This is an HTML version of an attachment to the Freedom of Information request 'Impact of global warming and climate change'.

IMPACT OF CLIMATE CHANGE ON WATER DEMAND  
Luther Uthayakumaran 1, Frank Spanninks 1, Adrian Barker 2, Andrew Pitman 2, Jason P. Evans 2
1. Sydney Water Corporation, Sydney, NSW 
2. University of New South Wales, Sydney, NSW 

KEYWORDS 
Climate Change, Weather, Water Demand, 
Resilience, Modelling 
which are increasing in severity and frequency 
ABSTRACT 
with climate change. In 2016 Sydney Water 
entered into a research partnership with the 
Climate change impacts weather and changes 
Centre for Climate Change of the University of 
in weather is the single largest factor influencing 
New South Wales to bring together the 
fluctuations in water demand.   Therefore, it 
expertise, knowledge and   resources of both 
would be natural to expect climate change to 
organisations, to develop a method of 
impact on demand, quantifiable by integrating 
quantifying the impact of climate change on 
the outputs of climate models with Sydney 
demand. As a result of this, Sydney Water has 
Water’s demand forecasting model. However, 
now able to successfully integrate the effect 
most climate models typically do not produce a 
climate change has on demand forecasts, and 
single forecast, but rather produce an ensemble 
for the first time has incorporated this into 
of equally likely scenarios. The high variation 
pricing recommendations made to the 
between these projections lead to different 
Independent Pricing and Regulatory Tribunal, 
estimates of demand, leaving decision makers 
and other infrastructure planning processes 
with the task of selecting one projection to use. 
such the Metropolitan water planning process. 
On the other hand, there exists no scientific way 
of doing this, as they are all equally likely, 
The methodology used, involves integrating a 
meaning selecting one would be as good as the 
mathematical demand forecast model 
other. The paper describes the way Sydney 
developed by Sydney Water with climate 
Water  approached the problem, which was to 
projections of the New South Wales / Australian 
use a two-staged process; developing a 
Capital Territory Regional Climate Modelling 
mathematical solution to integrate the output of 
(NARCLiM), via a Stochastic Weather 
global models with Sydney Water’s demand 
Generator developed by the University of New 
forecasting model, and  developing an approach  
South Wales. The integrated model estimates, 
based on the risk tolerance levels of the  
in addition to the interactive effect of the 
decision it informs  to select the most 
predictor variables including population growth, 
appropriate output from a climate model, to 
dwelling type mix and climate change, the 
arrive at the most appropriate estimations of the 
marginal impact of each of these factors on 
marginal-impact of climate change on demand 
water demand. Thus, it is also possible to 
as, 2.14% in the near-future (2020-2040) and 
quantify the relative impact of climate change in 
4.42% in the far-future (2060-2080).   
comparison to population growth and dwelling 
type mix.  
INTRODUCTION                
For a complete technical explanation of the 
Weather is the single most significant factor that 
methodology refer Barker, et al (2018a).  
influences day-to-day variations in water 
demand. Weather driven variations in Sydney is 
The purpose of this paper is to give an overview 
estimated to be as high as 50 Giga Litre; most 
of the approach and how some of the 
of which is the result of extreme weather 
challenges, both to do with the science, and 
conditions such as heat waves and droughts, 
policy development were overcome. 
1

The key challenges involved in estimating the 
Sydney Water Consumption Model 
impact of climate change on long term demand 
are; 
The Sydney Water Consumption Model is a 
statistical-forrecasting-model based on a 
dynamic panel regression methodology 
  Climate models typically predict averages, 
(Woolridge, 2010; Bun and Sarafidis, 2015) 
whereas demand is mostly driven by extreme 
based on the work of Abrahams Et al (2012). 
events (severity and frequency) 
The model forecasts metered water use -  which 
constitutes 90%  of all consumption (the rest is 
  Climate Models (NARCLiM) does not produce 
either leakage or undermetered usage, which 
amounts to approximately 57 GL a year) -  
single projection, but generate 12 member 
based on population change, dwelling types, 
ensembles, based on – 
whether or not a property has water efficiency 

four climate models and, 
programs such as BASIX, and five weather 

three downscaling methodologies  
variables, which are; 
1.  average daily precipitation, 
  the difficulty of estimating the uncertainty 
2.  number  of  days  in  a  month  when 
precipitation exceeds 2 mm, 
surrounding secondary impacts (eg, demand 
3.  average daily maximum temperature, 
driven by the use of water in mitigation 
4.  number  of  days  in  a  month  when 
programs such as urban cooling).  
temperature exceeds 300 C 
5.  average daily pan evaporation. 
The first challenge is overcome by building a 
Historic  recordings  from  12  weather  stations 
‘weather generator’ which develops Monte- 
operated  by  the  Bureau  of  Meteorology  were 
used  in  developing  the  model.  For  full  technical 
Carlo simulations of weather scenarios based 
details  of  SWCM,  please  refer  Barker  et  al 
on climate average projections of NARCLiM, 
(2018a) 
and integrating the weather generator with 
Sydney Water demand model to produce 
demand forecasts taking climate change into 
New  South  Wales  /  Australian  Capital  Territory 
account. 
Regional Climate Modelling Project (NARCLiM). 
The NARCLiM project provides temperature and   
The second has more to do with decision 
precipitation data based on four different global 
making than science; the challenge here is to 
climate models (GCMs) for the present (1990-
have the right decision-making framework for 
2010), near-future (2020-2040) and far-future 
incorporating climate change into government 
(2060-2080). The GCMs used are CCCMA3.1,  
decision-making and policy development. We 
CSIRO MK 3.0, ECHAM5 and MIROC 3.2. All 
propose a risk based approach; selecting an 
simulations were based on Intergovernmental 
Panel on Climate Change’s Specoial Report on 
ensemble member of the model, based on the 
Emission Scenarios, scenario A2.. Data is 
risk tolerance profile of the decision it informs. 
available on 10km x 10 km grids for the whole of 
Eastern Australia including Sydney Water’s areas 
Secondary impacts of climate change on 
of operation. Three runs are produced for each 
demand, likely to be mainly constituted by 
period/GCM, with each run generated using 
demand from outdoor irrigation, greening and 
different physics assumptions for the downscaling 
urban cooling has not been properly estimated 
process.  
at this stage and is out of the scope of this 
The NARCliM data was bias corrected, so that 
paper.  
the temperature and precipitation have the same 
yearly averages as the Australian Water 
SIMULATION /EXPERIMENT      
Availabilty Project (AWAP) data, over the same 
period.   
The scientific component involves integrating  
the NARCLiM projections with the  Sydney 
  Stochastic Weather Generator. 
Water Consumption Model (SWCM), by 
developing a series of weather scenarios using 
A stochastic weather generator developed by 
a Stochastic Weather Generator and using them 
Barker et al. (2018a) was used for the generation 
as inputs to SWCM. 
of weather scenarios as inputs for the SWCM. A 
2


weather generator was used to overcome the 
the present, near future or far future. We 
problem that each NARCliM member only 
therefore undertook three analyses, each for the 
produces a single realisation of a stochastic 
present, near and far-future: 
process (i.e. weather). The weather generator 
enables multiple (in this case 100) realisations to 
1.  Isolate the effect of climate change on water 
be generated, each consistent with a NARCliM 
consumption. Here, population is held at 
ensemble member, to examine the statistical 
2019/20 levels and the dwelling type mix 
distribution of weather and water consumption 
uses the population estimates; 
forecasts. 
2.  Isolate the effect of population change on 
water consumption. Here, population is 
allowed to vary from 2014/15-2024/25, with 
For each period/GCM/run combination, the 
a dwelling type mix associated with that 
stochastic weather generator was calibrated to 
population change. 
produce weather scenarios with statistical 
3.  Isolate the effect of dwelling type mix. Here, 
properties similar to those of the NARCliM data. 
population varies from 2014/15-2024/25 and 
NARCliM weather data from the closest grid point 
the dwelling type mix varies between the 
to each of the 12 weather stations was used to 
dwelling type mix estimate, simulations with 
calibrate the stochastic weather generator. Each 
no single dwellings, and simulations 
weather scenario contains data for the 11 financial 
assuming all single dwellings. 
years from 2014/15 to 2024/25 and 100 weather 
scenarios were generated for each period/climate 
However,  for  the  purpose  of  this  paper,  we  will 
model/run combination. 
discuss  only  (1);  the  marginal  impact  of climate 
change. 
In total 13 sets of 200 years of data were generated 
for each time period (present, near future, far 
The process was repeated for each NARCliM 
future) allowing quantification of the variance due to 
period, GCM and run leading to 12 forecasts 
changing weather. All weather variables were 
altogether. 
assumed not to have a yearly trend within the 20 
year NARCliM period. It should be noted that 
RESULTS 
estimates of water demand by SWCM requires pan 
evaporation, a  variable not generated by most 
The results, (Figure 1, Table 1 & Table 2),  
weather and climate models including the NARCliM 
suggest a large variation between the different 
project. Instead, the evaporation model described 
ensemble members of NARCLiM. However, 
by Barker et al. (2018a) was used to generate 
there is no direct scientific way of selecting one 
evaporation data as a function of precipitation and 
of these forecasts over the other, because the 
maximum temperature. 
different GCM outputs which lead to the 
different demand forecasts, are all considered 
The output from this was used as the five  weather 
equally likely. They are scenarios, rather than 
related inputs to the SWCM. 
members of a probability distribution. This 
means using a central tendency such as a 
Experiments performed 
median or average would be equally useless, in 
mathematical tems, these would not yield 
The consumption forecast generated through 
anything more accurate than arbitarily choosing 
the above reflects changes in population, 
one of the ensemble outputs.  
dwelling types, and changes in weather patterns 
that are likely to occur in relation to climate 
change. 
The population inputs were approved by the 
NSW Government. The weather data 
associated with a forecast is taken from a 
stochastic weather generator simulation based 
on data from a NARCliM ensemble member in 
one of the present, near or far future periods. 
We can vary the NARCliM ensemble member 
and time period represented, with weather 
reflecting the present, near or far future. 
Therefore, we can examine the consumption 
Figure 1: Annual Demand 
forecasts for combinations of populations 
Red CCMA3.1, Green CSIRO-MK 3.0, Blue ECHAM5,  
Brown-MIRCO3.2 (reproduced from Barker et al (2018b) 
between 2014/15 and 2024/25 with weather for 
3


need to use a single scenario to inform all 
decisions. Planning against different scenarios 
depending on the risk profile of the decision 
involved, is commonly used across government 
Table 1 Total Annual Consumption (2019/2020) 
- Period: 2020-2040 

and industry. For example, governments 
Model run 
Median 
% increase 
typically plan for high impact situations such as 
demand 
from base 
national security or preventing deadly diseases 
GL
year
against worst case scenarios, while they plan 
CCCMA3.1 
488.7 
0.93 
for things like economic turns against medium 
CCCMA3.1 
488.7 
0.75 
term scenarios. We propose something similar, 
CCCMA3.1 
489.0 
0.72 
choosing a projection scenario, based on; 
CSIRO-MK 3.0 
493.0 
1.79 
CSIRO-MK 3.0 
490.9
1.32
  the impact of error, i.e, the impact of ‘getting 
2
it wrong’ 
CSIRO-MK 3.0 
492.1 
1.62 

ECHAM5 
492.9 
1.90 
 
potential to respond to an error in terms of 
ECHAM5 1
493.6 
2.14 
capability and speed to respond 
ECHAM5 
492.5 
1.69 
  how equitably the impact of error is 
MIROC3.2
484.4
-0.06
distributed among stakeholders. 
MIROC3.2 
485.6 
0.27 
MIROC3.2 
487.4 
0.51 
We demonstrate this through the example of the 
following two decisions. 
1.  Determining the optimal retail price of water 
to recommend to IPART. 
Table 2 Total Annual Consumption (2019/2020) 
2.  Plan/determining  investments  in  building 
- Period: 2060-2080 
future infrastructure. 
Model run 
Median 
% increase 
demand GL  from base 
Table 3 Risk profile of decision frameork 
year
CCCMA3.1 
498.0 
2.86 
CCCMA3.1 
499.8 
3.06 
CCCMA3.1 
498.4 
2.65 
CSIRO-MK 3.0 
504.3 
4.12 
CSIRO-MK 3.0 2  500.5 
3.31 
CSIRO-MK 3.0 
500.0 
3.24 
ECHAM5 
502.2 
3.82 
ECHAM5 1
504.6 
4.42 
ECHAM5 
502.9 
3.85 
In the case of the retail price determination, 
MIROC3.2 
494.9 
2.10 
over-forecasting and under-forecasting, more or 
MIROC3.2 
497.7 
2.75 
less have the same impact. Over forecasting 
MIROC3.2 
494.7 
2.00 
can lead to lower retail prices (as prices are 
1 Suggested for infrastructure invetment 
usually set to achieve retail targets) and hence 
2 Suggested for price determination 
loss of revenue to Sydney Water, whereas 
under forecasting can lead to higher cost to 
consumers. However, the degree of loss or gain 
DISCUSSION 
is more or less the same in both cases. 
Therefore, the most appropriate forecast to use 
The differences between the outputs from the 
would be the ensemble member in the middle of 
different ensembles is so large that it would be 
the range. In the case of determining 
investments in future infrastructure, the 
hard, if not impossible to plan for all of them, 
consequences of under-forecasting, which could 
Which, makes it a necessity to select one.  
lead to supply constraints or shortages, most 
would agree is of graver consequence than 
That solution to this does not lie in the science, 
wasted investments, building unnecessary 
but in the way the science is incorporated into 
excess capacity. Further, responding to under-
decision making. We argue that there is no 
forecasting would be harder as building 
4

infrastructure takes time, whereas excess 
Barker, A., Pitman, A. J., Evans, J. P., 
capacity in infrastructure could be absorbed in 
Spaninks, F., and Uthayakumaran, L. (2018b). 
time as natural growth takes place. It could also 
Drivers of future water demand in Sydney 
be argued that the cost of error would be felt 
Australia: examining the contribution from 
more by consumers than Sydney Water.  
population and climate change. Submitted to 
Journal of Climatology. 
Therfore, in the case of determining investments 
in infrastructure, the ensemble member 
Abrahams, B.,Kumaradevan,S.,Spaninks,F.,and    
providing the worst case projection scenario 
Sarafidis,V. (2012). An econometric assessment 
should be used. Thus, given informing long-term 
of pricing Sydney’s residential eater use. The 
planning decisions is the purpose of the long-
Economic Record, 88:89-105. 
term demand forecasting, we recommend 
ECHAM5, as appropriate for this purpose. 
Bun,M.J.G. and Sarafidis, V. (2015) Dynamic 
panel data models. In Baltagi. B.H., editor The 
Therefore, percentage increase in the near term 
Oxford Handbook of Panel Data. Oxford 
is,  2.14%  and  percentage  increase  in  the  far 
University Press. 
term is 4.42%    
Wooldridge. J.M, (2010) Econometric Analysis 
REFERENCES 
of Cross Section and Panel Data. MIT Press, 
2nd edition.  
Barker, A., Pitman, A. J., Evans, J. P., 
Spaninks, F., and Uthayakumaran, L. (2018a). 
Evans, J. P., Ji, F., Lee, C., Smith, P., Argueso, 
Probabilistic forecasts for water consumption in 
D., and Fita, L. (2014). Design of a regional 
Sydney, Australia from stochastic weather 
climate modelling projection ensemble 
scenarios and a panel data consumption model. 
experiment - NARCliM. Geoscientific Model 
Submitted to Water Resources. 
Development, 7:621-629. 
5