十年期美国电力生产的水压力

我们可以使用49进行即时分析！本概念验证中使用的方法和工具有效，但考虑了来自多个模型（CMIP5档案中超过30个GCM）、所有温室气体排放情景（4个RCP）和初始条件（所有GCM和4个RCP超过300个）的一组扩展的未来气候数据。在扩展分析中，我们还将估计其他部门的未来用水需求。我们正在开发一种基于统计的方法，以描述不同的不确定性来源，以便分别研究模型不确定性、情景不确定性和内部变异性对电力生产的影响。我们已经在下一章中详细讨论了解决策略，内容涉及挑战和前进方向。50!!                                                                                !第6章：挑战和未来之路6.1挑战我们的分析表明，由于淡水供应减少和溪流温度升高，美国某些地区的热电厂发电面临风险。考虑到未来电力需求将增长，气候变化和人口增长等因素极有可能会加剧已经受水压力影响的地区的问题。在美国，2007-2008年温暖干燥的夏季，由于冷却水不足和热水排放的环境法规（NREL，2011；NETL，2009），几家发电厂不得不降低装机发电能力，并关闭几天。有人担心，这些事件在未来可能会变得更加频繁、激烈和广泛。

最新一代气候模型和观测数据集显示，平均气温明显上升（IPCC，2013），这对可用水资源有直接影响。在这里，我们强调了在后续工作中应解决的主要挑战，以便对未来由于气候变化和可变性而导致的能源部门的脆弱性进行强有力的评估。o空间分辨率：当前一代气候模型的数据不可靠，无法在与电厂运行相关的空间尺度上进行影响评估。为了克服这个问题，从GCMs中对大气变量进行降尺度，以获得区域或局部尺度的天气和气候。文献中广泛讨论了两种缩小规模的方法——统计5和动态6；在区域尺度上缩小气候模型的输出会带来额外的不确定性。由于其物理一致性和可解释性，动态降尺度通常优于统计降尺度。然而前者的计算成本很高（即使在美国的一个小地区进行分析，通常也需要很多天，有时需要几个月），而且往往无法捕捉气候遥相关（Boulard et al.，2013；Hudson and Jones，！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！！5在统计道琼斯标度中，在历史条件下，大尺度变量和区域/局部变量之间的统计关系是从m个观测值发展而来的；随后，来自气候模型的数据被用作输入，以获得相应的区域/当地气候。

6.在动态降尺度中，以更高的空间分辨率运行区域气候模型（RCM），进而可以更真实地模拟局部条件。RCM受感兴趣区域边界处的全球环流模式（GCM）约束。动态道琼斯指数标度比统计道琼斯指数标度更昂贵。51！2002). 此外，最近的研究甚至质疑区域气候模型（RCM用于执行动态降尺度）相对于全球环流模型（GCM）的附加值（Kerr，2013；Racherla等人，2012）。另一方面，统计降尺度技术在计算上相对便宜，并且基于密切相关的大气变量之间的统计关系。然而，统计尺度的缩小不一定能保证变量之间的物理一致性，在非平稳气候中，这些关系可能会发生变化（Milly et al.，2008）。在未来的工作中，我们将使用统计降尺度技术和最新的方法学进展来估计区域水资源可用性和溪流温度。o多部门用水需求：在目前的工作中，我们只考虑了一个部门（市政公共用水和生活用水）的未来用水需求，我们假设其他部门（农业、工业、采矿、畜牧和水产养殖灌溉）的用水需求不会改变。在未来的工作中，我们将考虑多个部门的用水需求。o内部可变性：预测气候变量的不确定性主要来自三个来源：模型不确定性、情景不确定性和气候内部可变性。

模型的不确定性源于我们对物理学的理解不足和对大气过程不完善的数值模拟。对未来温室气体排放量的了解不足导致情景不确定性。对地球系统变量初始条件的敏感依赖，加上地球系统不同组成部分之间的非线性耦合相互作用，导致了气候内部的变异性。不同的不确定性来源在不同的时间尺度上占主导地位；然而，特别是在十年到几十年尺度（0-30年），内部变异性和模型不确定性主导了情景不确定性（Stocker等人，2013）。在区域到局部的空间尺度上，内部变异的主导地位更加明显。在这里，我们通过第一工作组（Kirtman等人，2013年）的IPCC第五次评估报告（AR5）中的一些例子来说明它们的重要性和作用。图6.1说明了预测全球平均温度的不同不确定性来源的相对重要性；可以观察到，在20世纪40年代之前，内部变化主导着模型和情景的不确定性。图6.2显示了total52的分数！在多个空间尺度（全球、欧洲和东亚）上解释季节（12月、1月、2月和6月、7月、8月）和十年平均温度和降水量的方差。

其中一些关键点是：（1）短期预测中的不确定性主要由内部变率和模型不确定性决定，（2）内部变率在更小的空间和时间尺度上变得越来越重要，（3）对于降水预测，情景不确定性不那么重要，内部变化通常比气温更重要。在后续工作中，我们将包括来自CMIP5档案的所有初始条件的数据，因为它们都代表了未来可能的气候状态。图6.1根据对CMIP5结果的分析，气候预测的不确定性来源与交付周期的函数关系。全球十年平均地表气温到2100年的预测，以及内部变率（橙色）、模式传播（蓝色）和RCP情景传播（绿色）的定量比率。（来源：IPCC AR5第一工作组报告，图11.8，第97页）o模型不确定性：我们在上一节讨论了模型不确定性，并通过图6.1和6.2说明了它们的重要性。这里我们展示了53个例子！通过我们之前关于淡水可用性的工作，对模型不确定性进行了分析，包括内部可变性。图6.3显示了6个气候模型的P-E空间模式的差异，包括MME平均值（上图）和一个模型CCSM4（下图）的三个初始条件下的降水量和温度。

图6.2（a）全球十年平均温度和年平均温度，（b）欧洲（30°N至75°N，10°W至40°E）十年平均冬季（12月至2月）温度的各不确定度来源解释的方差分数，（c）东亚（5°N至45°N，67.5°E至130°E）十年平均（6月至12月）降水量和（d）欧洲十年平均冬季降水量。（来源：IPCC AR5第一工作组报告，图11.8，第979页）。在图6.3的顶部面板中，我们观察到CCSM4、FGOALS-S2、MIROC-ESM和MME平均值在太平洋西北部的P-E中显示干燥模式，而GISS-E2显示干燥模式。类似地，FGOALS-S2显示了东北地区的干燥模式，而包括MME在内的其他模型显示了湿润模式。在图6.3底部面板的顶行（对于same54！！！模型中的三个初始条件），我们看到了几个地区降水的相反空间模式。这些例子强调了包含多种气候模型数据的重要性。（Tebaldi和Knutti，2007年）。在拟议的工作中，我们将考虑来自所有气候模型和所有初始条件的数据。o成本效益权衡：可能更大的不确定性来源可能来自于需要纳入成本因素，这些成本因素可能是分时间段的（例如资金的时间价值，以及环境退化和对居住区的危害的社会成本），也可能是地理上不同的。

未来水压力的预测图6.3年“P–E”的十年平均值（顶部：MME平均值，7个CMIP5模型各运行一次）显示了模型响应的不确定性，而20年平均JJA降水量和温度（底部两行：3个ICR，每个ICR，每个SM4）显示了自然变异性。plo T是RCP4的。5显示2030年的负现状。Ganguly等人，2013年（未出版）55！再加上对其不确定性的评估与科学观点相关，社会生态系统恢复力降低的成本可能更难量化，有时不得不依赖一组相对主观的指标。概率风险评估的传统方法通常从“无趋势”及其可能性的零假设测试开始，很少或根本没有注意到如果趋势确实存在，我们可能会忽略它的可能性。此类统计测试的推断可能会导致I型和II型错误。传统的适应决策过程只考虑成本效益分析中的第一类错误。犯这种错误的社会后果是过度投资，在建设和维护不需要的基础设施时不必要地使用资源。相比之下，在决策过程中忽视第二类错误会导致社会对灾难性损失准备不足。基于风险的决策管理涉及在安装层面的过度投资和准备不足之间进行权衡，以制定短期和长期适应策略：告知未来的基础设施标准、设计要求和电厂可靠运行指南。

6.2未来之路我们提出了几个步骤，以现有工作为基础，通过考虑其他可能的未来场景，并通过使用改进的方法来计算与供水和溪流温度相关的指标，提取可靠的可操作见解。我们已将提议的建议分解为以下几项任务。6.2.1通过使用统计缩减数据，可以改进区域水资源可用性和溪流温度的统计缩减估计。统计降尺度的性能取决于协变量关系，在协变量关系中，更可靠的预测变量被用作预测因子，以增强对潜在气候变量的预测。这组预测因子可能包括本地和区域大气变量以及全球气候指标和振荡器。分类和回归方法的组合可以通过混合专家来增强，以分配回归关系中单个预测变量的概率（Das等人，2014）。此外，我们之前的经验表明，我们对56年的新方法数据进行了检查！基于物理指导的数据挖掘技术（Chatterjee et al.，2012；Das et al.，2014；Ganguly et al.，2014；Steinhaeuser et al.，2012，2011）的增强统计降尺度可能在这方面很有用。6.2.2不确定性表征我们将利用来自多个模型、温室气体排放情景和CMIP5档案中初始条件的气候数据，来表征淡水供应和溪流温度预测中的全部不确定性，以及随后对发电风险的不确定性。A.

模型响应：探索由于我们对物理或模型参数化缺乏了解而产生的行为范围，如通过多模态集成（MME）捕获的：1。通过贝叶斯（例如，Smith等人，2009年）、经验（Santer等人，2009年）和过程导向（Overland等人，2011年）方法将历史模型技能与MME共识相结合。2.结合物理约束（如Fasullo和Trenberth，2012；Sugiyama等人，2010）和多元相关结构（如Liu等人，2012；Tebaldi和Sansó，2009），以及新的数据挖掘方法（Chatterjee等人，2012；Steinhaeuser等人，2012，2011）。b、 自然可变性：描述地球系统的（非线性）动力学行为，如通过模型运行的多次初始条件运行（ICRs）确定的（Deser等人，2014年和2012年）：1。基于应用于综合地球系统模型（IESM）输出的混沌和信息论方法，多变量、时空聚合和不同季节或地区的可预测性界限（例如，Franzke，2012；Shukla，1998）（Branstainer等人，2012；Branstainer和Teng，2010）。2.通过非线性动力学的发展，如基于互信息的关联（如Reshef et al.，2011）和复杂网络（如Donges et al.，2009），描述非线性依赖结构的方法，包括长记忆和长程过程。总结该任务细节的流程图如图6.4.57所示！图6.4 IES M s拟议不确定度表征的组成部分、方法和任务描述流程图。

重点将放在极端天气和区域气候变化上，特别是在多模型和初始条件下运行。利益相关者将来自bo th climate（IESM）建模师或单一模型UQ专家以及自然灾害管理者。6.2.3低流量和高水流温度的综合影响发电风险可能是由于供水不足或水温过高或两者兼而有之。到目前为止，在这项概念验证分析工作中，我们主要分别研究了水应激源的影响。在拟议的工作中，我们将通过考虑供水和溪流温度的综合影响，对热点（将暴露于低流量和高温的区域）进行概率风险评估。此外，我们还将了解季节性和月度河流流量和温度。淡水的年度估算可能会隐藏夏季低流量的信息，尤其是在冬季降水量充足但夏季降水量较少的地区。58!!                                                                                !6.2.4了解发电厂属性在缺乏关于具体发电厂运行的详细信息的情况下，目前的分析主要是定性的，并给出了关于哪些现有发电厂以及有多少电力生产因水压力而面临风险的一级指示。为了进行严格的评估，我们将包括额外的数据，例如取水。NGS取水项目7（2005）讨论了取水在发电运营风险评估中的重要性，该项目指出，在低流量期间取水是一个严重问题。