Future rainfall change scenarios simulated through ...

53 Journal of Agrometeorology 16 (Special Issue-I) : 53-58 (October 2014)

[Vol. 16, Spl. Issue­1

Future rainfall change scenarios simulated through AR4 and AR5 GCMs over the Western Himalayan Region JITENDRA KUMAR MEHER*, LALU DAS and JAVED AKHTER Department  of  Agricultural  Meteorology  and  Physics,  Bidhan  Chandra  Krishi  Viswavidyalaya, Mohanur,  Nadia,  West  Bengal,  Pin  741252. E-mail:  [email protected]*,  [email protected],  [email protected] ABSTRACT Future (2006-2099) precipitation projection over Western Himalayan Region were prepared from the monthly simulations of 17 Global Circulation Models (GCMs) of Intergovernmental Panel on Climate Change (IPCC) fourth assessment report (AR4) and 50 GCMs of IPCC fifth assessment report (AR5). AR4 GCMs analysis reveals that numbers of GCMs namely 8, 11, 6, 7 and 7 projected a decreasing precipitation trend in annual, monsoon, post-monsoon, pre-monsoon and winter seasons respectively. The Multi Model Ensemble (MME) generated by taking the mean of all GCMs in the individual season shows that the magnitude of precipitation trends are very less in all the seasons. In AR5, numbers of GCMs namely 13, 8, 10, 14 and 16 projected a decreasing precipitation trend in annual, monsoon, post-monsoon , premonsoon and winter seasons respectively out of 28 GCMs in Representative Concentration Pathways (RCP)  4.5  while  5,  5,  5,  6,  12  GCMs  in  RCP6.0  showed  similar  decreasing  precipitation  out  of  16 GCMs.  Majority of the GCMs showed winter precipitation will decrease at the end of the 21st century but for other seasons, some models projected increasing trends while other simulated decreasing precipitation. In general, the MME indicates an increasing trend of annual, monsoon and post-monsoon precipitation while a decreasing trend was simulated in the winter and pre-monsoon season for all RCPs.

Key words: WHR, AR4, AR5, GCM, Precipitation, Trend, RCP INTRODUCTION In the context of global warming, how much the precipitation and temperature is going to be changed is a global issue to be investigated critically for future water resources management (Maurer, 2007). Over the last few decades,  GCMs  have  been  developed  to  emulate  the present  climate  system  and  to  project  future  climate scenarios (Wheater, 2002). The results related to future projection from GCMs put more confidence after third assessment report of IPCC in 2001. GCMs simulations for the fifth assessment report (AR5) of the IPCC have recently become available and it is expected that some of  the  scientific  questions  that  occur  during  the preparation of  the IPCC AR4  will be addressed  in the AR5 (Taylor et al., 2012). Comparing to the IPCC AR4, the GCMs in AR5 include a more diverse set of model types (Liu et al., 2013). IPCC AR5 models emerged with a  new  set  of  scenarios  called  Representative Concentration Pathways (RCPs). The RCPs span a large range  of  stabilization,  mitigation  and  non­mitigation pathways. Based on various GCM experiments under the

combined influence of Green House Gases (GHGs) and sulphate aerosols, the third assessment report of IPCC, shows that the projected increased in precipitation will be limited to 2±1% in the decade 2020s, 3±1% in 2050s and 7±3% in the 2080s. According to Climate Models from the European Centre Hamburg Models namely the ECHAM3 and ECHAM4 projected that future monsoon rainfall over India for the period 1980­2039 with respect to 1902­1979 will increase by 10% and 13% respectively while model  HadCM2 from Hadley centre indicated a reduction  by  6%  (Rupa  Kumar  et  al.,  2002).  Model simulations have attempted to address issues related to future  climatic  change  in  mountain  regions,  primarily because the current spatial resolution of models is too crude to adequately represent the topographic and land use  details  (Beniston  et  al.,  2003).  Despite  notable development, GCMs do not provide perfect simulations of reality and cannot provide the details on very small spatial scales due to incomplete scientific understanding and limitations of available observations (Solomon et al., 2007). Precipitation projection maps from the PRECIS (Providing Regional Climates for Impact Studies) regional simulation study (Rupa Kumar et al., 2006) reveal that

October 2014]

Future rainfall change scenarios simulated through AR4 and AR5

western  Nepal,  Uttarakhand,  Himachal  Pradesh,  and Bhutan will receive higher monsoon precipitation in 2071­ 2100 compared to base precipitation. Moderate increases are  simulated  in  the  rest  of  the  Himalayas.  Seasonal precipitation  scenarios  show  variations  in  winter precipitation with reduced precipitation in lowland and hill areas of the Nepalese and Indian Himalayas, increased precipitation in  the region’s high mountainous belt. In general, extreme precipitation was projected to increase substantially over a large area in the Himalayan region (with the exception of Jammu & Kashmir) with heavy maximum  daily  rainfall  in  monsoon  season.  Increase moderately  in  Himachal,  Jammu  &  Kashmir,  and Arunachal. In Uttarakhand, daily precipitation extremes in the pre­monsoon season are projected to increase over the whole region with the largest increase in Arunachal Pradesh. The simulation indicated increase in frequency of heavy precipitation (days with >10 mm rain) events towards the end of the 21st century mostly in monsoon season over the whole region (Revadekar et al., 2011). The climate change in Indian Western Himalayas is a topic of great interest and the amount  of research associated  with  the  GCMs  is  still  undeveloped  in  this region.  However,  the  studies  that  exist  are  primarily focused  on  the  early  experiments  of  the  IPCC.  An evaluation and application of the updated generation of the AR5 GCMs in Western Himalayan Region is missing. In this study, we focus to estimate the future rainfall status over the Western  Himalayan region using the state­of­ the­art models that have been made publicly available through the fourth and fifth assessment report (AR4 and AR5). This study is aimed at answering what changes in climate mean may be expected in the future. Our results potentially  provide  inputs  for  climate  change  impact assessments that explore the probability of climate­related risks in Indian Western Himalaya Region. MATERIALS AND METHODS Western  Himalayan  region  (WHR),  extending from 73.8 to 81.10 E and 28.7 to 35.40 N in Northern India, is represented by three states namely Uttarakhand, Jammu &  Kashmir  and  Himachal  Pradesh  (Fig.  1).  The  high mountains regions form the watershed for most of the rivers  flowing  in  northern  India.  These  regions  are influenced by the variations in topographical features along three dimensional frame (i.e., latitudinal: South­North; longitudinal: East­West; altitudinal: Low­High) causing

54

diversity in climate of the place. Last two generation GCMs namely AR4 GCMs (also  known  as  CMIP3  or  Coupled  Model Intercomparison  Project  Phase  three)  and AR5  GCMs (CMIP5) are used in the study. In case of AR4 (https:// esgcet.llnl.gov:8443/home/publicHomePage.do)  the future  scenario  runs  or  Special  Report  on  Emissions Scenarios (SRES A1B, run1) of 17 GCMs (Meehl et al., 2007) having monthly precipitation is used in this study. The reason for selecting SRES A1B scenario is mainly due to present scenario is available for all the GCMs in AR4. In case of the AR5 (http://esgf­index1.ceda.ac.uk/ esgf­web­fe/live) the future simulations of the monthly precipitation data sets for 50 GCM is taken. Out of 50 GCMs, 28 GCMs from RCP 4.5, 16 GCMs from RCP 6.0  and  6  GCMs  from  the  RCP  8.5  are  taken  for  the present study. For the present study we have used the GCMs simulations for the year 2001 to 2099. For comparison purpose,  all  GCM  outputs  are  regridded  to  the  same resolution of the minimum resolution GCM i.e. Model for Interdisciplinary Research on Climate (MIROC4h) (0.56° × 0.56° grid) by bilinear interpolation technique. Each of the GCMs is then spatially averaged to get an individual time series of monthly precipitation. From the monthly time series we have calculated annual and four seasonal time series. Seasonal series are calculated for winter  (December­January­February),  pre­monsoon (March­April­May),  monsoon  (June­July­August­ September)  and  post­monsoon  (October­November). Absolute precipitation anomalies (Das et al., 2012) are calculated for annual and seasonal time series for each GCM.  This  method  is  mostly  adopted  as  the  mean subtraction makes the anomaly time series to have a zero mean. More formally, Apij = pij – Pj, where pij is the mean monthly rainfall  for the  ith year and  jth month while  Pj represents the long term mean monthly rainfall for the jth month. In general it is known that  taking mean would minimize  the  variance  of  the  resulting  series.  Further, instead of using the entire data for base computation, a short reference interval can be chosen. In this study the base  period  is  chosen  as  2006­2035.  In  general  the magnitude of trend in a time series is determined either using regression analysis (parametric test) or using Sen’s estimator method (non­parametric method). Both these methods  assume  a  linear  trend  in  the  time  series. Regression  analysis  is  conducted  with  time  as  the

MEHER et al

55

independent variable and precipitation as the dependent variable.  The  regression  analysis  can  be  carried  out directly on the time series or on the anomalies. A linear equation, y = mt + c, defined by c (the intercept) and trend m (the slope), can be fitted by regression. The linear trend value represented by the slope of the simple least­ square regression line provided the rate of rise/fall in the variable. Studies by Naidu et al. (1999) used this method to find the trend in rainfall dataset over India for the long term period of 1871 to 1994. The seasonal multi model ensemble is  calculated by simply averaging  the trends obtained from all GCMs for a particular season. RESULTS AND DISCUSSION Projected change in precipitation during 2001-2099 SRES A1B: The GCMs showing decreasing trend in annual precipitation varies from a minimum of 2.7 mm/ decade to a maximum of 12.2 mm/decade. The increasing trend among the GCMs varies from a minimum of 3.1 mm/decade  to  26.35  mm/decade.  In  case  of  monsoon season 11 out of 17 GCMs are showing decreasing trend with a variation from 0.5mm/decade to 6.8 mm/decade (Fig 2). RCP 4.5: Analysis from RCP 4.5 GCMs (Fig 3) shows that 13 out of 28 GCMs are showing decreasing trend in annual precipitation and 15 GCMs are showing increasing trend. The decreasing trend of annual rainfall varies from 0.2 mm/decade to 34.7 mm/decade and the increasing trend varies from 9 mm/decade to 28.0 mm/ decade.  It  is  clear  that  the  magnitude  of  decreasing precipitation trend is  higher than  the  increasing  trend. More than 70% of the total GCMs are showing increasing trend  in  monsoon  and  post­monsoon.  In  pre­monsoon season equal numbers of GCMs are showing increasing and decreasing trend of precipitation. The most noticeable season is the winter season where 57% of the total GCMs are showing decreasing trends of precipitation. RCP 6.0:  In RCP 6.0, the decreasing trends of precipitation varies from 4.73 mm/decade to 23.74 mm/ decade in annual, 2.27 mm/decade to 16.0 mm/decade in monsoon, 1.73 mm/decade to 6.83 mm/decade in post­ monsoon,  0.44  mm/decade  to  7  mm/decade  in  pre­ monsoon, and 0.63 mm/decade to 11 mm/decade in winter season. Similarly, the increasing trend of  precipitation varies from 0.1 mm/decade to 26 mm/decade in annual, 0.9 mm/decade to 14.25 mm/decade in monsoon, 0.1 mm/

[Vol. 16, Spl. Issue­1

decade to 6 mm/decade in post­monsoon, 0.1 mm/decade to 28 mm/decade in pre­monsoon and 1 mm/decade to 2.16 mm/decade in winter (Fig 4). RCP 8.5:  Most  of  the  GCM  in  RCP  8.5  are showing  increasing  trends  of  precipitation  in Annual, Monsoon, Pre­monsoon and Winter Season (Fig 5). In case  of  post­monsoon  season,  5  out  of  6  GCMs  are showing  decreasing  trends  of  precipitation  but  the magnitude of these decreasing trends is very less. The increasing trend varies from 6mm/decade to 14.7 mm/ decade in annual, 3.6 mm/decade to 10.5 mm/decade in monsoon,  2  mm/decade  to  8.42  mm/decade  in  pre­ monsoon and  1 mm/decade  to  9 mm/decade  in  winter season. Multi Model Ensemble (MME): The  results from different simulations are giving a mixed response of both increasing and decreasing trend of precipitation in different seasons. MME gives a quantified variation of precipitation trend in different season irrespective of GCMs. MME17 of AR4­SRES A1B simulation shows the precipitation trend  is projected to increase in both annual  and seasonal  scale.  It  is  worth  to  note that  the magnitude of  this trend is very less and it varies from 0.16 mm/decade in post­monsoon  season to 1.60 mm/ decade annually. Similar analysis of MME28 from AR5­

Fig 1. Western Himalayan Region of India showing gradient of altitude in meter.

October 2014]

Future rainfall change scenarios simulated through AR4 and AR5

56

Fig 2. Bar plots showing the trend values of different GCMs of AR4­SRESA1B for all the seasons

Fig 3. Bar plots showing the trend values of different GCMs of AR5 RCP 4.5 for all the seasons

RCP 4.5 shows that the precipitation trends is decreasing in annual, pre­monsoon, and winter season whereas the trend is increasing in case of post­monsoon and monsoon with a lesser magnitude in monsoon of 1.4 mm/decade. Here the annual and winter season shows a noticeably decreasing trend of precipitation of 4 mm/decade and 7.1 mm/decade in winter. The MME16 in RCP 6.0 shows an increasing trend of precipitation in annual and all season except the winter. The increasing trend of precipitation varies from 0.22 mm/decade in post­monsoon to 2.43 mm/ decade  in  annual.  The  winter  season  is  showing  a decreasing  trend  of  1.5  mm/decade.  The  result  obtain from RCP 8.5 shows that there is an increasing trend of precipitation  in  annual  and  all  seasons  except  post­ monsoon.  The  increasing  trend  varies  from  0.9  mm/

decade in  winter to 7 mm/decade in annual. The post­ monsoon season is showing a decreasing trend of 1.5 mm/ decade. Overall study of GCM precipitation simulations in AR4 and AR5 suggest that the monsoon and annual precipitation is projected to rise towards the end of 21st century,  these  results  agree  with  the  climate  model projections (Palazzi et al., 2013) giving an increase in precipitation  in  the  monsoon  season  over  the Western Himalayan  Region  by the  end  of  the  21st century, the result may lead to increased temperature as due to the projected atmospheric moisture build­up due to increased greenhouse gases. Results from all the RCPs indicate that winter  rainfall  will  decrease  similarly  to  the  study  by

MEHER et al

57

[Vol. 16, Spl. Issue­1

Fig 4. Bar plots showing the trend values of different GCMs of AR5 RCP 6.0 for all the seasons

Fig 5. Bar plots showing the trend values of different GCMs of AR5 RCP 8.5 for all the seasons

Palazzi et al. (2013) while increasing trends were reported by Archer and Fowler (2004) which contradicts with the present study. These decreasing trends of winter rainfall may cause the increasing tendency of snow  cover and size of the glacier which has been reported by Gardelle et al. (2012). On the other hand, there is an increasing trend of post­monsoon rainfall. This may lead to increase intensity of western disturbances according to the study by Gautam et al. (2013). CONCLUSION A total of 67 GCMs were taken for this study from both the assessment reports i.e. 17 GCMs from AR4 and 50 GCMs from AR5.  It is found that 42 (> 64%) number of  GCMs  are  projected  either  a  decreasing  trend  of precipitation in winter season or have a very less magnitude of increasing precipitation trend that varies from 0.02 mm/ decade to 0.5 mm/decade. As winter rainfall in WHR is mainly  attributed  to  passage  of  weather  systems  called western disturbances (Dimri and Das, 2011), hence GCM simulated decreasing winter rainfall indicates weakening

of the Western Disturbances over WHR of India.  Similarly, in case  of pre­monsoon  35 (>52%) number of GCMs projected either a decreasing trend of precipitation or have a very less magnitude of increasing precipitation trend that varies from 0.09 mm/decade to 0.9 mm/decade. Hence the GCMs are projecting a warmer summer  and  decrease  of  convective  storms  over  the WHR. In monsoon  season a total of 42 (>62%) number of GCMs are showing increasing trend of precipitation which  is  consistent  with  the  results  obtained  by precipitation projection maps from the PRECIS regional simulation study (Rapa Kumar et al., 2006). Except the winter  and  pre­monsoon  all  other  seasons  and  annual precipitation trends are showing an increasing trend. It is concluded that precipitation projections by GCMs are less consistent, reflecting the greater uncertainty associated with precipitation trends. ACKNOWLEDGEMENTS The  work  is  based  on  INDO­NORWAY

October 2014]

Future rainfall change scenarios simulated through AR4 and AR5

international  research  project  ‘INDICE’.  Authors thankfully acknowledge the assistance and fund provided by  the  Norway  Research  Council,  through  NVE.  The authors are also gratefully acknowledge the contributions of the knowledge partners Dr. Rasmus E. Benestad and Dr. Abdelkader Mezghani, Met. No. (Oslo, Norway). The constructive suggestions received from the anonymous reviewer are thankfully acknowledged. REFERENCES Archer,  D.  R.,  and  Fowler,  H.  J.  (2004).  Spatial  and temporal variations in precipitation in the Upper Indus  Basin,  global  teleconnections  and hydrological implications. Hydrology and Earth System  Sciences  Discussions, 8(1):  47­61. Beniston, M. (2003). Climatic change in mountain regions: a review of possible impacts. Clim. Chang., (59): 5­31. Das, L., Nagaraj, K., Khan, S. A., and Sarkar, S. (2012). Performance of three generation IPCC climate models to simulate monsoonal rain over Gangetic West  Bengal  and  its  neighbourhood.  J. Agrometeorol.,14: 312­319 Dimri, A. P. and Dash, S. K. (2011). Wintertime climate trends  in  the  western  Himalayas.  Climate Change: doi: 10.1007/A10584­011­0201­y. Gardelle, J., Berthier, E., & Arnaud, Y. (2012). Slight mass gain of Karakoram glaciers in the early twenty­ first century. Nature geoscience, 5(5): 322­325. Gautam, M. R., Timilsina, G. R., & Acharya, K. (2013). Climate change in the Himalayas: current state of  knowledge. World  Bank  Policy  Research Working  Paper,  (6516). Meehl,  G. A.,  Covey,  C.,  Taylor,  K.  E.,  Delworth,  T., Stouffer,  R.  J.,  Latif,  M.,  McAvaney,  B.  and Mitchell,  J.  F.  (2007).  The  WCRP  CMIP3 multimodel dataset: A new era in climate change research. Bulletin  of  the  American Meteorological Society, 88(9):1383­1394. Maurer, E. (2007). Uncertainty in hydrologic impacts of climate change in the Sierra Nevada, California under two emissions scenarios. Clim. Chang. 82: 309­325.

58

Naidu, C. V., Rao, B. R. S.  and Rao, D. V.  B. (1999). Climatic trends and periodicities of annual rainfall over India.  J. Appl. Meteorol. (6): 395­404. Olley, T. J. and Wheater, H. S. (1996). A large­scale grid­ based  hydrological  model  of  the  Severn  and Thames catchments. J. Water & Env.,10(4):253­ 262. Palazzi, E., Hardenberg, J., and Provenzale, A. (2013). Precipitation  in  the  Hindu Kush  Karakoram Himalaya: Observations and future scenarios. J. Geophysical  Research:  Atmospheres, 118(1): 85­100. Revadekar, J.V., Patwardhan, S.K. and Rupa Kumar, K. (2011). Characteristic Features of Precipitation Extremes over India in the Warming Scenarios. Adv.  in  Meteorol.,  ID­138425. Rupa Kumar, K., Kumar, K. K., Ashrit, R. G., Patwardhan, S. K. and Pant, G. B. (2002). Climate change in India:  observations  and  model  projections.  In: Shukla  PR,  Sharma  SK,  Ramana  PV  (eds) Climate change and India: issues, concerns and opportunities. Tata McGraw­Hill, pp.24­75 Rupa  Kumar,  K.,  Sahai,  K.,    Krishna  Kumar, A.  K., Patwardhan,  K.,    Mishra,  S.  K.,    Revadkar,  P. K.,  Kamala, J. V. and Pant, G. B. (2006). High resolution climate change scenario for India for the 21st Century’. Cur. Sci., 90: 334­345. Solomon, S., Qin, D., Manning, M., Chen, Z., Marquis, M., Averyt, K.B., Tignor, M. and Miller, H. L. (2007).  Climate  Change  2007:  The  Physical Science Basis. Contribution of Working Group I to  the  Fourth  Assessment  Report  of  the Intergovernmental  Panel  on  Climate  Change, 2007. Taylor, K. E., Stouffer, R. J. and Meehl, G. A. (2012). An overview of CMIP5 and the experiment design, Bull. Am. Meteorol. Soc., 93: 485­498. Wheater,  H.  S.  (2002).  Progress  in  and  prospects  for fluvial flood modelling. Philosophical Transactions: Math. Phys. & Engi. Sci., 360 (1796):1409­1431. Liu, Y. (2013). Evaluation of precipitation simulated by seven SCMs against the ARM observation at the SGP site, J. Climate., (26): 5,467­5,492.