Quasi-global, land-only, high-resolution and spatially averaged climate variables from downscaled CMIP6 models for climate impact research

Per comprendere come cambierà il clima nei prossimi decenni, gli scienziati si affidano a massicce simulazioni informatiche chiamate modelli climatici globali. Questi programmi agiscono come gemelli digitali della Terra, simulando la complessa danza dell'atmosfera, degli oceani e della terraferma per prevedere i futuri modelli meteorologici. Tuttavia, questi modelli hanno un punto cieco significativo: sono costruiti per vedere il quadro generale, non i dettagli. Poiché la Terra è così vasta, questi modelli dividono il pianeta in grandi e grossolane griglie quadrate, che spesso coprono centinaia di miglia. All'interno di ogni quadrato, il modello calcola una temperatura o una precipitazione media, livellando le colline, le valli e le linee costiere che rendono il tempo reale così specifico. Per un agricoltore in una specifica valle o per un funzionario di sanità pubblica che pianifica un focolaio di malattie in una particolare città, questa media ampia non è sufficiente. Hanno bisogno di sapere che aspetto avrà il tempo sulla propria soglia di casa, non solo per una regione delle dimensioni di un continente.

Questo divario tra le previsioni globali e la realtà locale è la sfida centrale affrontata da un nuovo set di dati creato da ricercatori dell'Imperial College London e dell'Università di Leeds. Il team ha sviluppato un metodo per prendere questi modelli climatici globali, grossolani, e affinarli in mappe ad alta risoluzione che mostrano i cambiamenti meteorologici giornalieri su una scala di appena poche miglia. Il loro lavoro si concentra sulle regioni tropicali del mondo, dove la variabilità climatica è alta e dove prosperano molte malattie infettive. Perfezionando i dati a un livello di dettaglio precedentemente non disponibile per un'area così vasta, hanno fornito uno strumento che consente ai ricercatori di passare da avvisi generali su un mondo che si riscalda a previsioni precise per comunità specifiche.

I ricercatori sono partiti da sei diversi modelli climatici globali, che sono i principali strumenti utilizzati dagli scienziati per proiettare le future condizioni climatiche sotto diversi scenari di attività umana. Questi modelli operano su due percorsi distinti: uno che rappresenta un futuro moderato in cui le emissioni vengono contenute, e un altro che rappresenta un futuro ad alte emissioni in cui l'uso dei combustibili fossili continua a crescere. L'output grezzo di questi modelli copre il periodo dal 1985 al 2100, ma i dati sono troppo grossolani e contengono errori sistematici. Ad esempio, un modello potrebbe prevedere costantemente che sia leggermente troppo caldo o troppo umido in una specifica regione rispetto a ciò che accade realmente. Per correggere questo, il team ha applicato una tecnica statistica sofisticata chiamata "Double Bias-Corrected Constructed Analogues". Questo metodo funziona confrontando le previsioni del modello con osservazioni meteorologiche reali che sono già accadute. In sostanza, chiede al modello di guardare i giorni passati che somigliavano alle condizioni attuali e di utilizzare quei modelli storici reali per correggere gli errori del modello. Questo processo non solo corregge gli errori, ma riempie anche i dettagli mancanti, creando un'immagine ad alta risoluzione di temperatura, umidità e precipitazioni giornaliere.

Il risultato è una massiccia collezione di dati che copre dodici regioni terrestri tra i 60 gradi nord e 60 gradi sud dell'equatore, una zona che comprende la maggior parte delle aree tropicali e subtropicali del mondo. I dati sono forniti a una risoluzione di 0,1 gradi, il che si traduce in un quadrato di griglia largo circa sei miglia. Questo è un miglioramento significativo rispetto ai dataset precedenti, che spesso utilizzavano quadrati di 15 UA o più. Il team ha generato record meteorologici giornalieri per sei variabili chiave, tra cui la temperatura massima e minima giornaliera, i livelli di umidità e la precipitazione totale. Hanno coperto sia il periodo storico dal 1985 al 2014 per garantire che il metodo funzioni, sia il periodo futuro dal 2015 al 2100 per fornire proiezioni. Fondamentalmente, non si sono fermati alla creazione di queste mappe dettagliate. Riconoscendo che molti decisori hanno bisogno di dati che si allineino con i confini politici piuttosto che con i quadrati di griglia, hanno anche aggregato le informazioni. Hanno calcolato le condizioni meteorologiche medie per 110 paesi e le loro sottoregioni, ponderando queste medie in base a dove le persone vivono effettivamente. Ciò significa che i dati riflettono il clima sperimentato dalla popolazione, non solo la terra deserta, rendendoli direttamente utili per la pianificazione degli interventi sanitari e la gestione delle risorse.

Per garantire la qualità del loro lavoro, i ricercatori hanno testato rigorosamente i nuovi dati rispetto alle osservazioni del mondo reale. Hanno confrontato i dati storici scalati con le osservazioni reali dal 1985 al 2014 con i registri meteorologici effettivi provenienti da satelliti e stazioni a terra. I risultati hanno mostrato un miglioramento drammatico rispetto ai modelli grezzi. I modelli originali presentavano spesso errori elevati, talvolta prevedendo temperature errate di diverse unità o quantità di pioggia ampiamente imprecise. Dopo il processo di correzione, questi errori si sono ridotti significamente. I nuovi dati corrispondevano molto più da vicino ai cicli stagionali del mondo reale, catturando la tempistica delle stagioni delle piogge e l'intensità delle ondate di calore con molta più precisione. Il team ha anche verificato quanto bene i dati rappresentassero gli eventi estremi, come i giorni con piogge intense o temperature pericolosamente elevate. Hanno scoperto che i dati corretti riproducevano con successo la frequenza di questi giorni estremi, un fattore critico per valutare rischi come le inondazioni o lo stress da calore.

Guardando alle proiezioni future, i ricercatori hanno scoperto che la direzione generale del cambiamento climatico rimane coerente con i modelli grezzi, ma i dettagli sono molto più chiari. Negli scenari futuri, i dati hanno mostrato una tendenza al riscaldamento in tutta la regione, ma le nuove mappe ad alta risoluzione hanno rivelato come questo riscaldamento vari attraverso i diversi paesaggi. Ad esempio, nelle aree montuose come le Ande, i modelli grezzi faticavano a rappresentare il terreno complesso, spesso livellando gli schemi climatici unici. I nuovi dati hanno risolto chiaramente queste aree, mostrando che il segnale di riscaldamento in queste regioni ad alta quota è in realtà meno intenso rispetto alle pianure circostanti. Allo stesso modo, per le precipitazioni, i nuovi dati hanno mostrato che, sebbene le tendenze generali di condizioni più umide o più secche siano state preservate, i modelli locali sono molto più complessi di quanto suggerito dai modelli grossolani. In alcune zone costiere e montuose, i nuovi dati hanno persino mostrato una direzione di cambiamento diversa rispetto ai modelli grezzi, evidenziando come la geografia locale possa alterare l'impatto dei cambiamenti climatici globali.

I ricercatori sottolineano con cautela che, sebbene questo dataset sia un grande passo avanti, non è una sfera di cristallo perfetta. Il metodo si basa sull'assunto che la relazione tra i modelli meteorologici su larga scala e le condizioni locali rimarrà simile in futuro, un assunto che potrebbe non sussistere se il clima dovesse cambiare drasticamente. Inoltre, l'accuratezza dei nuovi dati dipende fortemente dalla qualità delle osservazioni del mondo reale utilizzate per correggere i modelli. In alcune aree remote dove le stazioni meteorologiche sono scarse, esiste ancora incertezza. Tuttavia, il team ha dimostrato che il loro approccio rimuove con successo gli errori sistematici presenti nei modelli originali e fornisce una visione molto più realistica dei modelli meteorologici giornalieri. Rendendo questi dati liberamente disponibili in formati facili da usare, hanno rimosso una barriera importante per scienziati e decisori politici. Questa risorsa consente ai ricercatori di costruire modelli più accurati di come si diffondono le malattie, di come prospereranno le colture e di come cambieranno le risorse idriche, trasformando i generali avvisi climatici in conoscenza locale azionabile.