Modele klimatyczne GCM i RCM oraz projekt CORDEX

Materiał przygotowany z pomocą AI

Treść zredagowano z pomocą modelu językowego, a fakty i cytowania bibliograficzne zweryfikowano niezależnie (m.in. przez Crossref API). Twierdzenia o charakterze interpretacyjnym oraz informacje wstępne (status CMIP7) są wyraźnie oznaczone.

Dane z modeli klimatycznych coraz częściej zastępują albo uzupełniają pomiary naziemne tam, gdzie obserwacji brakuje: w analizach opadów ekstremalnych, scenariuszach zmian klimatu czy szacowaniu parametrów rozkładów prawdopodobieństwa dla zlewni niekontrolowanych. Żeby korzystać z nich świadomie, trzeba rozumieć łańcuch, z którego pochodzą — od modelu globalnego, przez regionalne uszczegółowienie, po korekcję obciążenia — oraz jeden, często niedoceniany niuans: wartość z komórki siatki to nie to samo, co odczyt z deszczomierza. Ten artykuł opisuje cały ten łańcuch z myślą o osobach, które chcą użyć danych modelowych w hydrologii.

Po co modele klimatyczne w hydrologii

Projektowanie infrastruktury wodnej oraz ocena zagrożenia i ryzyka powodziowego opierają się na charakterystykach opadów i przepływów o zadanym prawdopodobieństwie przewyższenia (patrz Rozkłady prawdopodobieństwa w analizie opadów i przepływów). Klasycznie wyznacza się je z wieloletnich serii pomiarowych. Problem w tym, że:

• sieć stacji jest rzadka, a wiele zlewni jest niekontrolowanych (brak wodowskazu),
• serie bywają krótkie albo niejednorodne (patrz Badanie jednorodności ciągów hydrologicznych),
• pomiar opisuje przeszłość, a projektowanie czasem wymaga również scenariuszy przyszłego klimatu.

Modele klimatyczne dają ciągłe w przestrzeni i w czasie pola zmiennych meteorologicznych (opad, temperatura, wiatr) — zarówno dla okresu historycznego, jak i dla projekcji. To czyni je atrakcyjnym źródłem danych wejściowych do modeli hydrologicznych. Cena za to wygodne pokrycie przestrzenne jest jednak konkretna: dane są obarczone obciążeniem systematycznym, mają ograniczoną rozdzielczość i reprezentują średnią po powierzchni komórki, a nie punkt. Kolejne sekcje rozkładają ten łańcuch na czynniki. Cały przepływ — od modelu globalnego po model skutków — wygląda tak:

flowchart TB
  GCM["Globalny model GCM / ESM<br/>~100-250 km"]
  DS["Downscaling<br/>dynamiczny lub statystyczny"]
  RCM["Regionalny model RCM, np. RACMO22E<br/>EURO-CORDEX EUR-11 ~12,5 km"]
  BC["Korekcja obciążenia"]
  IMP["Model skutków<br/>opad-odpływ, hydrauliczny"]
  REAN["Reanaliza ERA5 / ERA5-Land"]
  GAUGE["Pomiar punktowy<br/>deszczomierz"]
  GCM --> DS --> RCM --> BC --> IMP
  REAN -.->|biegi ewaluacyjne| RCM
  RCM -.->|pole kontra punkt| GAUGE

Strzałka przerywana do deszczomierza zaznacza kluczowy niuans: wynik z komórki RCM to opad polowy, a deszczomierz mierzy opad punktowy — wątek rozwinięty w dalszej części.

Globalne modele klimatu (GCM)

GCM (model globalnej cyrkulacji, od ang. General Circulation Model) to sprzężony model atmosfery, oceanu, lądu i lodu morskiego. Rozwiązuje on równania zachowania — pędu (równania ruchu), masy, energii — oraz równanie stanu gazu, na trójwymiarowej siatce obejmującej całą kulę ziemską, z wieloma warstwami w pionie.

Charakterystyczna rozdzielczość pozioma modeli generacji CMIP5/CMIP6 to rząd 100-250 km (mniej więcej 1-2,5° siatki geograficznej). Ta zgrubność jest kluczowa dla hydrologa: pojedyncza komórka bywa większa niż całe zlewnie, „wygładza” pasma górskie i linie brzegowe, a opady konwekcyjne nie są w niej jawnie rozwiązywane — model jedynie je przybliża (parametryzuje). Dlatego surowych danych globalnych praktycznie nie używa się w skali zlewni; potrzebne jest uszczegółowienie (downscaling).

GCM a ESM

ESM (model systemu Ziemi, od ang. Earth System Model) to rozszerzenie GCM o sprzężone cykle biogeochemiczne — przede wszystkim interaktywny cykl węgla, a często też chemię atmosfery, aerozole i dynamiczną roślinność. ESM-y zyskały na znaczeniu w generacji CMIP6. W praktyce hydrologicznej różnica jest drugorzędna; oba dostarczają pól meteorologicznych, których szukamy.

Scenariusze emisji i wymuszenia

Projekcje przyszłego klimatu nie są prognozami — są warunkowymi odpowiedziami modelu na założony scenariusz emisji i stężeń gazów cieplarnianych. Rodziny scenariuszy zmieniały się wraz z kolejnymi generacjami modeli:

Generacja modeli	Rodzina scenariuszy	Co oznacza liczba	Przykłady
przed CMIP5 (CMIP3)	SRES	warianty narracyjne, bez jednej liczby	A1FI, A2, B1, B2
CMIP5 (raport AR5)	RCP	wymuszenie radiacyjne w W/m² ok. 2100 r.	RCP2.6, RCP4.5, RCP6.0, RCP8.5
CMIP6 (raport AR6)	SSP	narracja społeczno-ekonomiczna + wymuszenie	SSP1-2.6, SSP2-4.5, SSP3-7.0, SSP5-8.5

RCP (wspólne ścieżki stężeń, od ang. Representative Concentration Pathways) identyfikuje się przez docelowe wymuszenie radiacyjne (w W/m²) osiągane około 2100 roku — np. RCP8.5 to ścieżka prowadząca do +8,5 W/m² (van Vuuren i in. 2011).

SSP (wspólne ścieżki społeczno-ekonomiczne, od ang. Shared Socioeconomic Pathways) dokłada drugi wymiar. Nazwa SSPx-y.y łączy narrację rozwoju społeczno-ekonomicznego (cyfra x, od SSP1 do SSP5) z poziomem wymuszenia (y.y w W/m²). Przykładowo SSP2-4.5 to narracja „środkowej drogi” (SSP2) prowadząca do wymuszenia 4,5 W/m². Pięć narracji to: SSP1 (zrównoważony rozwój), SSP2 (środkowa droga), SSP3 (rywalizacja regionalna), SSP4 (nierówności), SSP5 (rozwój oparty na paliwach kopalnych). Nie każda kombinacja narracji i wymuszenia jest możliwa — dopuszczalne pary opisuje ScenarioMIP (O’Neill i in. 2016; Riahi i in. 2017).

RCP4.5 to nie to samo co SSP2-4.5

Scenariusze RCP i SSP o tej samej liczbie wymuszenia (np. 4.5) dążą do zbliżonego wymuszenia radiacyjnego w 2100 r., ale różnią się trajektorią i założeniami społeczno-ekonomicznymi. Porównując wyniki z CMIP5 i CMIP6, nie należy traktować ich jako tożsamych.

Generacje modeli: CMIP5, CMIP6 i CMIP7

Globalne eksperymenty modelowe są koordynowane w ramach CMIP (projekt wzajemnego porównania modeli sprzężonych, od ang. Coupled Model Intercomparison Project), prowadzonego przez Światowy Program Badań Klimatu (WCRP). Kolejne fazy CMIP są podstawą raportów IPCC: CMIP5 (scenariusze RCP, raport AR5) oraz CMIP6 (scenariusze SSP, raport AR6). CMIP6 zorganizowano wokół trzech filarów: rdzenia eksperymentów diagnostycznych (DECK), symulacji historycznych (1850 — niemal teraźniejszość) oraz zestawu zatwierdzonych eksperymentów tematycznych (Eyring i in. 2016).

W chwili pisania tego opracowania przygotowywana jest kolejna generacja — CMIP7.

CMIP7 — informacje wstępne

Poniższe ustalenia pochodzą z recenzowanego artykułu przeglądowego (Dunne i in. 2025) oraz materiałów WCRP i mają charakter wstępny — szczegóły, zwłaszcza harmonogram, mogą się jeszcze zmienić.

• CMIP7 koordynuje WCRP (przez grupę roboczą WGCM i panel CMIP), wspierany przez nowe biuro projektu (CMIP International Project Office).
• Zmienia się model pracy: zamiast dawnych „skokowych” faz przyjęto podejście ciągłe (ewoluujące) — okresowo aktualizowane wymuszenia i zapotrzebowanie na dane.
• Wyróżniono szybką ścieżkę oceny (Assessment Fast Track) — ściśle terminowany podzbiór eksperymentów mający dostarczyć dane na czas do 7. raportu IPCC (AR7); reszta eksperymentów działa we własnym tempie.
• Wymuszenia zaktualizowano i przedłużono okres historyczny do co najmniej grudnia 2021 r. (w CMIP6 było to 2014). Modernizowana jest też infrastruktura danych (publikację CMIP6 na ESGF zamknięto w kwietniu 2025 r.).
• Scenariusze nadal opierają się na SSP, ale w zaktualizowanym zestawie o węższym zakresie niż w CMIP6 (van Vuuren i in. 2026).
• Dla hydrologii: bieżące analizy zmian klimatu nadal opierają się na CMIP6/SSP; dane CMIP7 będą pojawiać się stopniowo.

Ansamble i niepewność

Pojedynczy bieg pojedynczego modelu to jedna realizacja, nie „prawda”. Dlatego pracuje się na ansamblach, a niepewność projekcji rozkłada się na trzy składowe:

• Niepewność strukturalna (modelowa) — różnice między modelami; szacowana przez ansambl wielomodelowy.
• Niepewność scenariuszowa — różnice między ścieżkami emisji (RCP/SSP).
• Wewnętrzna zmienność klimatu — chaotyczna zmienność tego samego modelu przy różnych warunkach początkowych; szacowana przez ansambl warunków początkowych.

Względny udział tych składowych zmienia się z horyzontem czasowym: w krótkim okresie dominuje zmienność wewnętrzna, w średnim — niepewność modelowa, a pod koniec XXI wieku narasta i przeważa niepewność scenariuszowa. (To utrwalona w klimatologii rama jakościowa; proporcje zależą od zmiennej i regionu.)

Ansambl to po prostu zbiór wielu przebiegów modelu, na które patrzymy razem, zamiast ufać jednemu wynikowi (słowo pochodzi od francuskiego ensemble — „zespół”). Powód jest prosty: pojedynczy bieg pojedynczego modelu to tylko jedna z możliwych realizacji, nie „prawda”. Im więcej przebiegów — różnych modeli, różnych warunków początkowych, różnych scenariuszy — tym lepiej widać rozrzut możliwych wyników, czyli niepewność. Rozkłada się ona na trzy składowe:

• ansambl wielomodelowy — różne modele liczą to samo → pokazuje niepewność strukturalną (między modelami),
• ansambl warunków początkowych — ten sam model startuje z lekko różnych stanów → pokazuje wewnętrzną zmienność klimatu,
• różne scenariusze (RCP/SSP) → pokazują niepewność scenariuszową.

Downscaling: po co i jak

Downscaling (uszczegółowienie) to przejście od zgrubnej skali modelu globalnego (100-250 km) do skali, na której rozgrywają się skutki istotne dla hydrologii (orografia, wybrzeża, mniejsze zlewnie) — rzędu 1-50 km. Istnieją dwie rodziny metod.

Downscaling dynamiczny

Polega na zagnieżdżeniu regionalnego modelu klimatu (RCM) o wysokiej rozdzielczości w polu z modelu globalnego. Łańcuch wygląda tak:

1. model globalny dostarcza warunki początkowe i warunki brzegowe na krawędziach obszaru RCM,
2. w strefie buforowej (relaksacyjnej) rozwiązanie RCM jest płynnie „doginane” do warunków brzegowych (relaksacja Daviesa),
3. zagnieżdżenie jest jednokierunkowe — RCM nie sprzęga się zwrotnie z modelem globalnym,
4. po okresie rozbiegu RCM generuje fizycznie spójne pola wysokiej rozdzielczości wewnątrz obszaru.

Zaletą jest spójność fizyczna i jawne rozwiązywanie procesów drobnoskalowych; wadą — wysoki koszt obliczeniowy oraz konieczność starannego wyboru obszaru i rozdzielczości.

Downscaling statystyczny

Buduje relację statystyczną między zmiennymi wielkoskalowymi (predyktorami) a lokalną zmienną docelową (predyktandem), skalibrowaną na obserwacjach. Techniki obejmują funkcje przejścia (regresję), typowanie cyrkulacji i metody analogów oraz stochastyczne generatory pogody (Maraun i in. 2010). Metoda jest tania i elastyczna, ale jej piętą achillesową jest założenie stacjonarności — przyjęcie, że relacja predyktor-predyktand pozostanie taka sama w przyszłym klimacie, czego nie da się zweryfikować.

Regionalne modele klimatu (RCM)

RCM (regionalny model klimatu, od ang. Regional Climate Model) to model obszaru ograniczonego o budowie podobnej do globalnego, ale działający na mniejszym obszarze z dużo wyższą rozdzielczością. To narzędzie downscalingu dynamicznego.

Wartość dodana RCM ujawnia się tam, gdzie liczy się drobna skala: orografia, kontrast ląd-morze, procesy o skali kilkudziesięciu kilometrów, ogony rozkładów (ekstrema). Nie jest ona jednak gwarantowana dla każdej zmiennej i każdej skali (Feser i in. 2011).

Ograniczenia RCM, o których trzeba pamiętać przy interpretacji danych:

• RCM dziedziczy obciążenia modelu globalnego przez warunki brzegowe i nie naprawia błędów cyrkulacji wielkoskalowej,
• pojedynczy bieg obarczony jest zmiennością wewnętrzną,
• w łańcuchu emisje → model globalny → RCM → model skutków niepewność narasta kaskadowo.

Projekt CORDEX

CORDEX (skoordynowany eksperyment regionalnego uszczegółowienia, od ang. Coordinated Regional Climate Downscaling Experiment) to program WCRP, którego celem jest wspólny, ogólnoświatowy protokół regionalnego downscalingu. Dzięki niemu projekcje regionalne są porównywalne między modelami i obszarami oraz nadają się jako ujednolicone wymuszenie dla modeli skutków (m.in. hydrologicznych). Ramy projektu opisali Giorgi, Jones i Asrar (2009), a wersję na erę CMIP6 — Gutowski i in. (2016).

Domeny CORDEX

CORDEX dzieli świat na kilkanaście domen kontynentalnych (obecnie około 14, numerowanych oficjalnie jako „Region 1”…„Region 14”). Dla każdej obowiązuje wspólna siatka i konwencja danych. Pełne pokrycie globu pozwala prowadzić spójne analizy regionalne także poza Europą.

Domena	Kod	Region
Ameryka Południowa	SAM	1
Ameryka Środkowa	CAM	2
Ameryka Północna	NAM	3
Europa	EUR	4
Afryka	AFR	5
Azja Południowa	WAS	6
Azja Wschodnia	EAS	7
Azja Centralna	CAS	8
Australazja	AUS	9
Antarktyda	ANT	10
Arktyka	ARC	11
Region śródziemnomorski	MED	12
Bliski Wschód i Afryka Północna	MENA (MNA)	13
Azja Południowo-Wschodnia	SEA	14

Kilka uwag praktycznych:

• Afryka (AFR) była domeną pierwszego priorytetu — wybrano ją ze względu na wrażliwość na zmiany klimatu i niedobór danych; pierwsze symulacje prowadzono w rozdzielczości 0,44° (~50 km).
• W kodach pojawiają się dwie pułapki nazewnicze: Azja Południowa ma kod WAS (nie „SAS”), a domena MENA bywa zapisywana jako MNA w kodach archiwów. Warto o tym pamiętać przy odpytywaniu ESGF lub Copernicus CDS.
• Domeny śródziemnomorska, MENA i południowo-wschodnioazjatycka to późniejsze uzupełnienia — dokładna liczba i nazewnictwo bywają różne między dokumentami. (Liczbę 14 traktować jako stan przybliżony.)
• Przyrostek rozdzielczości: -44 = 0,44° (~50 km), -22 = 0,22° (~25 km), -11 = 0,11° (~12,5 km). Dla Polski właściwa jest domena europejska w rozdzielczości EUR-11.

EURO-CORDEX

EURO-CORDEX to europejska gałąź projektu (Jacob i in. 2014; Jacob i in. 2020). Symulacje prowadzi się w dwóch rozdzielczościach na siatce o obróconym biegunie:

Identyfikator	Rozdzielczość kątowa	Rozdzielczość przybliżona
EUR-44	0,44°	~50 km
EUR-11	0,11°	~12,5 km

EUR-11 (~12,5 km) to najwyższa standardowa rozdzielczość EURO-CORDEX i typowy punkt wyjścia dla studiów hydrologicznych w Europie Środkowej, w tym dla zlewni polskich. Praca z tymi danymi zwykle wymaga przeliczenia siatki z obróconego bieguna na siatkę krajową (np. narzędziem CDO).

CORDEX-CORE

Skoro domen jest kilkanaście, a kombinacji modeli jeszcze więcej, pokrycie świata danymi bywa nierówne — jedne regiony mają gęsty ansambl, inne pojedyncze biegi. Odpowiedzią jest CORDEX-CORE: jednolita, porównywalna baza projekcji o podwyższonej rozdzielczości 0,22° (~25 km) dla większości domen (około 9-10 z 14). Powstała jako wkład do raportu IPCC AR6 i uzupełnia, a nie zastępuje, wcześniejsze biegi 0,44°.

Logika CORDEX-CORE to mała, celowo dobrana macierz: 2 modele regionalne (REMO z ośrodka GERICS, RegCM4 z ICTP) × 3 modele globalne z CMIP5 dobrane tak, by objąć zakres czułości klimatu (NorESM1-M — niska, MPI-ESM-LR — średnia, HadGEM2-ES — wysoka) × 2 scenariusze (RCP2.6 i RCP8.5). Zasada „obejmij zakres czułości, zachowaj jednorodność” jest tu myślą przewodnią (Remedio i in. 2019; Teichmann i in. 2021; Coppola i in. 2021; Giorgi i Coppola 2021).

Którą bazę wybrać dla Polski

Dla zlewni polskich „koniem roboczym” jest ansambl EURO-CORDEX EUR-11 (0,11°, ~12,5 km). CORDEX-CORE (0,22°) przydaje się tam, gdzie potrzebny jest sygnał porównywalny globalnie albo kontekst oceny regionalnej IPCC.

Modele regionalne w EURO-CORDEX

RACMO22E jest jednym z wielu RCM-ów w ansamblu EURO-CORDEX. Modele te różnią się przede wszystkim rdzeniem dynamicznym (skąd biorą równania ruchu), pakietem fizyki (jak liczą m.in. opad, chmury, promieniowanie) oraz tym, czy są hydrostatyczne, czy niehydrostatyczne (te drugie lepiej oddają silne ruchy pionowe w burzach). Poniżej najważniejsze modele — to punkt wyjścia, jeśli planuje się porównanie RACMO22E z innym RCM-em:

Model regionalny	Ośrodek (kraj)	Czym się wyróżnia
RACMO22E	KNMI (Holandia)	dynamika HIRLAM + fizyka ECMWF IFS; hydrostatyczny
RCA4	SMHI (Szwecja)	dynamika HIRLAM + własna fizyka Rossby Centre; hydrostatyczny
CCLM / COSMO-CLM	CLM-Community (Niemcy)	klimatyczna wersja modelu pogody COSMO (DWD); niehydrostatyczny
HIRHAM5	DMI (Dania)	dynamika HIRLAM + fizyka ECHAM5; hydrostatyczny
REMO2009 / REMO2015	GERICS (Niemcy)	dynamika Europa-Modell (DWD) + fizyka ECHAM; hydrostatyczny
ALADIN	CNRM (Francja)	regionalna wersja globalnego modelu ARPEGE; hydrostatyczny
HadREM3-GA7	Met Office (Wielka Brytania)	oparty na Unified Model (konfiguracja GA7); niehydrostatyczny
RegCM4	ICTP (Włochy)	rdzeń wywodzący się z modelu MM5 (NCAR/PSU); hydrostatyczny
WRF (warianty)	różne grupy (rdzeń NCAR)	społecznościowy model WRF-ARW; niehydrostatyczny

Dlaczego raz „11”, raz „13” modeli

Liczba RCM-ów w zestawieniach bywa różna, bo warianty tego samego modelu (np. różne konfiguracje WRF czy ALADIN) liczone są osobno, a wersje REMO2009 i REMO2015 bywają łączone w jeden model. Dlatego spotyka się i 11, i 13 modeli — zależnie od konwencji zliczania.

Modele sterujące i analizy porównawcze

Drugą osią macierzy są modele sterujące — globalne modele z CMIP5, które dostarczają warunków brzegowych. W EURO-CORDEX rdzeń stanowi siedem modeli, a w pełnym, dużym ansamblu jest ich około 10. Różnią się głównie komponentami (jaki model atmosfery i oceanu sprzęgają), tym, czy są pełnymi modelami systemu Ziemi (z interaktywnym cyklem węgla), oraz czułością klimatyczną (jak silnie reagują na wzrost stężenia CO₂):

Model sterujący (GCM)	Ośrodek (kraj)	Czym się wyróżnia
EC-EARTH	konsorcjum ICHEC (Europa)	atmosfera ECMWF IFS + ocean NEMO; rodowód z modelu prognozy pogody
HadGEM2-ES	Met Office (Wielka Brytania)	pełny model systemu Ziemi (cykl węgla, chemia, roślinność); wysoka czułość
MPI-ESM-LR	MPI (Niemcy)	atmosfera ECHAM6 + ocean MPIOM; ESM z cyklem węgla; czułość pośrednia
CNRM-CM5	CNRM / CERFACS (Francja)	atmosfera ARPEGE + ocean NEMO; klasyczny model sprzężony bez cyklu węgla
IPSL-CM5A-MR	IPSL (Francja)	atmosfera LMDZ + ocean NEMO + ląd ORCHIDEE; ESM; wysoka czułość
NorESM1-M	NCC (Norwegia)	oparty na CCSM4, izopykniczny ocean MICOM; wersja fizyczna; niska czułość
MIROC5	konsorcjum MIROC (Japonia)	sprzężony model atmosfera-ocean; najniższa czułość w tej grupie

Czułość klimatyczna jako oś różnicująca

Równowagowa czułość klimatu (ECS — ocieplenie przy podwojeniu CO₂) wyraźnie różni te modele: od ok. 2,7 K (MIROC5) i 2,8 K (NorESM1-M), przez ~3,3 K (CNRM-CM5) i ~3,6 K (MPI-ESM-LR), po ~4,1 K (IPSL-CM5A) i ~4,6 K (HadGEM2-ES) (Andrews i in. 2012). To dlatego dobór modeli sterujących o różnej czułości — jak w CORDEX-CORE — celowo rozpina zakres możliwych zmian. (EC-EARTH pominięto — w użytym zestawieniu brak potwierdzonej wartości ECS.)

Osobno wykorzystuje się reanalizę ERA-Interim jako „sterownik” biegów ewaluacyjnych (patrz niżej).

Z tych dwóch osi powstaje macierz kombinacji modeli sterujących i regionalnych, liczona dodatkowo w scenariuszach RCP2.6/4.5/8.5. Macierz jest celowo niepełna: teoretycznych kombinacji są setki, a zrealizowano ich ułamek — najlepiej obsadzone są EC-EARTH, HadGEM2-ES i MPI-ESM-LR (te wybiera większość grup) (Kotlarski i in. 2014; Vautard i in. 2021; Coppola i in. 2021).

Jak ustawić uczciwe porównanie

Macierz GCM-RCM porządkuje też myślenie o analizach porównawczych:

• Rozrzut między różnymi RCM-ami przy tym samym modelu sterującym izoluje niepewność downscalingu (różnice w fizyce i konfiguracji modeli regionalnych).
• Rozrzut między różnymi modelami sterującymi przy tym samym RCM izoluje niepewność wymuszenia wielkoskalowego (różnice między modelami globalnymi).
• Pełna macierz próbkuje oba źródła naraz.

Stąd zasada: aby porównanie było czytelne, zafiksuj jedną oś macierzy (ten sam GCM przy zmianie RCM albo ten sam RCM przy zmianie GCM).

Konkretne pary sprawdzaj w archiwum

To, które modele sterujące zostały faktycznie uszczegółowione danym RCM-em, należy potwierdzić w indeksie ESGF (filtry driving_model + rcm_name) lub w tabeli zestawiającej ansambl (Vautard i in. 2021) — nie zakładać z pamięci. Przykładowe potwierdzone pary: EC-EARTH z HIRHAM5, RACMO22E i RCA4; MPI-ESM z REMO i RCA4.

Biegi ewaluacyjne i scenariuszowe

Dla poprawnej interpretacji trzeba odróżnić dwa typy biegów:

• Biegi ewaluacyjne — RCM napędzany reanalizą (historycznie ERA-Interim), czyli niemal „doskonałymi” warunkami brzegowymi. Izolują one błąd samego RCM od błędu modelu globalnego i służą do oceny jakości modelu nad obszarem zainteresowania.
• Biegi historyczne i scenariuszowe — RCM napędzany modelem globalnym (bieg kontrolny dla okresu historycznego, projekcje do 2100 r.). To z nich korzysta się w analizach zmian klimatu, ale niosą one obciążenia modelu globalnego.

Praktyka hydrologiczna

Do oceny, jak model radzi sobie nad daną zlewnią, sięgaj po biegi ewaluacyjne. Do projekcji — po biegi scenariuszowe, ale niemal zawsze po korekcji obciążenia (patrz dalej), zanim podasz je na wejście modelu opad-odpływ.

CORDEX a CMIP6 i CMIP7

Trwa przejście do nowej generacji. CORDEX-CMIP6 uszczegóławia modele globalne z CMIP6 w scenariuszach SSP (okres historyczny od ok. 1950/1960 do 2014, projekcje 2015-2100); dla Europy ramy tej generacji opisali Katragkou i in. (2024). Następny krok, regionalne uszczegółowienie pod CMIP7, jest dopiero w fazie organizacji — lista modeli regionalnych jeszcze nie istnieje, więc wszelkie deklaracje na ten temat należy traktować jako wstępne.

Reanalizy: ERA5 i ERA5-Land

Reanaliza to model prognozy pogody (dla ERA5 — ECMWF IFS) „dociągany” asymilacją historycznych obserwacji, dający najlepsze odtworzenie rzeczywistego przebiegu pogody dzień po dniu, na regularnej siatce. Tym różni się od swobodnej projekcji GCM/RCM, która odtwarza statystyki klimatu, ale nie konkretne daty.

• ERA5 — globalna reanaliza ECMWF (5. generacja), udostępniana przez Copernicus C3S; ~31 km (siatka 0,25°), krok godzinny, od 1940 r. do dziś (Hersbach i in. 2020).
• ERA5-Land — uszczegółowiona lądowa część ERA5; ~9 km (0,1°), krok godzinny, od 1950 r. do dziś — stąd jej popularność w hydrologii (Muñoz-Sabater i in. 2021).

Reanalizy łączą się z pozostałą częścią tego łańcucha w trzech miejscach:

• napęd biegów ewaluacyjnych CORDEX (dawniej ERA-Interim → obecnie ERA5; patrz biegi ewaluacyjne),
• referencja przy korekcji obciążenia — zbiór odniesienia, do którego dopasowuje się wyniki modelu,
• wejście dla zlewni niekontrolowanych — gotowe pola opadu i temperatury tam, gdzie brak pomiarów; obróbkę tych pól (NetCDF) opisuje xarray, a użycie ERA5-Land jako źródła danych opadowych do analizy częstości — Rozkłady prawdopodobieństwa w analizie opadów i przepływów.

Opad w reanalizie też jest polowy

Opad w reanalizie jest polem modelu (nie jest asymilowany bezpośrednio) — ma obciążenia i reprezentuje średnią po powierzchni komórki. Dlatego problem „pole kontra punkt” z sekcji Opad punktowy a opad polowy dotyczy także ERA5/ERA5-Land.

Model RACMO22E

RACMO (regionalny model klimatu atmosfery, od ang. Regional Atmospheric Climate Model) jest rozwijany w KNMI (Królewski Holenderski Instytut Meteorologiczny). Jego druga generacja, RACMO2, łączy rdzeń dynamiczny modelu HIRLAM z fizyką systemu prognoz ECMWF; jest to hydrostatyczny model obszaru ograniczonego (van Meijgaard i in. 2008).

Etykietę RACMO22E przyjmuje się odczytywać — zgodnie z konwencją nazewnictwa CORDEX — jako RACMO2 w wersji 2.2 w konfiguracji europejskiej („E”), użytej w EURO-CORDEX. (Rozbicie etykiety znak po znaku jest interpretacją konwencji, nie cytatem z pojedynczego oficjalnego dokumentu.) W EURO-CORDEX model dostępny jest w obu rozdzielczościach — EUR-11 (~12,5 km) i EUR-44 (~50 km).

Modele sterujące. Rdzeniowa kolekcja CMIP5 KNMI-RACMO22E (w archiwum WDC-Climate i ESGF) wymienia jako modele napędzające EC-EARTH i HadGEM2-ES oraz ERA-Interim w roli biegu ewaluacyjnego (scenariusze: historyczny + RCP2.6/4.5/8.5). Szerszy ansambl EURO-CORDEX objął RACMO22E również z dodatkowymi modelami sterującymi — m.in. NorESM1-M i CNRM-CM5.

Sprawdź dokładny zestaw biegów w indeksie ESGF

Konkretny zestaw kombinacji modelu sterującego z RACMO22E dla danej domeny należy potwierdzić bezpośrednio w indeksie ESGF (filtr rcm_name=RACMO22E), a nie zakładać z pamięci. W EURO-CORDEX większość modeli sterujących uszczegółowiono innymi RCM-ami.

Wycofany bieg EUR-11

Wczesny zestaw EUR-11 KNMI-RACMO22E został wycofany z ESGF z powodu błędu w przeliczeniu pola temperatury powierzchni morza z modelu HadGEM2-ES na siatkę RACMO. Należy stosować wersję skorygowaną — przed użyciem warto sprawdzić status pliku i numer wersji (v1, v2, …).

To samo „RACMO”, dwa różne zastosowania

Niezależnie od projekcji EURO-CORDEX, RACMO2 w wersjach polarnych (oznaczanych literą „p”, np. RACMO2.3p2) jest szeroko stosowany do modelowania bilansu masy powierzchniowej lądolodów Grenlandii i Antarktydy (Noël i in. 2018; van Wessem i in. 2018). To odrębne zastosowanie — nie należy go mylić z klimatycznymi biegami EURO-CORDEX.

Dostęp do danych i format

Dane CORDEX rozpowszechniane są przez ESGF (od ang. Earth System Grid Federation) oraz Copernicus Climate Data Store (CDS). Pliki to NetCDF zgodny z konwencjami CF, a ich nazwy podlegają ujednoliconej składni (od ang. Data Reference Syntax, DRS) w stylu CMIP5:

zmienna_domena_modelSterujący_eksperyment_bieg_RCM_wersjaRCM_częstotliwość_zakresCzasu.nc

Przykład pliku z RACMO22E w EURO-CORDEX:

tas_EUR-11_ICHEC-EC-EARTH_historical_r1i1p1_KNMI-RACMO22E_v1_day_19500101-19501231.nc

gdzie tas to temperatura przy powierzchni, EUR-11 to domena i rozdzielczość, ICHEC-EC-EARTH to model sterujący, historical to eksperyment, r1i1p1 to identyfikator biegu (kolejno: realizacja, inicjalizacja, wersja fizyki), a KNMI-RACMO22E to model regionalny wraz z instytucją.

Praca z tymi plikami w Pythonie to naturalne zadanie dla biblioteki xarray (etykietowane wymiary time × rlat × rlon, wczytywanie wielu plików naraz, agregacje czasowe), a operacje na samej siatce — w tym przeliczenie z obróconego bieguna — najwygodniej wykonać narzędziem CDO. Dalsza obróbka tabelaryczna (np. serie dla jednego punktu lub zlewni) wpisuje się w warsztat pandas.

Obciążenie modeli i korekcja

Obciążenie to systematyczna (a nie losowa) część błędu modelu — trwałe odchylenie statystyk modelowych od obserwowanych: średniej, wariancji, częstości dni opadowych, rozkładu natężenia opadu, ekstremów, cyklu sezonowego. Klasycznym przykładem dla opadu jest problem mżawki: model generuje zbyt wiele dni z niskim opadem i zbyt mało dni suchych, co zawyża częstość dni opadowych i zaniża średnie natężenie w dniu mokrym.

Korekcja obciążenia to rodzina metod statystycznych dopasowujących rozkład modelowy do obserwowanego. Można je ułożyć w drabinę rosnącej złożoności:

Metoda	Co koryguje	Założenie / uwaga
metoda delta	nakłada modelową zmianę względną na obserwacje	ufa sygnałowi zmiany, nie wartościom bezwzględnym
skalowanie liniowe	tylko średnią	najprostsza, zgrubna
skalowanie z progiem (LOCI)	średnią + częstość dni opadowych	bezpośrednie rozwiązanie problemu mżawki
mapowanie kwantylowe	cały rozkład (empirycznie lub parametrycznie)	wersja empiryczna nie wykracza poza zakres kalibracji
kwantylowe z deltą (QDM)	rozkład, zachowując sygnał zmiany	zachowuje surowy trend modelu
mapowanie skalowanego rozkładu (SDM)	rozkład, zachowując sygnał zmiany	Switanek i in. 2017

Najważniejszy niuans: proste mapowanie kwantylowe potrafi zniekształcić (zawyżyć lub stłumić) projektowaną zmianę w kwantylach i ekstremach. Metody QDM i SDM zaprojektowano właśnie tak, by zachowywać surowy sygnał zmiany modelu (Switanek i in. 2017).

Korekcja obciążenia to łatka statystyczna, nie poprawka fizyki

Najważniejsze pułapki: (1) stacjonarność obciążenia — zakładamy, że obciążenie jest takie samo w przyszłym klimacie, czego nie da się sprawdzić; (2) korekcja nie naprawi błędów cyrkulacji wielkoskalowej (Maraun i in. 2017); (3) korekcja osobno dla każdej zmiennej psuje spójność między zmiennymi; (4) korekcja ekstremów jest trudna i wrażliwa na wybór metody; (5) mapowanie kwantylowe na skali siatki myli korekcję z uszczegółowieniem i może dodać pozorną zmienność drobnoskalową. Sama zasadność korekcji bywa kwestionowana (Ehret i in. 2012) — minimum to przejrzystość co do użytej metody.

W praktyce sięga się po gotowe implementacje: pakiet qmap w języku R (Gudmundsson i in. 2012) lub odpowiedniki w Pythonie (np. xclim) współgrające z xarray. Przegląd metod i ich ocenę dla zastosowań hydrologicznych podaje Maraun (2016).

Opad punktowy a opad polowy: problem reprezentatywności

To sekcja, która najczęściej zaskakuje przy pierwszym zderzeniu danych modelowych z pomiarem. Rozważmy porównanie ekstremów opadowych z komórki RCM z ekstremami z pobliskiego deszczomierza.

Wartość z komórki siatki to średnia opadu po powierzchni tej komórki (dla EUR-11 — po obszarze ~12,5 × 12,5 km), podczas gdy deszczomierz mierzy opad niemal punktowo. Intensywne komórki opadowe — zwłaszcza konwekcyjne — są mniejsze niż oczko siatki, więc uśrednianie przestrzenne wygładza ich szczyty. W efekcie ekstrema z pola są systematycznie niższe niż ekstrema punktowe. To różnica wsparcia przestrzennego (jaki obszar reprezentuje wartość), a nie sam błąd modelu.

Efekt ten ma potwierdzenie empiryczne: Chen i Knutson (2008) pokazali, że samo zagregowanie obserwowanego pola opadu z drobniejszej siatki do coraz grubszych systematycznie obniża poziom powrotowy opadu dobowego — tym silniej, im grubsza siatka. Wniosek autorów jest jednoznaczny: opad modelowy należy interpretować jako średnią po powierzchni, a nie jako wartość punktową.

Współczynnik redukcji powierzchniowej (ARF)

Relację między opadem polowym a punktowym opisuje współczynnik redukcji powierzchniowej (ARF, od ang. Areal Reduction Factor) — iloraz średniego opadu po powierzchni do opadu punktowego ($\text{ARF}\le 1$). Kluczowa jest jego zależność (Svensson i Jones 2010):

$\text{ARF}=\text{ARF}(A,D),\text{ARF}\downarrow \text{ gdy }A\uparrow ,\text{ARF}\downarrow \text{ gdy }D\downarrow$

czyli ARF maleje wraz ze wzrostem powierzchni $A$ oraz wraz ze skróceniem czasu trwania $D$. Konsekwencja jest fundamentalna: różnica między opadem polowym a punktowym jest znacznie większa dla krótkich czasów trwania (np. ~3 h, opady konwekcyjne) niż dla długich (~24 h, częściej frontalne i przestrzennie rozległe). Krótkie, gwałtowne zdarzenia są małe przestrzennie, więc uśrednienie po komórce „zjada” ich szczyt w dużo większym stopniu niż w przypadku rozległego opadu całodobowego.

Zależność ARF od czasu trwania nie jest uniwersalna

Silna zależność ARF od czasu trwania jest najwyraźniejsza, gdy rozważa się szeroki zakres czasów, włącznie z krótszymi niż godzina. Część badań w wąskich lub długich zakresach raportuje słabą zależność. Konkretne wartości liczbowe ARF dla danej pary (powierzchnia, czas trwania) należy odczytywać z tablic regionalnych, a nie przyjmować z pamięci.

Opady krótkotrwałe w modelach

Na różnicę wsparcia nakłada się odrębny problem fizyki modelu — sposób, w jaki model traktuje konwekcję.

W modelu globalnym i w typowym RCM-ie (oczko siatki 12-50 km) pojedyncza komórka burzowa jest mniejsza niż oczko, więc model nie potrafi jej jawnie obliczyć. Zamiast tego stosuje parametryzację konwekcji — uproszczony schemat, który szacuje uśredniony efekt burz w komórce (ile spadnie opadu, ile ciepła i wilgoci przeniosą prądy wstępujące), nie rozwiązując samych burz. Schemat jest wygodny obliczeniowo, ale jest źródłem błędów: opad pojawia się za wcześnie w ciągu dnia, pada „zbyt często i zbyt słabo”, a najintensywniejsze, krótkotrwałe ekstrema są zaniżane.

Modele dopuszczające konwekcję (CPM, od ang. convection-permitting models) to RCM-y liczone na bardzo gęstej siatce — rzędu 1-4 km. Przy takiej rozdzielczości równania modelu rozwiązują już bezpośrednio silne ruchy pionowe w komórkach burzowych, więc parametryzację głębokiej konwekcji można wyłączyć — burze powstają „same” z dynamiki modelu (parametryzowana zostaje co najwyżej płytka konwekcja). Dzięki temu CPM znacznie lepiej oddają cykl dobowy opadu, intensywności godzinowe i krótkotrwałe oraz opad nad złożoną orografią (Prein i in. 2015; Ban i in. 2014).

„Dopuszczające”, a nie „rozwiązujące”

Rozdzielczość 1-4 km wystarcza, by uchwycić główne prądy wstępujące burz, ale wciąż nie rozwiązuje najdrobniejszej turbulencji (to wymagałoby oczek poniżej ~100 m). Stąd nazwa „dopuszczające konwekcję” (permitting), a nie „w pełni rozwiązujące”. Ceną jest ogromny koszt obliczeniowy — CPM liczy się zwykle dla małych obszarów, krótszych okresów i nielicznych wariantów ansambla.

To są dwa różne mechanizmy, które oba obniżają krótkotrwałe ekstrema z siatki: niezgodność wsparcia (punkt kontra pole) oraz ograniczenia przybliżania konwekcji.

Konsekwencje dla analizy częstości

Powyższe składa się w praktyczny wniosek dla analizy częstości opadów ekstremalnych — niezależnie od tego, jakim rozkładem prawdopodobieństwa ją prowadzimy. Załóżmy, że do serii maksimów dopasowujemy rozkład wartości ekstremalnych (w analizie opadów najczęściej GEV — szczegóły i estymację opisuje Rozkłady prawdopodobieństwa w analizie opadów i przepływów) i zestawiamy dopasowanie do opadu z komórki siatki z dopasowaniem do serii deszczomierzowej. Wtedy:

• estymowane parametry rozkładu — przede wszystkim położenie ($\mu$, poziom wartości) i skala ($\sigma$, ich rozrzut) — z danych siatkowych będą zaniżone względem dopasowania punktowego,
• zaniżenie jest zależne od czasu trwania — większe dla okien krótkich (np. ~3 h) niż długich (~24 h),
• naiwne, bezpośrednie porównanie „siatka kontra deszczomierz” przeszacowuje błąd modelu, bo miesza niezgodność wsparcia z błędem fizyki.

To wnioskowanie ma charakter interpretacyjny

Kierunek i zależność powyższych obciążeń parametrów od czasu trwania wynikają logicznie ze zweryfikowanej zależności ARF (mniejszy współczynnik dla krótszych czasów) oraz z różnicy wsparcia (Chen i Knutson 2008). Jest to spójna synteza, a nie pojedynczy zmierzony wynik z jednego źródła. Konkretną wielkość obciążenia (w mm lub %) dla danej pary (czas trwania, region) trzeba wyznaczyć empirycznie — różnice rzędu kilkudziesięciu procent dla okien krótkotrwałych są w pełni spodziewane i w znacznej części wyjaśnione różnicą wsparcia, a nie „złym modelem”.

Dlaczego to ważne właśnie dla krótkich okien? Bo to opady 1-3 h napędzają powodzie błyskawiczne (patrz Powodzie błyskawiczne), a w cieplejszym klimacie ekstrema krótkotrwałe mogą nasilać się szybciej niż dobowe (Fowler i in. 2021). Termodynamiczną podstawę tego efektu — od równania Clausiusa-Clapeyrona po skalowanie super-CC opadów konwekcyjnych — omawia Równanie Clausiusa-Clapeyrona i skalowanie opadów ekstremalnych. Poprawne porównanie modelu z pomiarem w tym zakresie jest więc nie tylko kwestią metodyczną.

Jak porównywać

Żeby porównanie miało sens, należy zrównać wsparcie przestrzenne obu źródeł lub świadomie je skorygować:

1. Sprowadzić do wspólnego wsparcia — albo zredukować opad punktowy do polowego (zastosować ARF do deszczomierza: punkt → pole), albo zagregować pomiar o wysokiej rozdzielczości przestrzennej (np. z radaru) do siatki modelu.
2. Użyć modelu dopuszczającego konwekcję (CPM) dla zastosowań krótkotrwałych.
3. Jawnie skorygować dopasowany rozkład z siatki o redukcję powierzchniową przed zestawieniem z deszczomierzem.

A jeśli celem jest oszacowanie charakterystyk opadu punktowego (np. parametrów rozkładu do projektowania), a dysponujemy tylko siatką — trzeba pamiętać, że surowe wartości siatkowe odpowiadają opadowi polowemu i wymagają przeliczenia na punktowy (przez odwrotność ARF), tym istotniejszego, im krótsze okno czasowe.

Słownik skrótów

Skrót	Rozwinięcie	Znaczenie w skrócie
GCM	General Circulation Model	globalny model klimatu (cała Ziemia, ~100-250 km)
ESM	Earth System Model	GCM rozszerzony o cykle biogeochemiczne (m.in. węgla)
RCM	Regional Climate Model	regionalny model klimatu (obszar ograniczony, wysoka rozdzielczość)
CMIP	Coupled Model Intercomparison Project	ramy porównywania modeli globalnych
RCP	Representative Concentration Pathways	scenariusze wymuszenia radiacyjnego
SSP	Shared Socioeconomic Pathways	scenariusze narracja + wymuszenie
CORDEX	Coordinated Regional Climate Downscaling Experiment	wspólny protokół regionalnego downscalingu (WCRP)
WCRP	World Climate Research Programme	program koordynujący CMIP i CORDEX
ESGF	Earth System Grid Federation	sieć dystrybucji danych modeli klimatu
CDS	Copernicus Climate Data Store	portal dostępu do danych klimatycznych i reanaliz
DRS	Data Reference Syntax	konwencja nazw plików CORDEX/CMIP (NetCDF)
ARF	Areal Reduction Factor	współczynnik redukcji powierzchniowej (opad polowy / punktowy)
CPM	convection-permitting model	model dopuszczający konwekcję (~1-4 km, jawna głęboka konwekcja)
ECS	equilibrium climate sensitivity	równowagowa czułość klimatu (ocieplenie przy podwojeniu CO₂)

Źródła

GCM, CMIP i scenariusze

• Taylor, K.E., Stouffer, R.J. & Meehl, G.A. (2012). An overview of CMIP5 and the experiment design. Bulletin of the American Meteorological Society, 93(4), 485-498. doi:10.1175/BAMS-D-11-00094.1
• Andrews, T., Gregory, J.M., Webb, M.J. & Taylor, K.E. (2012). Forcing, feedbacks and climate sensitivity in CMIP5 coupled atmosphere-ocean climate models. Geophysical Research Letters, 39(9), L09712. doi:10.1029/2012GL051607
• Eyring, V. i in. (2016). Overview of the Coupled Model Intercomparison Project Phase 6 (CMIP6) experimental design and organization. Geoscientific Model Development, 9, 1937-1958. doi:10.5194/gmd-9-1937-2016
• van Vuuren, D.P. i in. (2011). The representative concentration pathways: an overview. Climatic Change, 109, 5-31. doi:10.1007/s10584-011-0148-z
• O’Neill, B.C. i in. (2016). The Scenario Model Intercomparison Project (ScenarioMIP) for CMIP6. Geoscientific Model Development, 9, 3461-3482. doi:10.5194/gmd-9-3461-2016
• Riahi, K. i in. (2017). The Shared Socioeconomic Pathways and their energy, land use, and greenhouse gas emissions implications: An overview. Global Environmental Change, 42, 153-168. doi:10.1016/j.gloenvcha.2016.05.009
• Dunne, J.P. i in. (2025). An evolving Coupled Model Intercomparison Project phase 7 (CMIP7) and Fast Track. Geoscientific Model Development, 18, 6671-6700. doi:10.5194/gmd-18-6671-2025
• Durack, P.J. i in. (2025). Earth System Forcing for CMIP7 and Beyond. Bulletin of the American Meteorological Society, 106(8), E1580-E1588. doi:10.1175/BAMS-D-25-0119.1
• van Vuuren, D.P. i in. (2026). The Scenario Model Intercomparison Project for CMIP7 (ScenarioMIP-CMIP7). Geoscientific Model Development, 19(7), 2627-2656. doi:10.5194/gmd-19-2627-2026
• IPCC (2000). Special Report on Emissions Scenarios (SRES) (red. Nakićenović, N. i in.). Cambridge University Press. (Raport — brak DOI.)

Downscaling i regionalne modele klimatu

• Giorgi, F. & Mearns, L.O. (1999). Introduction to special section: Regional climate modeling revisited. Journal of Geophysical Research: Atmospheres, 104(D6), 6335-6352. doi:10.1029/98JD02072
• Maraun, D. i in. (2010). Precipitation downscaling under climate change: Recent developments to bridge the gap between dynamical models and the end user. Reviews of Geophysics, 48(3), RG3003. doi:10.1029/2009RG000314
• Feser, F. i in. (2011). Regional climate models add value to global model data: A review and selected examples. Bulletin of the American Meteorological Society, 92(9), 1181-1192. doi:10.1175/2011BAMS3061.1

CORDEX, EURO-CORDEX i CORDEX-CORE

• Giorgi, F., Jones, C. & Asrar, G.R. (2009). Addressing climate information needs at the regional level: the CORDEX framework. WMO Bulletin, 58(3), 175-183. (Biuletyn — brak DOI.)
• Gutowski, W.J. i in. (2016). WCRP Coordinated Regional Downscaling Experiment (CORDEX): a diagnostic MIP for CMIP6. Geoscientific Model Development, 9(11), 4087-4095. doi:10.5194/gmd-9-4087-2016
• Jacob, D. i in. (2014). EURO-CORDEX: new high-resolution climate change projections for European impact research. Regional Environmental Change, 14(2), 563-578. doi:10.1007/s10113-013-0499-2
• Kotlarski, S. i in. (2014). Regional climate modeling on European scales: a joint standard evaluation of the EURO-CORDEX RCM ensemble. Geoscientific Model Development, 7, 1297-1333. doi:10.5194/gmd-7-1297-2014
• Remedio, A.R. i in. (2019). Evaluation of new CORDEX simulations using an updated Köppen-Trewartha climate classification. Atmosphere, 10(11), 726. doi:10.3390/atmos10110726
• Jacob, D. i in. (2020). Regional climate downscaling over Europe: perspectives from the EURO-CORDEX community. Regional Environmental Change, 20(2), 51. doi:10.1007/s10113-020-01606-9
• Giorgi, F., Coppola, E., Teichmann, C. & Jacob, D. (2021). Editorial for the CORDEX-CORE Experiment I Special Issue. Climate Dynamics, 57, 1265-1268. doi:10.1007/s00382-021-05902-w
• Teichmann, C. i in. (2021). Assessing mean climate change signals in the global CORDEX-CORE ensemble. Climate Dynamics, 57, 1269-1292. doi:10.1007/s00382-020-05494-x
• Coppola, E. i in. (2021). Climate hazard indices projections based on CORDEX-CORE, CMIP5 and CMIP6 ensembles. Climate Dynamics, 57, 1293-1383. doi:10.1007/s00382-021-05640-z
• Vautard, R. i in. (2021). Evaluation of the large EURO-CORDEX regional climate model ensemble. Journal of Geophysical Research: Atmospheres, 126(17), e2019JD032344. doi:10.1029/2019JD032344
• Coppola, E. i in. (2021). Assessment of the European climate projections as simulated by the large EURO-CORDEX regional and global climate model ensemble. Journal of Geophysical Research: Atmospheres, 126(4), e2019JD032356. doi:10.1029/2019JD032356
• Diez-Sierra, J. i in. (2022). The worldwide C3S CORDEX grand ensemble: a major contribution to assess regional climate change in the IPCC AR6 Atlas. Bulletin of the American Meteorological Society, 103(12), E2804-E2826. doi:10.1175/bams-d-22-0111.1
• Katragkou, E. i in. (2024). Delivering an improved framework for the new generation of CMIP6-driven EURO-CORDEX regional climate simulations. Bulletin of the American Meteorological Society, 105(6), E962-E974. doi:10.1175/BAMS-D-23-0131.1

Model RACMO

• van Meijgaard, E. i in. (2008). The KNMI regional atmospheric climate model RACMO version 2.1. KNMI Technical Report TR-302, De Bilt. (Raport — brak DOI.)
• van Meijgaard, E. i in. (2012). Refinement and application of a regional atmospheric model for climate scenario calculations of Western Europe. KVR report 054/12, Wageningen. ISBN 978-90-8815-046-3. (Raport — brak DOI.)
• Noël, B. i in. (2018). Modelling the climate and surface mass balance of polar ice sheets using RACMO2, part 1: Greenland (1958-2016). The Cryosphere, 12, 811-831. doi:10.5194/tc-12-811-2018
• van Wessem, J.M. i in. (2018). Modelling the climate and surface mass balance of polar ice sheets using RACMO2, part 2: Antarctica (1979-2016). The Cryosphere, 12, 1479-1498. doi:10.5194/tc-12-1479-2018

Reanalizy (ERA5 i ERA5-Land)

• Hersbach, H. i in. (2020). The ERA5 global reanalysis. Quarterly Journal of the Royal Meteorological Society, 146(730), 1999-2049. doi:10.1002/qj.3803
• Muñoz-Sabater, J. i in. (2021). ERA5-Land: a state-of-the-art global reanalysis dataset for land applications. Earth System Science Data, 13(9), 4349-4383. doi:10.5194/essd-13-4349-2021

Korekcja obciążenia

• Gudmundsson, L. i in. (2012). Technical note: Downscaling RCM precipitation to the station scale using statistical transformations — a comparison of methods. Hydrology and Earth System Sciences, 16, 3383-3390. doi:10.5194/hess-16-3383-2012
• Ehret, U. i in. (2012). HESS Opinions „Should we apply bias correction to global and regional climate model data?”. Hydrology and Earth System Sciences, 16, 3391-3404. doi:10.5194/hess-16-3391-2012
• Maraun, D. (2016). Bias correcting climate change simulations — a critical review. Current Climate Change Reports, 2, 211-220. doi:10.1007/s40641-016-0050-x
• Switanek, M.B. i in. (2017). Scaled distribution mapping: a bias correction method that preserves raw climate model projected changes. Hydrology and Earth System Sciences, 21, 2649-2666. doi:10.5194/hess-21-2649-2017
• Maraun, D. i in. (2017). Towards process-informed bias correction of climate change simulations. Nature Climate Change, 7, 764-773. doi:10.1038/nclimate3418

Opad punktowy a polowy, opady krótkotrwałe i modele dopuszczające konwekcję

• Chen, C.-T. & Knutson, T. (2008). On the verification and comparison of extreme rainfall indices from climate models. Journal of Climate, 21(7), 1605-1621. doi:10.1175/2007JCLI1494.1
• Svensson, C. & Jones, D.A. (2010). Review of methods for deriving areal reduction factors. Journal of Flood Risk Management, 3(3), 232-245. doi:10.1111/j.1753-318X.2010.01075.x
• Ban, N., Schmidli, J. & Schär, C. (2014). Evaluation of the convection-resolving regional climate modeling approach in decade-long simulations. Journal of Geophysical Research: Atmospheres, 119(13), 7889-7907. doi:10.1002/2014JD021478
• Prein, A.F. i in. (2015). A review on regional convection-permitting climate modeling: Demonstrations, prospects, and challenges. Reviews of Geophysics, 53(2), 323-361. doi:10.1002/2014RG000475
• Fowler, H.J. i in. (2021). Anthropogenic intensification of short-duration rainfall extremes. Nature Reviews Earth & Environment, 2, 107-122. doi:10.1038/s43017-020-00128-6

---

Uwaga: w bibliografii uwzględniono wyłącznie źródła dostępne w pełnym tekście bez opłat (otwarty dostęp lub wolny pełny tekst w repozytorium). Wszystkie DOI zweryfikowano przez Crossref API; dostępność linków była aktualna na dzień kompilacji (21.06.2026). Cytowania bez DOI to raporty i biuletyny — istniejąca, z wolnym pełnym tekstem, lecz bez identyfikatora cyfrowego. Informacje o CMIP7 mają charakter wstępny.

Zobacz także

• Klimatologia — indeks działu
• Równanie Clausiusa-Clapeyrona i skalowanie opadów ekstremalnych — dlaczego opady ekstremalne (zwłaszcza krótkotrwałe) rosną w cieplejszym klimacie szybciej niż średnie
• Rozkłady prawdopodobieństwa w analizie opadów i przepływów — rozkłady wartości ekstremalnych (m.in. GEV), estymacja parametrów, stosunek intensywności 3h/24h
• Badanie jednorodności ciągów hydrologicznych — testy poprzedzające analizę częstości
• Powodzie błyskawiczne — rola opadów krótkotrwałych w generowaniu powodzi błyskawicznych
• Zjawiska ekstremalne - projekty europejskie — projekty UE dotyczące klimatu i zjawisk ekstremalnych
• xarray — obróbka pól NetCDF z CORDEX w Pythonie
• pandas — analiza serii czasowych wyciągniętych z pól modelowych
• Copernicus Climate Data Store — dostęp do danych CORDEX i reanaliz
• EURO-CORDEX — strona europejskiej gałęzi projektu
• WCRP CORDEX — strona główna projektu CORDEX