Reducing forced-signal uncertainty in the INM RAS climate models using a pattern-recognition based approach
Questo articolo integra i vincoli emergenti con una metodologia di riconoscimento dei pattern per ridurre l'incertezza inter-modello nelle proiezioni della temperatura dell'aria vicino alla superficie attraverso i modelli climatici INM RAS, riuscendo a restringere i pattern di riscaldamento storico ma fallendo nel vincolare il segnale congruente alla CO2 proiettato per la fine del XXI secolo.
Articolo originale sotto licenza CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Gli scienziati del clima si affidano a complessi programmi informatici, noti come Modelli del Sistema Terra, per simulare il comportamento passato dell'atmosfera e degli oceani del nostro pianeta e per prevedere come cambieranno in futuro. Questi modelli sono strumenti essenziali per comprendere le conseguenze dell'aumento dei livelli di gas serra, ma spesso divergono tra loro. Quando modelli diversi eseguono lo stesso scenario, possono produrre previsioni molto variabili su quanto il mondo si riscalderà o su come tale riscaldamento sarà distribuito nel globo. Questo disaccordo, o incertezza, rende difficile per le società pianificare risposte efficaci al cambiamento climatico. Una fonte principale di questa incertezza risiede nel modo in cui i modelli gestiscono processi fisici invisibili, come la formazione delle nuvole, che sono troppo piccoli per essere visti direttamente dalla griglia del computer ma hanno un enorme impatto sul clima. Per fare previsioni migliori, i ricercatori cercano costantemente modi per restringere il divario tra i diversi output dei modelli e la realtà che osserviamo nella cronologia storica.
Un team di ricercatori guidato da Sergey Kravtsov, insieme a colleghi della Accademia delle Scienze Russa, ha sviluppato un nuovo metodo per affrontare questo problema del disaccordo tra i modelli. Si sono concentrati su tre versioni specifiche di un modello climatico sviluppato presso l'Istituto di Matematica Numerica in Russia, che variano nella loro risoluzione e nel modo in cui gestiscono la fisica delle nuvole. I ricercatori volevano vedere se potevano usare una tecnica chiamata riconoscimento di pattern per regolare le proiezioni future dei modelli in modo che corrispondessero più da vicino alla storia osservata delle temperature globali. Il loro approccio consisteva nel scomporre i dati della temperatura in due parti: un trend di riscaldamento costante guidato dall'anidride carbonica e un segnale di fondo più complesso e fluttuante causato da altri fattori. Analizzando come questi pattern si sono comportati durante il periodo storico dal 1880 al 2005, hanno creato un insieme di regole per ricalibrare gli output dei modelli. L'obiettivo era costringere i modelli ad allinearsi con i record reali delle temperature che possediamo, efficacemento così "tarandoli" prima di guardare verso il futuro.
I risultati di questo esperimento hanno mostrato che il metodo funzionava bene per il passato immediato, ma ha incontrato un limite guardando più avanti nel tempo. Quando i ricercatori hanno applicato le loro regole di ricalibrazione alle proiezioni dei modelli per l'anno 2100, la dispersione delle previsioni tra i diversi modelli si è ridotta significativamente. I tre modelli, che originariamente prevedevano quantità diverse di riscaldamento, sono stati portati molto più vicini, convergendo tutti su un aumento della temperatura globale di circa 3 gradi Celsius entro la fine del secolo. Ciò suggerisce che il metodo ha avuto successo nel ridurre l'incertezza nelle previsioni a breve termine dei modelli, correggendo i bias che erano visibili nei dati storici. I ricercatori hanno scoperto che i modelli tendevano a sovrastimare la velocità del riscaldamento futuro e che il loro processo di regolazione ha abbassato queste proiezioni verso un livello più coerente.
Tuttovo, lo studio ha rivelato un limite critico. Sebbene la ricalibrazione funzionasse per il periodo storico e il futuro prossimo, è fallita nel vincolare un tipo specifico di segnale climatico che emerge più avanti nel XXI secolo. I ricercatori hanno scoperto che esiste una componente a lento movimento del cambiamento climatico, probabilmente legata a come l'oceano e l'atmosfera si adattano al riscaldamento nel corso dei decenni, che non appare chiaramente nei dati storici. Poiché questo segnale non era visibile nel passato, il metodo di riconoscimento dei pattern non poteva identificarlo o correggerlo. Di conseguenza, anche dopo la ricalibrazione dei modelli, essi continuavano a divergere sull'entità di questo riscaldamento di fine secolo. Lo studio suggerisce che, sebbene possiamo migliorare i nostri modelli facendo corrispondenza con ciò che abbiamo già visto, esistono ancora processi lenti e nascosti nel sistema climatico che rimangono difficili da prevedere con gli strumenti attuali.
I ricercatori hanno testato la loro idea utilizzando una versione del loro modello come sostituto del "mondo reale" per vedere se la ricalibrazione potesse avvicinare gli altri modelli ad esso. Questo esperimento ha confermato che il metodo poteva effettivamente ridurre le differenze tra i modelli, provando che la tecnica è matematicamente solida. Eppure, il risultato fondamentale rimane che il metodo è buono quanto i dati da cui impara. Se un segnale di cambiamento climatico è troppo lento per essere rilevato nella cronologia storica, il metodo non può correggere l'errore del modello relativo a quel segnale. Ciò implica che, sebbene possiamo affinare le nostre proiezioni climatiche imparando dal passato, esiste un limite fondamentale a quanto possiamo ridurre l'incertezza senza comprendere questi meccanismi più profondi e lenti del sistema climatico terrestre. Il lavoro non risolve interamente il problema dell'incertezza dei modelli, ma offre un percorso più chiaro per capire dove i nostri strumenti attuali hanno successo e dove invece falliscono.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.