十年期美国电力生产的水压力

然而，在这个概念验证分析中，我们对多模态集合中值和多模态集合第二最大值进行了分析。预测流温度和滞后输入变量之间的函数关系可以写成Tstream projected（t+l）=f（Tstream projected（t-z1）、rldscs（t-z2）、rsdscs（t-z3））（3）26！式中，l是预测提前期；z1、z2、z3分别是预测值取0、1和2个月的时间滞后；t表示历史流温度的当前时间步长。我们使用10年（1998-2007）的数据来训练模型，并使用5年（2008-2012）的数据来验证模型。使用纳什-萨特克利夫效率（NSE）指数和皮尔逊线性相关（r）评估不同预测集的性能。表2.2显示了在Lee’s ferry科罗拉多河，使用气候模型的多峰中值作为预测因子，在培训和验证阶段，基于SVR的河流温度模型的性能。模型4表现最好，因此，对于后续分析，我们使用当前和滞后空气温度作为预测值。

表2.2不同SVR模型的性能。模型预测训练测试NSERNSERModel-1tair（t）、tair（t-1）、tair（t-2）、rldscs（t）、rldscs（t-1）、rsdscs（t）、rsdscs（t-1）0.5050.7120.2520.601Model–2tair（t）、rldscs（t）、rsdscs（t）0.4340.6590.4040.680 Model–3tair（t）、tair（t-1）、rldscs（t）0.4300.6560.2880.Model–4tair（t）、tair（t-1）、rsdscs（t-1）、IOPR（t）0.39640.5110.641（（））（））==-- -∑∑,（]，1NSE∈-∞, 其中O=观察值，P=预测值，NSE<0，表示剩余方差（分子）大于数据方差（分母）；选择气候模型的集合中值（只有一个初始条件运行）作为预测因子；带有bes t性能的MO del w以粗体标记。图2.11显示了科罗拉多河流域Lee’s ferry美国地质勘探局站验证阶段观测到的溪流温度、海流温度和滞后空气温度。除2011年外，标准化的气流温度时间序列密切跟踪不同时间滞后的环境空气温度。2012年溪流温度的突然上升可能是由外生因素造成的，而气温并没有完全捕捉到外生因素。图2.12显示了验证阶段美国地质勘探局（USGS）不同测流仪位置的观测和预测流温度的时间序列。目视检查证实回归模型的性能令人满意。27!!                                                                                ! 图2.11科罗拉多河Lee’s渡轮站验证阶段观测到的溪流温度、当前温度和滞后空气温度图2.12不同仪表的溪流温度模拟验证结果。

气候模型的集合中值用作基于SVR的回归模型的预测值。我们通过绘制纳什-萨特克利夫直方图，评估了多模态集合（MME）中值和MME最大值（集合第二最大值由所有气候模型组合和给定排放情景初始条件的第80百分位值定义）的性能效率指数如图2.13所示。上课频率为28次！接近1的直方图（皮尔逊相关性）的MME中值约为15，而MME最大值约为11。在预测能力方面，多峰中值表现更好；因此，在后续分析中，我们使用MME中值作为开发回归模型的预测因子。图2.13验证阶段（2008-2012年）184个流量计中基于SVR的模型的性能直方图，通过不同的性能指标进行分析。图2.14显示了基于SVR的模型在预测验证阶段的最高流温和相关偏差方面的性能的空间分布。我们假设未来时期缩减的GCM产出中的偏差与历史时期（2008-2012）类似。在太平洋西北部和大平原及美国东南部，观测到河流温度的负偏差，表明模型低估了最大河流温度。然而，在大多数地方都发现了积极的偏见。

在蒙大拿州迪尔洛奇县的美国地质勘探局测流仪位置，观测到了河流温度的最大负偏差（-1.9°C），而在华盛顿州斯卡曼尼亚县的测流仪中，观测到了最大正偏差（9.5°C）。29!!                                                                                ! 图2.14验证阶段观察到的与预测的最高流温和相关偏差（预测-观察到）。在预测气流温度时，考虑了偏差。30!!                                                                                !第3章：未来水资源可用性和温度3.1水资源可用性的降低3.1.1 CMIP5模型在模拟当前淡水资源可用性方面的性能首先，我们评估了分析中考虑的三个CMIP5 GCM的性能，以评估它们在多大程度上能够模拟淡水的空间格局（P-E），而不是可用淡水的观测估计。在美国，存在网格化的降水观测数据，但没有可靠的蒸发蒸腾观测数据集。当观测数据不可用时，为了根据过去的气候学评估模型的性能，我们使用再分析4数据，这些数据通常被用作实际观测的代理。

图3.1 2010年气候模型和时代过渡期淡水的空间格局这里我们考虑了第三代（最新一代）再分析产品，即观测受限的欧洲中期天气预报中心！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！4再分析数据集是通过在整个分析期间使用相同的气候模型同化（“输入”）气候观测来创建的，以减少建模变化对气候统计的影响（Sour ce:http://www.esrl.noaa.gov/psd/data/gridded/reanalysis/)31!!                                                                                !（ECMWF），ERA Missional（Dee等人，2011），作为比较模型过去性能的参考数据集。根据ERA中期再分析数据和三个气候模型的一个初始条件（r1i1p1），计算每个网格点的五年气候平均值（2008-2012年）和当前淡水可用性，然后使用ArcGIS进行空间插值，以获得县级估计值。图3.1显示了2010年代（2008-2012年）气候模型和中期ERA得出的淡水可用性的空间格局。再分析数据描述了中西部的干燥模式和太平洋西北部小区域的湿润模式。在许多地区，淡水的空间格局在年代和气候模型上有所不同。图3.1中可以观察到一些地区淡水估计值的模型间差异，如MIROC5模型模拟的美国东北部相对潮湿的模式。3.1.2水有效性绝对变化指数（WAACI）我们使用水有效性绝对变化指数（WAACI）量化水压力。

在每个网格点计算WAACI，然后使用ArcGIS进行空间插值；该指数既考虑了气候模型的供水，也只考虑了城市供水的需求。WACCI是针对气候模型和初始条件的多种组合进行计算的，但这里我们展示了两种情况：MME最小值（气候模型和初始条件的所有可能组合中的第二个最小值）和MME中值。图3.2显示了2010年代（2008-2012年）气候模型MME最小值和MME中值的WAACI空间分布。我们考虑了RCP8下气候模型的降水和蒸发数据。5温室气体排放情景。MME minimum预测了大部分地区的干燥趋势，而MME Medium显示了南部地区（德克萨斯州和俄克拉荷马州的大部分地区）、佛罗里达州部分地区和西南地区的干燥模式。然而，在这两种情况下，显著的干燥条件（WAACI≤-在加利福尼亚州沿海地区，300万Mgal/年）是显而易见的。加州人口的增加进一步加剧了水资源紧张，2010年洛杉矶县的人口最多（超过900万）。32！图3.2 2010年代两种情况下的水资源可利用度绝对变化指数（WA AC I）（I）多模型最小值和（ii）多模型中位数集合3.1.3气候模型中水资源可利用度估计的不确定性和图3.1中P-E估计的初始条件运行，我们观察到，在2010年代，仅在三个模型和一个初始条件下，淡水的空间格局存在模型间差异。

这促使我们进一步研究在未来几个时期内，从多个气候模型和多个初始条件估算淡水的不确定性。有很多方法可以量化不确定性；在这里，我们仅限于通过目视检查不同模型的空间地图和相应的初始条件运行进行定性比较。图3.3显示了RCP8的三个气候模型（CCSM4、GISS-E2H和MIROC5）和两个初始条件运行（r1i1p1和r2i1p1）在预测的五年段（2020年：2018年至2022年、2030年：2028年至2032年、2040年：2038年至2042年）中淡水可用性的年平均变化的空间变异性。5温室气体情景。在图3.3中，我们显示了淡水（P-E）相对于过去估计（2010年：2008-2012年）的变化；i、 例如，对于2020年代，我们通过计算2020年代和2010年代的5年平均P-e差值，计算每个网格点的P-e变化。我们可以通过多种方式来看待结果。对于给定的初始条件（如r2i1p1）和一个时间段（2040s），我们可以看到许多地区P-E空间变异性的模型间差异。事实上，差异跨越了33！模型和初始条件如此反差，以至于在同一地区，我们既有干燥模式，也有湿润模式。这推动了进一步的研究，质疑应该使用哪种模型和初始条件组合来评估处于风险中的发电量。图3.3不同模型和初始条件下的淡水可用性变化这些组合中的每一个都代表了合理的未来情景，所有这些都应在分析中加以考虑。

在这项概念验证工作中，我们刚刚考虑了三种气候模型34！两个初始条件；然而，综合分析应包括CMIP5档案中提供的所有气候模型、所有初始条件和所有温室气体排放情景。WAACI估计中模型和初始条件之间的不确定性接下来，我们来看一下2030年代和2040年代MME最小值和MME中值的WAACI指数估计，如图3.4所示。我们可以观察到许多地区的缺水加剧。由于温室气体情景（RCP2.6与RCP8.5）导致的径流估计的不确定性。图3.5显示了2010年代（2008-2012年）MME最小值的两种温室气体排放情景（RCP2.6和RCP8.5）的淡水可用性估计。我们观察了中西部、墨西哥湾沿岸和西南地区的干燥模式，以及图3.4 WAACI中的湿模式，在使用集合MME最小值和MME中值东北和沿海西北地区计算的预测时间窗口内。根据RCP8。5种情况下，与RCP2相比，干燥模式下的面积较大。6.图3.6显示了预测的2030年代和2040年代MME最小值淡水的空间分布。图3.7显示了P–E35的变化！从20世纪30年代到20世纪40年代，再到2010年代。在五大湖和中部地区观察到RCP2的干燥模式。6与RCP8的湿模式相比的排放情景。5.图3.5 RCP2 2010年径流的空间分布。6和RCP8。5.注：对于RCP2。6，气候模型GISS-E2H只有一个初始条件运行。

图3.6 RCP2中2030年代和2040年代径流的空间分布。6和RCP8。536!!                                                                                !  图3.7 RCP2中2030年代和2040年代径流的空间分布变化。6和RC P 8.5预计时间段内WAACI的不确定性也对未来两个时间段（2030和2040）的WAACI进行了类似的视觉比较，如图3.8所示。在墨西哥湾海岸、西南部和德克萨斯州的几个县观察到RCP8的干燥模式。5.例如，根据RCP8，到2040年，缺水风险相对增加。5是1.31%。两种温室气体排放情景的WAACI变化分析如图3.9所示。如图3.9.37所示，在两种情况下，我们观察到一些县的干燥（湿润）模式存在显著差异！图3.8 RCP2中多峰最小集合净水可用性（可用淡水-需求）预测的空间分布。6和RCP8。5图3.9 RCP2预测的2030年和2040年期间净可用水的变化。6和RCP8。5排放情景WAACI（百万加仑/年）ΔWAACI（百万加仑/年）38！3.2溪流温度的增加3.2.1历史溪流温度的趋势水温也会影响发电；高温下的水会降低发电厂的效率。我们想研究未来在气候变化下，溪流温度将如何上升。如上所述，我们开发了基于历史河流温度和气候模型数据的非线性回归模型，以预测水温。

在我们研究预计溪流温度的趋势之前，我们对历史溪流温度进行了非参数趋势分析（温度升高与降低），以获得对水质空间模式的一些事先了解。我们使用Mann-Kendall检验对关系和自相关进行校正，以进行趋势分析。图3.10显示了美国地质勘探局（USGS）测流仪位置的历史溪流温度和发电厂容量的趋势性质（向上与向下）。图3.10蒸汽温度和更高容量湿冷发电厂的趋势。对于单个站点，分析趋势的时间段可能不会相互重叠。圆形和三角形表示pow e e r plan ts和strea m gau g es的空间位置。圆圈和三角形的大小（和阴影）与电厂容量和趋势的大小成正比。39!!                                                                                !图3.10中绘制了矩形框的增加和减少趋势区域。在几个地方，观察到统计上显著的增加趋势（10%显著性水平）。表A5总结了具有增加和减少趋势的州和县的列表。3.2.2预计溪流温度的趋势接下来，我们来看一下20世纪30年代（2028-2032）和20世纪40年代（2038-2042）预计溪流温度的趋势。如第2章所述，使用支持向量回归法计算未来时间段的河流温度。图3.11显示了20世纪30年代和20世纪40年代经偏差校正的最高河流温度的空间分布。