A statistical model to predict and analyze air surface temperature based on remotely sensed observations.

Air surface temperature (AST) is a crucial importance element for many applications such as hydrology, agriculture, and climate change studies. The aim of this study is to develop regression equation for calculating AST and to analyze and investigate the effects of atmospheric parameters (O3, CH4, CO, H2Ovapor, and outgoing longwave radiation (OLR)) on the AST value in Iraq. Dataset retrieved from the Atmospheric Infrared Sounder (AIRS) at EOS Aqua Satellite, spanning the years of 2003 to 2016, and multiple linear regression were used to achieve the objectives of the study. For the study period, the five atmospheric parameters were highly correlated (R, 0.855-0.958) with predicted AST. Statistical analyses in terms of ß showed that OLR (0.310 to 1.053) contributes significantly in enhancing AST values. Comparisons among selected five stations (Mosul, Kanaqin, Rutba, Baghdad, and Basra) for the year 2010 showed a close agreement between the predicted and observed AST from AIRS, with values ranging from 0.9 to 1.5 K and for ground stations data, within 0.9 to 2.6 K. To make more complete analysis, also, comparison between predicted and observed AST from AIRS for four selected month in 2016 (January, April, July, and October) has been carried out. The result showed a high correlation coefficient (R, 0.87 and 0.95) with less variability (RMSE ≤ 1.9) for all months studied, indicating model's capability and accuracy. In general, the results indicate the advantage of using the AIRS data and the regression analysis to investigate the impact of the atmospheric parameters on AST over the study area.

Global Model selection for evaluation of Climate Change projections in the Eastern Tropical Pacific Seascape / Selección del Modelo Global para la evaluación de las proyecciones de Cambio Climático en el Paisaje Marino del Pacífico Tropical Oriental

Two methods for selecting a subset of simulations and/or general circulation models (GCMs) from a set of 30 available simulations are compared: 1) Selecting the models based on their performance on reproducing 20th century climate, and 2) random sampling. In the first case, it was found that the performance methodology is very sensitive to the type and number of metrics used to rank the models and therefore the results are not robust to these conditions. In general, including more models in a multi-model ensemble according to their rank (of skill in reproducing 20th century climate) results in an increase in the multi-model skill up to a certain point and then the inclusion of more models degrades the skill of the multi-model ensemble. In a similar fashion when the models are introduced in the ensemble at random, there is a point where the inclusion of more models does not change significantly the skill of the multi-model ensemble. For precipitation the subset of models that produces the maximum skill in reproducing 20th century climate also showed some skill in reproducing the climate change projections of the multi-model ensemble of all simulations. For temperature, more models/simulations are needed to be included in the ensemble (at the expense of a decrease in the skill of reproducing the climate of the 20th century for the selection based on their ranks). For precipitation and temperature the use of 7 simulations out of 30 resulted in the maximum skill for both approaches to introduce the models.

Se emplearon dos métodos para escoger un subconjunto a partir de treinta simulaciones de Modelos de Circulación General. El primer método se basó en la habilidad de cada uno de los modelos en reproducir el clima del siglo XX y el segundo en un muestreo aleatorio. Se encontró que el primero de ellos es muy sensible al tipo y métrica usada para categorizar los modelos, lo que no arrojó resultados robustos bajo estas condiciones. En general, la inclusión de más modelos en el agrupamiento de multi-modelos ordenados de acuerdo a su destreza en reproducir el clima del siglo XX, resultó en un aumento en la destreza del agrupamiento de multi-modelos hasta cierto punto, y luego la inclusión de más modelos/simulaciones degrada la destreza del agrupamiento de multi-modelos. De manera similar, en la inclusión de modelos de forma aleatoria, existe un punto en que agregar más modelos no cambia significativamente la destreza del agrupamiento de muti-modelos. Para el caso de la precipitación, el subconjunto de modelos que produce la máxima destreza en reproducir el clima del siglo XX también mostró alguna destreza en reproducir las proyecciones de cambio climático del agrupamiento de multi-modelos para todas las simulaciones. Para temperatura, más modelos/simulaciones son necesarios para ser incluidos en el agrupamiento (con la consecuente disminución en la destreza para reproducir el clima del siglo XX). Para precipitación y temperatura, el uso de 7 simulaciones de 30 posibles resultó en el punto de máxima destreza para ambos métodos de inclusión de modelos.

Clima y temperatura sub-superficial del mar en Bahía Culebra, Golfo de Papagayo, Costa Rica / Climate and subsurface sea temperature in Bahía Culebra, Costa Rica

Climate and subsurface sea temperature in Bahía Culebra, Costa Rica. Bahía Culebra, Golfo de Papagayo, Costa Rica is a seasonal upwelling area. To determine the relationship of climate and the subsurface temperature variability at Bahía Culebra, we analyzed nine records of sea subsurface temperature from the Bay, continuously recorded from 1998 to 2010. The analysis characterized the annual cycle and explored the influence of different climate variability sources on the subsurface sea temperature and air temperature recorded in Bahía Culebra. Data from an automatic meteorological station in the bay were studied, obtaining the annual and daily cycle for air surface temperature and wind speed. Sea surface temperature (SST) trend from 1854 to 2011 was calculated from reanalysis for the region that coverts 9-11°N, 85-87°W. Because of the positive SST trend identified in this region, results showed that annual and daily cycles in Bahía Culebra should be studied under a warming scenario since 1854, that is coherent with the global warming results and its climate variability is influenced by El Niño-Southern Oscillation (ENSO) in the Equatorial Pacific and by atmospheric forcing triggered by climate variability with Atlantic Ocean origin, because warm (cold) events in Bahía Culebra tend to occur in concordance with positive & negative (negative & positive) anomalies in Niño 3.4 (NAO) index.

Bahía Culebra, Golfo de Papagayo, Costa Rica es una región de afloramiento estacional. Para determinar la relación entre el clima y la variabilidad de la temperatura sub-superficial, se analizaron los registros de la temperatura sub-superficial del mar de nueve estaciones localizadas en la Bahía. El análisis permitió caracterizar su ciclo anual y explorar su relación con fuentes de variabilidad climática que influencian el clima regional para el periodo 1998-2010. Los resultados se contextualizaron usando además los datos de una estación meteorológica automática que funcionó en la bahía junto con el registro de la temperatura superficial del mar para una rejilla que cubre la región de 9-11°N, 85-87°W, para el periodo 1854-2011. Debido a la tendencia positiva encontrada en la región para la temperatura superficial del mar, se concluye que los resultados mostrados asociados a los ciclos anuales y diarios en Bahía Culebra deben ser interpretados bajo un escenario de cambio climático, asociado a un calentamiento ocurrido desde 1854, además coherente con lo observado globalmente, y que su variabilidad climática está influenciada no sólo por aquella ligada a la de El Niño-Oscilación del Sur, en el Pacífico Ecuatorial, sino también por influencias de tipo atmosférico relacionadas con la variabilidad en el Océano Atlántico, debido a que los eventos cálidos (fríos) en Bahía Culebra tienden a ocurrir en concordancia con anomalías positivas y negativas (negativas y positivas) de los índices Niño 3.4 y OAN, respectivamente.