An Application of the Statistical DownScaling Model (SDSM) to Simulate Climatic Data for Streamflow Modelling in Québec

Abstract

General Circulation Models (GCMs) are widely used tools to assess potential impacts of global climate warming. However, their outputs are difficult to use in regional impact studies with regard to water resources because of their coarse spatial resolution. Downscaling techniques have emerged as useful tools to reduce the problem of discordant scales by deriving regional climate information from global climate data. The objective of this study is to test the capability of one of these techniques, the Statistical DownScaling Model (SDSM), to derive local scale temperature and precipitation data series that can be used as inputs to a hydrologic model for streamflow modelling. Three river basins located in the province of Québec are analyzed. Results show that the SDSM provides reasonable downscaling data when using predictors representing the observed current climate. However, the performance is less reliable when using GCM predictors.

Les modèles de la circulation générale (MCG) sont des outils utilisés pour évaluer les impacts potentiels du réchauffement climatique global. Cependant, il est difficile d'utiliser directement leurs données dans le cadre d'études d'impacts régionales, tel que celles reliées aux ressources en eau, en raison de leur résolution spatiale grossière. Le développement des techniques de réduction d'échelle spatiale a permis de réduire le problème d'échelles discordantes en dérivant l'information du climat régional à partir de données sur le climat global. L'objectif de cette étude est de tester la capacité d'une de ces techniques, le Statistical DownScaling Model (SDSM), à fournir des données à échelle réduite adéquates de température et de précipitation à un modèle hydrologique pour la modélisation des débits en rivière. Trois bassins versants de la province de Québec sont à l'étude. Les résultats démontrent que SDSM réduit raisonnablement l'échelle spatiale des données en utilisant les variables atmosphériques à grande échelle représentant le climat actuel observé. Cependant, la performance diminue avec celles simulées par un MCG.