One
Select issue
Year Issue
Article search ?
Author
Add author Del author
Keyword
Add keyword Del keyword
Full text

all these words
this exact wording or phrase
one or more of these words
any of these unwanted words
Year
till
 
Two
You are here: Home Archive 2017 Comparison of the performance of three types of multiple regression for phenology in Bavaria in a dynamical-statistical model approach

Article details

Comparison of the performance of three types of multiple regression for phenology in Bavaria in a dynamical-statistical model approach

DOI: 10.3112/erdkunde.2017.04.01
Year: 2017
Vol: 71
Issue: 4
Pages: 271-285
Summary:

Some of the most obvious consequences of anthropogenic climate change are observed changes in the dates of the occurrence of phenological events. Most prominently, observations from the Northern Hemisphere’s extratropics indicate an earlier occurrence of spring events. Recent climate models include land surface schemes that provide representation of the vegetation. However, they are limited in simulating the plants’ response to climate change. In this study we present results of a dynamical-statistical modeling approach for phenology in southeastern Germany, combining climate change simulations provided by a high resolution, state-of-the-art regional climate model (RCM) with three different types of regression methods: ordinary least squares (OLS), least absolute deviation (LAD) and random forest (RFO). We focus on changes in the day of the year (DOY) of Forsythia suspensa flowering, the earliest phenophase of the growing season in Bavaria. Based on roughly 2600 observations, collected at 94 phenological and 26 meteorological stations between 1952 and 2013, we compare the regressions via a bootstrap, using once 13 and once 4 meteorological variables as predictors. Altogether, we find the regressions with less variables to be more robust, while the regression estimates are nearly identical. Explained variance and RMSE (root mean square error) are 54.8 % and 8.8 days for RFO and 51.2 % and 9.1 days for the other regressions. These trained and cross validated statistical models are used to estimate the effects of future climate change on the DOY by applying them to the RCM simulations. For OLS or LAD, under a low (high) greenhouse gas emission scenario, we find a mean advance of the DOY of 8 (15) days by the end of the 21th century compared to the base period from 1961 to 1990. The spatial pattern of the change resembles the topography, with the strongest trends in the DOY over mountainous regions as a consequence of a simultaneous rise in temperatures and reduction in snow depth. RFO is restricted to the range of the observations and hence the response to the simulated climate is damped, resulting in an advance of DOY of only 5 (8) days and a reduction in variance. There is no apparent spatial pattern identifiable. Altogether, we find OLS and LAD to be more suitable for dynamical-statistical modeling of phenology than RFO.

Zusammenfassung:

Zu den augenfälligsten Folgen des anthropogenen Klimawandels gehören beobachtete Veränderungen im zeitlichen Auftreten von phänologischen Ereignissen. Am markantesten deuten Beobachtungen aus den Außertropen der Nordhalbkugel auf den früheren Eintritt von Frühlingsereignissen hin. Aktuelle Klimamodelle verfügen über Landoberflächenschemata zur Abbildung der Vegetationsdynamik, allerdings sind sie nur eingeschränkt dazu in der Lage die Reaktion von Pflanzen auf Klimaänderungen zu simulieren. In dieser Studie präsentieren wir Ergebnisse eines dynamisch-statistischen Modellierungsansatzes für Phänologie in Bayern. Dafür kombinieren wir hochaufgelöste Klimawandelsimulationen eines aktuellen, regionalen Klimamodells (RCM) mit drei verschiedenen Regressionsmethoden: Gewöhnliche-Kleinste-Quadrate (OLS), Geringste-Absolute-Abweichung (LAD) und Random Forest (RFO). Wir untersuchen Änderungen im Eintrittsdatum der Blüte von Forsythia suspensa, der frühesten Phänophase der Vegetationsperiode in Bayern. Bei einer Datengrundlage von etwa 2600 Beobachtungen, die an 94 phänologischen und 26 meteorologischen Stationen zwischen 1952 und 2013 erhoben wurden, nutzen wir Bootstraps um die Regressionen je mit 13 und 4 meteorologischen Variablen als Prädiktoren zu vergleichen. Insgesamt erweisen sich die Regressionen mit der geringeren Anzahl Variablen als robuster, während die Regressionsschätzer beinahe identisch sind. Für den RFO ergibt sich eine erklärte Varianz von 54.8 % und ein RMSE (die Wurzel des mittleren quadratischen Fehlers) von 8.8 Tagen, die anderen Regressionen erreichen 51.2 % bzw. 9.1 Tage. Mit diesen so trainierten und kreuzvalidierten statistischen Modellen schätzen wir die Effekte des künftigen Klimawandels auf das Eintrittsdatum der Blüte indem wir sie auf die RCM Daten übertragen. Für OLS und LAD finden wir für ein Szenario mit geringen (hohen) Treibhausgasemissionen eine mittlere Verfrühung des Blühdatums von etwa acht (15) Tagen bis zum Ende des 21.Jahrhunderts im Vergleich zur Referenzperiode 1961 bis 1990. Im räumlichen Muster zeichnet sich die Topographie ab. Dabei zeigen sich die stärksten Trends in hochgelegenen Regionen, bedingt durch die gleichzeitige Erhöhung der Temperatur und Reduktion der Schneetiefe. Die Schätzungen von RFO sind auf den Wertebereich der Beobachtungen beschränkt. Entsprechend fällt die Reaktion auf die simulierte Klimaänderung mit einer Verfrühung von nur 5 (8) Tagen und einer Reduktion der Varianz gedämpft aus. Ein offensichtliches räumliches Muster ist nicht zu erkennen. Insgesamt erscheinen uns OLS und LAD für die statistisch-dynamische Modellierung von Phänologie als besser geeignet als RFO.

Document Actions