MARC

 008250123s2024        us                              c    eng  d
■001000017163869
■00520250211152803
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798384011804
■035    ▼a(MiAaPQ)AAI31556873
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a551.5
■1001  ▼aSchwarzwald,  Kevin.
■24510▼aThe  Present  and  Future  of  the  Horn  of  Africa  Rains
■260    ▼a[Sl]▼bColumbia  University▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a271  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-02,  Section:  B.
■500    ▼aAdvisor:  Seager,  Richard.
■5021  ▼aThesis  (Ph.D.)--Columbia  University,  2024.
■520    ▼aSocieties  in  much  of  the  Horn  of  Africa  are  affected  by  variability  in  two  distinct  rainy  seasons:  the  March-May  (MAM)  "long"  rains  and  the  October-December  (OND)  "short"  rains.  The  region  is  the  driest  area  of  the  tropics,  while  its  societies  are  heavily  dependent  on  the  rainfall  cycle.  Es-  pecially  worrying  are  anomalously  dry  conditions,  which,  together  with  other  factors,  contribute  to  food  insecurity  in  the  region.  The  recent  2020-2023  5-season  drought,  associated  with  the  con-  current  "triple-dip"  La  Nina  and  resulting  in  tens  of  millions  of  people  facing  "high  levels  of  food  insecurity"  (cf:  IGAD),  renewed  fears  of  long-term  and  possibly  anthropogenically-forced  drying  trends,  especially  during  the  MAM  long  rains.  A  long-term  decline  in  the  long  rains  beginning  in  the  early  1980s  and  lasting  until  the  2010s  had  indeed  been  noted  in  studies  examining  his-  torical  station-based  observations,  satellite  observations,  and  farmer  recollections  in  the  region,  though  seasonal  average  rainfall  has  since  partially  recovered.  Consequently,  global  climate  mod-  els  (GCMs)  are  increasingly  used  to  project  changes  in  rainfall  characteristics  under  global  warm-  ing  scenarios  and  associated  impacts  on  societies,  such  as  agricultural  production,  groundwater  resources,  and  urban  infrastructure,  in  addition  to  providing  seasonal  forecasts  used  for  near-term  decision-making.  However,  GCMs  uniformly  predict  long-term  wetting  in  both  seasons  despite  observed  drying  trends  in  the  long  rains,  an  "East  African  Paradox"  that  complicates  the  ability  of  decisionmakers  to  plan  for  future  rainfall  conditions.  Previous  generations  of  GCMs  have  known  biases  in  key  dynamics  of  the  regional  hydroclimate.  Decisionmakers  relying  on  projections  of  future  rainfall  in  the  GHA  therefore  need  to  know  whether  current  GCM  projections  are  trustworthy.  In  other  words,  can  we  be  confident  in  future  modeled  wetting  trends  in  both  the  long  and  short  rains?This  thesis  pursues  this  question  in  three  parts.  Chapter  2  seeks  to  understand  the  fundamental  dynamics  affecting  the  East  African  seasonal  rainfall  climatology,  which  is  unique  for  its  latitude  in  both  its  aridity  and  for  the  dynamical  differences  between  its  two  rainy  seasons.  I  explain  these  characteristics  through  the  climatology  of  moist  static  stability,  estimated  as  the  difference  between  surface  moist  static  energy  hs  and  midtropospheric  saturation  moist  static  energy  h*.  In  areas  and  at  times  when  this  difference,  hs  −  h*,  is  higher,  rainfall  is  more  frequent  and  more  intense.  However,  even  during  the  rainy  seasons,  hs  −  h*    0  on  average  and  the  atmosphere  remains  largely  stable,  in  line  with  the  region's  aridity.  The  seasonal  cycle  of  hs  −  h*,  to  which  the  unique  seasonal  cycles  of  surface  humidity,  surface  temperature,  and  midtropospheric  temperature  all  contribute,  helps  explain  the  double-peaked  nature  of  the  regional  hydroclimate.  Despite  tropospheric  temperature  being  relatively  uniform  in  the  tropics,  even  small  changes  in  h*  can  have  substantial  impacts  on  instability;  for  example,  during  the  short  rains,  the  annual  minimum  in  regional  h*  lowers  the  threshold  for  convection  and  allows  for  instability  despite  surface  humidity  anomalies  being  relatively  weak.  This  hs  −  h*  framework  can  help  identify  the  drivers  of  interannual  variability  in  East  African  rainfall  or  diagnose  the  origin  of  biases  in  climate  model  simulations  of  the  regional  climate.Chapter  3  applies  these  results  to  conduct  a  process-based  model  evaluation  of  the  ability  of  GCMs  from  the  6th  phase  of  the  Coupled  Model  Intercomparison  Project  (CMIP6,  the  latest  GCM  generation)  to  simulate  the  historical  climatology  and  variability  in  the  East  African  long  and  short  rains.  I  find  that  key  biases  from  the  5th  phase  of  the  Coupled  Model  Intercomparison  Project  (CMIP5)  remain  or  are  worsened,  including  long  rains  that  are  too  short  and  weak  and  short  rains  that  are  too  long  and  strong.  Model  biases  are  driven  by  a  complex  set  of  related  oceanic  and  atmospheric  factors,  including  simulations  of  the  Walker  Circulation.  hs  −  h*  is  too  high  in  models,  requiring  more  instability  for  the  same  amount  of  rainfall  than  in  observations.  Biased  wet  short  rains  in  models  are  connected  with  Indian  Ocean  zonal  sea  surface  temperature  (SST)  gradients  that  are  too  warm  in  the  west  and  convection  that  is  too  deep.  Models  connect  equatorial  African  winds  with  the  strength  of  the  short  rains,  though  in  observations  a  robust  connection  is  primarily  found  in  the  long  rains.  Model  mean  state  biases  in  the  timing  of  the  western  Indian  Ocean  SST  seasonal  cycle  are  associated  with  certain  rainfall  timing  biases,  though  both  biases  may  be  due  to  a  common  source.  Simulations  driven  by  historical  SSTs  (so-called  'AMIP'  runs)  often  have  larger  biases  than  fully  coupled  runs.  However,  models  generally  respond  to  teleconnections  with  the  Indian  Ocean  Dipole  and  the  El  Nino  Southern  Oscillation  in  particular  as  expected,  maintaining  the  possibility  that  trends  in  the  long  and  short  rains  may  also  respond  correctly  to  simulated  trends  in  large-scale  dynamics.Finally,  Chapter  4  applies  these  results  to  directly  tackle  the  East  African  Paradox  by  analyzing  model  trends  across  the  entire  observational  record  to  identify  under  what  conditions  they  fail  to  reproduce  observed  trends.  Since  even  with  perfect  models  and  observational  records  model  output  may  differ  from  observations  due  to  internal  variability,  I  analyze  the  full  spread  of  CMIP6  output,  including  Large  Ensembles  and  totalling  598  runs  from  47  models.  I  find  that  while  observed  trends  are  always  within  the  model  spread  if  all  runs  from  all  Large  Ensembles  are  considered,  the  Paradox  remains  in  CMIP6  models,  since  GCMs  substantially  underproduce  strong  drying  trends  compared  to  observations.  Within  the  observational  record,  the  Paradox  is  limited  to  the  time  period  with  the  most  anomalous  drying  trends  (especially  in  the  years  1980-2010);  the  recent  recovery  in  rainfall  falls  comfortably  within  the  range  of  GCM  simulations.  The  Paradox  is  not  visible  in  AMIP  runs  forced  with  observed  historical  SSTs,  suggesting  that  biases  in  simulations  of  SSTs  may  be  part  of  the  explanation,  though  clear  causality  remains  elusive.  The  transition  towards  more  biased  trends  from  SST-forced  to  coupled  runs  can  also  be  seen  in  output  from  hindcasts  from  seasonal  forecast  models,  where  trends  calculated  from  short-lead-time  projections  (when  the  ocean  state  resembles  observations)  do  not  feature  the  Paradox,  while  lead  times  starting  with  1.5  months  do.  More  broadly,  I  show  that  climate  model  simulations  of  observed  trends  alone  cannot  be  used  to  reject  model  predictions  of  increased  (or  decreased)  precipitation  under  future  forcings.  Decision-makers  relying  on  future  projections  of  rainfall  trends  in  East  Africa  will  likely  need  to  consider  the  possibility  of  further  drying  in  addition  to  wetting  trends  from  GCMs.
■590    ▼aSchool  code:  0054.
■650  4▼aAtmospheric  sciences
■650  4▼aClimate  change
■650  4▼aEnvironmental  science
■650  4▼aPaleoclimate  science
■653    ▼aClimate  dynamics
■653    ▼aClimate  model  evaluation
■653    ▼aEast  Africa
■653    ▼aMoist  static  energy
■653    ▼aRainfall
■653    ▼aRainfall  trends
■690    ▼a0725
■690    ▼a0404
■690    ▼a0653
■690    ▼a0768
■71020▼aColumbia  University▼bEarth  and  Environmental  Sciences.
■7730  ▼tDissertations  Abstracts  International▼g86-02B.
■790    ▼a0054
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17163869▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서