Assessing the Evolution of Rainfall Trends in India through Historical Analysis, Forecasting, and Comparison with the CMIP-6 SSP585 Scenario

Technische Samenvatting: Beoordeling van de Evolutie van Neerslagpatronen in India door Historische Analyse, Voorspelling en Vergelijking met het CMIP-6 SSP585-scenario

Probleemstelling
Klimaatverandering drijft wijdverspreide variabiliteit in extreme weersomstandigheden aan, wat aanzienlijke uitdagingen vormt voor waterbronnen, landbouw en economische stabiliteit, met name in subtropische regio's zoals India. Neerslag, een fundamentele drijfveer van de hydrologische cyclus, vertoont toenemende onregelmatigheden die leiden tot droogte, overstromingen en oogstmislukkingen. Hoewel eerdere studies neerslagpatronen op globaal of nationaal niveau hebben geanalyseerd, is er behoefte aan uitgebreide, spatio-temporeel extensieve analyses die historische trenddetectie integreren met geavanceerde machine learning-voorspellingen en vergelijkingen met hoog-emissieve klimaatscenario's. Bovendien worstelen traditionele statistische methoden vaak met niet-normaal verdeelde data, autocorrelatie en de identificatie van structurele breuken (changepoints) in langetermijn-tijdreeksen, wat potentieel kan leiden tot misleidende conclusies.

Methodologie
De studie voert een rigoureuze analyse uit van neerslaggegevens over een periode van 122 jaar (1901–2022) verspreid over India, opgedeeld in zes homogene regio's (HR's) en vierendertig meteorologische subdivisies (MSD's). De methodologie integreert vier afzonderlijke analytische componenten:

1. Trenddetectie: De studie maakt gebruik van niet-parametrische statistische technieken, specifiek de Mann-Kendall (MK) test en de Sen's Slope-schatter, om monotone trends in jaarlijkse, seizoensgebonden en maandelijkse neerslag te identificeren. Om de beperkingen met betrekking tot autocorrelatie en datahomogeniteit aan te pakken, hebben de auteurs homogeniteitstesten (Pettitt, Buishand Range en Standard Normal Homogeneity Test) geïntegreerd om breukjaren (changepoints) te detecteren voordat de trendanalyse werd toegepast.
2. Innovatieve Trendanalyse (ITA): Om de resultaten te valideren en te verfijnen, gebruikt de studie de ITA-methode (Şen, 2012). Deze grafische niet-parametrische techniek gaat om met geautocorreleerde data en uitschieters zonder strikte aannames over steekproefomvang of lineariteit, waardoor detectie van sub-trends en onderscheidende trendcombinaties binnen tijdreeksen mogelijk is.
3. Mechanistische Analyse: Om de fysieke drijfveren van waargenomen variaties te begrijpen, analyseert de studie ERA5-reanalysegegevens (1940–2022). Kernvariabelen zijn onder meer convectieve neerslag, lage bewolking en verticaal geïntegreerde vochtdivergentie. Een breukpunt werd geïdentificeerd in 1956, en verschillen in circulatiepatronen tussen de perioden 1940–1956 en 1957–2022 werden beoordeeld.
4. Voorspelling en Scenariovergelijking: Een Artificial Neural Network-Multilayer Perceptron (ANN-MLP) model werd getraind op historische data om de jaarlijkse neerslag tot het jaar 2050 te voorspellen. De prestaties van het model werden geoptimaliseerd met behulp van de Root Mean Square Error (RMSE) en de Mean Absolute Error (MAE). Deze machine learning-voorspellingen werden vervolgens naast projecties gelegd van het Coupled Model Intercomparison Project Fase 6 (CMIP-6) onder het Shared Socioeconomic Pathway 5-8.5 (SSP585) scenario, dat een "business-as-usual" klimaattraject vertegenwoordigt met hoge emissies. De vergelijking maakte gebruik van een multi-model ensemble (MME) van drie CMIP-6 wereldwijde klimaatmodellen (CanESM5, BCC-CSM2-MR en IITM-ESM).

Belangrijkste Resultaten

• Historische Trends: De MK-test en ITA onthulden een significante negatieve trend in de jaarlijkse neerslag voor de noordoostelijke HR en zeven specifieke MSD's (waaronder Arunachal Pradesh, Assam Meghalaya en NMMT). Daarentegen vertoonden negen MSD's, waaronder de kustregio van Andhra Pradesh en Punjab, significante positieve trends. Seizoensgebonden analyse wees op negatieve trends in de noordoostelijke HR tijdens het moessonseizoen, terwijl de kustregio van Andhra Pradesh en Punjab een toenemende moessonneerslag lieten zien.
• Breukpunten (Changepoints): Homogeniteitstesten identificeerden dat de meeste regio's een structurele breuk in neerslagpatronen ervoeren na de jaren 1950. Analyse na het breukpunt bevestigde dat de noordoostelijke HR en verschillende oostelijke subdivisies in de afgelopen 70 jaar een significante afname van de moessonneerslag hebben ervaren.
• Fysieke Drijvers: De ERA5-analyse schreef de variaties in neerslag toe aan fluctuaties in convectieve neerslag, toegenomen lage bewolking en ontoereikende verticale vochtdivergentie. Specifiek hebben geïntensiveerde noordoostelijke winden de inval van koelere lucht verminderd, wat de winterneerslag heeft doen afnemen, terwijl toegenomen vochtdivergentie in westelijke en centrale regio's heeft bijgedragen aan drogere omstandigheden.
• Voorspelling (2050): Het ANN-MLP model voorspelt een algehele afname van de jaarlijkse neerslag in India tegen 2050. Hoewel de noordoostelijke HR naar verwachting de hoogste gemiddelde neerslag zal behouden (ongeveer 1920 mm), wordt voorspeld dat de noordwestelijke HR de meest significante reducties zal ondergaan.
• Vergelijking met CMIP-6 SSP585: Een cruciaal bevinding is dat de ANN-MLP-voorspellingen voor alle zes de HR's en 28 van de 34 MSD's lagere neerslagniveaus voorspellen dan de CMIP-6 MME-projecties onder het SSP585-scenario. Dit suggereert dat de werkelijke toekomstige neerslag zelfs lager kan uitvallen dan de meest pessimistische klimaatmodelprojecties, wat wijst op een ernstig traject voor waterschaarste. Slechts zeven MSD's, voornamelijk kustgebieden en enkele binnenlandse regio's, worden geprojecteerd de SSP585-neerslagniveaus te overtreffen.

Betekenis en Claims
De auteurs stellen dat deze studie een cruciale, veelzijdige beoordeling biedt van de evolutie van de neerslag in India door de historische trendanalyse te overbruggen met toekomstige voorspellingen en validatie van klimaatmodellen. De integratie van breukpuntdetectie met MK- en ITA-methoden biedt een robuuster begrip van niet-monotone trends dan traditionele benaderingen alleen.

De studie stelt dat de vergelijking van machine learning-voorspellingen met CMIP-6 SSP585-projecties een uniek kader biedt voor het beoordelen van regionale klimaatimpacten, waarbij wordt onthuld dat India te maken kan krijgen met neerslagtekorten die zelfs de meest pessimistische klimaatmodelscenario's overtreffen. Deze bevindingen worden gepresenteerd als essentieel voor beleidsmakers, hydrologen en agrarische planners om adaptieve strategieën te formuleren voor irrigatie, waterbeheer en klimaatresistentie. De auteurs erkennen beperkingen, waarbij zij opmerken dat de brede ruimtelijke schaal van de studie (40 regio's) micro-niveau analyse (district/blok/dorp) verhindert en dat het gebrek aan dagelijkse gegevens de granulariteit van de huidige trenddetectie beperkt. Zij suggereren dat toekomstig werk geavanceerde deep learning (bijv. LSTM) en grid-gebaseerde remote sensing moet inzetten om deze inzichten te verfijnen.