Reducing forced-signal uncertainty in the INM RAS climate models using a pattern-recognition based approach
Diese Arbeit integriert emergente Constraints mit einer Mustererkennungsmethodik, um die Intermodell-Unsicherheit in den Projektionen der bodennahen Lufttemperatur über INM RAS-Klimamodellen zu reduzieren, wobei sie die historischen Erwärmungsmuster erfolgreich eingrenzt, jedoch daran scheitert, das für das späte 21. Jahrhundert projizierte CO2-kongruente Signal einzugrenzen.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Klimawissenschaftler verlassen sich auf komplexe Computerprogramme, die als Erdsystemmodelle bekannt sind, um zu simulieren, wie sich unsere Atmosphäre und unsere Ozeane in der Vergangenheit verhalten haben und um vorherzusagen, wie sie sich in Zukunft verändern werden. Diese Modelle sind wesentliche Werkzeuge, um die Folgen steigender Treibhausgaskonzentrationen zu verstehen, aber sie weichen oft voneinander ab. Wenn verschiedene Modelle dasselbe Szenario durchlaufen lassen, können sie sehr unterschiedliche Vorhersagen darüber treffen, wie stark sich die Welt erwärmen wird oder wie diese Erwärmung über den Globus verteilt sein wird. Diese Uneinigkeit, oder Unsicherheit, macht es schwierig für Gesellschaften, effektive Reaktionen auf den Klimawandel zu planen. Eine Hauptquelle dieser Unsicherheit liegt darin, wie die Modelle unsichtbare physikalische Prozesse handhaben, wie etwa die Wolkenbildung, die zu klein sind, um direkt vom Computergitter gesehen zu werden, aber einen riesigen Einfluss auf das Klima haben. Um bessere Vorhersagen zu treffen, suchen Forscher ständig nach Wegen, um die Lücke zwischen diesen verschiedenen Modellausgaben und der Realität, die wir in der historischen Aufzeichnung beobachten, zu schließen.
Ein Forschungsteam unter der Leitung von Sergey Kravtsov sowie Kollegen der Russischen Akademie der Wissenschaften hat eine neue Methode entwickelt, um dieses Problem der Modelluneinigkeit anzugehen. Sie konzentrierten sich auf drei spezifische Versionen eines Klimamodells, das am Institut für Numerische Mathematik in Russland entwickelt wurde, welche sich in ihrer Auflösung und in der Art und Weise, wie sie die Wolkenphysik handhaben, unterscheiden. Die Forscher wollten sehen, ob sie eine Technik namens Mustererkennung nutzen konnten, um die Zukunftsprojektionen der Modelle so anzupassen, dass sie der beobachteten Geschichte der globalen Temperaturen näher kommen. Ihr Ansatz bestand darin, die Temperaturdaten in zwei Teile zu zerlegen: einen stetigen Erwärmungstrend, der durch Kohlendioxid angetrieben wird, und ein komplexeres, fluktuierendes Hintergrundsignal, das durch andere Faktoren verursacht wird. Durch die Analyse, wie sich diese Muster während des historischen Zeitraums von 1880 bis 2005 verhielten, erstellten sie einen Satz von Regeln, um die Ausgaben der Modelle neu zu skalieren. Das Ziel war es, die Modelle dazu zu zwingen, sich an die tatsächlichen Temperaturaufzeichnungen anzupassen, die wir haben – sie effektiv zu „stimmen“, bevor man in die Zukunft blickt.
Die Ergebnisse dieses Experiments zeigten, dass die Methode für die unmittelbare Vergangenheit gut funktionierte, aber bei einem Blick weiter in die Zukunft an eine Grenze stieß. Als die Forscher ihre Skalierungsregeln auf die Projektionen der Modelle für das Jahr 2100 anwandten, verringerte sich die Streuung der Vorhersagen zwischen den verschiedenen Modellen signifikant. Die drei Modelle, die ursprünglich unterschiedliche Mengen an Erwärmung vorhersagten, wurden viel näher zusammengeführt und konvergierten alle auf einen globalen Temperaturanstieg von etwa 3 Grad Celsius bis zum Ende des Jahrhunderts. Dies deutet darauf hin, dass die Methode erfolgreich die Unsicherheit in den kurzfristigen Vorhersagen der Modelle reduziert hat, indem sie für Verzerrungen korrigiert wurden, die in den historischen Daten sichtbar waren. Die Forscher fanden heraus, dass die Modelle dazu neigten, die Geschwindigkeit der zukünftigen Erwärmung zu überschätzen, und ihr Anpassungsprozess regelte diese Projektionen auf ein konsistenteres Niveau herunter.
Die Studie offenbarte jedoch auch eine kritische Einschränkung. Während die Neuskalierung für den historischen Zeitraum und die nahe Zukunft funktionierte, scheiterte sie an einem spezifischen Klimasignal, das erst später im 21. Jahrhundert auftritt. Die Forscher entdeckten, dass es eine langsam ablaufende Komponente des Klimawandels gibt, die wahrscheinlich damit zusammenhängt, wie sich Ozean und Atmosphäre über Jahrzehnte an die Erwärmung anpassen, und die in den historischen Daten nicht deutlich erscheint. Da dieses Signal in der Vergangenheit nicht sichtbar war, konnte die Mustererkennungsmethode es weder identifizieren noch korrigieren. Infolgedessen wichen die Modelle selbst nach der Neuskalierung immer noch in der Größenordnung dieser späten Jahrhunderterwärmung voneinander ab. Die Studie legt nahe, dass wir unsere Modelle zwar verbessern können, indem wir sie mit dem abgleichen, was wir bereits gesehen haben, es aber dennoch verborgene, langsam wirkende Prozesse im Klimasystem gibt, die mit aktuellen Methoden schwer vorhersehbar bleiben.
Die Forscher testeten ihre Idee, indem sie eine Version ihres Modells als Stellvertreter für die „reale Welt“ verwendeten, um zu sehen, ob die Neuskalierung die anderen Modelle näher an diese heranführen könnte. Dieses Experiment bestätigte, dass die Methode die Unterschiede zwischen den Modellen tatsächlich verringern konnte, was bewies, dass die Technik mathematisch fundiert ist. Dennoch bleibt die Kernerkenntnis, dass die Methode nur so gut ist wie die Daten, aus denen sie lernt. Wenn ein Klimawandelsignal zu langsam ist, um in der historischen Aufzeichnung detektiert zu werden, kann die Methode ihren Fehler bezüglich dieses Signals nicht beheben. Dies impliziert, dass wir zwar unsere Klimaprojektionen verfeinern können, indem wir aus der Vergangenheit lernen, es aber eine fundamentale Grenze gibt, wie sehr wir die Unsicherheit ohne ein Verständnis dieser tieferen, langsameren Mechanismen des Erdklimasystems reduzieren können. Die Arbeit löst das Problem der Modellunsicherheit nicht vollständig, bietet aber einen klareren Weg dafür, zu verstehen, wo unsere derzeitigen Werkzeuge erfolgreich sind und wo sie versagen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.