif hanya di musim panas, sehingga menciptakan perbedaan yang lebih besar dengan E-OBS saat membandingkan rata-rata tahunan. Dalam hal analisis spasial, kami kembali menemukan kesalahan terbesar di Afrika Utara dan Pegunungan Alpen.

3.3 AV dari BAB di atas ERA5
Subbagian sebelumnya berfokus pada perbandingan CHAPTER dengan penurunan skala ERA5 terkini: satu statistik dan satu dinamis. Bagian ini secara langsung membandingkan CHAPTER dengan ERA5 untuk mengevaluasi AV dari CHAPTER. Gambar 12 mengilustrasikan AV untuk suhu, di mana CHAPTER menunjukkan peningkatan yang jelas. Untuk hampir setiap sel grid di seluruh domain dan di semua musim, AV positif Dalam kasus presipitasi (Gambar 13 ), AV positif diamati di dataran Eropa tengah selama musim gugur, musim dingin, dan musim semi, sedangkan nilai negatif terjadi di musim panas dan di wilayah pegunungan sepanjang semua musim. Ini menunjukkan bahwa selama musim panas dan di area dengan orografi kompleks, ERA5 lebih selaras dengan E-OBS.

 

Perbedaan antara CHAPTER dan E-OBS selama musim panas atau di wilayah tertentu mungkin sebagian berasal dari ketidakpastian bawaan E-OBS, seperti kepadatan stasiun yang bervariasi dan kesalahan pengukuran. Seperti yang disorot dalam Bandhauer et al . ( 2022 ), Pieri et al . ( 2015 ), dan Isotta et al . ( 2014 ), distribusi stasiun pengukuran yang jarang di wilayah tertentu, terutama di daerah pegunungan tinggi, secara sistematis meremehkan tingkat curah hujan ekstrem. Curah hujan ekstrem lebih sering diamati di musim panas, musim yang didominasi oleh kejadian presipitasi konvektif ekstrem (Giorgi et al ., 2016 ; Llasat et al ., 2021 ). Kemampuan CHAPTER untuk menangkap kejadian curah hujan lebat dibuktikan lebih lanjut oleh fungsi kerapatan probabilitas dari curah hujan rata-rata harian tahunan (Gambar 14 ). Ekor distribusi CHAPTER meluas secara signifikan lebih jauh dibandingkan dengan E-OBS atau ERA5, dengan divergensi yang paling menonjol pada musim panas dibandingkan dengan musim lainnya (gambar tidak ditampilkan).

Estimasi berlebih peristiwa ekstrem oleh CHAPTER mungkin tidak semata-mata berasal dari kemampuannya yang lebih baik untuk merepresentasikan peristiwa konvektif. Analisis distribusi curah hujan musiman (tidak ditampilkan) mengungkapkan bahwa, di musim panas, CHAPTER melebih-lebihkan peristiwa ekstrem dibandingkan dengan E-OBS, sedangkan ERA5 meremehkannya. Di musim dingin, baik CHAPTER maupun ERA5 melebih-lebihkan curah hujan lebat dibandingkan dengan E-OBS. Kami berhipotesis bahwa ERA5 cenderung melebih-lebihkan intensitas presipitasi skala besar di Eropa, seperti yang telah ditemukan oleh Bandhauer et al . ( 2022 ), Lavers et al . ( 2022 ), dan Rivoire et al . ( 2021 ). Akibatnya, CHAPTER melebih-lebihkan curah hujan lebat di musim panas karena resolusinya yang lebih unggul terhadap peristiwa konvektif, dan di musim dingin karena dipengaruhi oleh bias ERA5 dalam merepresentasikan peristiwa skala besar. Secara keseluruhan, hal ini mengarah pada estimasi berlebih tahunan yang ditunjukkan pada Gambar 14. Penelitian lebih lanjut diperlukan untuk memvalidasi hipotesis ini.

4. DISKUSI DAN KESIMPULAN
Kumpulan data CHAPTER, melalui penskalaan dinamis beresolusi tinggi dari analisis ulang global ERA5, menawarkan kemajuan signifikan dalam bidang pemodelan iklim dan cuaca untuk Eropa dan cekungan Mediterania. Salah satu manfaat utama CHAPTER adalah jarak kisi resolusi awannya sebesar 3 km x 3 km, yang memungkinkan simulasi fenomena atmosfer yang terperinci dan tepat beserta resolusi temporal per jam.

Dibandingkan dengan kumpulan data mutakhir yang ada, CHAPTER menyamai kinerja mereka dan menyajikan AV penting dengan menyediakan daftar variabel tiga dimensi yang lengkap, seperti suhu, fraksi massa uap air, komponen angin termasuk kecepatan vertikal, dan fraksi massa spesies mikrofisika. Resolusi spasial yang ditingkatkan ini selama periode yang panjang, 42 tahun, sangat berharga untuk studi proses fisik yang komprehensif dan memungkinkan pemahaman yang lebih mendalam tentang fenomena hidro-meteorologi yang parah dalam iklim yang berubah.

Misalnya, analisis statistik indeks potensi petir, kecepatan vertikal maksimum dalam arus naik, dan statistik hujan es dapat dilakukan menggunakan data CHAPTER dan dibandingkan dengan data observasi dari klimatologi terkini (Punge & Kunz, 2016 ; Taszarek et al ., 2019 ). Hal ini akan memungkinkan pemahaman yang lebih baik tentang fisika di balik fenomena petir dan hujan es serta prediktabilitasnya seperti dalam Dowdy et al . ( 2020 ). Wawasan semacam itu berharga bagi sektor seperti asuransi, di mana penilaian risiko dan prediksi kerusakan sangat penting.

Selain itu, bidang analisis ulang resolusi tinggi CHAPTER, bila digabungkan dengan model seperti model hidrologi Continuum (Silvestro et al ., 2013 ), dapat memungkinkan studi terperinci tentang ekstrem aliran sungai dan neraca air jangka panjang (Silvestro et al ., 2019 ). Hal ini khususnya penting untuk wilayah dengan daerah tangkapan hidrologi kecil yang rentan terhadap kejadian curah hujan yang parah (Alfieri et al ., 2015 ). Dengan mensimulasikan berbagai komponen siklus air, CHAPTER dapat menghasilkan indikator atribut kekeringan meteorologi, hidrologi, dan pertanian, sehingga mendukung pengambilan keputusan di wilayah yang sangat terpengaruh oleh variabilitas iklim dan ekstrem.

Kumpulan data analisis ulang beresolusi tinggi seperti CHAPTER juga penting untuk mempelajari kebakaran hutan karena menyediakan informasi meteorologi yang terperinci dan akurat yang penting untuk memahami dan memprediksi perilaku kebakaran (Resco de Dios & Nolan, 2021 ). CHAPTER menangkap kondisi atmosfer skala halus yang memengaruhi dinamika kebakaran hutan, seperti kecepatan angin, kelembapan, dan variasi suhu, tetapi juga, seperti yang telah disebutkan, sambaran petir (Müller et al ., 2020 ). Selain itu, data komprehensif CHAPTER dapat mendorong model perilaku kebakaran dan menginformasikan praktik pengelolaan hutan, yang pada akhirnya berkontribusi pada strategi pencegahan dan mitigasi kebakaran hutan yang lebih efektif seperti kebakaran yang direncanakan (Francos & Úbeda, 2021 ).

Meskipun memiliki kelebihan, kumpulan data CHAPTER menghadapi tantangan yang berbeda. Pertama, data untuk setiap hari dihasilkan oleh operasi independen yang berbeda yang dapat menimbulkan perbedaan kecil pada pukul 00.00 UTC. Hal ini seharusnya tidak menjadi masalah untuk aplikasi statistik CHAPTER yang dijelaskan di sini, tetapi perlu dievaluasi saat menggunakan CHAPTER untuk mempelajari evolusi peristiwa tertentu.

Kedua, perbandingan dengan ERA5-Land convection-parametrized downscaling tidak menunjukkan peningkatan signifikan di berbagai metrik. Ini mungkin sebagian karena masalah penalti ganda yang jelas dalam simulasi cuaca resolusi tinggi. Penalti tersebut muncul dari perbedaan spasial di lokasi curah hujan lebat atau puncak suhu, yang mengakibatkan ketidakcocokan dengan data observasi (Rossa et al ., 2008 ). Masalah ini merupakan hal yang intrinsik pada simulasi konveksi lembap yang dalam, yang sangat kacau dan sulit diprediksi dengan akurasi tinggi. Meskipun teknik validasi fuzzy untuk presipitasi mengatasi masalah ini sampai batas tertentu, metode yang paling efektif untuk meningkatkan presisi melibatkan asimilasi tambahan dari observasi radar (Lagasio et al ., 2019 ) atau data analisis ulang pascaproses menggunakan teknik interpolasi yang optimal (Bonanno et al ., 2019 ).

Asimilasi data merupakan tantangan untuk diimplementasikan pada resolusi yang disediakan oleh CHAPTER dan pada wilayah yang begitu luas (Pu, 2017 ). Namun, integrasi CHAPTER ke dalam pendekatan berbasis ensembel multimodel dapat mengurangi masalah ini. Pendekatan tersebut meningkatkan ketahanan simulasi dan memperbaiki representasi fisika yang belum terselesaikan dalam model yang memungkinkan konveksi. Upaya Eropa baru-baru ini telah menunjukkan bahwa simulasi iklim regional yang memungkinkan konveksi multimodel memberikan representasi curah hujan lebat yang lebih realistis dan meningkatkan keyakinan dalam simulasi ekstrem konveksi (Ban et al ., 2021 ; Coppola et al ., 2020 ; Pichelli et al ., 2021 ).

Lebih jauh lagi, bidang analisis ulang resolusi tinggi CHAPTER siap memberikan manfaat bagi aplikasi pembelajaran mesin dalam analisis cuaca dan iklim. Aplikasi ini dapat mencakup koreksi asimilasi data (Farchi et al ., 2021 ) dan peningkatan parameterisasi proses atmosfer dalam model sirkulasi umum, memanfaatkan metode pembelajaran mesin untuk meningkatkan kemampuan prediktif dan akurasi model (Bochenek & Ustrnul, 2022 ).

Poin terakhir menyangkut ketidakpastian CHAPTER. ERA5 memiliki komponen asimilasi data ansambel Isaksen et al . ( 2010 ) yang mencakup satu kontrol dan sembilan anggota yang terganggu. Ansambel ini menyediakan estimasi kesalahan latar belakang, yang memungkinkan estimasi analisis dan ketidakpastian prakiraan jangka pendek. Sebaliknya, CHAPTER tidak memiliki komponen ansambel yang menghalangi estimasi langsung ketidakpastian yang analog dengan yang disediakan oleh sistem asimilasi data ansambel ERA5. Meskipun demikian, beberapa metode potensial dapat dieksplorasi untuk menilai ketidakpastian dalam CHAPTER.

Karena CHAPTER merupakan penskalaan deterministik dari ERA5, ensembel 10 anggota ERA5 secara teoritis dapat digunakan untuk menghasilkan 10 realisasi CHAPTER. Ketidakpastian kemudian dapat diperoleh dari sebaran (misalnya, nilai maksimum dikurangi nilai minimum) di seluruh realisasi ini. Pendekatan lain melibatkan pembuatan ensembel multifisika dengan menjalankan CHAPTER dengan skema parameterisasi yang berbeda sambil menjaga batas-batas ERA5 deterministik tetap. Metode ini akan memberikan wawasan tentang sensitivitas keluaran CHAPTER terhadap fisika model. Namun, pendekatan ini akan memerlukan pelaksanaan penskalaan CHAPTER untuk setiap anggota ensembel atau untuk setiap set parameterisasi yang diuji, yang secara komputasional mahal.

Alternatif yang lebih layak adalah penerapan pendekatan pascaproses pragmatis dan berbiaya rendah, seperti yang dijelaskan oleh Theis et al . ( 2005 ). Metodologi ini memperoleh prakiraan probabilistik dari keluaran model deterministik dengan memeriksa lingkungan spasiotemporal dari titik grid untuk menghasilkan serangkaian prakiraan. Prakiraan ini kemudian digunakan untuk menghitung metrik probabilistik, seperti rata-rata dan sebaran ansambel (misalnya, nilai maksimum dikurangi nilai minimum) untuk titik pusat. Menerapkan metode ini ke CHAPTER akan memungkinkan perolehan metrik ketidakpastian spasiotemporal di setiap titik grid tanpa memerlukan simulasi ansambel atau statistik kesalahan historis, sehingga menjadikannya solusi yang hemat biaya.

Terakhir, kami ingin menunjukkan bahwa teknik verifikasi fuzzy memberikan wawasan mengenai skala spasial di mana CHAPTER dapat diandalkan. Seperti yang ditunjukkan dalam Bagian 2.2 , keandalan CHAPTER selaras dengan keandalan ERA5-Land dan CHELSA, yang keduanya dikenal luas sebagai produk downscaling ERA5 yang berharga. Penyelarasan ini mendukung kredibilitas keluaran CHAPTER pada skala spasial yang sebanding.

Secara keseluruhan, CHAPTER dapat menjadi sumber daya yang berharga bagi ilmuwan iklim, ahli meteorologi, dan pemangku kepentingan yang terlibat dalam penilaian risiko dan mitigasi peristiwa cuaca ekstrem. CHAPTER menawarkan wawasan kritis dan landasan yang kuat untuk penelitian dan aplikasi di masa mendatang yang bertujuan untuk memahami dan mengelola bahaya terkait cuaca dalam konteks pemanasan global.